O que é deep learning?

As pessoas aprendem com a experiência. Quanto mais ricas nossas experiências, mais podemos aprender. Na disciplina de inteligência artificial (IA) conhecida como deep learning, o mesmo pode ser dito para máquinas com hardware e software de IA. As experiências por meio das quais as máquinas podem aprender são definidas pelos dados que elas adquirem, e a quantidade e a qualidade dos dados determinam quanto elas podem aprender.

O deep learning é um ramo do machine learning. Ao contrário dos algoritmos tradicionais de machine learning, muitos dos quais têm uma capacidade finita para aprender independentemente de quantos dados adquirirem, os sistemas de deep learning podem melhorar seu desempenho com acesso a mais dados: a versão da máquina de mais experiência. Depois que as máquinas ganham experiência suficiente por meio do deep learning, elas podem ser colocadas para trabalhar em tarefas específicas, como dirigir um carro, detectar ervas daninhas em um campo de cultivo, detectar doenças, inspecionar máquinas para identificar falhas e assim por diante.

As redes de deep learning aprendem descobrindo estruturas complexas nos dados que vivenciam. Ao construir modelos computacionais compostos por várias camadas de processamento, as redes podem criar vários níveis de abstração para representar os dados.

Por exemplo, um modelo de deep learning conhecido como rede neural convolucional pode ser treinado usando um grande número de imagens (na casa dos milhões), como as que contêm gatos. Esse tipo de rede neural normalmente aprende com os pixels contidos nas imagens que adquire. Ele pode classificar grupos de pixels que são representativos das características de um gato, com grupos de características como garras, orelhas e olhos indicando a presença de um gato em uma imagem.

O deep learning é fundamentalmente diferente do machine learning convencional. Neste exemplo, um especialista do domínio precisaria passar um tempo considerável projetando um sistema convencional de machine learning para detectar as características que representam um gato. Com o deep learning, basta fornecer ao sistema um número muito grande de imagens de gatos, e o sistema poderá aprender de forma autônoma as características que representam um gato.

Para muitas tarefas, como visão computacional, reconhecimento de fala (também conhecido como processamento de linguagem natural), tradução automática e robótica, o desempenho dos sistemas de deep learning excede em muito o dos sistemas convencionais de machine learning. Isso não quer dizer que a construção de sistemas de aprendizagem profunda é relativamente fácil em comparação com sistemas convencionais de machine learning. Embora o reconhecimento de características seja autônomo no deep learning, milhares de hiperparâmetros (knobs) precisam ser ajustados para que um modelo de deep learning se torne eficaz.

Estamos vivendo em um momento de oportunidade sem precedentes, e a tecnologia de deep learning pode nos ajudar a alcançar novos avanços. O deep learning tem sido fundamental na descoberta de exoplanetas e novas drogas, bem como na detecção de doenças e partículas subatômicas. Ele está aumentando fundamentalmente nossa compreensão da biologia, incluindo genômica, proteômica, metabolômica, imunoma e muito mais.

Estamos também vivendo em uma época na qual nos deparamos com desafios incessantes. As alterações climáticas ameaçam a produção de alimentos e podem um dia levar a guerras por disputa de recursos limitados. O desafio das mudanças ambientais será exacerbado por uma população humana cada vez maior, que deverá chegar a nove bilhões até 2050. O escopo e a escala desses desafios exigem um novo nível de inteligência possibilitado pelo deep learning.

Durante a explosão cambriana há cerca de 540 milhões de anos, a visão surgiu como uma vantagem competitiva nos animais e logo se tornou um dos principais impulsionadores da evolução. Combinada com a evolução das redes neurais biológicas para processar informações visuais, a visão forneceu aos animais um mapa de seus arredores e aumentou sua consciência do mundo externo.

Hoje, a combinação de câmeras como olhos artificiais e redes neurais que podem processar as informações visuais capturadas por esses olhos está levando a uma explosão nas aplicações de IA orientadas por dados. Assim como a visão desempenhou um papel crucial na evolução da vida na Terra, o deep learning e as redes neurais aumentarão as capacidades dos robôs. Cada vez mais, eles serão capazes de compreender seu ambiente, tomar decisões autônomas, colaborar conosco e ampliar nossas próprias capacidades.

Robótica

Muitos dos desenvolvimentos recentes na robótica têm sido impulsionados pelos avanços na IA e no deep learning. Por exemplo, a IA possibilita que os robôs sintam e respondam ao seu ambiente. Essa capacidade aumenta a gama de funções que eles podem executar, desde se deslocar pelos andares de um armazém até classificar e manusear objetos irregulares, frágeis ou misturados. Algo tão simples como pegar um morango é uma tarefa fácil para os seres humanos, mas tem sido extremamente difícil para os robôs executarem. À medida que a IA for avançando, esse progresso aumentará as capacidades dos robôs.

Com os desenvolvimentos na IA, podemos esperar que os robôs do futuro sejam cada vez mais usados como assistentes humanos. Eles não serão usados apenas para entender e responder a perguntas, como alguns são usados hoje. Eles também serão capazes de agir mediante comandos de voz e gestos, e até mesmo antecipar o próximo passo de um trabalhador. Hoje, robôs colaborativos já trabalham ao lado de humanos, com humanos e robôs realizando tarefas separadas, mais adequadas aos seus respectivos pontos fortes.

Agricultura

A IA tem o potencial de revolucionar a agricultura. Hoje, graças ao deep learning, os agricultores conseguem implantar equipamentos capazes de ver e diferenciar uma planta de cultivo de uma erva daninha. Essa capacidade permite que máquinas de combate a ervas daninhas pulverizem seletivamente herbicidas em ervas daninhas e deixem outras plantas intocadas. Máquinas agrícolas que usam visão computacional capacitada por deep learning podem até otimizar plantas individuais em um campo, pulverizando seletivamente herbicidas, fertilizantes, fungicidas, inseticidas e biológicos. Além de reduzir o uso de herbicidas e melhorar a produção agrícola, o deep learning pode ser estendido para outras operações agrícolas, como aplicação de fertilizantes, irrigação e colheita.

Imagens médicas e cuidados de saúde

O deep learning tem sido particularmente eficaz em imagens médicas, devido à disponibilidade de dados de alta qualidade e à capacidade das redes neurais convolucionais de classificar imagens. Por exemplo, o deep learning pode ser tão eficaz quanto um dermatologista na classificação de tumores malignos na pele, se não mais. Vários fornecedores já receberam aprovação da FDA para usar algoritmos de deep learning para fins de diagnóstico, incluindo análise de imagens para doenças oncológicas e da retina. O deep learning também está fazendo incursões significativas na melhoria da qualidade dos cuidados de saúde, prevendo eventos médicos a partir de dados de prontuários eletrônicos de saúde.

O futuro do deep learning

Atualmente, existem várias arquiteturas de rede neural otimizadas para certos tipos de entradas e tarefas. As redes neurais de convolução são muito boas na classificação de imagens. Outra forma de arquitetura de deep learning usa redes neurais recorrentes para processar dados sequenciais. Tanto os modelos de redes neurais de convolução quanto os recorrentes executam o que é conhecido como aprendizado supervisionado, o que significa que precisam receber grandes quantidades de dados para aprender. No futuro, tipos mais sofisticados de IA usarão aprendizado não supervisionado. Um volume significativo de pesquisas está sendo dedicado à tecnologia de aprendizagem não supervisionada e semissupervisionada.

O aprendizado por reforço é um paradigma ligeiramente diferente do deep learning, no qual um agente aprende por tentativa e erro em um ambiente simulado apenas a partir de recompensas e punições. Extensões de deep learning para esse domínio são conhecidas como deep reinforcement learning (DRL). Houve um progresso considerável nesse campo, como ficou demonstrado pelos programas de DRL que venceram seres humanos no antigo jogo de Go.

Projetar arquiteturas de rede neural para resolver problemas é incrivelmente difícil, tornando-se ainda mais complexo quando há muitos hiperparâmetros para ajustar e muitas funções de perda à escolha para otimizar. Tem havido muita atividade de pesquisa para aprender boas arquiteturas de redes neurais de forma autônoma. Aprender a aprender, também conhecido como metaprendizagem ou AutoML, está em progresso constante.

As redes neurais artificiais atuais basearam-se no entendimento da década de 1950 sobre como o cérebro humano processa informações. A neurociência tem feito progressos consideráveis desde então, e as arquiteturas de deep learning se tornaram tão sofisticadas que parecem exibir estruturas como células de grade, que estão presentes em cérebros neurais biológicos usados para navegação. Tanto a neurociência quanto o deep learning podem se beneficiar da polinização cruzada de ideias, e é altamente provável que esses campos comecem a se fundir em algum momento.

Não usamos mais computadores mecânicos e, em algum momento, também deixaremos de usar computadores digitais. Em vez disso, estaremos usando uma nova geração de computadores quânticos. Houve vários avanços na computação quântica nos últimos anos, e os algoritmos de aprendizagem podem certamente se beneficiar da incrível quantidade de computação disponível que os computadores quânticos fornecem. Também pode ser possível usar algoritmos de aprendizagem para entender a saída dos computadores quânticos probabilísticos. O machine learning quântico é um ramo muito ativo do machine learning e, com a primeira Conferência Internacional de Machine Learning Quântico programada para acontecer em 2018, ele começou bem.