Blog

Avanços em Deep Learning que os líderes empresariais devem conhecer
Big Data, Inteligência Artificial

Avanços em Deep Learning que os líderes empresariais devem conhecer

A inteligência artificial é uma tecnologia que mudará muitas coisas em 2018. E com o ritmo acelerado das tecnologias, é preciso estar sempre por dentro das novidades da IA para melhorar a sua performance. Mas como fazer isso?

Um dos primeiros passos é buscar saber mais sobre a Aprendizagem Profunda. Como um dos ramos mais poderosos da IA, o aprendizado profundo levou a avanços importantes que expandem as possibilidades de aplicar a tecnologia aos problemas de negócios.

O aprendizado profundo é um tipo de aprendizado de máquina. Ele é um subcampo da IA que lida com a forma como os computadores aprendem ao invés de se concentrar em como os programamos diretamente. Na aprendizagem profunda, os pesquisadores colocam os conceitos em uma hierarquia. Em cada camada, uma máquina aprende um conceito e passa para a próxima camada que, por sua vez, a usa para construir um conceito mais sofisticado. Quanto mais camadas estes modelos têm, mais conceitos eles podem aprender, colocando-os na vanguarda da IA.

A seguir vamos apresentar os quatro principais avanços de aprendizagem profunda que os líderes empresariais devem estar cientes quando se fala no assunto.

Compreensão de imagens

Podemos treinar algoritmos de aprendizado profundo para identificar objetos em uma imagem. Em 2015 esses algoritmos (chamados de redes neurais convolucionais) passaram a poder atingir melhores resultados de classificação de imagem do que os seres humanos.

E como as empresas tem usado esses algoritmos? Uma aplicação bastante conhecida é a Busca de Imagens do Google. Podendo identificar os conteúdos das imagens, o Google oferece respostas apropriadas para as pesquisas dos usuários.

Outro exemplo é a condução automática de carros, que identifica e responde ao que eles “vêem”. Os modelos de aprendizagem profunda tem usado a análise detalhada de imagens na área de saúde para melhorar significativamente os diagnósticos de doenças, incluindo a retinopatia diabética e alguns tipos de câncer.

Empresas e pesquisadores têm aplicado a compreensão da imagem de formas diferentes para superar vários desafios. Pensar sobre o tipo de dados de imagem que sua empresa possui ou a forma como a compreensão da imagem pode ajudar suas operações pode ser útil na hora de encontrar o próximo produto ou serviço com base neste tipo de aprendizagem profunda.

Previsão de sequência

Outro avanço da aprendizagem profunda é a capacidade de entender dados sequenciais, como texto (uma sequência de caracteres) ou um conjunto de observações ao longo do tempo. As arquiteturas de rede neural construídas para esses propósitos são chamadas de redes neurais recorrentes.

Para isso um pesquisador deve treinar as redes neurais para examinar enormes quantidades de sequências passadas, aprender seus padrões e gerar sequências futuras que seguem esses padrões.

Um experimento inicial mostrou que, ao representar a caligrafia como uma série de pontos com coordenadas X e Y, a rede neural poderia aprender a produzir novas caligrafias que pareciam reais.

O Uber encontrou maneiras de prever a demanda dos usuários, modelando o número de passeios que seus clientes usam ao longo do tempo como uma sequência. A previsão de sequência provou-se útil com uma série de aplicações diferentes nos negócios. Vale a pena tentar descobrir como você pode aplicá-la ao seu.

Tradução

A tradução automática tem sido um sonho de pesquisadores de IA. O aprendizado profundo trouxe esse sonho muito mais perto da realidade com a arquitetura de sequência a sequência, que usa redes neurais recorrentes por baixo dos panos.

O objetivo da sequência para a sequência é otimizar a tradução de idiomas. Os pesquisadores descobriram a tecnologia em 2014 e continuaram a melhorá-la a cada ano. A tecnologia é usada atualmente pelo Google Tradutor e o Siri da Apple.

Startups também estão trabalhando no uso de sequência para sequência nos seus chatbots. Esta área tem uma promessa significativa, mas até agora parece funcionar melhor quando treinamos em domínios estreitamente definidos, como o serviço ao cliente para um aplicativo.

Modelos Generativos

O último grande avanço alcançado com o aprendizado profundo foi a criação de modelos que geram dados complexos, como imagens que se parecem com rostos, mas não são rostos reais. Isso é possível devido a arquiteturas chamadas redes contraditórias generativas, que usam redes neurais convolucionais.

Os modelos generativos são talvez os mais intrigantes de todos os quatro avanços de aprendizagem profunda citados neste artigo, embora, a partir de agora, suas aplicações em negócios sejam limitadas.

Um uso precoce desse tipo de aprendizado profundo tem sido ajudar modelos de classificação de imagem. Esses modelos podem aprender a entender objetos em imagens de forma muito mais eficiente se os pesquisadores os treinarem para distinguir imagens reais de falsas.

À medida em que os cientistas de dados vão refinando os usos desse avanço, novas maneiras de aplicá-lo aos negócios vão surgindo.

Agora que conhece melhor as capacidades dos modelos de aprendizado profundo, você está um pouco mais perto de se juntar a empresas como a Uber e o Google que já estão utilizando a nova tecnologia para desenvolver os seus produtos. Lembre-se de que a próxima geração de aplicativos de negócios de aprendizado profundo ainda está por vir. Agora é a hora de descobrir novas maneiras de aplicar essas té