O que é deep learning?

Deep learning é um tipo de machine learning que usa algoritmos com a intenção de funcionar de maneira semelhante ao cérebro humano.

Em relação à IA e o machine learning

Deep learning é um subconjunto do machine learning (ML), que é por si um subconjunto da inteligência artificial (IA). O conceito de IA existe desde a década de 1950, com o objetivo de tornar os computadores capazes de pensar e raciocinar de forma semelhante aos humanos. Como parte de tornar as máquinas capazes de pensar, o ML está focado em como fazê-las aprender sem estarem explicitamente programadas. O deep learning vai além do ML criando modelos hierárquicos mais complexos que pretendem simular como os humanos aprendem novas informações.

As redes neurais impulsionam o deep learning

No contexto da IA e do ML, um modelo é um algoritmo matemático treinado para chegar ao mesmo resultado ou previsão que um especialista humano chegaria se forem fornecidas as mesmas informações. No deep learning, os algoritmos são inspirados pela estrutura do cérebro humano e conhecidos como redes neurais. Essas redes neurais foram criadas com base em switches de rede interconectados, projetados para a aprender a reconhecer padrões da mesma maneira que o cérebro humano e o sistema nervoso.

O deep learning conduz o futuro

Muitos avanços recentes na IA tornaram-se possíveis devido ao deep learning. Desde recomendações para serviços de streaming a tecnologias de assistente de voz e condução autônoma, a capacidade de identificar padrões e classificar muitos tipos diferentes de informações é crucial para processar vastas quantidades de dados com pouca ou nenhuma intervenção humana.

Como o deep learning funciona?

Embora a meta original da IA fosse amplamente tornar máquinas capazes de fazer coisas que, de outra forma, exigiriam inteligência humana, a ideia foi refinada nas décadas desde então. Francois Chollet, pesquisador de IA do Google e criador da biblioteca de software de machine learning Keras, diz: “Inteligência não é uma habilidade em si, não é o que você pode fazer, é aprender novas coisas da melhor e mais eficiente maneira possível".1

O deep learning se concentra em melhorar esse processo de fazer as máquinas aprenderem novas coisas. Com a IA e o ML baseados em regras, um cientista de dados determina as regras e os recursos do conjunto de dados a serem incluídos nos modelos, que ditarão como esses modelos vão operar. Com o deep learning, o cientista de dados alimenta dados brutos em um algoritmo. O sistema então analisa esses dados, sem regras específicas ou recursos pré-programados nele. Depois que o sistema faz as previsões, elas são comparadas com um conjunto de dados separado para fins de precisão. O nível de precisão dessas previsões ou a falta dela fundamenta então o próximo conjunto de previsões que o sistema faz.

“Deep" em deep learning se refere às muitas camadas que a rede neural acumula com o tempo e o desempenho melhora quanto mais profunda a rede for. Cada nível da rede processa seus dados de entrada de uma maneira específica, que então fundamenta a próxima camada. O resultado de uma camada, portanto, torna-se a entrada da próxima.

Treinar redes de deep learning é demorado e exige que grandes quantidades de dados sejam ingeridas e testadas à medida que o sistema gradualmente refina seu modelo. As redes neurais existem desde os anos 1950, mas apenas recentemente o poder computacional e os recursos de armazenamento de dados avançaram até o ponto em que o deep learning pudesse ser usado para criar novas e empolgantes tecnologias. Por exemplo, as redes neurais do deep learning que permitiram que os computadores realizassem tarefas como reconhecimento de fala, visão de computador, bioinformática e análise de imagens médicas.

 

1. Podcast de Lex Fridman nº 120, “François Chollet: Measures of Intelligence,” agosto de 2020.

Deep learning vs. machine learning

Embora todo deep learning seja machine learning, nem todo machine learning é um deep learning. Ambas as tecnologias envolvem treinamento com dados de teste para determinar qual modelo se adequa melhor aos dados. Contudo, os métodos tradicionais de machine learning exigem determinado nível de interação humana para pré-processar os dados antes de os algoritmos poderem ser aplicados.

Machine learning é um subconjunto da inteligência artificial. O objetivo é proporcionar aos computadores capacidade de aprender sem estarem especificamente programados para fornecer determinado resultado. Os algoritmos usados pelo machine learning ajudam o computador a aprender a reconhecer coisas. Esse treinamento pode ser entediante e exigir uma quantidade significativa de esforço humano.

Os algoritmos de deep learning dão um passo além criando modelos hierárquicos com o objetivo de espelhar os processos mentais do nosso próprio cérebro. Eles usam uma rede neural multicamada que não exige pré-processamento dos dados de entrada para produzir um resultado. Os cientistas de dados alimentam dados brutos no algoritmo, o sistema analisa os dados com base no que já sabe e no que ele pode inferir com os novos dados e faz uma previsão.

A vantagem do deep learning é que ele pode processar dados de maneiras que a simples IA com base em regras não pode. A tecnologia pode ser usada para gerar resultados comerciais claros tão diversos quanto detecção melhorada de fraudes, mais rendimento de colheita, melhor precisão de sistemas de controle de inventário de armazéns e muitos outros.

Aplicativos atuais de deep learning

Empresas de vários setores estão aplicando modelos de deep learning para lidar com diversos casos de uso. Abaixo, há apenas alguns dos inúmeros aplicativos de deep learning no mundo real.

Saúde: o setor médico atual está gerando uma vasta quantidade de dados. Ser capaz de analisar esses dados de forma rápida e precisa pode contribuir para melhores resultados de pacientes de diversas maneiras. Os algoritmos de deep learning estão sendo aplicados em áreas como pesquisa médica, análise de imagens, prevenção de doenças, desenvolvimento guiado de medicamentos e processamento de linguagem natural, que pode ser especialmente útil para preencher notas clínicas em texto livre em registros eletrônicos de saúde (EHRs).

Manufatura: os fabricantes precisam entregar produtos e serviços de maior qualidade com mais rapidez e menores custos. Muitas empresas estão adotando a engenharia auxiliada por computador (CAE) para reduzir o tempo, os gastos e os materiais necessários para desenvolver protótipos físicos com o intuito de testar novos produtos. O deep learning pode ser usado para modelar padrões muito complexos em dados multidimensionais e melhorar a precisão das análises de testes de dados.

Serviços financeiros: fraude é um problema crescente em diversos setores, mas principalmente para os provedores de serviços financeiros. O deep learning pode ser usado para identificar comportamento fora do padrão com rapidez e eficiência em termos de custos. Os insights fornecidos pelos modelos de deep learning também podem ajudar a avaliar com mais precisão o risco de crédito de um solicitante de empréstimo, prever valores de ações, automatizar funções administrativas e recomendar produtos financeiros para clientes.

Setor público: À medida que mais departamentos, sistemas e processos tornam-se digitalizados, as agências governamentais podem usar o deep learning para aumentar a automação e a eficiência dos servidores públicos. A detecção e classificação de imagens podem facilitar a aplicação da lei para encontrar pessoas de interesse em espaços públicos. As solicitações de visto e imigração podem ser otimizadas com algoritmos para automatizar certos aspectos de processamento. Os aeroportos estão usando deep learning para melhorar a segurança, aprimorar as operações e automatizar o gerenciamento de filas. Os modelos de deep learning podem até mesmo ser usados para ajudar a prever as condições de tráfego e permitir que autoridades locais tomem medidas proativas para aliviar o congestionamento das vias.

Acelere a adoção do deep learning com a HPE

O deep learning agora está mais acessível do que nunca para organizações de todos os tamanhos. Desde o início até a otimização e a expansão, a HPE pode guiar sua jornada para acelerar insights de dados que levam a inovações revolucionárias. Temos os componentes de infraestrutura, a especialização e o acesso aos parceiros validados para atender aos seus objetivos de negócios.

Desfaça a complexidade do deep learning e crie sua solução ideal. A computação de alto desempenho líder no setor, as plataformas de dados inteligentes e a malha de rede de alta velocidade da HPE permitem que você implemente o deep learning em qualquer escala. Vá rapidamente além das validações de conceito com os Advisory and Professional Services HPE Pointnext, que fornecem a especialização e os serviços para acelerar suas implantações de projeto de IA de anos para meses e semanas. E tenha acesso instantâneo às ferramentas de IA e aos dados que você precisa usando o HPE Ezmeral ML Ops, uma solução baseada em contêiner para apoiar cada estágio do ciclo de vida do machine learning.

O manual de deep learning HPE oferece um conjunto de ferramentas para caracterizar cargas de trabalho de deep learning e recomendar a pilha de hardware/software ideal para qualquer carga de trabalho. As recomendações apresentadas no nosso manual de deep learning se baseiam em uma coleção maciça de resultados de desempenho de várias cargas de trabalho de deep learning em diferentes pilhas de tecnologia e modelos de desempenho analíticos. A combinação de medições reais e modelos de desempenho analíticos permite-nos estimar o desempenho de qualquer carga de trabalho e recomendar uma pilha ideal para essa carga de trabalho.

Juntamente com a NVIDIA, a HPE oferece um portfólio líder de soluções otimizadas de IA e deep learning. Viabilizamos o deep learning por meio de workshops on-line e conduzidos por instrutores, arquiteturas de referência e benchmarks em aplicativos acelerados por GPU NVIDIA. As nossas soluções se destacam pela comprovada especialização em IA, pelo maior ecossistema de deep learning e pelas estruturas de software de IA.