A aprendizagem profunda é um método de inteligência artificial que permite aos computadores aprender padrões por conta própria a partir de grandes quantidades de dados, utilizando redes neuronais artificiais de várias camadas. Em resposta à pergunta "o que significa a aprendizagem profunda?", a palavra "profunda" refere-se ao elevado número de camadas na rede. Atualmente, muitas tecnologias, desde o desbloqueio facial no seu telemóvel até assistentes de conversação, assentam nesta base.
Como funciona uma rede neuronal?
Uma rede neuronal é constituída por "neurónios" artificiais interconectados. Cada neurónio multiplica os números que recebe por determinados pesos, soma-os e passa o resultado para a camada seguinte. As primeiras camadas capturam caraterísticas simples (arestas e cores numa imagem); as camadas posteriores combinam-nas em conceitos mais complexos (um olho, um rosto, um gato).
A aprendizagem ocorre durante o treino: a rede faz uma previsão, essa previsão é comparada com a resposta correta e o erro é propagado para trás através de um método chamado retropropagação, ajustando os pesos em pequenos passos. Repetido ao longo de milhões de exemplos, este processo permite à rede realizar tarefas para as quais ninguém escreveu regras explícitas.
Qual é a diferença entre aprendizagem profunda e aprendizagem automática?
Na aprendizagem automática clássica, os humanos decidem frequentemente quais as caraterísticas dos dados a analisar. Na aprendizagem profunda, a rede extrai as caraterísticas importantes por si própria a partir de dados brutos (píxeis, ondas sonoras, texto). O custo é a necessidade de muito mais dados e poder de computação, especialmente unidades de processamento gráfico (GPUs).
Porque é que a aprendizagem profunda ganhou asas em 2012?
A ideia das redes neuronais remonta à década de 1950, mas durante décadas não houve dados nem poder de computação suficientes. Em 2012, a AlexNet, desenvolvida por uma equipa da Universidade de Toronto, venceu o concurso de reconhecimento de imagem ImageNet por uma margem significativa e demonstrou o poder das redes profundas treinadas em GPUs. Os pioneiros da área Geoffrey Hinton, Yann LeCun e Yoshua Bengio receberam o Prémio Turing em 2018, e Hinton partilhou o Prémio Nobel da Física de 2024 com John Hopfield.
Onde é utilizada a aprendizagem profunda?
- Imagens: reconhecimento facial, análise de imagens médicas, perceção em veículos autónomos.
- Voz: assistentes de voz e conversão de voz em texto.
- Linguagem: tradução automática e grandes modelos de linguagem como o ChatGPT, Gemini e Claude.
- Ciência: previsão da estrutura de proteínas, modelos meteorológicos e descoberta de fármacos.
Perguntas frequentes
A aprendizagem profunda e a IA são a mesma coisa?
Não. A IA é o conceito mais abrangente; a aprendizagem automática é um ramo desta, e a aprendizagem profunda é um ramo da aprendizagem automática.
O que preciso de saber para aprender aprendizagem profunda?
Programação básica em Python, juntamente com álgebra linear e probabilidades do ensino secundário, é um bom ponto de partida. Pode continuar com bibliotecas gratuitas como PyTorch e TensorFlow, e cursos online.
Quais são os pontos fracos da aprendizagem profunda?
Requer muitos dados e energia, as suas decisões são difíceis de explicar (o problema da "caixa preta") e pode transportar preconceitos herdados dos seus dados de treino.
Fontes
- ACM, Anúncio do Prémio A.M. Turing de 2018 (Bengio, Hinton, LeCun).
- Fundação Nobel, Prémio Nobel da Física de 2024 (Hopfield e Hinton).
- Krizhevsky, Sutskever, Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012.
Deixe um comentário
Seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *