O que é aprendizado de máquina (Machine Learning)?

O que é aprendizado de máquina (Machine Learning)?

Aprendizado de máquina é um subcampo da inteligência artificial que lida com algoritmos de computação que podem ser melhorados via dados de treinamento sem programação explícita. É considerado o caminho mais promissor para alcançar a inteligência artificial verdadeiramente próxima à humana. 

Algoritmos de aprendizado de máquina podem ser classificados, de maneira geral, em três categorias:

• Aprendizagem supervisionada: São feitas entradas de rótulos e exemplos atuais a respectiva saída desejada e isso permite ao algoritmo aprender as regras que mapeiam entradas e saídas.  
• Aprendizagem não supervisionada: Os rótulos não são fornecidos e, portanto, o algoritmo pode encontrar sua própria estrutura de processamento das entradas (por exemplo, encontrando padrões ocultos nos dados).
• Aprendizagem por reforço: O algoritmo interage repetidamente com um ambiente dinâmico com um objetivo específico como, por exemplo, ganhar um jogo ou dirigir um carro. O algoritmo chega à solução mais otimizada para o problema por meio de repetidos erros e tentativas.

Neste artigo, apresentaremos uma breve visão geral de aprendizado de máquina e aprendizagem profunda, além das diferenças entre os dois conceitos.

O que é aprendizagem profunda?

Aprendizagem profunda é um ramo do aprendizado de máquina que usa redes neurais artificiais para se aproximar da inteligência humana. Inspirada pelos neurônios humanos, a aprendizagem profunda usa a teoria dos grafos para organizar algoritmos ponderados em camadas de vértices e arestas. Os algoritmos da aprendizagem profunda são ótimos em processar dados não estruturados, como imagens ou linguagem. 

Tecnicamente, para ser classificada como profunda, a rede neural precisa conter camadas ocultas entre as camadas de entrada e saída da perceptron, que é a estrutura base de uma rede neural. Essas camadas são consideradas ocultas porque não têm conexão com o mundo exterior. Exemplos de arquiteturas de aprendizagem profunda incluem:

• Redes neurais sem realimentação ou redes neurais feedforward (FF): os dados trafegam em uma direção desde a camada de entrada, passando pelas camadas ocultas, até a camada de saída; todos os vértices estão conectados e os dados nunca retomam o ciclo nas camadas ocultas. A rede feedforward é usada na compactação de dados e no processamento básico de imagens. 
• Redes neurais recorrentes (RNN, Recurrent Neural Networks): um tipo de rede feedforward que adiciona um tempo de espera às camadas ocultas, o que permite o acesso à informações anteriores durante uma iteração corrente. Esse loop de feedback se aproxima da memória, o que torna as RNNs adequadas para processamento de linguagem.  Um bom exemplo disso é o texto preditivo que se baseia em palavras usadas com mais frequência para personalizar as sugestões. 
• Redes neurais convolucionais (CCN, Convolutional neural networks): convolução é uma operação matemática em duas funções que produz uma terceira, descrevendo como uma é modificada pela outra. Usada principalmente para reconhecimento e classificação de imagens, as CNNs são os “olhos” da inteligência artificial. As camadas ocultas em uma CNN agem como filtros matemáticos usando a soma ponderada para identificar arestas, cores, contraste e outros elementos de um pixel.

Aprendizado de máquina vs. aprendizagem profunda

A aprendizagem profunda é considerada um subgrupo do aprendizado de máquina. A principal diferença entre algoritmos da aprendizagem profunda e do aprendizado de máquina é o uso de redes neurais artificiais. E a principal característica que faz uma rede neural ser considerada profunda é a presença de camadas ocultas entre as camadas de entrada e saída que constituem uma perceptron básica.

Benefícios da aprendizagem profunda

Os algoritmos da aprendizagem profunda são adequados para processar dados não estruturados, desde que haja capacidade de processamento para isso. Isso dá à aprendizagem profunda uma vantagem sobre algoritmos de aprendizado de máquina quando se trata de aprendizagem não supervisionada e por reforço. Os recentes avanços em inteligência artificial são decorrentes do aumento da viabilidade das redes neurais de aprendizagem profunda, graças às melhorias na capacidade de processamento e armazenamento de dados.

Como a Pure Storage potencializa os aplicativos de aprendizado de máquina

A Pure Storage® está em posição única tanto para aproveitar quanto para dar suporte ao mundo da inteligência artificial. As redes neurais de aprendizagem profunda demandam grande volume de dados rápidos. As soluções de armazenamento totalmente flash da Pure combinam o desempenho da memória flash 100% NVMe com análise preditiva com inteligência artificial para oferecer uma Modern Data Experience™. Com a Pure, é possível:

• Consolidar silos de armazenamento de dados em um data hub unificado.
• Acelerar o tempo dos insights com análise de log/em tempo real.
• Experimentar o futuro do gerenciamento de armazenamento de dados com inteligência artificial usando o Pure1 Meta®.
• Potencializar suas soluções de inteligência artificial com a AIRI®, uma solução de infraestrutura pronta para inteligência artificial, de pilha completa, da Pure Storage e NVIDIA.
• Obter suporte de pilha completa para o ciclo de vida de inteligência artificial e aprendizado de máquina com a FlashStack®, uma solução de infraestrutura convergente desenvolvida em parceria com a Cisco.