| Saiba mais  Patrocinado por

Qual a diferença entre Machine Learning e Deep Learning?

Nos últimos anos a tecnologia mudou radicalmente a forma como ela está sendo aplicada à vida cotidiana

27 de Abril de 2017 - 13h11

Não há dúvida que 2016 foi o ano da Inteligência Artificial e 2017 tem mostrado que estamos em um caminho sem volta, o que em inglês chama-se de “point of no return”. Tudo que puder ser automatizado será e os debates sobre como evitar uma onda de automatização em massa, mesmo em profissões até bem pouco tempo não ameaçadas, já fazem parte do cenário mundial. Na verdade, as discussões sobre esse assunto deveriam estar em ritmo bem mais acelerado, acompanhando a rápida evolução da Inteligência Artificial. 

Nos últimos anos, tem havido uma mudança radical na tecnologia e como ela está sendo aplicada à vida cotidiana. De robôs a motores de busca, aprendizagem profunda (Deep Learning) e aprendizagem de máquina (Machine Learning) estão sendo amplamente utilizadas para resolver os mais variados tipos de problemas e automatizar tarefas até bem pouco tempo exclusividade dos seres humanos, mas que vem sendo delegadas a máquinas em velocidade cada vez maior. Mas o que diferencia verdadeiramente Machine Learning e Deep Learning? 

Em termos gerais, tanto Machine Learning como Deep Learning são formas de Inteligência Artificial, a inteligência exibida por máquinas que utilizam técnicas avançadas para desempenhar funções cognitivas que associamos à aprendizagem intuitiva. No entanto, cada aplicativo é único e oferece uma série de benefícios para o usuário final, seja resolvendo problemas exclusivos para um caso de negócio específico, auxiliando no reconhecimento de fala, acelerando aplicativos da web ou protegendo contra fraudes.

Embora os conceitos de Machine Learning e Deep Learning tenham suas raízes em pesquisas realizadas na década de 1960, cada modelo mudou drasticamente ao longo dos anos, criando uma maior divisão entre os dois. Vejamos quais são suas principais diferenças.  

Machine Learning: Modelagem Preditiva em Ação

Machine Learning é um tipo de IA que facilita a capacidade de um computador em aprender e essencialmente ensinar-se a evoluir à medida que ele é exposto a novos dados e em constante mudança. Por exemplo, o feed de notícias do Facebook usa aprendizado de máquina em um esforço para personalizar o feed de cada indivíduo com base no que eles gostam. Os principais elementos do software de aprendizagem de máquina tradicional são análise estatística e análise preditiva usadas para detectar padrões e encontrar insights escondidos com base em dados observados de cálculos anteriores sem ser programado sobre onde procurar. 

Aprendizagem de máquina tem verdadeiramente evoluído ao longo dos anos por sua capacidade de peneirar através de grandes conjuntos de dados complexos (Big Data). Talvez você não saiba, mas a aprendizagem de máquina está presente em nossas vidas diárias através de serviços de streaming como Netflix e algoritmos de mídia social que alertam para tópicos de tendências ou hashtags. Embora a aprendizagem de máquina tenha se tornado parte integrante do processamento de dados, uma das principais diferenças em relação à aprendizagem profunda é que ela exige uma intervenção manual na seleção dos recursos a serem processados, enquanto a aprendizagem profunda é intuitiva. Extração de recursos na aprendizagem de máquina requer o trabalho do Cientista de Dados em pré-processar os dados e entregar aos algoritmos dados que possam ser explorados em busca de padrões. 

Deep Learning: Uma Mente Própria

A aprendizagem profunda é um paradigma para a realização de aprendizagem de máquina, e a tecnologia tornou-se um dos temas mais quentes da atualidade devido aos resultados inigualáveis ​​ em aplicações como visão computacional, reconhecimento de fala e compreensão de linguagem natural. Para não mencionar gigantes como Google, Facebook, Baidu, IBM, Amazon, Microsoft e Nvidia, que estão começando a alavancar este tipo de tecnologia. A Nvidia, por exemplo, outrora a principal fornecedora de unidades de processamento gráfico (GPUs) para games, tem se especializado no fornecimento de hardware de ponta para sistemas construídos com modelos de Deep Learning e a empresa simplesmente dobrou seu faturamento no último ano. Eu vou repetir: a Nvidia dobrou seu faturamento fornecendo hardware para executar modelos de Deep Learning. 

O aprendizado profundo é um ramo avançado e sofisticado de IA com recursos preditivos que são inspirados pela capacidade do cérebro de aprender. Assim como o cérebro humano pode identificar um objeto em milissegundos, o aprendizado profundo pode refletir esse instinto com quase a mesma velocidade e precisão. Por exemplo, enquanto muitos módulos de visão computacional tradicionais podem facilmente reconhecer qualquer objeto dado, um segundo objeto em uma imagem, com uma ligeira obstrução, provavelmente não seria reconhecido, ou pelo menos não de forma adequada.

É aí que a aprendizagem profunda entra em jogo porque é resistente a pequenas mudanças e pode generalizar a partir de dados parciais, tornando mais fácil para o módulo identificar corretamente um objeto parcialmente obstruído, o que é fantástico. Aprendizagem profunda tem a capacidade ágil de avaliar um objeto, digerir adequadamente a informação e adaptar-se a diferentes variantes. É o mais próximo que estamos de reproduzir a inteligência humana em computadores. E ainda estamos apenas no começo dessa revolução.

Esta é a melhoria mais significativa que a aprendizagem profunda proporciona sobre a aprendizagem de máquina clássica - eliminando a necessidade de engenharia de recursos (Feature Engineering). Ao usar a aprendizagem de máquina clássica para visão computacional, você precisa de especialistas em processamento de imagem para lhe dizer quais são os principais (dezenas ou centenas) recursos mais importantes em uma imagem. Mas se você usar o aprendizado profundo para a visão computacional, basta alimentar os pixels brutos, sem se importar muito com o processamento de imagens ou a extração de recursos, o que oferece uma melhoria de 20 a 30% na precisão na maioria dos benchmarks de visão computacional. O Cientista de Dados pode gastar menos tempo na preparação dos dados e se concentrar no ajuste e otimização do modelo, alcançando resultados bem mais precisos.

A tecnologia sofisticada de aprendizagem profunda e as capacidades de autoaprendizagem resultam em maior precisão e processamento mais rápido. A tecnologia pode então aprender recursos de alto nível, não-lineares necessários para uma classificação precisa. Os dados brutos são alimentados através de redes neurais profundas, que aprendem a identificar o objeto no qual são treinados. Como referência, as redes neurais profundas são a primeira família de algoritmos no aprendizado de máquinas que não requerem engenharia de recursos manual, mas aprendem por conta própria, processando e aprendendo os recursos de alto nível a partir de dados brutos.

Em geral, a aprendizagem de máquina estabeleceu o fundamento para a aprendizagem profunda evoluir. Aprendizagem profunda herdou as principais características do modelo tradicional de aprendizagem da máquina, e evoluiu um passo adiante ensinando-se novas habilidades e ajustando as existentes. Assim como todo profissional deve evoluir em sua carreira, a fim de não correr o risco de se tornar obsoleto, o mesmo ocorre com os algoritmos.

Cada modelo tem um propósito significativo no mundo tecnológico atual, e será emocionante ver como essa tecnologia continuará a evoluir em novas aplicações que estarão presentes em nossas vidas diárias. Estamos apenas no começo. Não é maravilhoso estarmos escrevendo esta página da história neste exato momento?

Saiba mais em www.datascienceacademy.com.br