IA, Machine Learning e Deep Learning: Diferenças e Como Funcionam

IA, Machine Learning e Deep Learning: Diferenças e Como Funcionam

Os termos Inteligência Artificial (IA), Aprendizado de Máquina (Machine Learning - ML) e Aprendizado Profundo (Deep Learning - DL) tornaram-se muito comuns hoje em dia. Frequentemente são usados de forma intercambiável, especialmente ao lidar com Big Data, análises, busca e indexação. Embora esses três termos sejam muito relacionados, não são a mesma coisa.

No artigo de hoje, explicaremos o que exatamente é IA, ML e DL, e como diferem entre si. Não se preocupe; não usaremos termos científicos complicados — manteremos curto e o mais simples possível.

Inteligência Artificial

IA é a subdivisão da ciência da computação, cunhada pela primeira vez em 1956 por John McCarthy. O computador geralmente executa tarefas que ordenamos. No entanto, IA é uma forma de construir uma máquina ou software que pode pensar inteligentemente e agir por conta própria, assim como humanos. Isso inclui coisas como compreender linguagem, reconhecer sons e imagens, aprender, planejar e resolver problemas.

Por exemplo, um programa convencional pode responder apenas perguntas específicas, mas o programa de IA pode responder perguntas genéricas.

Existem Quatro Tipos de IA:

1. Completamente Reativa: Tipo básico, não pode tirar conclusões. Exemplo – AlphaGo do Google, DeepBlue da IBM
2. Memória Limitada: Pode tomar decisões adequadas e agir. Exemplo – Chatbots, Veículos autônomos
3. Teoria da Mente: Pode compreender pensamentos, emoções e interagir socialmente. — Ainda não construída*
4. Autoconsciente: Pode formar representações sobre si mesma, consciente de seu estado e pode prever sentimentos dos outros. — Ainda não construída*

*Embora o terceiro e quarto tipo de máquina não existam realmente, são demonstrados em filmes de ficção científica, como R2D2 (tipo-3) de Star Wars e Eva (tipo-4) de Ex Machina.

Aprendizado de Máquina (Machine Learning)

ML é um subconjunto de IA que fornece ao sistema a capacidade de aprender, agir e melhorar a partir da experiência sem ser explicitamente programado. Em vez de escrever explicitamente todos os métodos com instruções específicas para alcançar uma tarefa particular, ML é uma técnica de treinar um programa para que ele possa aprender com experiências passadas. Aqui, treinamento refere-se a alimentar uma grande quantidade de dados ao programa e permitir que o programa se configure e melhore.

Por exemplo, se você fornecer milhares de fotos de gatos ao algoritmo de ML, ele começará a reconhecer como um gato se parece — sua altura, cor, formato do rosto, etc. Eventualmente, pode identificar e marcar automaticamente gatos nas fotos. Uma vez que o nível de precisão é alto o suficiente, o algoritmo pode dizer precisamente como um gato se parece.

Tipos de Aprendizado de Máquina:

1. Supervisionado: Faz a máquina aprender explicitamente através de dados com saídas definidas.
2. Não Supervisionado: A máquina compreende dados (padrão/estrutura) e tira inferências de conjuntos de dados.
3. Reforço: Uma abordagem para IA, aprende com reforço positivo e negativo, e recompensa resultados positivos.

Aprendizado Profundo (Deep Learning)

Deep Learning é um subcampo do aprendizado de máquina que lida com algoritmos inspirados na estrutura e função do cérebro humano, ou interconexão de muitos neurônios. Esses algoritmos são conhecidos como Redes Neurais Artificiais (ANNs) que imitam a estrutura biológica do cérebro.

Os neurônios têm camadas discretas e conexões com outros neurônios. Pode-se visualizar essas camadas como uma hierarquia aninhada de conceitos relacionados ou árvores de decisão. Cada camada é capaz de selecionar uma característica particular para aprender ou seguir um caminho específico. A profundidade é construída por múltiplas camadas — quanto mais camadas uma rede tem, mais profunda/complexa ela é.

Para serem bem treinadas, redes de deep learning requerem grandes quantidades de itens. Em vez de escrever código para cada aresta que define itens, o sistema aprende com a exposição a milhões de pontos de dados.

O Google Brain é um exemplo perfeito de deep learning para reconhecer gatos após processar mais de dez milhões de amostras de imagens. Essas redes não precisam ser codificadas com critérios específicos que definem itens; elas podem identificar arestas após serem expostas a um grande número de amostras.

Em outubro de 2017, o chefe do Google Brain, Jeff Dean, disse no VB Summit, Berkeley:

Hoje, sistemas de reconhecimento de imagem desenvolvidos em deep learning são melhores que humanos — isso varia de reconhecer gatos a identificar indicadores de câncer no sangue e tumores em exames de ressonância magnética.

O Google AlphaGo treinou no jogo de Go (muito mais complicado que xadrez), e avançou sua rede neural jogando contra si mesmo repetidamente. Em março de 2016, tornou-se o primeiro programa de computador a derrotar um jogador profissional humano de Go.

Leia: 18 Melhores Engines de Xadrez Baseadas em Seus Ratings

Visualizando IA, ML e DL

Crédito da imagem: Nvidia

A maneira mais simples de pensar na relação entre IA, ML e DL é visualizá-los como círculos concêntricos, nos quais a Inteligência Artificial vem primeiro, depois o Aprendizado de Máquina, e finalmente o Deep Learning, que está impulsionando a atual explosão de IA.

Do Inverno ao Boom

A inteligência artificial faz parte da imaginação humana e ferve em laboratórios de pesquisa desde 1956. Fizemos mais progresso em 7 anos desde 2012 do que fizemos nos 25 anos anteriores em numerosos problemas-chave de IA, como compreensão de texto, processamento de sinal, reconhecimento de voz e imagem (um trabalho difícil).

A principal razão para a explosão da IA nos últimos anos é a ampla disponibilidade de GPUs que tornam o processamento paralelo ainda mais rápido e barato. Também tem a ver com armazenamento praticamente infinito e todo o movimento Big Data — texto, imagem, transações, o que você quiser.

Hoje, todas as grandes empresas de tecnologia estão investindo pesadamente em projetos de IA, e bilhões de pessoas interagem com software de IA diariamente através de motores de busca, redes sociais e plataformas de e-commerce. E um dos tipos (ou você pode dizer o único tipo) de IA com o qual mais interagimos é o Machine Learning.

Segundo a Statista, a receita global do mercado de IA ultrapassaria $59 trilhões até 2025.

Leia: 18 Fatos Mais Interessantes Sobre Computadores Quânticos

IA é o Futuro, Graças ao Deep Learning

O Deep Learning permitiu várias aplicações práticas de Machine Learning, dividindo tarefas de maneiras que tornam todos os tipos de assistência de máquina possíveis. Melhores recomendações de produtos e sugestões de histórias, melhor saúde preventiva, veículos autônomos — hoje, todas essas coisas são possíveis. Com a ajuda do Deep Learning, a IA pode até chegar àquele estado de ficção científica que humanos imaginam há muito tempo.