O crescimento da utilização de sistemas de Inteligência Artificial faz com que cada vez mais pessoas se interessem por conhecer como funcionam “por dentro” tais ferramentas. E vários termos técnicos passaram a ser utilizados fora do âmbito dos laboratórios de pesquisa em que antes ficavam restritos.
Entre esses, o “deep learning” tem lugar de destaque, causando grande impacto nas mídias, palestras e insights nas redes sociais. Dez em cada dez especialistas mencionam este campo de pesquisa como um dos impulsionadores da evolução da IA. Trata-se de um assunto do momento apesar do grande desconhecimento do público sobre as bases teóricas e estruturais dos sistemas inteligentes.
A “deep learning” é uma disciplina relacionada a um tema mais geral, o “machine learning”, que trata da capacidade de aprendizado por computadores e seu uso concreto em aplicações de IA.
Essa evolução tecnológica, na verdade um salto de qualidade sobre paradigmas anteriores, tem como objetivo identificar relacionamentos e padrões que os seres humanos muitas vezes não tem capacidade de perceber e continuamente acrescentar mais regras e informações a tais modelos de conhecimento.
Para isso são usados algoritmos e equipamentos com alta capacidade computacional, além de gigantescos volumes de dados. A evolução das redes neurais artificiais, que emulam o funcionamento do cérebro humano, possibilitou o desenvolvimento desses modelos de identificação de padrões e encadeamento de funções de tratamento das informações recebidas.
As redes neurais, que são funções utilizadas para prever os resultados valorados em um modelo de IA, têm parâmetros, pesos e medidas ajustados a partir da sua exposição a um grande volume de dados. Para isso recebem informações de entrada e geram um resultado de saída, levando em conta os parâmetros acumulados definidos.
Com a criação e o desenvolvimento da técnica da retropropagação, os pesos e fatores utilizados pelas redes neurais se tornaram mais sofisticados e tem sido fundamental para o empoderamento do “deep learning”.
Ao longo do tempo, foram sendo desenvolvidos vários tipos de algoritmo para as redes neurais, como as “feed foward”, que trafegam dados da entrada para saída, sem retroalimentação, as “recorrentes”, que processam a entrada e também as entradas anteriormente recebidas, a “convolucional”, que analisa os dados por etapas e ao final, as “adversárias generativas”, em que duas redes competem entre si em ciclos retroalimentados.
Como descrito, são técnicas e algoritmos construídos a partir da atuação de cientistas em laboratórios de pesquisas renomados, ao longo de décadas de esforço e desenvolvimento contínuo. Este conjunto de fatores permite agora resultados inesperados e surpreendentes.
Ainda assim, o “deep learning” ainda se encontra em estágio inicial de desenvolvimento. Existem grandes desafios e limitações, em sua comparação com o fantástico poder de compreensão, aprendizado e abstração do cérebro humano.
O pensamento conceitual, a hierarquização do conhecimento, censo comum e outros fatores importantes diferenciam a “inteligência” dos computadores e seus algoritmos da psique humana e indicam o quanto ainda são modestas as suas possibilidade em comparação as características que a ficção científica aponta para seus personagens robôs humanoides.