Deep learning vs. machine learning

Deep learning (apren­di­zado profundo) é um tipo de machine learning (apren­di­zado de máquina). Ele utiliza redes neurais de múltiplas camadas, enquanto o machine learning con­ven­ci­o­nal trabalha com al­go­rit­mos mais simples, como árvores de decisão e modelos lineares. Redes com es­tru­tu­ras mais profundas permitem que o deep learning reconheça padrões mais complexos em grandes volumes de dados.

Close

Tanto o machine learning quanto o deep learning são sub­se­to­res da in­te­li­gên­cia ar­ti­fi­cial. Ambos os métodos buscam fazer com que com­pu­ta­do­res aprendam a tomar decisões in­te­li­gen­tes. Mas o deep learning é um subtipo de machine learning, pois é baseado em apren­di­zado não su­per­vi­si­o­nado.

Nos dois tipos, a in­te­li­gên­cia é limitada a casos de uso es­pe­cí­fi­cos. Podemos falar de uma in­te­li­gên­cia ar­ti­fi­cial “fraca”, em oposição a uma in­te­li­gên­cia ar­ti­fi­cial “forte” – que, de modo se­me­lhante aos humanos, teria ca­pa­ci­dade de decidir com dis­cer­ni­mento em muitas áreas e muitas situações di­fe­ren­tes.

Di­fe­ren­ças: Deep learning vs. machine learning

Machine learning é a tec­no­lo­gia mais simples e his­to­ri­ca­mente mais antiga. Ela trabalha com um algoritmo que o próprio sistema adapta, após receber feedback de um ser humano. Um pré-requisito para o uso dessa tec­no­lo­gia é a exis­tên­cia de dados es­tru­tu­ra­dos. Ini­ci­al­mente, o sistema é ali­men­tado com dados es­tru­tu­ra­dos e ca­te­go­ri­za­dos. Assim, ele entende como novos dados desse tipo devem ser clas­si­fi­ca­dos. Então, de acordo com a clas­si­fi­ca­ção, o sistema executa ati­vi­da­des pro­gra­ma­das. Por exemplo, ele reconhece se um cachorro ou um gato aparece em uma foto e move os res­pec­ti­vos arquivos para pastas di­fe­ren­tes.

Após uma primeira fase de aplicação, ocorre a oti­mi­za­ção do algoritmo por meio de feedback humano, que informa o sistema sobre clas­si­fi­ca­ções in­cor­re­tas e indica as ca­te­go­rias certas.

Já o deep learning não requer dados es­tru­tu­ra­dos. O sistema trabalha com redes neurais de várias camadas, que combinam diversos al­go­rit­mos e têm como modelo o cérebro humano. Desse modo, o sistema também consegue processar dados não es­tru­tu­ra­dos.

Essa abordagem é apro­pri­ada, sobretudo, para tarefas complexas, em que nem todos os aspectos dos objetos podem ser ca­te­go­ri­za­dos pre­vi­a­mente. No deep learning, o próprio sistema encontra ca­rac­te­rís­ti­cas dis­tin­ti­vas adequadas. Em cada camada, o input é analisado em busca de uma nova ca­rac­te­rís­tica e, com base nela, o sistema decide como o input deve ser clas­si­fi­cado.

O aspecto mais im­por­tante é que, no deep learning, o próprio sistema iden­ti­fica traços di­fe­ren­ci­ais nos dados, sem ne­ces­si­tar de uma ca­te­go­ri­za­ção externa anterior. Ou seja, ele não precisa ser treinado por um de­sen­vol­ve­dor humano. O sistema verifica, de forma autônoma, se as clas­si­fi­ca­ções mudam ou se novas ca­te­go­rias surgem devido ao novo input.

Enquanto o machine learning já funciona com um banco de dados de tamanho ad­mi­nis­trá­vel, o deep learning requer um volume de dados subs­tan­ci­al­mente maior. Para fornecer re­sul­ta­dos con­fiá­veis, o sistema ge­ral­mente precisa de milhões de pontos de dados, de­pen­dendo da com­ple­xi­dade do problema.

Além disso, a re­a­li­za­ção da tec­no­lo­gia de deep learning é mais dis­pen­di­osa. Ela exige mais recursos de TI e é con­si­de­ra­vel­mente mais cara do que o machine learning.

Tabela com­pa­ra­tive entre deep learning e machine learning

Pos­si­bi­li­da­des de deep learning e machine learning

Podemos con­si­de­rar o machine learning como a tec­no­lo­gia pre­de­ces­sora do deep learning, pois todas as tarefas exe­cu­tá­veis usando machine learning também podem ser pro­ces­sa­das por deep learning. Portanto, em tese, não seria ne­ces­sá­rio escolher entre deep learning e machine learning.

Mas o deep learning não é um método eficiente, já que exige muito mais recursos. Por isso, ge­ral­mente há uma separação clara entre os campos de aplicação das duas tec­no­lo­gias: o que é possível resolver com machine learning é resolvido com machine learning.

Para empresas, o uso de ambas as tec­no­lo­gias re­pre­senta uma enorme vantagem com­pe­ti­tiva, pois tanto o machine learning quanto o deep learning ainda estão longe de se tornar padrões no cotidiano em­pre­sa­rial.

Campos de aplicação de deep learning e machine learning

No setor de marketing on-line, muitas empresas usam fer­ra­men­tas ana­lí­ti­cas baseadas em machine learning. Essas fer­ra­men­tas analisam os dados dis­po­ní­veis e fazem previsões con­fiá­veis sobre qual tipo de conteúdo leva a con­ver­sões, o que os con­su­mi­do­res desejam ler e quais canais de marketing têm mais potencial para gerar vendas.

Chatbots de apoio ao cliente também podem ser baseados em machine learning. Eles se orientam por palavras-chave contidas na so­li­ci­ta­ção do usuário e, di­a­lo­gando com o cliente por meio de perguntas de es­cla­re­ci­mento ou de decisão, conseguem lhe fornecer as in­for­ma­ções desejadas. Contudo, chatbots baseados em deep learning são capazes de com­pre­en­der a linguagem natural humana, sem depender do uso de palavras-chave es­pe­cí­fi­cas. O diálogo é muito mais eficiente e a solução oferecida é mais precisa.

Hoje em dia, os as­sis­ten­tes de voz digitais, como Siri, Alexa e Google As­sis­tente, quase sempre são baseados em speech synthesis (síntese de fala) e deep learning.

Os primeiros as­sis­ten­tes de voz estão se inserindo também no contexto em­pre­sa­rial. Os usuários podem falar com eles na­tu­ral­mente e pedir-lhes, por exemplo, para fazer en­co­men­das, enviar e-mails, criar re­la­tó­rios ou realizar pesquisas. Os sistemas mais antigos, baseados em machine learning, eram incapazes de com­pre­en­der nuances lin­guís­ti­cas e, portanto, menos adequados para essas tarefas.

Embora o machine learning também possa ser usado no setor de business in­tel­li­gence, para re­pre­sen­tar dados vi­su­al­mente e facilitar a com­pre­en­são de previsões para decisores humanos, os sistemas de deep learning na área de IA ge­ne­ra­tiva são capazes, até mesmo, de gerar seus próprios gráficos e imagens, com base em prompts simples. Também na área de criação de conteúdo, há grande potencial para abor­da­gens como Large Language Models ou Natural Language Pro­ces­sing, que são baseadas em al­go­rit­mos de deep learning.