# O que é e para que serve uma rede neural?

Uma rede neural (*neural network*) é um sistema de tecnologia da informação inspirado na estrutura do cérebro humano e projetado para dotar computadores de [inteligência artificial (IA)](https://www.ionos.com/pt-br/digitalguide/marketing-online/vender-na-internet/o-que-e-inteligencia-artificial-ia/). Redes neurais são fundamentais (entre outras abordagens) para aplicações modernas de IA, como o [chatbot ChatGPT](https://www.ionos.com/digitalguide/online-marketing/online-sales/how-chatbots-are-revolutionizing-online-marketing/ "Como chatbots estão revolucionando o marketing digital").

Existem diferentes tipos de redes neurais artificiais, cada uma com uma forma diferente de processar informações no contexto do [aprendizado profundo (*deep learning*)](https://www.ionos.com/digitalguide/online-marketing/search-engine-marketing/deep-learning/ "Deep learning"). Nos últimos anos, grandes avanços nessa área puderam ser testemunhados. Redes neurais são uma tecnologia essencial para ensinar máquinas a “pensar por conta própria”, o que **permite que computadores resolvam problemas de forma autônoma e melhorem continuamente suas capacidades**. Atualmente, redes neurais são utilizadas em sistemas multimodais, capazes de combinar texto, imagem, áudio e vídeo.

## Como funciona uma rede neural?

Redes neurais são inspiradas na estrutura do cérebro humano, que processa informações por meio de uma rede de neurônios.

[YouTube video](https://www.youtube.com/watch?v=s-Ue8SdQy3I)Redes neurais artificiais podem ser descritas como **modelos compostos por pelo menos duas camadas**, uma de entrada e uma de saída, assim como por camadas intermediárias, chamadas de camadas ocultas (*hidden layers*). Modelos modernos como de redes neurais convolucionais (CNN) baseadas em *transformers* geralmente requerem muitas camadas, mesmo para tarefas simples, já que a profundidade do modelo contribui para a eficiência deste. Em cada uma das camadas existem vários neurônios artificiais especializados.

### Processamento de informações por uma rede neural

O processamento de dados em uma rede neural segue sempre o mesmo princípio: as informações chegam aos neurônios da camada de entrada na forma de padrões ou sinais, e são processadas. **Cada neurônio tem um peso associado**, o que confere diferentes níveis de importância a eles. Esse peso, juntamente com uma função de transferência, determina como os dados de entrada devem ser processados e encaminhados.

Em seguida, uma **função de ativação** e um **limiar** são utilizados para calcular e ponderar o valor de saída do neurônio. Dependendo da avaliação e ponderação das informações, diferentes neurônios são conectados e ativados, com maior ou menor intensidade.

Por meio dessas conexões e ponderações **forma-se um algoritmo**, que gera um resultado específico para cada entrada de dados. Os pesos são ajustados a cada **treinamento**, aprimorando o algoritmo e permitindo que a rede forneça resultados cada vez mais precisos e eficazes.

### Exemplo de aplicação de uma rede neural

Redes neurais podem ser usadas, por exemplo, para o reconhecimento de imagens. Diferentemente dos humanos, um computador não consegue identificar imediatamente se uma imagem mostra uma pessoa, uma planta ou um objeto: ele precisa analisar a imagem em busca de características específicas para fazer esse reconhecimento. As características relevantes podem ser pré-definidas pelo **algoritmo implementado** ou descoberto pela máquina por meio de **análises de dados**.

Em cada camada da rede, o sistema avalia os sinais de entrada (neste caso as imagens) segundo critérios como cor, contornos e formas. A cada nova análise, o computador se torna mais preciso ao identificar elementos presentes na imagem.

Inicialmente, os resultados ainda apresentarão erros. Quando a rede neural recebe **feedback de um treinador humano** e ajusta seu algoritmo de acordo, ocorre o [aprendizado de máquina](https://www.ionos.com/digitalguide/online-marketing/web-analytics/what-is-machine-learning-how-machines-learn-to-think/ "Aprendizado de máquina: Como máquinas aprendem a pensar"). No deep learning, o treinamento humano pode ser dispensado. Nesse caso, o sistema aprende por experiência própria. Assim, quanto mais imagens forem fornecidas, melhor será o desempenho.

Por fim, o ideal é que o algoritmo consiga identificar corretamente o conteúdo das imagens, independentemente de elas estarem em preto e branco, da posição ou do ângulo em que os objetos foram fotografados.

## Tipos de redes neurais

A estrutura das redes neurais varia conforme o tipo de aprendizado utilizado e a finalidade da aplicação.

### Perceptron

A forma mais simples de rede neural, conhecida inicialmente como *perceptron*, era composta por **um único neurônio**, cuja resposta era modificada com base em pesos e um valor de limiar. Hoje em dia, o termo também é utilizado para designar redes do tipo feedforward com apenas uma camada.

### Redes feedforward

Redes neurais artificiais do tipo feedforward **transmitem informações em apenas uma direção**: da entrada para a saída. Elas podem ter uma única camada (apenas entrada e saída) ou múltiplas camadas intermediárias, chamadas de *hidden layers*.

Nota Saiba mais sobre [redes feedforward](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/feedforward-neural-network/) neste artigo especializado do nosso Digital Guide.

### Redes neurais recorrentes

Em redes neurais recorrentes, as informações podem passar por laços de retroalimentação e retornar a camadas anteriores. Essas **retroalimentações** permitem que o sistema desenvolva uma espécie de memória. Redes recorrentes são utilizadas, por exemplo, em reconhecimento de fala, na tradução automática e no reconhecimento de escrita manual.

Nota O nosso Digital Guide também tem mais detalhes sobre [redes neurais recorrentes](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/recurrent-neural-network/).

### Redes neurais convolucionais

São uma subcategoria das redes neurais multicamadas. Redes neurais convolucionais são compostas por **no mínimo cinco camadas**. Em cada camada realiza-se uma detecção de padrões, sendo o resultado de uma camada repassado para a seguinte. Esse tipo de rede neural é amplamente utilizado no reconhecimento de imagens.

Nota Acesse o nosso artigo especializado em [redes neurais convolucionais](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/convolutional-neural-network/) para obter informações mais detalhadas.

## Técnicas de aprendizado

Para que as conexões dentro de redes neurais artificiais sejam formadas de forma adequada à tarefa proposta, é necessário treiná-las. Existem dois métodos fundamentais de aprendizado:

### Aprendizado supervisionado

No aprendizado supervisionado, define-se um **resultado específico** para cada entrada. Se, por exemplo, você deseja que o sistema reconheça imagens de gatos, **humanos verificam e corrigem as classificações** feitas pelo sistema, informando quais imagens foram corretamente ou incorretamente reconhecidas. Com isso, os pesos das conexões dentro da rede são ajustados e o algoritmo é aprimorado.

### Aprendizado não supervisionado

No aprendizado não supervisionado, não se define previamente qual deve ser o resultado da tarefa. Em vez disso, **o sistema aprende apenas com base nas informações de entrada**. Técnicas como a [Lei de Hebb](https://maestrovirtuale.com/lei-de-hebb-a-base-neuropsicologica-da-aprendizagem/ "Lei de Hebb: A base psicológica da aprendizagem") e a [Teoria da Ressonância Adaptativa](https://acervolima.com/teoria-de-ressonancia-adaptativa-art/ "Teoria da Ressonância Adaptativa") são usadas nesse contexto.

## Aplicabilidade das redes neurais

Redes neurais são especialmente eficazes quando há uma grande quantidade de dados a serem analisados, mas pouco conhecimento sistemático sobre como resolver o problema. Casos clássicos de aplicação incluem o **reconhecimento de texto, imagem e voz**, em que computadores analisam dados em busca de padrões para classificá-los.

Redes neurais artificiais, como as convolucionais, permitem que computadores identifiquem o conteúdo de uma imagem. Essa tecnologia é usada na análise de imagens médicas e também no controle de qualidade automatizado da indústria. Em alguns casos, redes neurais também são empregadas na **automação de controle**, monitorando valores de referência e reagindo automaticamente à detecção de desvios, ou mesmo definindo valores com base em análises de dados.

**Modelos de linguagem** como o ChatGPT, baseados em redes neurais, geram textos de aparência natural, respondem perguntas e analisam grandes volumes de dados textuais.

As redes neurais artificiais também podem ser usadas para gerar **previsões** e **simulações**, previsões do tempo ou diagnósticos médicos. Redes neurais convolucionais, por exemplo, permitem que computadores **identifiquem conteúdos em imagens**. A tecnologia é empregada na análise de imagens médicas para detectar, por exemplo, tumores em radiografias.

Os avanços no aprendizado não supervisionado têm ampliado consideravelmente o campo de aplicação e o desempenho das redes neurais. Um dos casos mais emblemáticos é a [síntese de voz](https://www.ionos.com/pt-br/digitalguide/sites-de-internet/desenvolvimento-web/speech-synthesis/) de assistentes virtuais. Sistemas como Alexa, Siri e Google Assistente utilizam redes neurais para converter fala em texto e responder de forma adequada. Modelos do tipo *transformer*, como o GPT e o BERT, revolucionaram a qualidade da tradução automática.

## História das redes neurais e perspectivas para o futuro

Redes neurais ganharam notoriedade pública nos últimos dez anos, juntamente com o avanço da inteligência artificial, mas a tecnologia em si já existe há décadas.

As primeiras ideias sobre redes neurais artificiais datam do início dos anos 1940. Warren McCulloch e Walter Pitts descreveram um modelo composto por unidades elementares conectadas entre si, **inspirado na estrutura do cérebro humano**. Esse modelo era capaz de realizar praticamente qualquer função aritmética. Em 1949, Donald Hebb desenvolveu a já mencionada Lei de Hebb, ainda hoje aplicada em muitos modelos.

Em 1960, foi criada uma rede neural mundialmente utilizada para fins comerciais, com a função de **filtrar ecos em telefones analógicos**. Depois disso, a pesquisa na área estagnou, porque cientistas concluíram que as redes neurais não conseguiam resolver problemas essenciais. Também se chegou à conclusão de que eram necessários **grandes volumes de dados digitais** para que os sistemas aprendessem de forma eficaz, o que não era viável na época.

Foi apenas com o surgimento do conceito de [big data](https://www.ionos.com/pt-br/digitalguide/marketing-online/analise-web/o-que-e-big-data/) que o cenário começou a mudar. A introdução do algoritmo de retropropagação (*backpropagation*) possibilitou o treinamento de redes neurais multicamadas, lançando as bases para os modelos modernos de deep learning. A combinação de grandes volumes de dados com o poder computacional das GPUs modernas levou a uma revolução na década de 2010. Frameworks como TensorFlow e PyTorch tornaram o desenvolvimento de redes neurais muito mais acessível.

O interesse pela inteligência artificial e por redes neurais ressurgiu, e a vitória de uma CNN na competição ImageNet em 2012 marcou o início da era moderna do deep learning. Desde então, a tecnologia evoluiu rapidamente e passou a impactar praticamente todos os campos da informática.

Hoje, o ritmo de desenvolvimento de redes neurais continua acelerado. Apesar de resultados promissores, elas **não são a única tecnologia** disponível para implementar inteligência artificial em computadores, sendo apenas uma das abordagens possíveis — ainda que frequentemente sejam vistas como a única opção viável no debate público. Pesquisas atuais vão além das redes neurais tradicionais: modelos **multimodais**, que integram texto, imagem e som, além de iniciativas voltadas à **redução do consumo energético** começam a ganhar destaque. Ao mesmo tempo, redes neurais estão **cada vez mais presentes no nosso cotidiano**, integradas a smartphones e eletrodomésticos inteligentes.


This is a markdown version of: [https://www.ionos.com/pt-br/digitalguide/marketing-online/marketing-de-mecanismos-de-busca/o-que-e-neural-network/](https://www.ionos.com/pt-br/digitalguide/marketing-online/marketing-de-mecanismos-de-busca/o-que-e-neural-network/) for AI/LLM consumption.