Machine learning, deep learning: o que são?
A edição de 7 de abril da newsletter do The Hustle menciona este vídeo, em que Jamal Meneide explica as diferenças entre machine learning e deep learning, dias técnicas de treinamento de modelos computacionais e classificação de dados:
Machine learning é uma técnica que utiliza algoritmos ou modelos estatísticos para permitir que uma máquina tome decisões cada vez mais acertadas ao longo do tempo, conforme mais dados alimentam seu modelo computacional. Atualmente a técnica é usada no diagnóstico mais preciso de doenças e na previsão de preços de ações do mercado financeiro.
A técnica usa dados estruturados e anotados — labeled data, dados aos quais rótulos ou classificações são associadas para ajudar o algoritmo a compreender o mundo ao seu redor — para permitir que as máquinas prevejam e criem resultados independentemente, conforme acumulam conhecimento sobre uma tarefa que devem realizar.
O uso de labeled data demonstra que um algoritmo de machine learning requer inputs iniciais fornecidos por seres humanos, para que o modelo possa diferenciar as características específicas entre objetos. Com o tempo a máquina aprenderá as diferenças com um grau de confiança tal que poderá caminhar com as próprias pernas.
Já deep learning é um subconjunto de machine learning, atualmente empregado na criação de carros que se dirigem sozinhos, por exemplo. Enquanto o uso de machine learning visa treinar uma inteligência artificial através de dados e algoritmos, no deep learning o que se busca é imitar o comportamento do cérebro humano. Nosso cérebro possui cerca de 86 bilhões de neurônios interligados, transmitindo sinais químicos, elétricos e informações a todo momento. O deep learning utiliza uma rede neural artificial para selecionar características distintas entre os objetos sem intervenção humana, utilizando o mesmo processo que os neurônios do nosso cérebro.
Uma certa informação sobre um objeto é capturada por uma primeira camada da rede neural e repassada às camadas subsequentes, gerando várias interações. O processo se repete e se ajusta, treinando a rede neural que, se baseando apenas em dados não estruturados, não precisa de intervenção humana para caracterizar objetos. Quanto mais interações, mais eficiente se torna o modelo: ao observar padrões de repetição, o deep learning agrupa os dados e descobre padrões ocultos, através de aprendizagem não supervisionada.
Mas reproduzir o comportamento do nosso cérebro requer uma enorme quantidade de dados para treinar a máquina: assim, a alta precisão de um modelo de deep learning é rivalizada com o grande tempo de espera necessário para processar os dados, tornando a técnica de machine learning mais indicada quando hardware mais poderoso não estiver disponível, por ser menos complexa e dispendiosa em termos de recursos.