Acredito que você já usou, ou viu alguém usando, a famosa frase “ok, Google” para poder realizar uma pesquisa por voz com seu smartphone. Não sei se você lembra, mas durante as configurações iniciais do seu celular, você precisou dizer essa frase em voz alta algumas vezes para que o Google passasse a reconhecê-la e permitisse o funcionamento dessa aplicação. A tecnologia que permite que isso seja feito surgiu na década de 50, contudo devido à falta de poder computacional seu desenvolvimento foi limitado.
Deep Learning, traduzindo para o português “aprendizagem profunda”, é um tipo de Machine Learning que, assim como Redes Neurais, busca os computadores para realizar tarefas por meio de um processo de aprendizagem. Dessa maneira, os modelos com múltiplas camadas são treinados com um grande volume de dados rotulados com o objetivo de reconhecer padrões por meio dessas várias camadas de processamento. Pode ser que com essa definição não tenha ficado muito claro qual a diferença entre a Deep Learning e Redes Neurais, confesso que a princípio essa também foi uma questão para mim, entretanto trata-se de algo bem simples: o número de neurônios. Enquanto as Redes Neurais possuem normalmente apenas 2 ou 3 camadas, as Deep Learning podem chegar à 150 e este fato faz com que computadores normais apresentem dificuldade para treiná-las!
Nessa tecnologia não é dito ao computador como deve ser resolvido o problema, na verdade ela treina o computador para que seja encontrada a melhor solução. Nessas circunstâncias é feita uma substituição na formulação do modelo por uma categorização em camadas que aprendem a reconhecer características semelhantes dos dados nas regularidades das camadas. Além disso, elimina a adaptação do modelo por um sistema de melhora contínua com a adição de novos dados.
DIFERENÇA ENTRE MACHINE LEARNING E DEEP LEARNING
Como dito anteriormente, a Deep Learning é uma forma especializada de Machine Learning, porém apresenta alguns avanços que a outra não possui. O processo de construção de Deep Learning permite que os recursos relevantes para identificação do padrão sejam extraídos de maneira automática. Por outro lado, no caso de Machine Learning é necessária uma extração manual desses recursos que são usados para construção do modelo que caracteriza o objetivo final. Sendo assim, a Deep Learning caracteriza-se por ser uma tecnologia que realiza o aprendizado de “ponta a ponta”, ou seja, recebe os dados brutos, tem uma tarefa a realizar e aprende automaticamente a melhor maneira de fazer isso.
Além disso, outra diferença significativa é quanto à melhora do modelo. A Machine Learning se refere aos métodos de aprendizado de máquina que atingem um determinado nível de desempenho quando você adiciona mais exemplos e dados de treinamento à rede. Já o no caso da Deep Learning, quanto maior o volume de dados e exemplos, melhor a qualidade e o poder de acerto do modelo.
APLICAÇÕES
É muito claro para todos que o avanço da área de computação não se limita somente a ela e de fato gera impacto em diversas áreas de conhecimento. Portando, com a tecnologia de Deep Learning não é diferente. Abaixo vou te mostrar algumas de suas inúmeras aplicações.
Aplicações na medicina: o processo de Deep Learning permite diagnósticos cardiovasculares, desenvolvimento de medicamento e até mesmo a detecção de alguns tipos de câncer. Pesquisadores da Universidade da Califórnia em Los Angeles (UCLA) construíram um microscópio que produz um conjunto de dados de alta dimensão usado para treinar um aplicativo de Deep Learning para identificar com precisão as células cancerígenas de pele e mama.
Reconhecimento de fala: empresas como Google e Amazon usam essa tecnologia para reconhecer vozes e falas.
Automatização Industrial: esse processo vem ajudando na melhora da segurança dos trabalhadores em torno de máquinas pesadas fazendo um processo de detecção automática de pessoas e objetos em distâncias inseguras do maquinário.
Direção automatizada: essa tecnologia está sendo usada por pesquisadores automotivos para detecção de pedestres e objetos – semáforos e sinais de parada -, diminuindo assim o número de acidentes.
Nosso objetivo nesse texto foi trazer conceitos e aplicações relevantes dentro do contexto da Deep Learning, contudo este tema é muito amplo e complexo e não caberia nesses poucos parágrafos. Contudo, se você se interessou e gostou nos acompanhe que toda semana trazemos novos temas!!!
Já viu nosso LinkedIn e nosso Instagram??