Deep Learning

O que é e porque é importante

O Deep learning é um subgrupo de machine learning que treina um computador a desempenhar tarefas semelhantes às dos humanos, tais como, reconhecimento de voz falada, identificação de imagem, e a fazer previsões. Melhora a capacidade de classificar, reconhecer, detetar e descrever através de dados. O atual interesse em deep learning deve-se, em parte, ao entusiasmo existente em torno da inteligência artificial (IA).

Pense em sistemas do dia-a-dia como a Siri e o Cortana. Estes são em parte, capacitados por deep learning.

Saiba como funciona o deep learning

O deep learning transforma a forma como pensa em relação à representação dos problemas que estiver a resolver. Com o deep learning, os dados treinam o computador através de algoritmos, para poder aprender por si mesmo, reconhecendo padrões ao utilizar camadas de processamento. Se é alguém que nunca ouviu falar em deep learning, é natural que se pergunte como tudo isto funciona.

Imaginemos que cria uma ferramenta que diferencia a salsa dos coentros. Duas ervas aromáticas totalmente diferentes. Com o machine learning, precisaria de indicar à ferramenta que características podem ser diferenciadas. Neste caso seria o tipo de folha. Mas com deep learning, as características já estão destacadas por redes neurais. Tudo isto é feito através de um processo automatizado e não supervisionado de aprendizagem.

A promessa do deep learning é a de que pode desenvolver sistemas de previsão que se podem generalizar corretamente, adaptar bem e melhorar continuamente à medida que chegam novos dados.

Deep Learning para a Conservação de Espécies

Como é que um computador "vê" uma imagem? Jared Peterson, Gestor Senior do SAS Advanced Analytics R&D, mostra como as redes neurais do deep learning são a ciência por detrás da visão computacional.

Neste exemplo de deep learning, o programa de computador está a aprender a interpretar rastos de animais para ajudar na conservação dos animais

A evolução do deep learning

Ao longo dos anos, interfaces homem-máquina evoluíram muito. O rato e o teclado estão a ser substituídos por gestos, deslizes, toques e voz, dando início a um interesse renovado na IA e no deep learning.

Vários desenvolvimentos fazem avançar o deep learning:

As melhorias analíticas impulsionaram o desempenho dos métodos de deep learning.
Novas abordagens de machine learning melhoraram o rigor dos modelos de deep learning.
Novas categorias de redes neurais foram desenvolvidas e estão bem ajustadas para aplicações como tradução de texto e classificação de imagens.
Muitos mais dados estão disponíveis para construir redes neurais com muitas camadas profundas, incluindo dados de transmissão em fluxo da Internet das Coisas, dados textuais de comunicação social, registos médicos e transcrições de investigações.
Avanços computacionais da distribução da informática na cloud e unidades de processamento gráfico puseram ao nosso dispor uma poderosa e incrível capacidade computacional. Este nível de poderosa capacidade computacional é essencial para treinar algoritmos profundos através do Deep Learning.

Oportunidades e aplicações do Deep Learning

Muito do poder computacional é necessário para resolver problemas de Deep Learning por causa da natureza interativa dos algoritmos de Deep Learning, da sua complexidade à medida que o número de camadas aumenta e dos grandes volumes de dados necessários para formar as redes.

A capacidade dos métodos de Deep Learning para melhoria e adaptação contínuas a alterações no padrão de informação subjacente, apresenta uma oportunidade para introduzir um comportamento mais dinâmico na análise de dados.

Uma dessas possibilidades é a maior personalização da análise do cliente. O seu serviço de streaming favorito criar uma lista personalizada de visualizações que poderiam interessar-lhe com base no seu histórico de reprodução seria um exemplo disso.

Apesar de o foco atual das técnicas de Deep Learning estar nas aplicações de computação cognitiva, também existe um grande potencial em aplicações de análise de dados mais tradicionais. Por exemplo, análise de séries temporais.

Uma outra forma de aplicar o Deep Learning é simplesmente ser mais eficiente e racionalizado nas operações analíticas já existentes. Recentemente, o SAS fez experiências com redes neurais profundas em problemas de transcrição de voz falada para texto. Comparada com as técnicas padrão, a taxa de erro por palavra diminuiu em mais de 10% quando as redes neurais foram aplicadas. As redes neurais também eliminaram cerca de 10 passos de pré-processamento de dados, engenharia de funcionalidades e modelação. Os ganhos com este desempenho impressionante e a poupança de tempo significam uma mudança de paradigma.

O Deep Learning no mundo atual

O impacto do deep learning é significativo – e está apenas a começar

Deep Learning com SAS e Python

DLPy é um package open source que os cientistas de dados podem descarregar para aplicar algoritmos de deep learning do SAS a imagem, texto, e dados áudio. É concebido para resolver visão computacional, processamento de linguagem natural, efetuar previsão, e problemas de processamento de discurso.

Leia a publicação de blog

Como o SAS® utiliza o Deep Learning

Este guia passo a passo compara múltiplos modelos de redes neurais e explica como os pode utilizar. Irá receber uma introdução a técnicas de deep learning, aplicações e como o SAS suporta a criação de modelos de redes neurais profundas.

Fazer download do documento

Como utilizar o deep learning para incorporar imagem

Modelos de incorporação são usados para reduzir a dimensionalidade dos dados de entrada, tais como imagens. Quando um modelo de incorporação é utilizado, as imagens de entrada são convertidas em vetores de baixa dimensão que podem ser utilizados mais facilmente por outras funções de visão computacional. A chave para uma boa incorporação é formar o modelo para que as imagens semelhantes sejam convertidas em vetores semelhantes.

Veja o vídeo

Quem utiliza Deep Learning?

Para os leigos, o Deep Learning pode parecer estar em investigação e fase de desenvolvimento, visto que, os investigadores de ciência computacional e cientistas de dados continuam a testar as suas capacidades. No entanto, o Deep Learning tem muitas aplicações práticas que os negócios estão a utilizar atualmente, e muitas mais que serão utilizadas à medida que a investigação continua. As utilizações populares incluem:

Retalho

No comércio, é importante estar um passo à frente das expectativas dos clientes. E o Deep Learning está a tornar isso possível. Utilizando os dados dos clientes e o reconhecimento da voz falada e processamento de linguagem natural, os comerciantes podem prever as preferências dos clientes, as suas necessidades e cortar em stock desnecessário. Podem ainda dar assistência na localização do produto de melhor qualidade pelo preço mais baixo. Finalmente, isto ajuda os comerciantes a satisfazer os seus clientes e a poupar tempo e dinheiro.

Mais soluções para o comércio

Banca

O Deep Learning possibilita aos bancos identificar padrões em dados não estruturados e melhora tomadas de decisão a nível empresarial. Em gestão do risco, o deep learning ajuda os bancos a questionar múltiplas fontes e a definir limites apropriados de empréstimo com maior confiança. Tudo isto sem comprometer a justiça. O Deep Learning desempenha também um papel vital na deteção e prevenção de fraude e crime financeiro. Um exemplo é a monitorização com vídeo em tempo real, identificando atividades suspeitas em filiais ou localizações de caixas automáticas multibanco, e a prevenção da tomada de controlo de uma conta, se a voz do perfilamento biométrico não corresponder ao cliente verdadeiro. No que diz respeito a fornecer uma melhor experiência de utilizador, a capacidade do Deep Learning de ajudar com uma análise de sentimento, assegura que problemas reportados via canais sociais podem ser rapidamente identificados e remediados.

Mais soluções para Bancos

Indústria transformadora

Os fabricantes utilizam Deep Learning e outras técnicas de AI para melhorar a qualidade geral da indústria. Um dos maiores custos nesta indústria é a manutenção do equipamento, e o Deep Learning é fundamental para reduzir ou evitar tempo de inatividade de recursos e equipamentos cruciais. Com a utilização do deep learning e capacidades como a visão por computador para identificar problemas de qualidade usando a deteção de objetos, monitorização de processos e deteção de anomalias. A indústria transformadora pode poupar dinheiro com tempos de inatividade não planeados, um melhor design dos seus produtos, e ainda melhorar a eficiência/qualidade dos produtos e a segurança dos trabalhadores em geral.

Mais soluções para manufacturing

Cuidados de saúde

O Deep Learning apoia a indústria de cuidados de saúde ao assegurar melhores cuidados aos pacientes e eficiência operacional. Com o Deep Learning, profissionais de cuidados de saúde podem analisar dados mais depressa e com maior precisão. Registos eletrónicos de saúde podem ser criados mais rapidamente e com menos erros. Utilizando voz falada com ferramentas de processamento de linguagem natural. Bem como, redes neurais, combinadas com reconhecimento de imagens, que analisam imagens médicas em vez de apenas ler, ajudando os profissionais de cuidados de saúde a identificar tumores e a sua progressão, por exemplo.

Mais soluções de cuidados de saúde

Transporte e Logística

O Deep Learning pode ajudar a indústria do turismo e respetiva parte logística para a aumentar a produtividade e planeamento operacional eficiente. Utilizando software predicativo, a indústria pode manter-se à frente de potenciais falhas e manter-se atualizada sobre reparações programadas de camiões para reduzir os custos operacionais. Juntamente com a manutenção de previsão, o deep learning e a AI pode rastrear veículos em tempo real, permitindo às empresas de transporte localizar e monitorizar a velocidade da sua frota em tempo real. Tudo isto se torna possível com a precisão e velocidade do Deep Learning.

Mais soluções de transporte e logística

Governo

Agências governamentais podem utilizar o Deep Learning para melhorar a deteção de fraudes fazendo uso de análises de caligrafia, bem como, gerir as terras e água através do reconhecimento de imagens. O Deep Learning também ajuda a criar uma melhor compreensão das preferências dos cidadãos através da tradução da linguagem natural do sentimento. Outro exemplo é a redução dos gastos em infraestruturas ao utilizar a previsão de capacidades de manutenção. No geral, o Deep Learning possibilita aos governos resolver problemas que anteriormente eram considerados demasiado difíceis.

Mais soluções a nível governamental

Utilities

O Deep Learning ajuda a valorizar mais os muitos tipos de dados em operações de call center. Outras formas de funcionalidades de apoio do deep learning incluem recomendar ações específicas de correção para manutenção e linha de equipamento, gestão de vegetação, e uma panóplia de funções de previsão (sendo estas: previsão de vendas, previsão de net load e previsões de load entre outras). De facto, o Deep Learning será uma parte fundamental na posição de determinado serviço no futuro.

Mais soluções para serviços

Saiba mais sobre as indústrias que utilizam esta tecnologia

Como funciona o deep learning

O Deep Learning muda a forma como se pensa representar os problemas que se resolvem com a analítica. Passa de dizer ao computador como resolver um problema para treinar o computador a resolver o problema em si.

Representação de características

O Deep Learning é uma mudança de paradigma na construção de modelos que passa da engenharia de características para a representação de características

Deep learning layers

Em vez de utilizar variáveis conhecidas para prever o desconhecido, o deep learning observa os layers dos dados para reconhecer as características latentes dos dados.

Resultados do Deep Learning

A promessa do deep learning é a de que pode desenvolver sistemas de previsão que se podem generalizar corretamente, adaptar bem e melhorar continuamente à medida que chegam novos dados. Já não se encaixa num modelo. Em vez disso, treina a função.

Uma abordagem tradicional à analítica é a de utilizar os dados à disposição para trabalhar características e para derivar novas variáveis, e depois selecionar um modelo analítico e finalmente estimar os parâmetros desse modelo. Estas técnicas podem produzir sistemas preditivos que não generalizam bem porque a completude e correção dependem da qualidade do modelo e das suas características. Por exemplo, se desenvolver um modelo de fraude através da engenharia de características, começa com um conjunto de variáveis, e muito provavelmente obtém um modelo que irá derivar dessas variáveis utilizando transformações de dados. Pode acabar com 30.000 variáveis das quais o seu modelo depende, depois tem de moldar o modelo, descobrir quais as variáveis que são significativas, quais as que não são, e assim continuamente. A adição de mais dados requer que o faça de novo.

A nova abordagem, com o Deep Learning, é a de substituir a formulação e especificação do modelo com caracterizações (ou camadas) hierárquicas que aprendem a reconhecer características latentes dos dados de entre as regularidades nas camadas.

Próximos Passos

Alargue os seus conhecimentos à medida que se inicia em Deep Learning.

Soluções de Deep Learning do SAS

Analítica Avançada do SAS

O Deep learning é apenas uma técnica no conjunto de ferramentas dos cientistas de dados. Fique a saber mais sobre outras técnicas de analítica avançada, incluindo previsão, análise de texto e otimização.

Saiba mais sobre as soluções de analítica do SAS