Deep Learning

O conceito de Inteligência Artificial (ou AI = Artificial Intelligence) foi primeiro estabelecido em 1955 pelo cientista americano John McCarthy que definiu a IA como “a ciência e engenharia de fazer máquinas inteligentes”. As abordagens iniciais tinham como lugar comum de construir máquinas que tentavam “codificar o conhecimento, a lógica e o raciocínio”

John McCarthy - Pioneiro em Inteligência Artificial

Um dos componentes da AI é a tecnologia conhecida como Machine Learning (ou Aprendizagem de Máquina). Outros componentes adicionais de AI são: Visão Computacional, Processamento de Linguagem Natural, Robótica e Reconhecimento de Fala.

Um componente importante de “Machine Learning” que começa a se destacar muito no mercado internacional é a tecnologia de Deep Learning que se baseia na tecnologia da Redes Neurais Artificiais.

A AI hoje começa a interessar a vários segmentos de indústria e tem se destacado na área de saúde e robótica.

A tecnologia de Deep Learning vai ter grandes evoluções nos próximos anos e se destacará muito no seu paradigma de “habilitar ao computador aprender a partir da observação dos dados”. Deep Learning é considerada a técnica que nós aplicamos para aprender em redes neurais artificiais.

A Inteligência Artificial vai representar um grande “boom” de oportunidades na Saúde nos próximos anos segundo a avaliação do analista de indústria Frost & Sullivan. O uso de AI na Saúde vai crescer 10 vezes nos próximos 5 anos em várias áreas da Saúde desde o diagnóstico de câncer até dicas de dietas.

Dentro da AI temos a área de Machine Learning. Essa é uma área da ciência da computação que evoluiu bastante a partir do estudo de reconhecimento de padrões (pattern recognition) e da teoria da aprendizagem computacional em inteligência artificial. Machine Learning tem uma “íntima” ligação com o big data pois é a base da análise preditiva (predicitive analytics ou predictive modelling).

A ideia básica - que software de Deep Learning pode simular um grande arranjo de neurônios em uma "rede neural" artificial - é bastante antiga, e tem levado a tantas decepções como também a avanços. Mas por causa das melhorias nas fórmulas matemáticas e nos computadores cada vez mais poderosos, os cientistas de computação agora podem modelar muito mais camadas de neurônios virtuais do que anteriormente.

A vantagem dos algoritmos de Deep Learning é sua a capacidade de aprendizagem em grandes quantidades de dados de uma forma não-supervisionada (dados não anotados), sendo assim uma ferramenta valiosa para Big Data Analytics onde a maioria dos dados são desta natureza, também designados por dados não-estruturados. As máquinas inspiradas em Deep Learning conseguem aprender abstrações complexas dos dados através de um processo de aprendizagem hierárquica muito similar ao que ocorre no cérebro humano – sobretudo no córtex visual.Nas técnicas tradicionais, a qualidade dos algoritmos depende muito da representação dos dados em certas características, ou features. Feature Engineering e pré-processamento consome assim grande parte do esforço do analista e é específico para cada domínio. Por exemplo, na análise de imagens é comum pré-processar as imagens com algoritmos de detecção de fronteiras (edges) a fim de facilitar a identificação de objetos.

Vídeo de apresentação da tecnologia Deep Learning:

https://www.youtube.com/watch?v=t4kyRyKyOpo

Fontes:

http://convergenciadigital.uol.com.br/cgi/cgilua.exe/sys/start.htm?UserActiveTemplate=site&infoid=41957&post%25255Fdata=&sid=15

http://www.falandoti.com/ao-fundo-da-inteligencia-artificial-o-que-e-deep-learning/

Igor Melo Telheiro