Abstract art - green with circle overlays

Deep Learning

O que é e qual sua importância?

Deep learning é um tipo de machine learning que treina computadores para realizar tarefas como seres humanos, o que inclui reconhecimento de fala, identificação de imagem e previsões. Em vez de organizar os dados para serem executados através de equações predefinidas, o deep learning configura parâmetros básicos sobre os dados e treina o computador para aprender sozinho através do reconhecimento padrões em várias camadas de processamento.

Qual a importância do deep learning hoje?

Deep learning é uma das bases da inteligência artificial (IA), e o interesse atual em deep learning se deve, em parte, à fascinação por IA. Técnicas de deep learning têm aprimorado a capacidade dos computadores em classificar, reconhecer, detectar e descrever – em uma palavra, compreender.

Por exemplo, o deep learning é usado para classificar imagens, reconhecer fala, detectar objetos e descrever conteúdo. Sistemas como Siri e Cortana são parcialmente alimentados por deep learning.

Vários desenvolvimentos estão hoje avançando graças ao deep learning:

  • Melhorias nos algoritmos têm fomentado a performance dos métodos de deep learning;
  • Novas abordagens de machine learning aprimoraram a precisão dos modelos; 
  • Novas classes de redes neurais estão sendo desenvolvidas para que se adaptem a aplicações como tradução de textos e classificação de imagens; 
  • Temos muitos mais dados disponíveis para construir redes neurais com camadas profundas, incluindo os fluxos de dados da Internet das Coisas, dados textuais de mídias sociais, receitas médicas e transcrições de investigações;
  • Avanços computacionais de distribuição em nuvem e unidades de processamento gráfico colocaram um poder computacional incrível à nossa disposição. Esse nível de computação é necessário para treinar algoritmos de deep learning.

Ao mesmo tempo, interfaces homem-máquina evoluíram igualmente bem. O mouse e o teclado estão sendo substituídos por gestos, deslizares de telas, toques e linguagem natural, levando a um interesse renovado em IA e deep learning.

Deep Learning for Animal Conservation

How does a computer “see” an image? Jared Peterson, Senior Manager of SAS Advanced Analytics R&D, shows how deep learning neural networks are the science behind computer vision.

In this deep learning example, the computer program is learning to interpret animal tracks to help with animal conservation.

Oportunidades e aplicações em deep learning

É preciso muito poder computacional para resolver problemas de deep learning devido à natureza iterativa de seus algoritmos, sua complexidade que cresce conforme o número de camadas aumenta e os grandes volumes de dados necessários para treinar as redes.

A natureza dinâmica dos métodos de deep learning – sua capacidade de continuamente melhorar e se adaptar a mudanças no padrão de informações subjacentes – apresenta uma grande oportunidade de introduzir mais comportamentos dinâmicos ao analytics.

Uma maior personalização nas análises de clientes é uma possibilidade. Outra é melhorar a precisão e a performance em aplicações nas quais redes neurais têm sido utilizadas há tempos. Através de algoritmos melhores e mais poder computacional, nós podemos adicionar grande profundidade.

Embora o foco atual do mercado em técnicas de deep learning seja para aplicações de computação cognitiva, há também um grande potencial para aplicações analíticas mais tradicionais, como na análise de séries temporais.

Outra oportunidade é simplesmente ser mais eficiente e efetivo nas operações analíticas existentes. Recentemente, o SAS testou redes neurais profundas em problemas de transcrição fala-texto. Comparado às técnicas padrões, a taxa de erros foi reduzida em mais de 10% quando as redes neurais profundas foram aplicadas. Elas também eliminaram cerca de 10 etapas de processamento de dados, engenharia de recursos e modelagem. Os ganhos expressivos de desempenho e a economia de tempo em relação à engenharia de recursos significa uma mudança de paradigma.

Deep learning no mundo de hoje

O impacto que o deep learning teve no mundo tem sido significativo – e está apenas começando. Veja o que os epecialistas andam comentando.

 
Interview

Métodos e aplicações de deep learning

De jogar AlphaGo à detecção de fraudes, o deep learning pode ser usado para resolver muitos problemas complexos. Nesta entrevista, o Vice-Presidente Executivo e COO do SAS, Oliver Schabenberger, fornece exemplos e explica qual a diferença entre deep learning e análises padrões.

Leia a entrevista

Deep learning para PLN

Descubra como técnicas de deep learning estão sendo aplicadas ao processamento de linguagem natural. James C. Lester, renomado Professor de Ciências da Computação na NC State University, aborda normalização de texto e outros tópicos com James A. Cox, Diretor de Text Analytics do SAS.

Assista ao webinar

A digitalização de tudo

"O aumento coletivo no poder de processamento disponível e nos novos avanços em inteligência artificial e deep learning estão permitindo que a gente não apenas colete dados, como também entenda melhor os detalhes [de localização, redes e atividades], levando a uma maior compreensão dos nossos clientes”, diz Brian Vellmure, consultor de gestão.

Leia mais

Como o deep learning está sendo usado?

Para quem olha de fora, o deep learning pode parecer um projeto em fase experimental conforme pesquisadores de ciência da computação e cientistas de dados continuam a testar suas capacidades. Entretanto, o deep learning possui muitas aplicações práticas que já estão sendo usadas pelas empresas, e outras muitas que serão usadas conforme as pesquisas continuam. Usos populares de hoje incluem:

Reconhecimento de fala

Empresas e universidades adotaram o deep learning para o reconhecimento de fala. Xbox, Skype, Google Now e a Siri®, por exemplo, empregam tecnologias de deep learning em seus sistemas para reconhecer padrões de fala e voz.

Reconhecimento de imagem

Uma aplicação prática do reconhecimento de imagem é a legendação (ou descrição de cena) automática. Isso pode ser crucial em investigações criminais para identificar atividades transgressoras em meio a milhares de fotos enviadas por quem estiver presente em áreas onde um crime ocorreu. Os carros autônomos também serão beneficiados com reconhecimento de imagem através do uso de câmeras com tecnologia 360º.

Processamento de linguagem natural

Redes neurais, um componente central de deep learning, têm sido usadas para analisar e processar textos escritos há muitos anos. Uma especialização da mineração de texto, essa técnica pode ser usada para descobrir padrões em reclamações de clientes, relatórios médicos ou boletins informativos, por exemplo.

Sistemas de recomendação

A Amazon e a Netflix popularizaram o conceito de sistemas de recomendação através de boas chances de acertar no que você pode estar interessado depois de realizar uma ação, a partir de comportamentos anteriores. O deep learning pode ser usado para aprimorar as recomendações em ambientes complexos, como para músicas ou preferências de roupas em múltiplas plataformas.


     

yellow and orange abstract art
Data Mining Enterprise Miner

 

Advanced Analytics do SAS

Deep learning é apenas uma técnica na caixa de ferramentas de um cientista de dados. Conheça outras técnicas de advanced analytics, incluindo forecasting, análise de texto e otimizações.

Conheça as soluções de analytics do SAS

Como deep learning funciona?

O deep learning transforma o modo como você pensa sobre a representação dos problemas que você quer resolver com analytics. Ele deixa de dizer ao computador como resolver o problema e passa a treinar o computador para resolver o problema sozinho.

 

Uma abordagem tradicional para analytics é utilizar os dados em mãos para desenvolver recursos que criam novas variáveis, então selecionar um modelo analítico e, finalmente, estimar os parâmetros (ou as incógnitas) desse modelo. Essas técnicas podem produzir sistemas preditivos que não difundem bem, uma vez que a integridade e a exatidão dependem da qualidade do modelo e de suas características. Por exemplo, se você desenvolver um modelo com engenharia de recursos para prevenir fraudes, você deve começar com um conjunto de variáveis que, provavelmente, derivarão um modelo usando transformações de dados. Imagine que seu modelo pode chegar a depender de 30.000 variáveis, de modo que você deve moldá-lo, descobrir quais variáveis são significativas e quais não são, e assim por diante. Porém, adicionar mais dados exige que você faça tudo novamente.

A nova abordagem com deep learning consiste em substituir a formulação e a especificação do modelo por caracterizações hierárquicas (ou camadas) que aprendem a reconhecer as características latentes dos dados nas regularidades em camadas.

A mudança de paradigma do deep learning é a transição da engenharia de recursos para a representação de recursos.

A promessa do deep learning é concretizar sistemas preditivos que se difundem e se adaptam bem, melhoram continuamente à medida que novos dados são adicionados e são mais dinâmicos do que sistemas preditivos baseados em regras de negócios. Você não mais adapta um modelo, você o treina.

Back to Top