Qual é a diferença entre machine learning e aprendizado profundo?
O machine learning (ML) é a ciência de treinar um programa ou sistema de computador para realizar tarefas sem instruções explícitas. Os sistemas de computador usam algoritmos de ML para processar grandes quantidades de dados, identificar padrões de dados e prever resultados precisos para cenários novos ou desconhecidos. O aprendizado profundo é um subconjunto do ML que usa estruturas algorítmicas específicas chamadas redes neurais, modeladas com base no cérebro humano. Os métodos de aprendizado profundo tentam automatizar tarefas mais complexas que normalmente exigem inteligência humana. Por exemplo, você pode usar o aprendizado profundo para descrever imagens, traduzir documentos ou transcrever um arquivo de som em texto.
Quais são as semelhanças entre machine learning e aprendizado profundo?
Você pode usar machine learning (ML) e aprendizado profundo para identificar padrões nos dados. Ambos dependem de conjuntos de dados para treinar algoritmos baseados em modelos matemáticos complexos. Durante o treinamento, os algoritmos encontram correlações entre saídas e entradas conhecidas. Os modelos podem então gerar ou prever saídas automaticamente com base em entradas desconhecidas. Ao contrário da programação tradicional, o processo de aprendizado também é automático com o mínimo de intervenção humana.
Aqui estão outras semelhanças entre ML e aprendizado profundo.
Técnicas de inteligência artificial
Tanto o machine learning quanto o aprendizado profundo são subconjuntos da ciência de dados e da inteligência artificial (IA). Ambos podem concluir tarefas computacionais complexas que, de outra forma, exigiriam muito tempo e recursos para serem realizadas por meio de técnicas tradicionais de programação.
Base estatística
Tanto o aprendizado profundo quanto o machine learning usam métodos estatísticos para treinar seus algoritmos com conjuntos de dados. Essas técnicas envolvem análise de regressão, árvores de decisão, álgebra linear e cálculo. Os especialistas em ML e os especialistas em aprendizado profundo entendem bem as estatísticas.
Grandes conjuntos de dados
Tanto o machine learning quanto o aprendizado profundo exigem grandes conjuntos de dados de treinamento de qualidade para fazer previsões mais precisas. Por exemplo, um modelo de ML requer cerca de 50 a 100 pontos de dados por recurso, enquanto um modelo de aprendizado profundo começa com milhares de pontos de dados por recurso.
Amplas e variadas aplicações
As soluções de aprendizado profundo e ML resolvem problemas complexos em diferentes setores e aplicações. Esses tipos de problemas levariam muito mais tempo para serem resolvidos ou otimizados se você usasse métodos estatísticos e de programação tradicionais.
Requisitos de potência computacional
Treinar e executar algoritmos de ML requer um poder computacional substancial, e os requisitos computacionais são ainda maiores para o aprendizado profundo devido à sua maior complexidade. A disponibilidade de ambos para uso pessoal agora é possível devido aos recentes avanços na potência da computação e dos recursos da nuvem.
Melhoria gradual
À medida que as soluções de ML e aprendizado profundo ingerem mais dados, elas se tornam mais precisas no reconhecimento de padrões. Quando uma entrada é adicionada ao sistema, o sistema melhora usando-a como um ponto de dados para treinamento.
Quais limitações do machine learning levaram à evolução do aprendizado profundo?
O machine learning (ML) tradicional requer uma interação humana significativa por meio da engenharia de recursos para produzir resultados. Por exemplo, se você estiver treinando um modelo de ML para classificar imagens de cães e gatos, será necessário configurá-lo manualmente para reconhecer características como formato dos olhos, formato da cauda, formato da orelha, contornos do nariz e assim por diante.
Como o objetivo do ML é reduzir a necessidade de intervenção humana, as técnicas de aprendizado profundo eliminam a necessidade de rotulagem dos dados por humanos em cada etapa.
Embora o aprendizado profundo tenha existido por muitas décadas, no início dos anos 2000 cientistas como Yann LeCun, Yoshua Bengio e Geoffrey Hinton exploraram o campo com mais detalhes. Embora os cientistas tenham avançado no aprendizado profundo, conjuntos de dados grandes e complexos foram limitados durante esse período, e o custo da capacidade de processamento necessária para treinar modelos era alto. Nos últimos 20 anos, essas condições melhoraram e o aprendizado profundo agora é comercialmente viável.
Principais diferenças: machine learning e aprendizado profundo
O aprendizado profundo é um subconjunto do machine learning (ML). Você pode pensar nisso como uma técnica avançada de ML. Cada um tem uma grande variedade de aplicações. No entanto, as soluções de aprendizado profundo exigem mais recursos, como conjuntos de dados maiores, requisitos de infraestrutura e custos subsequentes.
Aqui estão outras diferenças entre ML e aprendizado profundo.
Casos de uso previstos
A decisão de usar ML ou aprendizado profundo depende do tipo de dados que você precisa processar. O ML identifica padrões com base em dados estruturados, como sistemas de classificação e de recomendações. Por exemplo, uma empresa pode usar ML para prever quando um cliente cancelará a assinatura com base nos dados anteriores de rotatividade de clientes.
Por outro lado, as soluções de aprendizado profundo são mais adequadas para dados não estruturados, onde é necessário um alto nível de abstração para extrair recursos. As tarefas de aprendizado profundo incluem classificação de imagens e processamento de linguagem natural, onde é necessário identificar as relações complexas entre os objetos de dados. Por exemplo, uma solução de aprendizado profundo pode analisar menções nas redes sociais para determinar o sentimento do usuário.
Abordagem para a solução de problemas
O ML tradicional normalmente requer engenharia de recursos, na qual os humanos selecionam e extraem manualmente recursos de dados brutos e atribuem pesos a eles. Por outro lado, as soluções de aprendizado profundo realizam engenharia de recursos com o mínimo de intervenção humana.
A arquitetura de rede neural do aprendizado profundo é mais complexa por design. A forma como as soluções de aprendizado profundo aprendem é modelada em como o cérebro humano funciona, com neurônios representados por nós. As redes neurais profundas são compostas de três ou mais camadas de nós, incluindo nós da camada de entrada e saída.
No aprendizado profundo, cada nó na rede neural atribui pesos de forma autônoma a cada recurso. As informações fluem pela rede em uma direção direta da entrada para a saída. A diferença entre a saída prevista e a saída real é então calculada. Esse erro é propagado retroativamente pela rede para ajustar os pesos dos neurônios.
Devido ao processo de ponderação automática, à profundidade dos níveis de arquitetura e às técnicas usadas, é necessário um modelo para resolver muito mais operações em aprendizado profundo do que em ML.
Métodos de treinamento
O ML tem quatro métodos principais de treinamento: aprendizado supervisionado, aprendizado não supervisionado, aprendizado semissupervisionado e aprendizado por reforço. Outros métodos de treinamento incluem aprendizado por transferência e aprendizado autossupervisionado.
Em contraste, os algoritmos de aprendizado profundo usam vários tipos de métodos de treinamento mais complexos. Isso inclui redes neurais convolucionais, redes neurais recorrentes, redes adversárias generativas e autocodificadores.
Performance
Tanto o machine learning quanto o aprendizado profundo têm casos de uso específicos em que têm um desempenho melhor do que os outros.
Para tarefas mais simples, como identificar novas mensagens de spam recebidas, o ML é adequado e normalmente supera as soluções de aprendizado profundo. Para tarefas mais complexas, como reconhecimento de imagens médicas, as soluções de aprendizado profundo superam as soluções de ML, pois podem identificar anormalidades não visíveis ao olho humano.
Envolvimento humano
As soluções de machine learning e aprendizado profundo exigem um envolvimento humano significativo para funcionar. Alguém precisa definir um problema, preparar os dados, selecionar e treinar um modelo, depois avaliar, otimizar e implantar uma solução.
Os modelos de ML podem ser mais fáceis de serem interpretados pelas pessoas, pois derivam de modelos matemáticos mais simples, como árvores de decisão.
Por outro lado, para que alguém analise detalhadamente os modelos de aprendizado profundo é necessário um tempo significativo, pois os modelos são matematicamente complexos. Assim, a forma como as redes neurais aprendem elimina a necessidade de rotular os dados. Você pode reduzir ainda mais o envolvimento humano escolhendo plataformas e modelos pré-treinados.
Requisitos de infraestrutura
Como são mais complexos e exigem conjuntos de dados maiores, os modelos de aprendizado profundo exigem mais armazenamento e poder computacional do que os modelos de ML. Embora os dados e modelos de ML possam ser executados em uma única instância ou cluster de servidores, um modelo de aprendizado profundo geralmente requer clusters de alta performance e outras infraestruturas substanciais.
Os requisitos de infraestrutura para soluções de aprendizado profundo podem resultar em custos significativamente maiores do que o ML. A infraestrutura local pode não ser prática ou econômica para executar soluções de aprendizado profundo. Você pode usar uma infraestrutura escalável e serviços de aprendizado profundo totalmente gerenciados para controlar os custos.
Resumo das diferenças: machine learning versus aprendizado profundo
| Machine Learning |
Aprendizado profundo |
|
| O que é isso? |
ML é uma metodologia de inteligência artificial (IA). Nem todo ML é aprendizado profundo. |
O aprendizado profundo é uma metodologia avançada de ML. Todo aprendizado profundo é ML. |
| Mais adequada para |
O ML é mais adequado para tarefas bem definidas com dados estruturados e rotulados. |
O aprendizado profundo é mais adequado para tarefas complexas que exigem que as máquinas entendam os dados não estruturados. |
| Abordagem para a solução de problemas |
O ML resolve problemas por meio de estatísticas e matemática. |
O aprendizado profundo combina estatísticas e matemática com a arquitetura de rede neural. |
| Treinamento |
Você precisa selecionar e extrair manualmente os recursos dos dados brutos e atribuir pesos para treinar um modelo de ML. |
Os modelos de aprendizado profundo podem se autoaprender usando o feedback derivado de erros conhecidos. |
| Recursos necessários |
O ML é menos complexo e tem um volume de dados menor. |
O aprendizado profundo é mais complexo com um volume de dados muito alto. |
Como a AWS pode cumprir os seus requisitos de machine learning e aprendizado profundo?
Há muitas soluções de machine learning (ML) e aprendizado profundo na Amazon Web Services (AWS). Elas permitem integrar inteligência artificial (IA) em todas as aplicações e casos de uso.
Para o ML tradicional, o Amazon SageMaker é uma plataforma completa para criar, treinar e implantar algoritmos em uma infraestrutura de nuvem poderosa e escalável.
Para seus requisitos de aprendizado profundo, você pode usar serviços totalmente gerenciados como estes:
- O Amazon Comprehend ajuda você a descobrir informações valiosas de qualquer texto usando processamento de linguagem natural, ou o Amazon Comprehend Medical para textos médicos mais complexos.
- O Amazon Fraud Detector ajuda você a detectar operações fraudulentas com base em registros históricos.
- O Amazon Lex ajuda você a criar chatbots e interfaces de conversação inteligentes.
- O Amazon Personalize ajuda você a segmentar clientes rapidamente e criar sistemas de recomendação selecionados.
- O Amazon Polly ajuda você a produzir palavras faladas com som natural, baseadas no texto inserido em dezenas de idiomas.
- O Amazon Rekognition ajuda você com o reconhecimento de imagem e análise de vídeo predefinidos.
- O Amazon Textract ajuda você a extrair texto de qualquer documento escrito à mão ou gerado por computador.
Comece a usar o machine learning e o aprendizado profundo criando uma conta gratuita da AWS hoje mesmo.
