Deep Learning: O que é apren­di­zado profundo?

Deep Learning, ou apren­di­zado profundo em português, é a subárea do apren­di­zado de máquina (machine learning) na qual com­pu­ta­do­res processam grandes volumes de dados uti­li­zando redes neurais que simulam o fun­ci­o­na­mento de um cérebro humano.

O Deep Learning tem foco no processo de apren­di­zado autônomo das redes neurais. Essas redes são compostas por uma camada de entrada, uma ou mais camadas in­ter­me­diá­rias (layers) e uma camada de saída. As in­for­ma­ções chegam à camada de entrada como um vetor, são pro­ces­sa­das e pon­de­ra­das por neurônios ar­ti­fi­ci­ais nas camadas in­ter­me­diá­rias e, por fim, um padrão é iden­ti­fi­cado e exibido na camada de saída. Quanto mais camadas uma rede neural ar­ti­fi­cial possui, mais complexas podem ser as tarefas que a in­te­li­gên­cia ar­ti­fi­cial (IA) consegue realizar.

Im­por­tân­cia do Deep Learning no re­co­nhe­ci­mento de imagens

É uma tarefa de­sa­fi­a­dora para com­pu­ta­do­res di­fe­ren­ciar imagens de cães, gatos e pessoas, por exemplo. O que é evidente para os humanos ao observar uma imagem, precisa ser deduzido por um com­pu­ta­dor, por meio da análise de ca­rac­te­rís­ti­cas es­pe­cí­fi­cas.

No Deep Learning, dados brutos, como imagens, são ana­li­sa­dos camada por camada. Na primeira camada de uma rede neural ar­ti­fi­cial, o sistema examina, por exemplo, a cor de cada pixel da imagem, sendo cada um deles pro­ces­sado por um neurônio. Em uma camada seguinte, são iden­ti­fi­ca­das bordas e formas, enquanto em outra são ana­li­sa­das ca­rac­te­rís­ti­cas mais complexas.

As in­for­ma­ções coletadas são modeladas em um algoritmo flexível. Os re­sul­ta­dos de uma camada são trans­por­ta­dos para a próxima, sendo o algoritmo con­ti­nu­a­mente ajustado. Assim, o com­pu­ta­dor pode decidir, após inúmeras operações, se uma imagem pertence à categoria “cão”, “gato” ou “pessoa”.

O processo começa com um trei­na­mento, onde erros de clas­si­fi­ca­ção são cor­ri­gi­dos por humanos. Isso ajusta o algoritmo e, em pouco tempo, ele começa a melhorar sua precisão de forma autônoma. Alterando conexões entre neurônios da rede e ajustando as pon­de­ra­ções dentro do algoritmo, de­ter­mi­na­dos padrões de entrada (imagens de gatos em di­fe­ren­tes variações) geram cada vez mais os mesmos padrões de saída (gato iden­ti­fi­cado). Quanto mais dados forem dis­po­ni­bi­li­za­dos para o apren­di­zado, melhor será o de­sem­pe­nho do sistema.

No entanto, para os humanos, nem sempre é claro quais padrões o com­pu­ta­dor iden­ti­fi­cou para tomar suas decisões, es­pe­ci­al­mente porque o sistema otimiza con­ti­nu­a­mente suas regras de decisão.

História do Deep Learning

Embora o termo Deep Learning seja re­la­ti­va­mente recente, men­ci­o­nado pela primeira vez em 2000, o método de usar redes neurais ar­ti­fi­ci­ais para permitir que com­pu­ta­do­res tomem decisões in­te­li­gen­tes vem de muitas décadas.

A pesquisa básica na área remonta aos anos de 1940. Redes neurais ar­ti­fi­ci­ais foram de­sen­vol­vi­das pela primeira vez, contudo, na década de 1980. Na época, os re­sul­ta­dos não foram sa­tis­fa­tó­rios. O apren­di­zado autônomo das máquinas, ca­rac­te­rís­tica do Deep Learning, depende de grandes volumes de dados, que ainda não estavam dis­po­ní­veis di­gi­tal­mente. Somente com o início da era do big data, no início dos anos 2000, o interesse de ci­en­tis­tas e empresas no apren­di­zado profundo foi res­tau­rado.

Pontos fortes e fracos do Deep Learning

O Deep Learning é sig­ni­fi­ca­ti­va­mente mais poderoso em com­pa­ra­ção com tec­no­lo­gias an­te­ri­o­res de in­te­li­gên­cia ar­ti­fi­cial. No entanto, para que seu potencial total seja alcançado, ainda é ne­ces­sá­rio superar algumas li­mi­ta­ções.

Pontos fortes do Deep Learning

Um dos prin­ci­pais ar­gu­men­tos a favor da tec­no­lo­gia é a qualidade dos re­sul­ta­dos. Es­pe­ci­al­mente em re­co­nhe­ci­mento de imagens e pro­ces­sa­mento de linguagem, o Deep Learning supera am­pla­mente todas as al­ter­na­ti­vas. Desde que sejam usados dados de trei­na­mento de alta qualidade, a tec­no­lo­gia pode realizar tarefas ro­ti­nei­ras de maneira muito mais eficiente e rápida do que qualquer ser humano – sem fadiga e com qualidade con­sis­tente.

Em outros tipos de apren­di­zado de máquina, de­sen­vol­ve­do­res precisam analisar os dados brutos e definir re­gu­lar­mente recursos adi­ci­o­nais que o algoritmo deve con­si­de­rar para melhorar a ca­pa­ci­dade preditiva da IA. No apren­di­zado profundo, o sistema iden­ti­fica por conta própria variáveis úteis e as integra em seu processo de apren­di­zado. Após um trei­na­mento inicial, o sistema pode continuar refinando seus re­sul­ta­dos com base em novos dados, com pouca ou nenhuma in­ter­ven­ção humana.

His­to­ri­ca­mente, o apren­di­zado de máquina exigia grandes volumes de dados ma­nu­al­mente rotulados. No re­co­nhe­ci­mento de imagens, por exemplo, era ne­ces­sá­rio que fun­ci­o­ná­rios ro­tu­las­sem imagens com as etiquetas cachorro ou gato. Com o Deep Learning, o trei­na­mento manual é sig­ni­fi­ca­ti­va­mente reduzido. “Isso é par­ti­cu­lar­mente im­por­tante, pois, na prática em­pre­sa­rial, mesmo com o acúmulo de grandes volumes de dados, poucos estão no formato de dados es­tru­tu­ra­dos (como números de telefone, endereços ou in­for­ma­ções de cartões de crédito). Na maioria das vezes, os dados estão ar­ma­ze­na­dos como dados não es­tru­tu­ra­dos (imagens, do­cu­men­tos, e-mails etc.). Diferente de métodos al­ter­na­ti­vos de apren­di­zado de máquina, o Deep Learning é capaz de analisar di­fe­ren­tes fontes de dados não es­tru­tu­ra­dos para resolver tarefas es­pe­cí­fi­cas.

O argumento de que a tec­no­lo­gia é muito cara para ser am­pla­mente adotada está perdendo força. Cada vez mais surgem serviços como o Google Vision e o IBM Watson, que permitem que empresas apro­vei­tem redes neurais já exis­ten­tes, em vez de de­sen­vol­ve­rem suas próprias do zero. Isso permitirá que o apren­di­zado profundo amplie suas apli­ca­ções práticas no mundo cor­po­ra­tivo.

Resumo dos pontos fortes do Deep Learning

O Deep Learning oferece re­sul­ta­dos pro­mis­so­res, mas possui algumas li­mi­ta­ções im­por­tan­tes que precisam ser con­si­de­ra­das antes de sua aplicação.

• Melhores re­sul­ta­dos em com­pa­ra­ção com outros métodos de machine learning
• Menor ne­ces­si­dade de de­sen­vol­vi­mento de recursos e de rotulagem de dados
• Execução eficiente de tarefas ro­ti­nei­ras, sem variação de qualidade
• Manejo eficaz de dados não es­tru­tu­ra­dos
• Crescente dis­po­ni­bi­li­dade de serviços que sim­pli­fi­cam o uso de redes neurais ar­ti­fi­ci­ais

Pontos fracos do Deep Learning

Deep Learning demanda uma enorme ca­pa­ci­dade com­pu­ta­ci­o­nal, que depende di­re­ta­mente da com­ple­xi­dade da tarefa e do tamanho do conjunto de dados utilizado. Isso torna a tec­no­lo­gia cara e, his­to­ri­ca­mente, acessível apenas para a pesquisa e grandes cor­po­ra­ções.

Embora haja avanços nesse aspecto, continua sendo um desafio o fato de que as decisões tomadas pelo Deep Learning não são de­ta­lha­da­mente com­pre­en­sí­veis por humanos. O sistema opera como uma “caixa preta”, tornando a tec­no­lo­gia inviável para apli­ca­ções onde a ras­tre­a­bi­li­dade das decisões é crucial.

Além disso, o Deep Learning necessita de grandes volumes de dados para trei­na­mento. Sem esses conjuntos de dados, os re­sul­ta­dos podem ser in­sa­tis­fa­tó­rios. Apesar do sur­gi­mento de bi­bli­o­te­cas e fer­ra­men­tas que tornam a aplicação do Deep Learning mais acessível, nem todos os casos de uso são atendidos por essas soluções. Isso significa que a criação de al­go­rit­mos de apren­di­zado ainda exige um in­ves­ti­mento con­si­de­rá­vel de tempo e, em muitos casos, mais tempo do que métodos al­ter­na­ti­vos.

Resumo dos pontos fracos do Deep Learning

• Demanda alta ca­pa­ci­dade com­pu­ta­ci­o­nal
• De­sen­vol­vi­mento de al­go­rit­mos requer muito tempo
• Ne­ces­si­dade de grandes volumes de dados para trei­na­mento
• Ne­ces­si­dade sig­ni­fi­ca­ti­va­mente maior de dados de trei­na­mento em com­pa­ra­ção com métodos tra­di­ci­o­nais de machine learning
• Decisões são pouco ou nada trans­pa­ren­tes (caixa preta)

Áreas de aplicação do Deep Learning

O Deep Learning já é utilizado em diversas in­dús­trias e, no futuro, estará presente em ainda mais áreas do nosso cotidiano.

• Ex­pe­ri­ên­cia do usuário: Alguns chatbots já são baseados em apren­di­zado profundo e utilizam o pro­ces­sa­mento de linguagem natural (NLP) para responder melhor às so­li­ci­ta­ções dos clientes e aliviar o suporte humano.

• As­sis­ten­tes de voz: O Deep Learning é usado em diversos as­sis­ten­tes de voz, como Alexa, Google Assistant e Siri, por meio de pro­ces­sa­mento de linguagem natural. Esses as­sis­ten­tes ampliam de forma autônoma seu vo­ca­bu­lá­rio e sua com­pre­en­são de linguagem.

• Traduções: Tra­du­to­res baseados em Deep Learning, como o DeepL, permitem traduções de alta qualidade. Com essa tec­no­lo­gia, também é possível traduzir au­to­ma­ti­ca­mente variações lin­guís­ti­cas e textos extraídos de imagens para outros idiomas.

• Criação de textos: LLMs, como o ChatGPT, conseguem criar textos por meio de Deep Learning que não apenas são gra­ma­ti­cal­mente corretos, mas também imitam o estilo de um autor, desde que tenham material de trei­na­mento su­fi­ci­ente. Em ex­pe­ri­men­tos iniciais, sistemas de IA pro­du­zi­ram artigos para a Wikipédia e textos que imitam o estilo de Sha­kes­pe­are com notável fi­de­li­dade, graças ao apren­di­zado profundo.

• Ci­ber­se­gu­rança: Soluções de IA com Deep Learning são es­pe­ci­al­mente adequadas para iden­ti­fi­car ir­re­gu­la­ri­da­des em ati­vi­da­des de sistemas, ajudando a detectar ataques de hackers.

• Finanças: A ca­pa­ci­dade de re­co­nhe­cer anomalias é par­ti­cu­lar­mente útil no sensível campo das tran­sa­ções fi­nan­cei­ras. Com o trei­na­mento adequado, os al­go­rit­mos podem evitar com mais eficácia ataques a redes bancárias e fraudes com cartões de crédito.

• Marketing e vendas: Sistemas de IA podem realizar análises de sen­ti­men­tos uti­li­zando Deep Learning e tomar medidas au­to­má­ti­cas para restaurar a sa­tis­fa­ção do cliente.

• Condução autônoma: Embora ainda seja uma visão do futuro, a tec­no­lo­gia para carros autônomos já existe. Nela, diversos al­go­rit­mos de Deep Learning são com­bi­na­dos: um algoritmo, por exemplo, reconhece placas de trânsito, enquanto outro localiza pedestres.

• Robôs in­dus­tri­ais: Robôs com IA baseadas em Deep Learning podem ser usados em muitos setores in­dus­tri­ais. Apenas ob­ser­vando uma pessoa, esses sistemas podem aprender como operar máquinas e se otimizar au­to­ma­ti­ca­mente.

• Ma­nu­ten­ção: No campo da ma­nu­ten­ção in­dus­trial, o apren­di­zado profundo oferece pos­si­bi­li­da­des im­por­tan­tes. Em ins­ta­la­ções complexas, inúmeros pa­râ­me­tros precisam ser mo­ni­to­ra­dos con­ti­nu­a­mente. Além disso, a tec­no­lo­gia pode prever quais unidades de um sistema pre­ci­sa­rão de ma­nu­ten­ção em breve (ma­nu­ten­ção preditiva).

• Medicina: Sistemas de Deep Learning conseguem analisar imagens com muito mais precisão do que o olho humano, mesmo que seja treinado. Em imagens de to­mo­gra­fias ou raios X, essas tec­no­lo­gias podem detectar doenças mais cedo do que era possível an­te­ri­or­mente.

Deep Learning: Grande potencial, mas não universal

No discurso público, às vezes cria-se a impressão de que o Deep Learning é a única tec­no­lo­gia do futuro da in­te­li­gên­cia ar­ti­fi­cial. De fato, o apren­di­zado profundo oferece re­sul­ta­dos muito melhores do que os métodos an­te­ri­o­res para muitos casos de uso.

O Deep Learning, no entanto, não é a melhor solução tec­no­ló­gica para todos os problemas. Existem outras abor­da­gens para tornar com­pu­ta­do­res “in­te­li­gen­tes”: soluções que também funcionam com conjuntos de dados menores e nas quais humanos podem entender o processo de tomada de decisões.

Alguns pes­qui­sa­do­res de IA con­si­de­ram o Deep Learning como uma tec­no­lo­gia tem­po­rá­ria e estão con­ven­ci­dos de que surgirão abor­da­gens melhores que não se baseiem no cérebro humano. A im­por­tân­cia das críticas é evi­den­ci­ada pela es­tra­té­gia cor­po­ra­tiva do Google: lá, o apren­di­zado profundo é apenas uma parte da es­tra­té­gia de IA. A empresa também adota outros métodos de apren­di­zado de máquina, além de de­sen­vol­ver com­pu­ta­do­res quânticos.