Deep Learning Explicado: A Chave para a IA Moderna

O filme de 1990 de Arnold Schwarzenegger 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 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 realidade em meras três décadas? A resposta é deep learning.

 

Da Inteligência Artificial ao Deep Learning

Hefesto, o deus grego do fogo e metalurgia, criou robôs e máquinas de ouro. Já no Turco Mecânico nos anos 1770, humanos vêm desenvolvendo engenhocas que imitam a inteligência humana. Embora Turcos Mecânicos fossem enganos, computadores capazes de derrotar humanos foram desenvolvidos no final do século 20. Todos aqueles eram esforços para criar sistemas que pudessem imitar o cérebro humano.

 

Figura 1. Uma seção transversal do Turco. Imagem usada com cortesia da 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 foi um sistema de IA primitivo que usava lógica para chegar a soluções.

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

Deep learning é novamente um subconjunto de ML onde modelos aprendem com dados sem qualquer supervisão humana. Sistemas de deep learning são, portanto, capazes de aprendizado não supervisionado de dados não estruturados.

 

Deep Learning: Como Funciona?

Deep learning é inspirado pela estrutura de cérebros humanos que constituem neurônios que passam e processam informações. As estruturas usadas em deep learning são chamadas redes neurais artificiais (ANN). ANNs podem identificar e classificar informações sem supervisão humana e dizem ser capazes de aprendizado não supervisionado. Isso requer um volume de dados muito maior comparado ao ML convencional, que usa aprendizado supervisionado.

ANNs consistem em múltiplas camadas da camada de entrada à camada de saída, através das quais os dados passam. As camadas restantes além da entrada e saída são chamadas camadas ocultas. A primeira camada de ANN, ou camada de entrada, é feita de neurônios. Neurônios de uma ANN são funções matemáticas que representam de perto um neurônio humano.

 

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

 

Transmissão de informação através de diferentes camadas é através de canais de conexão. Cada nó em camadas de ANN está conectado a cada nó na próxima camada com esses canais. Cada canal tem um valor anexado a ele, referido como seu peso; portanto, os canais são chamados canais ponderados.

Todos os neurônios nas camadas ocultas têm um número único associado a eles chamado viés. Informação passa de uma camada para o próximo canal, tomando 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 à função de ativação. A função de ativação decide se o neurônio deve ser ativo ou não. Isso é feito aplicando a função de ativação não linear ao resultado obtido pela adição do viés às somas ponderadas dos canais. Funções de ativação adicionam não linearidade à saída de um neurônio.

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

Alguns dos frameworks de deep learning mais populares são:

• Tensorflow pelo Google
• PyTorch pelo Facebook
• Caffe pela UC Berkeley
• Microsoft Cognitive Toolset
• OpenAI

 

Dados Para Deep Learning

Dados são a matéria-prima para deep learning. Teoricamente, qualquer quantidade de dados melhora os modelos. Mas considerando o esforço de coleta de dados, tempo de treinamento necessário e poder computacional requerido para treinar modelos, a quantidade de dados para deep learning não pode ser infinita. Por outro lado, poucos dados não produzirão um modelo de deep learning confiável.

Não há regra rígida para a quantidade de dados necessária para treinar um modelo bem-sucedido. Depende principalmente do resultado de modelos treinados. Se os modelos não são adequadamente confiáveis, mais dados são necessários. Existem algumas regras práticas para os dados mínimos necessários para treinar modelos de deep learning.

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

Estas são duas heurísticas para estas aplicações mais comuns com deep learning. Engenheiros de dados defendem regras semelhantes para diferentes aplicações. Como com todas as regras práticas, estas não são perfeitas e precisariam mudar de acordo com a aplicação específica.

 

Aplicações Industriais de Deep Learning

Existem muitas aplicações industriais para deep learning. Vamos passar por algumas delas.

 

Veículos Autônomos

Carros autônomos são vendidos a consumidores agora, mas também têm muitas aplicações industriais. Condução autônoma pode ser incorporada em dispositivos de transporte usados em fábricas; por exemplo, veículos guiados autônomos (AGVs) podem se tornar totalmente autônomos. Isso elimina a necessidade de mão de obra manual em tais tarefas enquanto melhora segurança e eficiência.

 

Figura 3. Um AGV sendo usado em um armazém logístico.

 

Visão Computacional

Computadores classificam e reconhecem objetos a partir de imagens. Às vezes, visão computacional é parte de veículos autônomos, mas tem muitos mais usos em aplicações industriais. Visão computacional pode automatizar classificação de objetos. Sistemas auxiliados por visão computacional podem realizar inspeções de qualidade. Também pode automatizar a vigilância de instalações e processos industriais.

 

Gestão da Cadeia de Suprimentos

A cadeia de suprimentos de uma empresa é um sistema complexo que abrange múltiplos fornecedores, geografias e regulamentações. Gerenciar um enorme volume de tráfego de mercadorias manualmente é uma tarefa impossível. Deep learning pode ser empregado para manter uma cadeia de suprimentos saudável analisando grandes volumes de dados gerados com a ajuda de dispositivos IoT (Internet das Coisas) na cadeia de suprimentos.

 

Aplicações Médicas

Deep learning também tem muitas aplicações médicas. Pode ser empregado para identificar anomalias a partir de resultados de imagens médicas como raios-X, ressonâncias magnéticas, etc. Também pode monitorar saúde do paciente com dispositivos de monitoramento anexados o tempo todo. Deep learning pode auxiliar na descoberta de drogas dando a combinação mais provável de moléculas.

Deep learning tem muitas mais aplicações industriais em aeroespacial, exploração espacial, mineração, navegação, sistemas de defesa, cibersegurança, e a lista continua. Deep learning está sendo adotado rapidamente em todos os verticais da indústria e em breve será um elemento crítico e inevitável da Indústria 4.0.