IA, aprendizado de máquina e aprendizado profundo

Objetivo: situar o deep learning, entender o que ele muda e evitar o reflexo « rede neural para tudo ». Duração: 35 minutos.

1. As bonecas russas

A inteligência artificial reúne as técnicas que permitem a uma máquina realizar uma tarefa associada à inteligência. O machine learning é uma parte da IA em que as regras são ajustadas a partir de dados. O aprendizado profundo é uma parte do machine learning que aprende com redes que possuem vários níveis de transformação.

text

IA ⊃ Machine Learning ⊃ Deep Learning

A palavra profundo descreve o número de etapas de representação, não uma profundidade de pensamento. Uma imagem pode se tornar sucessivamente: pixels → contornos → texturas → partes → objeto.

2. O que o deep learning traz

Os métodos clássicos frequentemente exigem que o humano construa as variáveis úteis. Uma rede profunda pode aprender parte dessa representação diretamente a partir dos dados brutos. Essa propriedade é particularmente útil para imagens, som, texto e sinais complexos.

Situação	Primeiro candidato razoável
Pequena tabela de 3 000 linhas	árvore, boosting, regressão
Milhões de imagens rotuladas	CNN ou Vision Transformer
Texto com modelo pré-treinado	Transformer adaptado
Regra de negócio exata e estável	programação clássica

3. O preço a pagar

As redes profundas costumam exigir mais dados, mais computação e mais experimentação. Elas são sensíveis ao protocolo, à inicialização e à taxa de aprendizado. Um modelo maior não é nem automaticamente mais correto, nem automaticamente mais útil.

Erros frequentes

Confundir desempenho de demonstração e valor de negócio.
Comparar uma rede otimizada a uma baseline clássica negligenciada.
Usar o conjunto de teste durante as escolhas de arquitetura.
Acreditar que « profundo » significa « autônomo » ou « consciente ».

Verificação rápida

O deep learning é uma família distinta do machine learning?
Por que ele é forte em dados não estruturados?
Cite um caso em que ele provavelmente é excessivo.

Respostas

Não, é um subconjunto do ML. 2. Ele aprende representações hierárquicas a partir dos dados brutos. 3. Por exemplo, uma pequena tabela ou uma regra exata.

Atividade de domínio — Nota de decisão

Escolha três casos: uma tabela de churn, radiografias e uma regra fiscal exata. Para cada um, proponha a solução mais simples, uma baseline, a prova esperada e um critério de parada. Entregável: uma tabela de uma página. Sucesso: nenhuma solução é escolhida apenas porque é « moderna ».

Mapa de decisão: qual paradigma escolher?

Leitura: o deep learning não é uma escolha automática. A natureza dos dados, a quantidade de supervisão, o orçamento de computação e o custo de operação determinam a solução. A principal armadilha consiste em selecionar a arquitetura mais complexa antes de estabelecer uma baseline mensurável.