O deep Learning, ou aprendizagem profunda, é um subconjunto do machine learning. Essas duas e outras tecnologias estão por trás de outra bem conhecida: a inteligência artificial. A IA trabalha como o cérebro humano para criar padrões e tomar decisões, compreendendo um número cada vez mais maior de aplicações que fazem parte do cotidiano das pessoas
A inteligência artificial tem vários níveis de maturidade. Quando ela trabalha semelhante a um cérebro humano para processar dados, criar padrões e tomar decisões, a responsabilidade é do deep learning. Isso porque, a partir de uma entrada de dados, ele vai utilizar múltiplas camadas de processamento.
Como mostra esta publicação da Data-Driven Science, plataforma educativa focada em IA, o “Learning” refere-se à quantidade de camadas nas quais os dados serão processados. Isso permite a tecnologia aprender padrões a partir de:
- Dados não-estruturados: quando não é possível identificar como os dados estão organizados. Exemplo: conversas em redes sociais, SMS e documentos de texto.
- Dados não-rotulados: quando a máquina não sabe a entrada desses dados.
Ao descobrir esses padrões, o algoritmo de aprendizagem profunda vai executar tarefas repetidamente, o que melhora o seu resultado.
O potencial da tecnologia se multiplica ao ter acesso à quantidade de dados existentes em redes sociais, mecanismos de buscas e e-commerce. Um exemplo são os carros autônomos e até mesmo os assistentes de voz. São tecnologias disponíveis já no mercado devido ao avanço da Inteligência Artificial.
Aplicações de Deep Learning no cotidiano
Se a história da inteligência artificial vem lá da década de 1950, o mesmo não pode ser dito do deep learning. Os projetos com esta tecnologia são datados de 2010 para cá. Desde então, ela ganha cada vez mais espaço em diversos projetos. Confira, a seguir, 7 aplicações com aprendizagem profunda no dia a dia.
1. Reconhecimento de fala
Siri, Cortana, Alexa e até mesmo Q, assistente de voz sem gênero, todos eles são baseados em deep learning. A tecnologia vai permitir que esses agentes executem tarefas ou serviços para um usuário a partir de comandos verbais.
Ou seja, os assistentes vão interpretar a fala humana. E quanto mais uma pessoa interage com esses dispositivos, mais dados de treinamento eles recebem. Assim, é possível determinar o comportamento e preferências dos usuários, facilitando a interação deles com uma máquina.
A tecnologia já melhora o atendimento de bancos e seguradoras, contact centers, redes de fast food e hotéis.
2. Reconhecimento facial
Reconhecimento facial é, no deep learning, o processo de identificar ou verificar uma pessoa a partir de uma imagem ou vídeo. Essa tecnologia vai comparar as características faciais com outras em um banco de dados.
Por exemplo, muitos smartphones possuem o recurso de desbloqueio a partir da leitura facial. Ou o Facebook que, a partir de uma base grande de dados, consegue identificar você em uma foto no perfil de uma pessoa desconhecida e recomendar a marcação na postagem.
O reconhecimento fácil é relacionado a ações de segurança — como na identificação de criminosos, validação na entrada de prédios e residências ou desbloqueio de dispositivos eletrônicos, mas também pode ser usado para apoiar ações na área da saúde (para acompanhar o uso de um medicamento ou detectar doenças genéticas) e de marketing e varejo (para analisar o comportamento de clientes em uma jornada de consumo).
3. Recomendações personalizadas
Ao abrir a Netflix, por exemplo, há recomendações de uma nova série ou filme. São os algoritmos de aprendizagem profunda que vão te mostrar qual o próximo conteúdo que pode ser de seu interesse. Esse recurso de recomendação é baseado em dois tipos de filtragem:
- Filtragem colaborativa: o algoritmo recomenda a partir de classificações de conteúdos que os usuários, com o mesmo perfil que você, assistiram e gostaram.
- Filtragem de conteúdo: aqui, é quando o algoritmo vai identificar filmes e séries com as mesmas características de conteúdos que você consumiu na plataforma.
O mesmo acontece com Spotify, outros serviços de streaming e até mesmo lojas de e-commerce, que podem cruzar esses dados para despertar seu interesse em comprar algum produto comprado por outro consumidor.
4. Diagnósticos no setor de saúde
A tecnologia está sendo amplamente utilizada em empresas farmacêuticas e médicas para aplicações que vão do diagnóstico à segmentação de imagens.
Soluções de deep learning vão ajudar médicos a diagnosticar com maior precisão, fazer previsões sobre a saúde e qual o melhor tratamento para o paciente. Assim como, em máquinas, vão ajudar na análise de imagem, como resultados de ressonância magnética ou do exame raio X.
5. Identificação de fake news e recomendação de notícias
Fake news são notícias manipuladas que se espalham pelas mídias sociais com a intenção de prejudicar pessoas e organizações. Com a aprendizagem profunda, é possível criar classificadores que vão ajudar a detectar notícias falsas, removê-las e até notificar o usuário sobre elas.
Por outro lado, um mais positivo, a tecnologia também consegue recomendar notícias para os usuários a partir da definição de personas. Uma facilidade para quem precisa se informar e nem sempre conta com tempo de sobra para fazer uma curadoria daquilo que será importante para uma tomada de decisão.
6. Carros autônomos
Uma das aplicações da deep learning está em carros autônomos que conseguem tomar decisões em frações de segundo baseadas em imagens recebidas das câmeras externas do veículo. Entre as melhorias que essa aplicação proporciona, estão a redução de acidentes, da poluição sonora, dos engarrafamentos e dos gases poluentes.
7. Previsões financeiras
No setor financeiro, a deep learning pode ajudar nas previsões de valores de ativos. Dessa forma, a tecnologia permite que a empresa reduza o risco em operações. Além disso, a aplicação se dá na detecção de fraudes, uma vez que pode ser usada para monitorar transações em tempo real.
Essas estratégias, no entanto, não excluem os riscos que uma transação financeira envolve. Elas devem ser utilizadas para minimizar a possibilidade de perdas e aumentar a segurança dos serviços ofertados.
