Deep learning vs. machine learning: você usa esses termos como se fossem sinônimos? Embora sutis, há diferenças. Entenda de vez
Inteligência artificial, machine learning e deep learning. É difícil não ver todos esses termos juntos no mesmo contexto. Mas será que é tudo a mesma coisa?
Não. E, entender as diferenças pode evitar confusões.
Neste post, vamos explorar a relação entre as tecnologias, assim como respectivos casos de uso, os desafios dessas inovações movidas a dados e como superá-los.
A relação entre deep learning e machine learning dentro da IA
Se os termos machine learning e deep learning são comumente confundidos, não é por acaso. O que caracteriza ambos é o fato de machine learning e deep learning serem algoritmos que têm a capacidade de analisar dados, aprenderem com eles e usarem esse aprendizado a fim de tirarem conclusões em um tempo muito menor do que humanos fariam.
Em linguagem simples: deep learning é machine learning, embora nem toda machine learning seja deep learning. Existe uma relação bem direta entre ambos, na verdade, de subordinação, em que deep learning aparece como um aprofundamento ou evolução do machine learning.
A inteligência artificial contém o machine learning, que, por sua vez, contém o deep learning. Ou seja, este é um subconjunto daquele.
Nesse sentido, o conceito de inteligência artificial é o mais amplo, aplicável a qualquer máquina treinada – inclusive as baseadas em regras e em programação humana – para mimetizar a inteligência de seres humanos, cumprindo funções como predizer, automatizar e otimizar tarefas realizadas geralmente por pessoas, como ler e falar, reconhecer faces e vozes, traduzir etc.
Conceito de machine learning e de deep learning
Se o deep learning é um subconjunto dentro do machine learning, o que ele tem de particular? O modo como cada algoritmo aprende.
De acordo com a IBM:
O machine learning clássico ou não deep depende da intervenção humana para aprender, requerendo datasets rotulados para entender as diferenças entre os dados recebidos. Por exemplo, se mostrássemos a alguém uma série de imagens de diferentes tipos de fast food, esse alguém rotularia cada imagem com um tipo de fast food, como “pizza”, “hambúrguer” ou “taco”. O modelo machine learning seria treinado e aprenderia baseado nesses dados rotulados, processo que também é conhecido como aprendizado supervisionado.
Isso significa que o machine learning precisa de orientação humana, ele aprende a fazer coisas baseado em uma instrução. Já no deep learning, o computador é deixado sozinho, sem treinamento ou intervenção humanos, para aprender por si mesmo a detectar padrões:
O deep machine learning pode aproveitar datasets rotulados para informar seu algoritmo, mas não necessariamente requer um dataset rotulado; ele pode usar aprendizado não supervisionado para se treinar.
O que permite isso é a criação das redes neurais artificiais, um modelo mais sofisticado e complexo de algoritmo do que os usados no machine learning.
Além desses dois modelos de aprendizado – supervisionado e não supervisionado – há ainda o aprendizado por reforço, em que o computador recebe dados continuamente, melhorando a sua performance ao longo do tempo.
Esses três tipos de aprendizado de máquina podem estar juntos em um mesmo modelo. Ou seja, um modelo deep learning pode ter alguma funcionalidade com machine learning e reforço e vice-versa.
Diferenças entre machine e deep learning
1. Deep learning é autônomo
Um modelo deep learning aprende sem muita orientação. Diferente do machine learning, que é automatizado só até certo ponto.
2. Deep learning requer mais dados
Para melhorar sua acurácia, os modelos em deep learning precisam de mais dados do que os modelos machine learning, que, por usarem dados estruturados, podem confiar em um volume menor de inputs.
3. Deep learning tem aplicações mais complexas
O deep learning é usado em aplicações mais complexas e sofisticadas, como assistentes virtuais, chatbots e detecção de fraudes – quando o machine learning não se aplica. Já o machine learning, uma vez que depende de dados rotulados, não se aplica para resolução de problemas complexos e que requeiram grande volume de dados.
4. O deep learning se corrige
No caso de uma previsão errada, um modelo de deep learning é capaz tanto de determinar se uma predição é acurada quanto de se corrigir sozinho, caso ela não seja.
Aplicações
Apesar de os poderes do machine learning e do deep learning terem ficado populares em eventos como a derrota de humanos em jogos como Go e xadrez, as aplicações dessas tecnologias são bem mais amplas, englobando segmentos variados como indústria, saúde, varejo e logística, mas também inúmeras atividades, que vão desde as pesquisas de mercado a vendas e relacionamento com clientes.
Leia mais: Como usar IA no relacionamento a clientes
No entanto, não há lista exaustiva. Os casos de uso do machine ou deep learning, assim como de qualquer solução em IA, não vêm antes, mas são maneiras de solucionar problemas, à medida que eles surgem. Assim, diante de uma questão aberta cabe perguntar se e como tecnologias como o machine ou deep learning podem ser úteis.
Dessa forma, não há um escopo de aplicação determinado para tais tecnologias, mas o encontro com as perguntas para as quais o machine ou deep learning podem ser a resposta.
Dito isso, sabendo que não há uma lista que consiga esgotar tais possibilidades, vejamos algumas das aplicações mais comuns das tecnologias:
Machine learning
- visão computacional;
- identificar comportamentos suspeitos e ameaças;
- reconhecimento de objetos;
- sistemas de recomendação;
- automação simples.
Leia mais: [Case] Como o Posthaus aumentou suas vendas com nosso sistema de recomendação
Deep learning
- assistentes virtuais
- chatbots
- veículos autônomos
- ler e escrever textos
- reconhecimento biométrico.
Desafios do deep learning e machine learning
Múltiplas possibilidades de aplicação e potenciais benefícios não significam ausência de desafios.
Como a qualidade dos modelos depende da qualidade dos dados e dos algoritmos, ambos criados por pessoas, tais sistemas são um reflexo do comportamento humano. Tal como as crianças, se seus exemplos forem ruins, não podemos esperar deles um bom comportamento.
Não por acaso, tal como o comportamento humano e suas idiossincrasias, modelos de machine e deep learning levantam questões éticas e de segurança envolvendo indivíduos, empresas e sociedade como um todo.
Já falamos por aqui sobre a falta de progresso em ações concretas em governança, apesar da ampla consciência sobre os potenciais problemas oriundos das falhas dessas tecnologias. Tais riscos não podem ser subestimados ou evitados, sobretudo pelas organizações que estão considerando ou já utilizando soluções em IA, sob pena de produzirem efeitos consideráveis sobre os envolvidos.
Saiba mais: Quais os principais riscos da inteligência artificial?
Deep learning vs. machine learning: movidos a dados
Desde 1950 que a humanidade imagina algo como uma inteligência artificial capaz de se materializar como machine ou deep learning. Décadas depois, mais precisamente apenas após 2010-2015 que esse conjunto de tecnologias alcançou um patamar suficientemente relevante para ser alçado ao nível dos negócios e, consequentemente, da sociedade como um todo.
Como vimos, embora deep learning seja uma forma de machine learning, há diferenças entre os modos como os dois aprendem a interpretar dados para produzir conclusões.
Acha que essas tecnologias podem ajudar a responder questões da sua organização, mas ainda não sabe como viabilizar isso? Então, veja como podemos ajudar você a formar um time para projetos em data science, falando com um de nossos consultores!
