O Início da Jornada em Google Cloud AI

O objetivo deste texto é servir como um baseline conceitual de Google Cloud AI — ou uma visão geral das API, serviços, plataformas e soluções disponíveis. Servirá, também, como uma revisão de alguns desafios relacionados à projetos de Machine Learning (ML), assim como as diferentes formas de desenvolver soluções de ML utilizando Google Cloud.

Inteligência Artificial? Machine Learning? Deep Learning?

Especialmente para desenvolvedores iniciando a jornada de adoção de recursos de Inteligência Artificial (IA) em suas aplicações, acaba ocorrendo certa confusão entre estes termos. Chega-se a pensar que eles sejam intercambiáveis. Então, antes de começarmos, é interessante traçar um conceito básico de cada termo.

Inteligência Artificial (IA): De forma geral, podemos pensar em IA como qualquer solução computacional capaz de realizar tarefas que requerem “inteligência humana”. Por exemplo, um jogo de xadrez de computador, baseado em regras de movimentação de uma peça, condições programáticas e análise de jogadas futuras.

Machine Learning (ML): É uma sub-área da IA onde a abordagem de resolução de problemas muda: Ao invés de se pensar somente em regras e condições, começa-se a “ensinar” o programa detalhes do cenário em questão utilizando amostras de dados. Nesta abordagem se utiliza diversas técnicas matemáticas e estatísticas.

Deep Learning (DL): É uma sub-área de ML onde, para se abordar problemas mais complexos, se utiliza redes neurais profundas (ou deep neural networks). É a abordagem utilizada para algumas soluções como detectar objetos em uma imagem; classificar o conteúdo de uma imagem; fazer a geração de novas imagens; realizar a tradução de um texto de um idioma para outro; etc. Podemos pensar na inter relação entre estes termos por este modelo de cebola:

Para uma imersão maior e mais aprofundada nos conceitos e técnicas de ML, recomendo você dar uma olhada no Machine Learning Crash Course disponível no portal de Google Developers.

Com esta visão de diferentes abordagens em mente, podemos pensar que, nos dias de hoje, na maioria dos cenários que trabalhamos, há desafios que podem ser atendidos utilizando técnicas de IA. Confira abaixo alguns exemplos de desafios em diferentes indústrias:

Mas e da perspectiva do desenvolvedor? Como iniciar esta jornada? Esta decisão é importante e é guiada por alguns fatores — em qual estágio você, ou seu time de desenvolvimento, se encontra em relação ao desenvolvimento. Isso inclui o entendimento de qual profundidade será utilizada para se criar um modelo — podendo ser:

a) Adotar soluções prontas para solucionar problemas específicos (como os exemplos do gráfico acima) de indústrias específicas

b) Utilizar modelos pré-treinados, servidos e utilizados via chamadas à APIs REST

c) Treinar modelos customizados de forma automática, gerenciando seus dados, sem se preocupar com a parte de modelagem de Machine Learning

d) Treinar modelos customizados, controlando todas as etapas do processo: gerenciamento dos dados, modelagem de Machine Learning e otimização do modelo ao fim do treinamento.

e) Uma visão geral destas abordagens e dos serviços disponíveis na Google Cloud podem ser vistas abaixo:

Nas próximas postagens de AI & Machine Learning neste blog, você poderá acompanhar, de uma forma mais prática e técnica, como adotar e como utilizar os serviços, APIs e modelos de cada nível de adoção desta imagem.

Um grande abraço a todos e até a próxima!

Referências:
https://cloud.google.com/products/ai
https://cloud.google.com/solutions