Ir para o conteúdo

O conhecimento que ilumina o mundo

O que é a Aprendizagem Profunda? Redes Neuronais Artificiais Explicadas de Forma Simples

O que é a aprendizagem profunda e como difere da aprendizagem automática? Como as redes neuronais aprendem, o ponto de viragem de 2012 e aplicações que vão desde o reconhecimento facial até aos assistentes virtuais.

O que é a Aprendizagem Profunda? Redes Neuronais Artificiais Explicadas de Forma Simples

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

  1. ACM, Anúncio do Prémio A.M. Turing de 2018 (Bengio, Hinton, LeCun).
  2. Fundação Nobel, Prémio Nobel da Física de 2024 (Hopfield e Hinton).
  3. Krizhevsky, Sutskever, Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012.
Partilhar
Siga a YulaHubReceba primeiro as notícias mais importantes do dia.
RSS

Deixe um comentário

Seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *