Deep Learning

O que é e porque é importante

O Deep Learning no mundo atual

O impacto do deep learning é significativo – e está apenas a começar

Deep Learning com SAS e Python

DLPy é um package open source que os cientistas de dados podem descarregar para aplicar algoritmos de deep learning do SAS a imagem, texto, e dados áudio. É concebido para resolver visão computacional, processamento de linguagem natural, efetuar previsão, e problemas de processamento de discurso.

Leia a publicação de blog

Como o SAS® utiliza o Deep Learning

Este guia passo a passo compara múltiplos modelos de redes neurais e explica como os pode utilizar. Irá receber uma introdução a técnicas de deep learning, aplicações e como o SAS suporta a criação de modelos de redes neurais profundas.

Fazer download do documento

Como utilizar o deep learning para incorporar imagem 

Modelos de incorporação são usados para reduzir a dimensionalidade dos dados de entrada, tais como imagens.  Quando um modelo de incorporação é utilizado, as imagens de entrada são convertidas em vetores de baixa dimensão que podem ser utilizados mais facilmente por outras funções de visão computacional. A chave para uma boa incorporação é formar o modelo para que as imagens semelhantes sejam convertidas em vetores semelhantes.

Veja o vídeo

Quem utiliza Deep Learning?

Para os leigos, o Deep Learning pode parecer estar em investigação e fase de desenvolvimento, visto que, os investigadores de ciência computacional e cientistas de dados continuam a testar as suas capacidades. No entanto, o Deep Learning tem muitas aplicações práticas que os negócios estão a utilizar atualmente, e muitas mais que serão utilizadas à medida que a investigação continua. As utilizações populares incluem:

Retalho

No comércio, é importante estar um passo à frente das expectativas dos clientes. E o Deep Learning está a tornar isso possível. Utilizando os dados dos clientes e o reconhecimento da voz falada e processamento de linguagem natural, os comerciantes podem prever as preferências dos clientes, as suas necessidades e cortar em stock desnecessário. Podem ainda dar assistência na localização do produto de melhor qualidade pelo preço mais baixo. Finalmente, isto ajuda os comerciantes a satisfazer os seus clientes e a poupar tempo e dinheiro.

Banca

O Deep Learning possibilita aos bancos identificar padrões em dados não estruturados e melhora tomadas de decisão a nível empresarial. Em gestão do risco, o deep learning ajuda os bancos a questionar múltiplas fontes e a definir limites apropriados de empréstimo com maior confiança. Tudo isto sem comprometer a justiça. O Deep Learning desempenha também um papel vital na deteção e prevenção de fraude e crime financeiro. Um exemplo é a monitorização com vídeo em tempo real, identificando atividades suspeitas em filiais ou localizações de caixas automáticas multibanco, e a prevenção da tomada de controlo de uma conta, se a voz do perfilamento biométrico não corresponder ao cliente verdadeiro. No que diz respeito a fornecer uma melhor experiência de utilizador, a capacidade do Deep Learning de ajudar com uma análise de sentimento, assegura que problemas reportados via canais sociais podem ser rapidamente identificados e remediados.

Indústria transformadora

Os fabricantes utilizam Deep Learning e outras técnicas de AI para melhorar a qualidade geral da indústria. Um dos maiores custos nesta indústria é a manutenção do equipamento, e o Deep Learning é fundamental para reduzir ou evitar tempo de inatividade de recursos e equipamentos cruciais. Com a utilização do deep learning e capacidades como a visão por computador para identificar problemas de qualidade usando a deteção de objetos, monitorização de processos e deteção de anomalias. A indústria transformadora pode poupar dinheiro com tempos de inatividade não planeados, um melhor design dos seus produtos, e ainda melhorar a eficiência/qualidade dos produtos e a segurança dos trabalhadores em geral.

Cuidados de saúde

O Deep Learning apoia a indústria de cuidados de saúde ao assegurar melhores cuidados aos pacientes e eficiência operacional. Com o Deep Learning, profissionais de cuidados de saúde podem analisar dados mais depressa e com maior precisão. Registos eletrónicos de saúde podem ser criados mais rapidamente e com menos erros. Utilizando voz falada com ferramentas de processamento de linguagem natural. Bem como, redes neurais, combinadas com reconhecimento de imagens, que analisam imagens médicas em vez de apenas ler, ajudando os profissionais de cuidados de saúde a identificar tumores e a sua progressão, por exemplo.

Transporte e Logística

O Deep Learning pode ajudar a indústria do turismo e respetiva parte logística para a aumentar a produtividade e planeamento operacional eficiente. Utilizando software predicativo, a indústria pode manter-se à frente de potenciais falhas e manter-se atualizada sobre reparações programadas de camiões para reduzir os custos operacionais. Juntamente com a manutenção de previsão, o deep learning e a AI pode rastrear veículos em tempo real, permitindo às empresas de transporte localizar e monitorizar a velocidade da sua frota em tempo real. Tudo isto se torna possível com a precisão e velocidade do Deep Learning.

Governo

Agências governamentais podem utilizar o Deep Learning para melhorar a deteção de fraudes fazendo uso de análises de caligrafia, bem como, gerir as terras e água através do reconhecimento de imagens. O Deep Learning também ajuda a criar uma melhor compreensão das preferências dos cidadãos através da tradução da linguagem natural do sentimento. Outro exemplo é a redução dos gastos em infraestruturas ao utilizar a previsão de capacidades de manutenção. No geral, o Deep Learning possibilita aos governos resolver problemas que anteriormente eram considerados demasiado difíceis.

Utilities

O Deep Learning ajuda a valorizar mais os muitos tipos de dados em operações de call center. Outras formas de funcionalidades de apoio do deep learning incluem recomendar ações específicas de correção para manutenção e linha de equipamento, gestão de vegetação, e uma panóplia de funções de previsão (sendo estas: previsão de vendas, previsão de net load e previsões de load entre outras). De facto, o Deep Learning será uma parte fundamental na posição de determinado serviço no futuro.

Como funciona o deep learning 

O Deep Learning muda a forma como se pensa representar os problemas que se resolvem com a analítica. Passa de dizer ao computador como resolver um problema para treinar o computador a resolver o problema em si.

 

Representação de características

O Deep Learning é uma mudança de paradigma na construção de modelos que passa da engenharia de características para a representação de características 

Deep learning layers

Em vez de utilizar variáveis conhecidas para prever o desconhecido, o deep learning observa os layers dos dados para reconhecer as características latentes dos dados. 

Resultados do Deep Learning

A promessa do deep learning é a de que pode desenvolver sistemas de previsão que se podem generalizar corretamente, adaptar bem e melhorar continuamente à medida que chegam novos dados. Já não se encaixa num modelo. Em vez disso, treina a função.

Uma abordagem tradicional à analítica é a de utilizar os dados à disposição para trabalhar características e para derivar novas variáveis, e depois selecionar um modelo analítico e finalmente estimar os parâmetros desse modelo. Estas técnicas podem produzir sistemas preditivos que não generalizam bem porque a completude e correção dependem da qualidade do modelo e das suas características. Por exemplo, se desenvolver um modelo de fraude através da engenharia de características, começa com um conjunto de variáveis, e muito provavelmente obtém um modelo que irá derivar dessas variáveis utilizando transformações de dados. Pode acabar com 30.000 variáveis das quais o seu modelo depende, depois tem de moldar o modelo, descobrir quais as variáveis que são significativas, quais as que não são, e assim continuamente. A adição de mais dados requer que o faça de novo.

A nova abordagem, com o Deep Learning, é a de substituir a formulação e especificação do modelo com caracterizações (ou camadas) hierárquicas que aprendem a reconhecer características latentes dos dados de entre as regularidades nas camadas.

Connect with SAS and see what we can do for you.