{"id":859,"date":"2021-01-04T10:07:19","date_gmt":"2021-01-04T13:07:19","guid":{"rendered":"https:\/\/www.setasistemas.com.br\/blog\/?p=859"},"modified":"2022-11-06T14:47:53","modified_gmt":"2022-11-06T17:47:53","slug":"deep-learning-entenda-a-aprendizagem-profunda","status":"publish","type":"post","link":"https:\/\/www.setasistemas.com.br\/blog\/2021\/01\/04\/deep-learning-entenda-a-aprendizagem-profunda\/","title":{"rendered":"Deep learning \u2013 Entenda a aprendizagem profunda"},"content":{"rendered":"\n

Aprendizagem profunda<\/strong> (ou deep learning<\/em>) \u00e9 uma t\u00e9cnica de aprendizado de m\u00e1quina que ensina os computadores a fazer o que \u00e9 natural para os humanos: aprender pelo exemplo. Trata-se de uma tecnologia-chave por tr\u00e1s dos carros sem motorista, por exemplo, permitindo que os ve\u00edculos reconhe\u00e7am um sinal de \u201cpare\u201d ou consigam distinguir um pedestre de um poste de luz. Tamb\u00e9m \u00e9 vital para o controle de voz em dispositivos como telefones, tablets, TVs e alto-falantes viva-voz. A aprendizagem profunda est\u00e1 recebendo muita aten\u00e7\u00e3o ultimamente \u2013 e por um bom motivo: ela \u00e9 capaz de alcan\u00e7ar resultados que, antes, n\u00e3o eram sequer imagin\u00e1veis.<\/p>\n\n\n\n

Na aprendizagem profunda<\/strong>, um modelo de computador aprende a realizar tarefas de classifica\u00e7\u00e3o diretamente de imagens, texto ou som. Modelos de deep learning<\/em> podem alcan\u00e7ar precis\u00e3o de ponta, \u00e0s vezes excedendo o desempenho de n\u00edvel humano. Os modelos s\u00e3o treinados usando um grande conjunto de dados rotulados e arquiteturas de rede neural que cont\u00eam muitas camadas.<\/p>\n\n\n\n

Como funciona a aprendizagem profunda?<\/h2>\n\n\n\n

A aprendizagem profunda<\/strong> \u00e9 uma fun\u00e7\u00e3o de intelig\u00eancia artificial (IA) que imita o funcionamento do c\u00e9rebro humano no processamento de dados e na cria\u00e7\u00e3o de padr\u00f5es para uso na tomada de decis\u00f5es. \u00c9 um subconjunto do aprendizado de m\u00e1quina em intelig\u00eancia artificial que possui redes neurais capazes de aprender sem supervis\u00e3o humana, a partir de dados n\u00e3o estruturados ou n\u00e3o rotulados.<\/p>\n\n\n\n

O objetivo \u00e9 resolver problemas e ajudar a detectar fraude ou lavagem de dinheiro, entre outras fun\u00e7\u00f5es. O aprendizado profundo<\/strong> tem evolu\u00eddo lado a lado com a era digital, que trouxe uma explos\u00e3o de dados em todas as formas e de todas as regi\u00f5es do mundo. Esses dados, conhecidos simplesmente como big data<\/strong>, s\u00e3o extra\u00eddos de fontes como m\u00eddias sociais, mecanismos de busca na Internet, plataformas de com\u00e9rcio eletr\u00f4nico e cinemas online, entre outras. Essa enorme quantidade de dados \u00e9 facilmente acess\u00edvel e pode ser compartilhada por meio de aplicativos fintech, como a computa\u00e7\u00e3o em nuvem.<\/p>\n\n\n\n

No entanto, os dados, que normalmente n\u00e3o s\u00e3o estruturados, s\u00e3o t\u00e3o vastos que podem levar d\u00e9cadas para que os humanos os compreendam e extraiam informa\u00e7\u00f5es relevantes. As empresas percebem o incr\u00edvel potencial que pode resultar da revela\u00e7\u00e3o dessa riqueza de informa\u00e7\u00f5es e est\u00e3o se adaptando cada vez mais aos sistemas de IA para suporte automatizado. A aprendizagem profunda<\/strong> desvenda grandes quantidades de dados n\u00e3o estruturados que os humanos poderiam levar d\u00e9cadas para compreender e processar.<\/p>\n\n\n\n

Aprendizagem profunda e aprendizado de m\u00e1quina (machine learning<\/em>)<\/h2>\n\n\n\n

Uma das t\u00e9cnicas de IA mais comuns usadas para processar big data<\/strong> \u00e9 o aprendizado de m\u00e1quina, um algoritmo autoadaptativo que obt\u00e9m an\u00e1lises e padr\u00f5es cada vez melhores com a experi\u00eancia ou com dados rec\u00e9m-adicionados.<\/p>\n\n\n\n

Por exemplo, se uma empresa de pagamentos digitais deseja detectar a ocorr\u00eancia ou potencial de fraude em seu sistema, ela pode utilizar ferramentas de aprendizado de m\u00e1quina para esse fim. O algoritmo computacional embutido em um modelo de computador \u00e9 capaz de processar todas as transa\u00e7\u00f5es que acontecem na plataforma digital, encontrar padr\u00f5es no conjunto de dados e apontar qualquer anomalia detectada pelo padr\u00e3o.<\/p>\n\n\n\n

A aprendizagem profunda<\/strong> \u00e9 um subconjunto do aprendizado de m\u00e1quina que utiliza um n\u00edvel hier\u00e1rquico de redes neurais artificiais, com m\u00faltiplas camadas ocultas, para realizar o processo de aprendizado de m\u00e1quina. As redes neurais artificiais s\u00e3o constru\u00eddas como o c\u00e9rebro humano, com \u201cn\u00f3s\u201d de neur\u00f4nios conectados entre si, formando algo semelhante a uma teia. Enquanto os programas tradicionais criam an\u00e1lises com dados de maneira linear, a fun\u00e7\u00e3o hier\u00e1rquica dos sistemas de aprendizagem profunda<\/strong> permite que as m\u00e1quinas processem dados com uma abordagem n\u00e3o linear.<\/p>\n\n\n\n

Uma abordagem tradicional para detectar fraude ou lavagem de dinheiro pode depender da quantidade de transa\u00e7\u00f5es que ocorrem, enquanto uma t\u00e9cnica n\u00e3o linear de aprendizagem profunda incluiria tempo, localiza\u00e7\u00e3o geogr\u00e1fica, endere\u00e7o IP, tipo de varejista e qualquer outro recurso que possa apontar para fraude, seguindo um n\u00famero de camadas. A primeira camada da rede neural processa uma entrada de dados brutos, como o valor da transa\u00e7\u00e3o, e a passa para a pr\u00f3xima camada como sa\u00edda. A segunda camada processa as informa\u00e7\u00f5es da camada anterior, incluindo informa\u00e7\u00f5es adicionais, como o endere\u00e7o IP do usu\u00e1rio, e transmite seu resultado.<\/p>\n\n\n\n

A pr\u00f3xima camada pega as informa\u00e7\u00f5es da segunda camada e inclui dados brutos, como localiza\u00e7\u00e3o geogr\u00e1fica, e torna o padr\u00e3o da m\u00e1quina ainda melhor. Isso continua em todos os n\u00edveis da rede de neur\u00f4nios.<\/p>\n\n\n\n

Como funciona a aprendizagem profunda<\/h2>\n\n\n\n

Usando o sistema de detec\u00e7\u00e3o de fraude mencionado acima com aprendizado de m\u00e1quina, pode-se criar um exemplo de aprendizagem profunda<\/strong>. Se o sistema de machine learning<\/em> tiver criado um modelo com par\u00e2metros constru\u00eddos em torno do montante de dinheiro que um usu\u00e1rios envia ou recebe, o m\u00e9todo de aprendizagem profunda<\/strong> pode come\u00e7ar a construir dados a partir dos resultados oferecidos pelo aprendizado de m\u00e1quina.<\/p>\n\n\n\n

Cada camada da rede neural se baseia em sua camada anterior com a adi\u00e7\u00e3o de outros dados, como varejista, remetente, usu\u00e1rio, evento de m\u00eddia social, pontua\u00e7\u00e3o de cr\u00e9dito, endere\u00e7o de IP e uma s\u00e9rie de outros recursos que levariam anos para serem computados por uma pessoa. Algoritmos de aprendizagem profunda<\/strong> s\u00e3o treinados n\u00e3o apenas para criar padr\u00f5es de todas as transa\u00e7\u00f5es, mas tamb\u00e9m para saber quando um padr\u00e3o est\u00e1 sinalizando a necessidade de uma investiga\u00e7\u00e3o fraudulenta. A camada final retransmite um sinal para um analista, que pode congelar a conta do usu\u00e1rio at\u00e9 que todas as investiga\u00e7\u00f5es pendentes sejam finalizadas.<\/p>\n\n\n\n

A aprendizagem profunda<\/strong> \u00e9 utilizada por todos os campos e setores, em uma s\u00e9rie de tarefas diferentes. Aplicativos comerciais que usam reconhecimento de imagem, plataformas de c\u00f3digo aberto com aplicativos de recomenda\u00e7\u00e3o do consumidor e ferramentas de pesquisa m\u00e9dica que exploram a possibilidade de reutiliza\u00e7\u00e3o de medicamentos para novas doen\u00e7as s\u00e3o alguns dos exemplos de incorpora\u00e7\u00e3o de aprendizagem profunda<\/strong>.<\/p>\n\n\n\n

Breve hist\u00f3ria da aprendizagem profunda<\/h2>\n\n\n\n

Acredita-se que o aprendizado de m\u00e1quina tenha origem na d\u00e9cada de 1950, quando Alan Turing, um matem\u00e1tico brit\u00e2nico, prop\u00f4s sua machine learning<\/em> artificialmente inteligente. Arthur Samuel escreveu o primeiro programa de aprendizado de computador. d\u00e9cadas que se seguiram, v\u00e1rias t\u00e9cnicas de aprendizado de m\u00e1quina entraram e sa\u00edram de moda.<\/p>\n\n\n\n

As redes neurais foram em sua maioria ignoradas pelos pesquisadores de aprendizado de m\u00e1quina, j\u00e1 que eram atormentadas pelo problema de “m\u00ednimos locais” em que as pondera\u00e7\u00f5es incorretamente pareciam fornecer o menor n\u00famero de erros. No entanto, algumas t\u00e9cnicas de aprendizado de m\u00e1quina, como vis\u00e3o computacional e reconhecimento facial, avan\u00e7aram. Em 2001, um algoritmo de aprendizado de m\u00e1quina chamado Adaboost foi desenvolvido para detectar faces em uma imagem em tempo real.<\/p>\n\n\n\n

No entanto, o passo mais significativo para a populariza\u00e7\u00e3o das redes neurais aconteceu a partir da introdu\u00e7\u00e3o de quantidades substanciais de dados rotulados com o ImageNet, um banco de dados de milh\u00f5es de imagens rotuladas da Internet. A inc\u00f4moda tarefa de rotular manualmente as imagens foi substitu\u00edda por crowdsourcing<\/em>, dando \u00e0s redes uma fonte virtualmente ilimitada de materiais de treinamento.<\/p>\n\n\n\n

Aplica\u00e7\u00e3o da aprendizagem profunda<\/h2>\n\n\n\n

A aprendizagem profunda<\/strong> est\u00e1 presente em aplicativos, servi\u00e7os de streaming<\/em>, redes sociais e mais uma s\u00e9rie de servi\u00e7os que voc\u00ea utiliza diariamente. O Facebook, por exemplo, identifica e marca seus amigos quando voc\u00ea posta uma foto por causa da aprendizagem profunda.<\/p>\n\n\n\n

Assistentes digitais como Siri, Cortana, Alexa e Google Now usam aprendizagem profunda<\/strong> para processamento de linguagem natural e reconhecimento de fala. O Skype traduz conversas faladas em tempo real. Muitas plataformas de e-mail conseguem identificar um spam antes mesmo que ele chegue \u00e0 caixa de entrada. O PayPal implementou a aprendizagem profunda<\/strong> para evitar pagamentos fraudulentos. A lista \u00e9 enorme!<\/p>\n\n\n\n

A aprendizagem profunda<\/strong> est\u00e1 apenas dando seus primeiros passos, mas promete, nas pr\u00f3ximas d\u00e9cadas, transformar a sociedade. Carros aut\u00f4nomos est\u00e3o sendo testados em todo o mundo; a complexa camada de redes neurais pode ser treinada para reconhecer sem\u00e1foros e saber quando ajustar a velocidade.<\/p>\n\n\n\n

As redes neurais podem aprender e prever tudo, desde pre\u00e7os de a\u00e7\u00f5es at\u00e9 o clima. Os aplicativos de aprendizagem profunda<\/strong> v\u00e3o at\u00e9 salvar vidas \u00e0 medida que desenvolvem a capacidade de criar planos de tratamento baseados em evid\u00eancias para pessoas doentes e at\u00e9 ajudar a detectar v\u00e1rios tipos de c\u00e2ncer precocemente. A aprendizagem profunda<\/strong> \u00e9 o futuro.<\/p>\n\n\n\n

Fontes: Search Enterprise AI<\/a>, Forbes<\/a>, Simplilearn<\/a> e Math Works<\/a><\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Aprendizagem profunda (ou deep learning) \u00e9 uma t\u00e9cnica de aprendizado de m\u00e1quina que ensina os computadores a fazer o que \u00e9 natural para os humanos: aprender pelo exemplo. Trata-se de uma tecnologia-chave por tr\u00e1s dos carros sem motorista, por exemplo, permitindo que os ve\u00edculos reconhe\u00e7am um sinal de \u201cpare\u201d ou consigam distinguir um pedestre de […]<\/p>\n","protected":false},"author":1,"featured_media":1366,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[23],"tags":[],"class_list":["post-859","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-gestao-escolar"],"blocksy_meta":[],"_links":{"self":[{"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/posts\/859","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/comments?post=859"}],"version-history":[{"count":4,"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/posts\/859\/revisions"}],"predecessor-version":[{"id":864,"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/posts\/859\/revisions\/864"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/media\/1366"}],"wp:attachment":[{"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/media?parent=859"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/categories?post=859"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.setasistemas.com.br\/blog\/wp-json\/wp\/v2\/tags?post=859"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}