
O que é uma rede neural profunda?
Uma rede neural profunda (DNN) é um tipo de modelo de aprendizagem automática que imita a forma como o cérebro humano processa a informação. Ao contrário dos algoritmos tradicionais que seguem regras predefinidas, as DNN podem aprender padrões a partir de dados e fazer previsões com base em experiências anteriores - tal como nós.
As DNNs são a base da aprendizagem profunda, alimentando aplicações como agentes de IA, reconhecimento de imagem, assistentes de voz e chatbots de IA.
O que é a arquitectura da rede neural?
O "profundo" em DNN refere-se ao facto de ter várias camadas ocultas, permitindo que a rede reconheça padrões complexos.
Uma rede neuronal é composta por várias camadas de nós que recebem entradas de outras camadas e produzem uma saída até se chegar a um resultado final.
Uma rede neuronal é constituída por camadas de nós (neurónios). Cada nó recebe um input, processa-o e passa-o para a camada seguinte.
- Camada de entrada: A primeira camada que recebe dados em bruto (por exemplo, imagens, texto).
- Camadas ocultas: Camadas entre a entrada e a saída que transformam os dados e detectam padrões.
- Camada de saída: Produz a previsão final.
As redes neuronais podem ter qualquer número de camadas ocultas: quanto maior for o número de camadas de nós na rede, maior será a complexidade. As redes neuronais tradicionais são normalmente compostas por 2 ou 3 camadas ocultas, enquanto as redes de aprendizagem profunda podem ter até 150 camadas ocultas.
Redes Neuronais vs. Redes Neuronais Profundas

Resumindo: uma rede neural que vai para além dos dados de entrada e pode aprender com experiências anteriores torna-se uma rede neural profunda.
Uma rede neuronal segue regras programadas para tomar decisões com base em dados de entrada. Por exemplo, num jogo de xadrez, uma rede neuronal pode sugerir jogadas com base em tácticas e estratégias predefinidas, mas está limitada ao que o programador forneceu.
Mas uma rede neural profunda vai mais longe, aprendendo com a experiência. Em vez de se basear apenas em regras predefinidas, uma DNN pode ajustar as suas decisões com base em padrões que reconhece em grandes conjuntos de dados.
Exemplo
Imagine escrever um programa para reconhecer cães em fotografias. Uma rede neural tradicional necessitaria de regras explícitas para identificar caraterísticas como pelo ou cauda. Uma DNN, por outro lado, aprenderia com milhares de imagens rotuladas e melhoraria a sua precisão ao longo do tempo - lidando mesmo com casos difíceis sem programação adicional.
Como é que uma rede neural profunda funciona?
Em primeiro lugar, cada neurónio na camada de entrada recebe um dado bruto, como os pixels de uma imagem ou as palavras de uma frase, e atribui um peso a esse dado, indicando a sua relevância para a tarefa.
Um peso baixo (inferior a 0,5) significa que é menos provável que a informação seja relevante. Estas entradas ponderadas são transmitidas através de camadas ocultas, onde os neurónios ajustam ainda mais a informação. Este processo continua em várias camadas até que a camada de saída fornece uma previsão final.
Como é que uma rede neural profunda sabe se está certa?
Uma rede neural profunda sabe se está correta comparando as suas previsões com dados rotulados durante o treino. Para cada entrada, a rede verifica se a sua previsão corresponde ao resultado real. Se estiver errada, a rede calcula o erro utilizando uma função de perda, que mede a distância entre a previsão e o resultado.
A rede utiliza então a retropropagação para ajustar os pesos dos neurónios que contribuíram para o erro. Esse processo se repete a cada iteração.
Quais são os diferentes tipos de redes neurais?
Como é que uma rede neural profunda melhora ao longo do tempo?
Uma rede neural profunda melhora com o tempo, aprendendo com os seus erros. Quando faz uma previsão - como identificar um problema de um cliente ou recomendar um produto - verifica se estava correta. Se não estava, o sistema ajusta-se para melhorar na próxima vez.
Por exemplo, no apoio ao cliente, uma DNN pode prever como resolver um bilhete. Se a previsão estiver errada, ela aprende com esse erro e melhora a resolução de tickets semelhantes no futuro. Nas vendas, uma DNN pode aprender quais leads convertem melhor analisando negócios anteriores, melhorando suas recomendações ao longo do tempo.
Assim, com cada interação, a DNN torna-se mais precisa e fiável.
Lógica diferente da mente humana
Mas os modelos de aprendizagem profunda funcionam muitas vezes como uma caixa negra, o que significa que os humanos nem sempre conseguem ver como chegam às conclusões. Por exemplo, uma rede pode reconhecer um cão, mas não é claro se se concentrou no pelo, nas orelhas ou noutra coisa.
Os investigadores tentaram visualizar a forma como as redes processam as imagens, mas para tarefas mais complexas - como a linguagem ou as previsões financeiras - a lógica permanece oculta. Embora estes algoritmos pareçam novos, muitos foram desenvolvidos há décadas. Os avanços nos dados e na capacidade de computação são o que os torna práticos atualmente.
Porque é que as redes neuronais profundas são cada vez mais populares?
1. Melhorias na capacidade de processamento
Uma das principais razões para o aumento das DNNs é o facto de o poder de processamento ser mais rápido e mais barato. O poder de computação fez toda a diferença na obtenção de uma convergência rápida.
2. Aumento da disponibilidade de conjuntos de dados
Outro fator-chave é a disponibilidade de grandes conjuntos de dados, que as redes neuronais profundas necessitam para aprender eficazmente. À medida que as empresas geram mais dados, as DNNs podem descobrir padrões complexos que os modelos tradicionais não conseguem gerir.
3. Melhorias no tratamento de dados não estruturados
A sua capacidade de processar dados não estruturados, como texto, imagens e áudio, também abriu novas aplicações em áreas como chatbots, sistemas de recomendação e análise preditiva.
As redes neurais podem funcionar com dados não estruturados?
Sim, as redes neuronais podem trabalhar com dados não estruturados, e este é um dos seus maiores pontos fortes.
As redes neuronais artificiais que funcionam com dados não estruturados são designadas por aprendizagem não supervisionada. Este é o Santo Graal da aprendizagem automática e é mais análogo à forma como os humanos aprendem.
Os algoritmos tradicionais de aprendizagem automática têm dificuldade em processar dados não estruturados porque requerem engenharia de caraterísticas - a seleção e extração manual de caraterísticas relevantes. Em contrapartida, as redes neuronais podem aprender automaticamente padrões em dados brutos sem intervenção manual extensiva.
Como é que as redes neurais profundas utilizam a formação para aprender?
Uma rede neural profunda aprende fazendo previsões e comparando-as com os resultados corretos. Por exemplo, ao processar fotografias, prevê se uma imagem contém um cão e monitoriza a frequência com que obtém a resposta correta.
A rede calcula a sua precisão verificando a percentagem de previsões corretas e utiliza este feedback para melhorar. Ajusta os pesos dos neurónios e repete o processo. Se a precisão melhorar, mantém os novos pesos; se não, tenta outros ajustes.
Este ciclo repete-se ao longo de muitas iterações até que a rede consiga reconhecer padrões de forma consistente e fazer previsões exactas. Quando chega a esse ponto, diz-se que a rede convergiu e foi treinada com sucesso.
Poupe tempo de codificação com melhores resultados
A rede neural é assim denominada porque existe uma semelhança entre esta abordagem de programação e a forma como o cérebro funciona.
Tal como o cérebro, os algoritmos de redes neurais utilizam uma rede de neurónios ou nós. E tal como o cérebro, estes neurónios são funções discretas (ou pequenas máquinas se quiserem) que absorvem entradas e geram saídas. Estes nós estão dispostos em camadas em que as saídas dos neurónios de uma camada se tornam as entradas para os neurónios da camada seguinte até os neurónios da camada exterior da rede gerarem o resultado final.
Existem portanto camadas de neurónios com cada neurónio individual a receber entradas muito limitadas e a gerar saídas muito limitadas, tal como no cérebro. A primeira camada (ou camada de entrada) de neurónios absorve as entradas e a última camada de neurónios (ou camada de saída) na saída da rede é o resultado.
É correcto chamar a este tipo de algoritmo uma "rede neural"?
O cérebro humano é muito mais complexo e poderoso do que uma rede neuronal, claro. A designação do algoritmo como "rede neuronal profunda" foi um golpe de marca, mas pode criar expectativas irrealistas sobre o que é possível fazer com estas técnicas. Dito isto, há pessoas que estão a tentar reestruturar o cérebro, utilizando uma rede neural muito complexa, na esperança de que, ao fazê-lo, consigam replicar uma inteligência geral semelhante à humana no desenvolvimento de bots. Então, como é que uma rede neuronal e técnicas de aprendizagem automática nos ajudam com o nosso problema de reconhecimento de cães?
Bem, em vez de definir manualmente atributos tipo cão, um algoritmo de rede neural profunda pode identificar os atributos importantes e lidar com todos os casos especiais sem programação.