A diferença entre Inteligência Artificial, Machine Learning e Deep Learning

Introdução

Olá, seja bem vindo!

Dessa vez não farei um tutorial. Explicarei alguns conceitos que servirão de base para futuros artigos.

Inteligência Artificial (IA) já é um termo amplamente divulgado por filmes, séries etc. Porém, nos últimos anos dois termos relacionados a essa área ganharam os holofotes de matérias jornalísticas, Machine Learning (ML) e Deep Learning (DL). Por vezes esses dois termos são usados como sinônimos para IA. Embora não signifiquem a mesma coisa, fazem parte do mesmo universo e estão diretamente relacionados.

Mas afinal, por que está se falando tanto de IA ultimamente?

 

Antes de explicar os conceitos mencionados na introdução, vale esclarecer o por que desses termos estarem tão em alta ultimamente.

Como expus neste artigo, IA não é uma coisa nova, sua base teórica remete a década de 1950. Assim como os fundamentos de Machine Learning e Deep Learning, que já estão publicados a décadas.

O game change para essas tecnologias se deu muito recentemente, em sua maior parte devido a dois eventos: Big Data, explicado neste artigo aqui no blog e a utilização das GPU’s (Graphical Processing Units).

Alguns profissionais e entusiastas já estão familiarizados com essa sigla, que se trata basicamente da placa responsável pela renderização de imagens. Esse hardware, que é muito utilizado no contexto de games, se tornou um padrão e é o estado da arte no processamento de dados, isso devido a sua capacidade de paralelizar tarefas computacionais, tornando-a assim, uma ótima ferramenta para cálculos matemáticos.

Na seção de referências você encontrará um artigo do blog Ciência e Dados, explicando muito bem o impacto dessa tecnologia no mundo da Inteligência Artificial. Por aqui, vamos nos ater aos conceitos de IA, ML e DL.

Inteligência Artificial

O termo Inteligência Artificial surgiu no ano de 1956, em uma conferência no Dartmouth College, New Hampshire, EUA. Em essência, IA pode ser definido como tudo o que permite a máquina apresentar características as quais classificamos como inteligentes nos seres humanos.

Podemos dividir a IA em dois grandes grupos. O primeiro, chamado de IA especializada, é a que existe hoje. Esse tipo de sistema inteligente é bem superior a humanos em uma atividade específica porém, somente nela. Temos como exemplo o Deep Blue, da IBM,  que em 1997 ganhou do campeão mundial de xadrez, Garry Kasparov, bem como o sistema AlphaGo, desenvolvido pela Google Deep Mind, que venceu o campeão mundial de Go em 2016. Para quem se interessa por tecnologia, recomendo bastante o filme AlphaGo, que está na Netflix. Esse documentário mostra os bastidores da disputa entre o sistema da Google e o astro sul-coreano Lee Sedol.

O segundo grupo de classificação é chamado de IA geral, que ainda não existe. A característica fundamental desse tipo de sistema é a capacidade de aprender e atuar em todas as áreas. Especialistas chamam o momento onde conseguirmos desenvolver tal sistema de singularidade, quando a máquina irá ultrapassar o homem por completo.

No seu começo, um sistema baseado em IA operava basicamente com um conjunto de regras previamente definidos por um ser humano. Tais regras buscavam descrever situações que, caso se identifique um padrão, um problema poderia ser resolvido. Podemos usar como exemplo um sistema de detecção de fraude em cartões de crédito. Uma das regras poderia ser: caso uma pessoa use seu cartão na cidade do Rio de Janeiro e 30 minutos depois esse mesmo cartão seja usado em Porto Alegre, provavelmente uma das duas compras foi fraudulenta. O problema é que esses sistemas começaram a ficar muito complexos e a exigir dezenas de milhares de linhas de código explicando em detalhes cada regra. E é exatamente ai que entra o Machine Learning.

Machine Learning

Machine Learning se trata de um conjunto de técnicas que integram o campo de IA. A estratégia do ML não é explicitar as regras para o sistema, ou seja, ensinar o computador, mas sim ensinar o computador a aprender. Esse insight foi proposto pelo pesquisador Arthur Samuel, em 1959.

A forma como se ensina o computador a aprender é fornecendo uma grande quantidade de dados a um algoritmo. Tal método é possível hoje em dia graças ao fenômeno do Big Data, onde imensas quantidades de dados são gerados e processados a todo momento.  

O ML é um conjunto de algoritmos, cada qual serve para um tipo de tarefa. Tais algoritmos são classificados em 3 grandes grupos, baseados na forma com que o aprendizado funciona internamente.

O primeiro grupo é o de Aprendizado Supervisionado, que por sua vez se divide em duas categorias: Classificação e Regressão. Dentro dessa categoria, o algoritmo precisa de dados com resposta para aprender. Podemos usar como exemplo o problema de descobrir se um paciente possui ou não uma doença. Fornecemos ao algoritmo uma base dados contendo informações de diversos pacientes e suas características. O algoritmo por sua vez, irá determinar os padrões que levam uma pessoa a apresentar a doença em questão e com isso, quando inputarmos novos dados, o sistema poderá dizer se uma pessoa possui ou não essa doença. Os principais algoritmos de Aprendizado Supervisonado são: Regressão Linear e Logistica, Árvores de Decisão, SVM, KNN entre outros.

O segundo grupo é o de Aprendizado Não Supervisionado. Neste tipo de técnica os dados de input não possuem resposta e o objetivo do algoritmo é juntar as entradas para formar agrupamentos, chamados de clusters. Esses grupos são formados baseados no relacionamento entre as variáveis da base de dados. Os principais meios para se fazer uso desse tipo de aprendizado é através dos algoritmos K-Means e Agrupamento Hierárquico.

O último grupo é o chamado Aprendizado por Reforço. Este tipo de algoritmo faz com que um agente (por exemplo, um robô) aprenda a executar uma tarefa baseado numa política de ações que maximizem a recompensa esperada, um exemplo poderia ser andar. Confira no vídeo abaixo um exemplo com esse experimento.

Neste artigo aqui do blog, você pode conferir mais detalhes sobre os algoritmos de Machine Learning e uma aplicação do KNN através da linguagem R.

Deep Learning

E finalmente chegamos ao estado da arte no campo da Inteligência Artificial.

Uma limitação do Machine Learning é o tipo de dado que pode receber, podendo ser apenas do tipo estruturado. Isso significa que esses algoritmos só conseguem processar informações que estejam dispostas como em um tradicional banco de dados, não podendo trabalhar com imagens e sons, chamados de dados não estruturados. E é justamente nesse ponto que entra o Deep Learning e toda a revolução que seus algoritmos estão provocando.

Sendo assim, o DL é uma categoria dentro do Machine Learning, que faz uso de modelos inspirados no cérebro humano, chamados de Redes Neurais Artificiais. Nesta estrutura existe um conceito chamado de camada, onde cada uma é composta pelos Neurônios Artificiais. Estes são os responsáveis por elaborar e realizar as operações matemáticas do modelo do problema a ser resolvido.

O termo deep faz referência a quantidade de camadas que compõem a rede neural. Qualquer rede que faz uso de mais de uma camada é denominada rede neural profunda, e todo o seu aprendizado é feito através de Deep Learning.

Assim como tudo associado a IA, a teoria por trás das redes neurais não é nova, tendo suas origens nas décadas de 1950 e 1960. No livro Deep Learning, os autores Ian Goodfellow, Yoshua Bengio e Aaron Courville atribuem o recente sucesso dessa tecnologia a grande disponibilidade de dados atualmente bem como o aumento de poder computacional, capaz de trabalhar com redes muito complexas.

Assim como o ML, o Deep Learning possui um conjunto de algoritmos e técnicas, muitos dos quais antigos, mas com o recente boom dessa tecnologia, novos métodos de implementação são criados e publicados com frequência.

Os modelos de DL mais simples são chamados de Deep Feedforward, no qual a informação é propagada somente em um sentido através do neurônios. Outros exemplos de algoritmos são: Back-Propagation, Convolutional Neural Networks (CNN), Generative Adversarial Network (GANs) entre outros.

Conclusão

Com isso, vimos que Deep Learning é uma sub-área do Machine Learning, que por sua vez está dentro do campo da Inteligência Artificial. Confira na imagem abaixo essa relação.

Um fato que comprova que Deep Learning é o estado arte em sua área, é a utilização de seus algoritmos em outros campos dentro da IA, como Visão Computacional e Processamento de Linguagem Natural. As redes neurais profundas do DL nos possibilitaram tecnologias como: tradução automática de textos, reconhecimento facial, transcrição de fala em texto (como o Google Assistent e a Siri), computadores vencendo jogadores profissionais, carros que dirigem sozinho entre muitas outras coisas.

Já ouvi de especialistas na área que a IA em 2017/2018 está no ponto de evolução onde o smartphone estava quando Steve Jobs o introduziu em 2007. Só estamos sentindo os primeiros impactos dessas tecnologia.

Curtiu o artigo? Fique ligado no blog para mais conteúdos na área de Inteligência Artificial e Data Science. Qualquer dúvida podem entrar em contato comigo e feedbacks são sempre bem vindos.

Abraço

Referências

Article By :