O que é aprendizado profundo?
O aprendizado profundo é uma função de inteligência artificial (AI) que imita o funcionamento do cérebro humano no processamento de dados e na criação de padrões para uso na tomada de decisões. Aprendizado profundo é um subconjunto do aprendizado de máquina em inteligência artificial que possui redes capazes de aprender sem supervisão a partir de dados não estruturados ou não rotulados. Também conhecido como aprendizado neural profundo ou rede neural profunda.
Principais vantagens
- Aprendizagem profunda é uma função de IA que imita o funcionamento do cérebro humano no processamento de dados para uso na detecção de objetos, reconhecimento de fala, tradução de idiomas e tomada de decisões.
- A IA de aprendizagem profunda é capaz de aprender sem supervisão humana, utilizando dados não estruturados e não rotulados.
- O aprendizado profundo, uma forma de aprendizado de máquina, pode ser usado para ajudar a detectar fraude ou lavagem de dinheiro, entre outras funções.
Como funciona o Deep Learning
O aprendizado profundo tem evoluído lado a lado com a era digital, que trouxe uma explosão de dados em todas as formas e de todas as regiões do mundo. Esses dados, conhecidos simplesmente como big data, são extraídos de fontes como mídias sociais, mecanismos de busca na Internet, plataformas de comércio eletrônico e cinemas online, entre outras. Essa enorme quantidade de dados é facilmente acessível e pode ser compartilhada por meio de aplicativos fintech, como a computação em nuvem.
No entanto, os dados, que normalmente não são estruturados, são tão vastos que podem levar décadas para que os humanos os compreendam e extraiam informações relevantes. As empresas percebem o incrível potencial que pode resultar da revelação dessa riqueza de informações e estão se adaptando cada vez mais aos sistemas de IA para suporte automatizado.
O aprendizado profundo desvenda grandes quantidades de dados não estruturados que normalmente levariam décadas para os humanos entender e processar.
Deep Learning vs. Machine Learning
Uma das técnicas de IA mais comuns usadas para processar big data é o aprendizado de máquina, um algoritmo autoadaptativo que obtém análises e padrões cada vez melhores com a experiência ou com dados recém-adicionados.
Se uma empresa de pagamentos digitais deseja detectar a ocorrência ou potencial de fraude em seu sistema, ela pode utilizar ferramentas de aprendizado de máquina para esse fim. O algoritmo computacional embutido em um modelo de computador irá processar todas as transações que acontecem na plataforma digital, encontrar padrões no conjunto de dados e apontar qualquer anomalia detectada pelo padrão.
O aprendizado profundo, um subconjunto do aprendizado de máquina, utiliza um nível hierárquico de redes neurais artificiais para realizar o processo de aprendizado de máquina. As redes neurais artificiais são construídas como o cérebro humano, com nós de neurônios conectados entre si como uma teia. Enquanto os programas tradicionais criam análises com dados de maneira linear, a função hierárquica dos sistemas de aprendizado profundo permite que as máquinas processem dados com uma abordagem não linear.
A fabricante de eletrônicos Panasonic tem trabalhado com universidades e centros de pesquisa para desenvolver tecnologias de aprendizado profundo relacionadas à visão computacional.
Considerações Especiais
Uma abordagem tradicional para detectar fraude ou lavagem de dinheiro pode depender da quantidade de transação que se segue, enquanto uma técnica não linear de aprendizado profundo incluiria tempo, localização geográfica, endereço IP, tipo de varejista e qualquer outro recurso que possa apontar para fraude atividade. A primeira camada da rede neural processa uma entrada de dados brutos, como o valor da transação, e a passa para a próxima camada como saída. A segunda camada processa as informações da camada anterior, incluindo informações adicionais, como o endereço IP do usuário e passa seu resultado.
A próxima camada pega as informações da segunda camada e inclui dados brutos, como localização geográfica, e torna o padrão da máquina ainda melhor. Isso continua em todos os níveis da rede de neurônios.
Um exemplo de aprendizado profundo
Usando o sistema de detecção de fraude mencionado acima com aprendizado de máquina, pode-se criar um exemplo de aprendizado profundo. Se o sistema de aprendizado de máquina criou um modelo com parâmetros construídos em torno do número de dólares que um usuário envia ou recebe, o método de aprendizado profundo pode começar a construir sobre os resultados oferecidos pelo aprendizado de máquina.
Cada camada de sua rede neural se baseia em sua camada anterior com dados adicionais, como varejista, remetente, usuário, evento de mídia social, pontuação de crédito, endereço IP e uma série de outros recursos que podem levar anos para serem conectados se processados por um humano ser. Algoritmos de aprendizado profundo são treinados não apenas para criar padrões de todas as transações, mas também para saber quando um padrão está sinalizando a necessidade de uma investigação fraudulenta. A camada final retransmite um sinal para um analista que pode congelar a conta do usuário até que todas as investigações pendentes sejam finalizadas.
O aprendizado profundo é usado em todos os setores para uma série de tarefas diferentes. Aplicativos comerciais que usam reconhecimento de imagem, plataformas de código aberto com aplicativos de recomendação do consumidor e ferramentas de pesquisa médica que exploram a possibilidade de reutilização de medicamentos para novas doenças são alguns dos exemplos de incorporação de aprendizagem profunda.