Qual é a diferença entre AI, machine learning e deep learning

AI, machine learning e deep learning: Quais as diferenças? Inteligência Artificial (IA), machine learning e deep learning são termos em alta no universo da tecnologia da informação. Embora eles não signifiquem a mesma coisa, são termos íntima e diretamente relacionados, por se referirem a tecnologias capazes de interpretar dados, cuja análise se presta a resolver os mais variados problemas da sociedade.

A distância entre os termos não é grande, mas os conceitos são bem diferentes. Embora eles sejam constantemente confundidos no mercado tecnológico, cada um possui suas respectivas técnicas e nível de sofisticação.

Inteligência Artificial (AI)

A Inteligência Artificial é a definição mais ampla das máquinas capazes de realizar tarefas inteligentes, no sentido humano da palavra. A AI abrange vários métodos, técnicas e práticas com algoritmos que tornam um software inteligente, como computação cognitiva, robótica, processamento de linguagem natural, machine learning e deep learning.

O termo AI foi cunhado em 1956 nas conferências de Dartmouth College, em New Hampshire, Estados Unidos. Os autores da proposta — McCarthy (Dartmouth), Marvin Minsky (Harvard), Nathaniel Rochester (IBM) e Claude Shannon (Bell Laboratories) — realizaram um estudo durante 2 meses e foram os primeiros a usar oficialmente a expressão Inteligência Artificial.

Nelas, concluíram que, assim como existem medidas de inteligência para seres humanos, também é possível ter parâmetros de inteligência para máquinas. A partir desse evento, o estudo das faculdades mentais, por meio do uso de modelos computacionais, ganhou força.

Os dispositivos projetados para agir de forma inteligente podem ser classificados em 2 grupos: AI aplicada e geral. A Inteligência Artificial aplicada é a mais comum e diz respeito aos sistemas projetados para negociar ações — um exemplo é a realização de manobras em um veículo autônomo. Já a AI generalizada envolve sistemas e dispositivos que podem lidar com qualquer tarefa em teoria.

Nos últimos anos, a AI deslanchou. Essa tecnologia permite que as máquinas desempenhem funções sem a intervenção das pessoas. Elas podem armazenar muito mais informações que nós — imagens, texto, transações, dados de mapeamento, entre outros —, que serão processadas de forma rápida, poderosa e barata.

Vale destacar ainda que, ao longo do tempo, a AI progrediu. A inteligência artificial é o que existe de mais avançado hoje na busca por fazer com que as máquinas executem tarefas de forma similar aos seres humanos – tais como interpretar um exame de raio-x de acordo com um número de dados – e memorizem as experiências que constituíram a realização de determinada tarefa.

Os desafios em relação a essa tecnologia têm sido superados diariamente, e os estudos em inteligência artificial já estão transformando a realidade da sociedade: um exemplo de aplicação são os carros autônomos, que já circulam pelas ruas de São Francisco, na Califórnia, compreendendo sinais de trânsito e identificando obstáculos sem o auxílio de um motorista.

A inteligência artificial pode ainda ser encontrada em produtos da indústria do entretenimento, aplicativos de segurança para sistemas informacionais, dispositivos que reconhecem a voz humana ou a escrita à mão, programas de diagnósticos médicos, entre outros.

Machine learning

Machine learning é uma prática que integra a Inteligência Artificial. A primeira realização no sentido da aprendizagem das máquinas foi em 1959, quando Arthur Samuel, cientista da computação na Universidade de Stanford, na Califórnia, percebeu que, em vez de ensinar computadores, talvez fosse possível ensiná-los a aprender por si mesmos. Essa ideia foi confirmada mais recentemente com o significativo aumento na quantidade de informações digitais sendo geradas, armazenadas e disponibilizadas para análise.

Dessa forma, machine learning consiste no aprendizado das máquinas, e existe um vasto número de algoritmos e metodologias. É a prática que permite aos softwares fazer previsões mais apuradas: as máquinas usam os algoritmos para analisar dados e aprender com eles, podendo então fazer previsões ou determinações acerca de alguma situação ou cenário dos mais variados assuntos e setores do mercado.

Ao contrário da codificação manual de rotinas de software com conjuntos específicos de instruções para executar tarefas específicas, a aprendizagem das máquinas envolve o treinamento usando uma alta quantidade de dados e algoritmos que permitem o aprendizado para a realização de determinadas tarefas.

Uma das mais importantes áreas da Inteligência Artificial, o machine learning se concentra na resolução de problemas do mundo real, a partir de redes neurais inspiradas no cérebro humano. Essa aprendizagem profunda vai viabilizar a aplicação de ferramentas e técnicas que serão capazes de resolver qualquer tipo de problema que exige o pensamento humano ou mesmo artificial.

O reconhecimento de padrões pelas máquinas, ou seja, o processo de aprendizagem e organização dos dados, pode ser feito de duas maneiras: supervisionado ou não. O reconhecimento supervisionado usa o conjunto de treinamento para classificar os dados de acordo com as categorias pré-existentes e organizá-los nelas. O não supervisionado, por sua vez, aproveita o conjunto de treinamento para criar novas categorias, e não apenas organizá-las nas já existentes.

Deep learning

O deep learning é uma técnica muito específica de machine learning, e consequentemente de inteligência artificial. É uma maneira de implementar a técnica específica, que usa as chamadas redes neurais, correspondentes a uma classe de algoritmos de machine learning.

As redes neurais foram criadas na década de 1950 como uma adaptação aos computadores, inspiradas na compreensão da biologia do cérebro humano — interconexões entre os neurônios. Essas redes artificiais consistem em um tipo de aprendizado de máquinas que se parecem com a forma como os neurônios trabalham no cérebro humano, interligando informações. Os neurônios artificiais se organizam em camadas, e a informação segue um fluxo unidirecional em que cada neurônio de uma camada se comunica com todos os da próxima, até chegar ao final da rede.

Ao contrário de um cérebro biológico, em que qualquer neurônio pode se conectar a qualquer outro neurônio dentro de uma certa distância física, estas redes neurais artificiais têm camadas discretas, conexões e direções de propagação de dados. Assim, o deep learning envolve a ideia de alimentar um sistema de computador, com um enorme número de dados, que podem ser usados na tomada de decisões.

As redes neurais profundas e complexas são capazes de lidar com a classificação de conjuntos de dados gigantes, como a biblioteca de imagens do Google ou a firehose de tweets do Twitter. Sendo assim, o deep learning é usado pelo Google nos algoritmos que auxiliam no reconhecimento de voz e imagem, bem como por sistemas de reconhecimento de obstáculos e sinalização em carros autônomos.

Especializar-se e investir no conhecimento dessas novas tendências é ideal não apenas para os profissionais que desejam atuar fora do Brasil, mas principalmente dos que podem contribuir para a evolução da AI no país.

Fonte: Imasters