Para compreender o que é deep learning (em tradução literal aprendizado profundo), é necessário que se retroceda um pouco no tempo para identificar suas origens, na inteligência artificial (IA). A IA é uma ciência que visa fabricar máquinas inteligentes, principalmente softwares que aprendam e resolvam problemas. Essa ciência é subdivida em alguns campos de estudo e o mais proeminente deles é o aprendizado de máquina (ML ou machine learning).
De forma geral, as aplicações de ML focam em utilizar dados e algoritmos de forma a imitar o aprendizado humano. Para tanto, utiliza métodos estatísticos e algoritmos que são treinados para realizar classificações e/ou previsões, extraindo conhecimento de um conjunto de dados. Esse conhecimento é posteriormente utilizado para que a aplicação de ML possa realizar decisões.
Por exemplo, usando alguns algoritmos de ML conseguimos criar um modelo capaz de separar imagens de vários animais em suas respectivas classes, como separar imagens de cachorros de imagens de gatos, ou seja, com base nas características apresentadas ao modelo ele consegue classificar esses animais conforme sua espécie. Essas aplicações são bastante utilizadas nos ramos de negócios e aplicações financeiras, mas também existem aplicações associadas à saúde, como na área de diagnósticos, entre várias outras áreas de estudo que podem implementar essa estratégia.
O que é Deep Learning?
O deep learning (DL), ou aprendizado profundo, é uma subárea do ML, que usa redes neurais profundas. Essas redes visam aprender por meio de várias representações de dados permitindo assim a solução de tarefas complexas, como reconhecer vozes, padrões de imagens e realizar previsões. O DL já é amplamente utilizado no nosso dia a dia, em diferentes tecnologias, desde as mais convencionais até as mais complexas.
As redes neurais profundas derivam das redes neurais artificiais, que são modelos matemáticos inspirados na estrutura do sistema nervoso central (o nome tem a ver com os nossos neurônios) de organismos inteligentes. Assim como o cérebro de mamíferos possuem bilhões de neurônios, uma rede neural artificial possui centenas ou milhares de unidades de processamento. Quanto maior o número de unidades de processamento, mais “profunda” se torna a rede neural.
Sendo assim, a abordagem de DL também tenta imitar o cérebro humano a partir do uso das redes neurais profundas. Da mesma forma que o ML usa rede neural simples, o DL usa a rede neural profunda. A principal diferença entre elas é que a rede neural profunda apresenta mais camadas de processamento (ou “neurônios”) do que uma rede neural simples.
Como funcionam as redes neurais?
A rede neural começa com uma camada de entrada que é onde estão os nossos dados a serem processados. Essas informações vão passando para as unidades de processamento das camadas escondidas. Cada uma dessas camadas dá um peso para os dados, que primeiramente passam por cálculos matemáticos lineares e cálculos sigmóides, entre outros. Afinal, a ciência não é algo linear.
É importante estar ciente de que cada dado a ser processado é enviado para todas as unidades de processamento da primeira camada e a seguir para todas as outras unidades da camada seguinte e assim por diante. Cada camada dá diferentes pesos para os dados e os processa em cálculos matemáticos até chegar na camada de saída. Nem sempre os dados de saída são os mesmos dados da entrada pois, no meio do caminho, aqueles dados de entrada que não foram necessários acabam não retornando como dados de saída.
Além deste formato de processamento de dados, dentro das redes neurais existe um processo que é a backpropagation. Esse é um modelo de treinamento de grande importância para treinar as redes de DL que visa otimizar o aprendizado correto da rede neural. O backpropagation é matematicamente complexo, mas de forma breve e superficial, ele consiste em duas etapas: o primeiro é o passo para frente (forward pass), que é a forma normal de fluxo de informação em uma rede neural: as entradas “caminham” da direita para a esquerda através da rede para obter a previsão de saída; o segundo é o passo para trás (backward pass), que é a forma reversa do fluxo de informação, ou seja, a informação de saída, antes de ser “oficialmente” liberada, “anda para trás” na rede neural e percorre todos os componentes da rede de trás para frente para reduzir os erros durante a previsão e garantir que cada módulo da rede neural execute sua função corretamente, garantindo mais exatidão no modelo. Em uma analogia, o backpropagation é a revisão que se costuma fazer nos textos aqui do Profissão Biotec antes de serem liberados para o público!
E na prática, como efetivamente funcionam essas redes neurais profundas? Um bom exemplo é a classificação de imagens de animais como mencionado na subseção acima. Diversas aplicações de DL conseguem aprender padrões presentes nas imagens de treinamento para classificar imagens de animais entre cães e gatos, ou, ainda mais especificamente entre raças de cães.
Quais são os usos do DL nos dias de hoje?
O DL é amplamente usado nos dias de hoje, podemos encontrar essa abordagem para a proteção contra fraudes em cartões de crédito, auxiliar em investigações, avaliar riscos em empréstimos bancários, e em vários chatbots para o atendimento ao cliente. Além disso, está presente em assistentes virtuais como a Siri, Alexa, e o Google Assistant.
Na saúde e na biotecnologia, o DL é usado para a criação de testes de diagnóstico, como em versões mais atuais do dermatoscópio (instrumento usado para o diagnóstico de câncer de pele melanoma e exames radiológicos). Para criar esses testes de diagnósticos, o DL utiliza várias imagens diferentes que passam pelas camadas das redes neurais e que são usadas para treinar o modelo de forma que, com base nos exemplos dados, o mesmo consiga predizer um diagnóstico para a doença. Essa abordagem é usada para diagnóstico de câncer, tuberculose e micoses de pele.
Para entender melhor como funciona a rede neural para imagens podemos observar a imagem abaixo. Nela, os dados de entrada passam por processos de aprendizagem onde essas imagens são analisadas e seus detalhes são extraídos a fim de serem classificados. Em outras palavras, vários exemplos são considerados para predizer um diagnóstico.
Em síntese, podemos ver que o DL está sendo muito usado nos dias de hoje e essa tecnologia pode ser usada em diferentes áreas, inclusive na biotecnologia. Atualmente, afora as aplicações tecnológicas para internet, o DL é mais comumente usado para testes de diagnósticos por imagem, mas também há estudos que usam essa abordagem para analisar microorganismos, analisar peptídeos anti-câncer e estudos de várias outras doenças. A DL como nova tecnologia possui inúmeros pontos positivos e surge como uma ferramenta para auxiliar pesquisadores e profissionais da saúde nos seus diagnósticos, mas não tem a intenção de substituir esses profissionais. A ideia é que as análises sejam feitas em conjunto, utilizando máquina e um profissional capacitado.
Texto produzido em parceria com a omixdata; (https://medium.com/omixdata)
Isadora Guidotti
Biotecnologista, Mestre em ciências, CEO BIOSCIENT e doutoranda no Omixlab. Atua no desenvolvimento de uma ferramenta para design de novos peptídeos anticâncer usando deep learning.
Cite este artigo:
GUIDOTTI, I. Deep Learning. Revista Blog do Profissão Biotec. V. 10, 2023. Disponível em: <https://profissaobiotec.com.br/deep-learning/>. Acesso em: dd/mm/aaaa.
Referências
AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference? IBM Cloud Education. 2020. Disponível em <https://www.ibm.com/cloud/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks>. Acesso em 28 Set 2021.
BACKPROPAGATION. Brilliant.org. 2021. Disponível em: < https://brilliant.org/wiki/backpropagation/ > Acesso em 08 Set 2021.
DATA SCIENCE ACADEMY. Capítulo 3 – O Que São Redes Neurais Artificiais Profundas ou Deep Learning? Disponível em: <https://www.deeplearningbook.com.br/o-que-sao-redes-neurais-artificiais-profundas/>. Acesso em 08 Set 2021.
DEEP Learning. IBM Cloud Education. 2020. Disponível em: < https://www.ibm.com/cloud/learn/deep-learning > Acesso em 08 Set 2021.
ESTEVA, A. et al. A guide to deep learning in healthcare. Nature Medicine, v. 25, n. 1, p. 24–29, jan. 2019.
MACHINE Learning. IBM Cloud Education. 2020. Disponível em <https://www.ibm.com/cloud/learn/machine-learning>. Acesso em 28 Set 2021.
REDES Neurais. SAS Insights. 2020. Disponível em <https://www.sas.com/pt_br/insights/analytics/neural-networks.html#:~:text=Redes%20neurais%20s%C3%A3o%20sistemas%20de,tempo%20%E2%80%93%20aprender%20e%20melhorar%20continuamente>. Acesso em 28 Set 2021.
Fonte da imagem destacada: Vecteezy.
