O que é Deep Learning?

O filme de Arnold Schwarzenegger de 1990 Total Recall retrata uma história em 2084, quase um século no futuro. O futuro terá carros autônomos, de acordo com o filme. Isso era ficção científica em 1990, mas uma realidade hoje. Apple, Alphabet, Nissan, Uber e muitas outras empresas estão trabalhando em carros autônomos. A Tesla vende carros autônomos funcionais para consumidores finais, que parecem estar funcionando bem.

O que tornou a ficção científica uma realidade em apenas três décadas? A resposta é aprendizado profundo.

Da Inteligência Artificial ao Aprendizado Profundo

Hefesto, o deus grego do fogo e da metalurgia, criou robôs e máquinas dourados. Já no turco mecânico na década de 1770, os humanos desenvolveram engenhocas que imitam a inteligência humana. Embora os turcos mecânicos fossem enganos, computadores posteriores capazes de derrotar os humanos foram desenvolvidos no final do século XX. Todos eles se esforçaram para criar sistemas que imitem o cérebro humano.

Figura 1. Uma seção transversal do Turco. Imagem usada cortesia de Biblioteca da Universidade Humboldt

Inteligência artificial (IA) é o termo dado a qualquer sistema de computação que tenta imitar o cérebro humano. A máquina de Turing de Alan Turing era um sistema de IA primitivo que usava lógica para chegar a soluções.

O aprendizado de máquina (ML) é um subconjunto da IA ​​que usa modelos para realizar tarefas. Esses modelos são treinados com uma grande quantidade de dados. Deep Blue, o computador que derrotou o campeão mundial de xadrez Garry Kasparov em 1997, é um exemplo de ML.

O aprendizado profundo é novamente um subconjunto do ML, onde os modelos aprendem a partir dos dados sem qualquer supervisão humana. Os sistemas de aprendizagem profunda são, portanto, capazes de aprendizagem não supervisionada de dados não estruturados.

Aprendizado profundo:como funciona?

O aprendizado profundo é inspirado na estrutura do cérebro humano, que constitui os neurônios que transmitem e processam informações. As estruturas usadas no aprendizado profundo são chamadas de redes neurais artificiais (RNA). As RNAs podem identificar e classificar informações sem supervisão humana e são consideradas capazes de aprendizado não supervisionado. Isso requer um volume de dados muito maior em comparação ao ML convencional, que usa aprendizado supervisionado.

ANNs consistem em várias camadas da camada de entrada para a camada de saída, através da qual os dados passam. As camadas restantes, além das camadas de entrada e saída, são chamadas de camadas ocultas. A primeira camada de RNA, ou camada de entrada, é composta de neurônios. Os neurônios de uma RNA são funções matemáticas que representam de perto um neurônio humano.

Figura 2. Conceito de camada de entrada e saída da ANN.

A transmissão de informações através de diferentes camadas ocorre por meio da conexão de canais. Cada nó em camadas de ANN está conectado a todos os nós na próxima camada com esses canais. Cada canal tem um valor associado a ele, conhecido como seu peso; portanto, os canais são chamados de canais ponderados.

Todos os neurônios nas camadas ocultas têm um número exclusivo associado a eles, denominado viés. A informação passa de uma camada para o próximo canal, levando os pesos associados aos canais. Quando atinge o neurônio na próxima camada, o viés é adicionado à soma ponderada das entradas.

O resultado desta operação matemática é alimentado para a função de ativação. A função de ativação decide se o neurônio deve estar ativo ou não. Isso é feito aplicando a função de ativação não linear ao resultado obtido pela adição de polarização às somas ponderadas dos canais. As funções de ativação adicionam não linearidade à saída de um neurônio.

Apenas os neurônios que ficam ativos após a aplicação da função de ativação podem enviar informações para a próxima camada. Isso continua até a camada final, a camada de saída. Os pesos dos canais e vieses dos neurônios em camadas ocultas são constantemente ajustados para receber um modelo bem treinado.

Algumas das estruturas de aprendizado profundo mais populares são:

• Tensorflow by Google
• PyTorch pelo Facebook
• Caffe da UC Berkeley
• Conjunto de ferramentas cognitivas da Microsoft
• OpenAI

Dados para aprendizagem profunda

Os dados são a matéria-prima para o aprendizado profundo. Teoricamente, qualquer quantidade de dados melhora os modelos. Mas, considerando o esforço de coleta de dados, o tempo de treinamento necessário e a capacidade computacional necessária para treinar modelos, a quantidade de dados para o aprendizado profundo não pode ser infinita. Por outro lado, poucos dados não resultarão em um modelo de aprendizado profundo confiável.

Não existe uma regra definitiva para a quantidade de dados necessária para treinar um modelo bem-sucedido. Depende principalmente do resultado de modelos treinados. Se os modelos não forem adequadamente confiáveis, mais dados serão necessários. Existem algumas regras básicas para os dados mínimos necessários para treinar modelos de aprendizado profundo.

• Pelo menos 20 pontos de dados para previsões com análise de regressão
• Pelo menos 1.000 imagens para classificação com visão computacional

Essas são duas heurísticas para essas aplicações mais comuns com aprendizado profundo. Os engenheiros de dados defendem regras semelhantes para diferentes aplicativos. Como acontece com todas as regras gerais, elas não são perfeitas e precisam ser alteradas de acordo com a aplicação específica.

Aplicações industriais de aprendizagem profunda

Existem muitas aplicações industriais para aprendizagem profunda. Vamos examinar alguns deles.

Veículos Autônomos

Os carros autônomos são vendidos aos consumidores agora, mas também têm muitas aplicações industriais. A direção autônoma pode ser incorporada aos dispositivos de transporte usados ​​nas fábricas; por exemplo, veículos guiados autônomos (AGVs) podem ser totalmente autônomos. Isso elimina a necessidade de trabalho manual nessas tarefas, melhorando a segurança e a eficiência.

Figura 3. Um AGV sendo usado em um armazém de logística.

Visão computacional

Os computadores classificam e reconhecem objetos de imagens. Às vezes, a visão computacional faz parte de veículos autônomos, mas tem muito mais usos em aplicações industriais. A visão computacional pode automatizar a classificação de objetos. Sistemas assistidos por computador podem realizar inspeções de qualidade. Ele também pode automatizar a vigilância das instalações da planta e processos industriais.

Gestão da cadeia de suprimentos

A cadeia de suprimentos de uma empresa é um sistema complexo que abrange vários fornecedores, fornecedores, regiões geográficas e regulamentações. Gerenciar um grande volume de tráfego de mercadorias manualmente é uma tarefa impossível. O aprendizado profundo pode ser empregado para manter uma cadeia de suprimentos saudável, analisando grandes volumes de dados gerados com a ajuda de dispositivos IoT (Internet of Things) na cadeia de suprimentos.

Aplicações médicas

O aprendizado profundo também tem muitas aplicações médicas. Ele pode ser empregado para identificar anomalias de resultados de imagens médicas, como raios-x, ressonâncias magnéticas, etc. Ele também pode monitorar a saúde do paciente com dispositivos de monitoramento conectados 24 horas por dia. O aprendizado profundo pode auxiliar na descoberta de medicamentos, fornecendo a combinação mais provável de moléculas.

O aprendizado profundo tem muito mais aplicações industriais em aeroespacial, exploração espacial, mineração, navegação, sistemas de defesa, segurança cibernética e a lista continua. O aprendizado profundo está sendo adotado rapidamente em todos os setores da indústria e em breve será um elemento crítico e inevitável da Indústria 4.0.