IA vs Machine Learning vs Deep Learning: um breve resumo sobre o estado da arte da Inteligência Artificial nos dias atuais
É inegável que Inteligência Artificial está no topo dos trending topics da área de tecnologia atualmente. Apesar de ser uma área que existe há muitos anos, suas aplicações eram muito restritas, seja no mundo acadêmico ou na indústria, além de não existir ferramentas que propiciassem seu uso de maneira mais “amigável” e acessível.
Este cenário mudou radicalmente com a popularização das GPUs (*) e de bibliotecas que permitem que modelos de inteligência artificial sejam disponibilizados na Web. Ou seja, hoje a sua avó pode fazer uso de uma aplicação no celular dela e que esteja utilizando uma Inteligência artificial que você desenvolveu :O
No entanto, junto com essa popularização, novas expressões e termos emergiram. Afinal, qual a diferença entre IA, Machine Learning e Deep Learning?
A foto acima segmenta a área de inteligência artificial em 4 grandes grupos:
IA — atualmente Inteligência Artificial é uma disciplina que “abraçou” várias áreas com as quais, anteriormente, existia apenas uma interseção. Um exemplo claro é vermos alguns estudos mencionando Pesquisa Operacional como uma área da Inteligência Artificial.
O principal objetivo da disciplina de inteligência artificial é viabilizar o aprendizado de máquinas. Esse aprendizado pode ser de 2 tipos:
·Aprendizado Supervisionado — o algoritmo recebe um conjunto completo de exemplos, contendo entradas (features) e suas respectivas saídas (labels/targets) e, assim, extrai regras/aprendizado. Podemos citar como exemplo modelos de inteligência artificial voltados para reconhecimento de imagens.
· Aprendizado Não Supervisionado — nesta abordagem, não há conhecimento prévio sobre os dados. Este modelo é útil para tentar identificar padrões. Um exemplo clássico do uso de algoritmo de aprendizado não supervisionado foi a descoberta do Waltmart de que a venda de cervejas poderia aumentar se elas estivessem posicionadas próximas a fraldas de bebês.
Machine Learning — Nesta área, encontramos alguns algoritmos oriundos da disciplina de data mining e estatísticos para extração de regras e identificação de padrões, muitas vezes escondidos nos dados. Alguns também incluem, neste grupo, as redes neurais de uma única camada. Exemplos de algoritmos de machine learning: Random Forest, Linear Regression, K-means…
Redes Neurais — Acredito que redes neurais é um subconjunto de machine learning devido a sua característica de forma de aprendizado. Considerando que uma rede neural é uma réplica computacional da forma de funcionamento do cérebro humano, entendo que ela é um subconjunto de machine learning. Particularmente, ouso incluir neste grupo as multilayers Perceptron, mesmo esse tipo de rede podendo apresentar mais de uma camada intermediária.
Deep Learning — Consiste em uma rede neural com diversas camadas intermediárias e exige um alto poder computacional para processamento. Um exemplo de uma rede neural que é classificada como deep learning é uma rede convolucional. A título de curiosidade, os primeiros estudos de redes convolucionais datam da década de 80 (https://www.intel.ai/convolutional-neural-networks-historical-significance/#gs.3ekxvn). Porém, por necessitar de alto poder computacional, seu uso permaneceu restrito a grandes universidades e corporações até o momento em que as GPUs se popularizaram por atingir um valor mais acessível.
Data Science, Big Data e outros são áreas que, por enquanto, permanecem apenas fazendo uso ou fornecendo insumo para a disciplina de Inteligência Artificial. Até quando? Será que daqui alguns anos essas áreas se tornarão parte de IA? Não há como garantir, visto que assim como IA, estes conceitos encontram-se em processo de definição e amadurecimento.
Bom, este é o meu entendimento atual sobre a “sopa de letrinhas” utilizadas para nomear áreas relacionadas a Inteligência Artificial! Você concorda? Deixe seus comentários!
(*)GPU — processadores de alto desempenho
