Redes neurais e aplicações práticas

História da inteligência artificial

Precursor das redes neurais artificiais

Com a constatação de que podemos aprender muitas coisas de forma intuitiva e como usar qualquer ferramenta na prática, surgiu no século XVI a ideia dos humanos como criadores de um ser que poderia interagir com eles pelo menos de forma rudimentar. Isso aconteceu no século XVII graças a uma máquina de calcular. Este dominou funções como somar, subtrair, multiplicar e dividir. Parece simples, mas antes disso não havia nada comparável. O dispositivo pode produzir resultados lógicos diferentes devido a aplicações de regras implementadas anteriormente.

Desenvolvimento a partir do século 20

Foram necessários vários séculos até que a sociedade e a tecnologia estivessem prontas para dar mais um passo. Por um lado, na década de 40, foi demonstrada a não linearidade no processamento da informação dos neurônios. Por outro lado, também foi apresentado um método com o qual as redes neurais artificiais poderiam demonstrar a sua capacidade de aprendizagem - a chamada “regra de aprendizagem Hebbiana”. Baseia-se na mudança contínua e repetida na força da conexão de dois neurônios, por meio da qual um resultado “aprendido” é emitido acima de um determinado valor limite.

A partir de 1956, o termo “inteligência artificial” (IA) ou “inteligência artificial” (IA) tornou-se estabelecido apesar das dificuldades de definição. No entanto, a capacidade e a aplicabilidade prática eram muito limitadas devido ao hardware fraco da época, o que fez com que o interesse pelas redes neurais diminuísse um pouco. O crescente desenvolvimento teórico e metodológico a partir da década de 80 e a rápida melhoria no desempenho de hardware e software trouxeram mais sucessos em tecnologia após a virada do milênio, especialmente na área de reconhecimento de padrões. Hoje, as redes neurais são usadas para vários problemas na ciência e nos negócios. A Internet e softwares de código aberto como R, Python e bibliotecas de alta dimensão disponíveis gratuitamente como Keras, TensorFlow, etc., facilitam a implementação e o uso de redes neurais, que por sua vez foram devidamente diferenciadas no que diz respeito aos diferentes usos e conceitos de modelo (por exemplo, RNNs, LSTMs, etc.).

Como funcionam as redes neurais artificiais

Um pouco de percepção

Apesar de um grande número de modelos diferentes que podem se tornar bastante complexos, as redes neurais são, em princípio, fáceis de entender. No caso mais simples, envolve operações aritméticas simples em matrizes. Baseadas em estruturas neurais biológicas, as redes neurais artificiais possuem um nível de entrada, um nível oculto com qualquer número de neurônios (pelo menos 1) para processamento de informações e um nível de saída, entre os quais existem diversas conexões. O neurônio individual contém pelo menos um somatório da entrada, uma polarização e uma função de ativação (por exemplo, uma função sigmóide) que decide se o neurônio dispara ou não. Além disso, as conexões entre os neurônios representam ponderações. No processo de aprendizagem, a entrada é primeiro processada pela informação que flui da entrada, através dos neurônios, para a saída (propagação direta). Os valores dos pesos e do viés são então ajustados para que o erro entre a saída esperada e a real da rede neural seja minimizado. Este processo é chamado de retropropagação (feedback de erro). A rede se modifica inserindo repetidamente padrões de treinamento e minimizando automaticamente o erro até que o valor do erro caia abaixo de um valor predeterminado. As redes neurais aprendem e organizam informações de forma independente e oferecem uma generalização (por exemplo, uma classificação) como resultado.

Existem várias modificações. Por exemplo, a função de ativação (por exemplo, linear ou não linear), o procedimento de aprendizagem (supervisionado, não supervisionado, etc.), o tipo e número de conexões entre neurônios, o processo de aprendizagem (por exemplo, modificações na força da conexão, desenvolvimento ou exclusão de conexões existentes, etc.) e o número de níveis ocultos pode ser ajustado. Além disso, parâmetros podem ser inseridos, por exemplo, para esquecer informações em LSTMs (memória de longo e curto prazo), para cobrir outros fins de aplicação.