Redes Neurais são sistemas de computação com nós interconectados que funcionam de forma muito semelhante aos neurónios que fazem parte do cérebro humano. Ao utilizarem algoritmos, conseguem reconhecer padrões escondidos e correlações em dados não processados, classificá-los através da colocação em cluster, e – ao longo do tempo – aprender de forma contínua para ir melhorando.
História das Redes Neurais
A primeira rede neural foi concebida por Warren McCulloch e Walter Pitts em 1943. Escreveram um artigo pioneiro relativamente à forma como os neurónios poderiam funcionar, e deram forma às suas ideias criando uma rede neural simples através do uso de circuitos elétricos.
Este modelo revolucionário abriu caminho para a pesquisa de redes neurais em duas áreas:
Processos biológicos no cérebro.
A aplicação de redes neurais à inteligência artificial (AI).
A pesquisa em IA rapidamente acelerou, tendo Kunihiko Fukushima desenvolvido a primeira e verdadeira rede neural, em 1975, com múltiplas camadas. O objetivo inicial da abordagem através de rede neural era criar um sistema computacional que conseguisse resolver problemas de forma semelhante ao que acontece no cérebro humano. Contudo, ao longo do tempo, os investigadores mudaram o seu foco e decidiram utilizar as redes neurais para responderem a tarefas específicas, levando a desvios de uma abordagem estritamente biológica. Desde então, as redes neurais têm apoiado diversas tarefas, incluindo visão computacional, reconhecimento de voz falada, tradução automática, filtragem das redes sociais, jogar jogos de tabuleiro e de vídeo, e diagnósticos médicos.
À medida que as dimensões dos dados não estruturados e estruturados foram aumentando, as pessoas foram desenvolvendo sistemas de deep learning, os quais são, essencialmente, redes neurais com múltiplas camadas. O Deep learning permite a captação e extração de mais e maiores volumes de dados, incluindo dados não estruturados.
Porque é que as redes neurais são importantes?
As redes neurais também se adequam na perfeição para ajudar as pessoas a solucionar problemas complexos em situações reais. Podem aprender e modelar as relações entre os inputs e resultados não lineares e complexos; fazer generalizações e deduções; revelar relações escondidas, padrões e previsões; e modelar dados altamente voláteis (tais como, dados de séries temporais financeiros) e variações necessárias para conseguir prever situações raras (por exemplo, deteção de fraudes). Como resultado, as redes neurais podem melhorar processos de decisão nas seguintes áreas:
- Deteção de fraudes nos seguros de saúde e cartões de crédito.
- Otimização da logística das redes de transportes.
- Reconhecimento de carateres e voz falada, também conhecidos como processamento de linguagem natural.
- Diagnósticos médicos e de doenças.
- Marketing segmentado
- Previsões financeiras para os preços das ações, câmbios, contratos de opção, contratos futuros, falência e classificações de crédito.
- Sistemas de controlo robóticos.
- Previsões de carga elétrica e procura energética.
- Processamento e controlo de qualidade.
- Identificação de compostos químicos.
- Avaliação do ecossistema.
- Visão computacional a fim de interpretar fotografias e vídeos sem edição (por exemplo, imagens médicas, robóticas e de reconhecimento facial).
O nosso primeiro objetivo para estas redes neurais, ou modelos, é atingir um nível de precisão semelhante ao do ser humano. Enquanto não se conseguir atingir esse nível é sabido que o ser humano consegue sempre fazer melhor. Ivan Gomez Data Scientist and Consultant Zencos
Tipos de Redes Neurais
Existem vários tipos de redes neurais profundas – e cada uma delas têm as suas vantagens e desvantagens, dependendo do seu uso. Exemplos disso são:
- Redes Neurais Convolucionais (CNNs)contêm cinco tipos de camadas: input, convolução, agrupamento, conexão total, e resultado. Cada camada tem um propósito específico, por exemplo, sumarizar, ligar ou ativar. As redes neurais convolucionais popularizaram a classificação de imagens e deteção de objetos. Porém, as CNNs também têm vindo a ser aplicadas a outras áreas, como é o caso do processamento de linguagem natural e da previsão.
- Redes Neurais Recorrentes (RNNs)utilizam informação sequencial, tal como, dados com carimbo de data/hora de um dispositivo sensor ou de uma frase dita oralmente, composta por uma sequência de termos. Ao contrário das redes neurais tradicionais, todos os inputs feitos a uma rede neural recorrente não são independentes uns dos outros, e o resultado para cada elemento depende das computações dos elementos que o precedem. As RNNs são normalmente utilizadas na previsão de aplicação de séries temporais, análise de sentimentos e outras aplicações de texto.
- Redes Neurais de Feedforward, são aquelas em que cada perceptron numa camada está conectado a todos os outros perceptron da camada seguinte. A informação é transmitida de uma camada para a que lhe é subsequente, e apenas nesse sentido. Não existem ciclos de feedback.
- Redes Neurais Autoencoder são utilizadas para criar abstrações chamadas de encoders, criadas a partir de um conjunto de input dados. Embora sejam similares às redes neurais mais tradicionais, as encoders tem como objetivo modelar elas próprias os inputs, e como tal, considera-se que é um método sem supervisão. A premissa das autoencoders é dessensibilizar o irrelevante e sensibilizar o relevante. Conforme são adicionadas camadas, mais abstrações são formuladas em camadas mais altas (as camadas mais próximas do ponto onde é introduzida uma camada de descodificação). Estas abstrações podem então depois ser utilizadas por classificadores não lineares.
As Redes Neurais no Mundo Atual
As redes neurais estão a mudar a forma como as pessoas e organizações interagem com os sistemas, resolvem problemas, tomam melhores decisões e fazem previsões. Aprenda mais sobre o impacto das redes neurais.
As redes neurais aplicadas à saúde da manada
Uma fervorosa cientista de dados utiliza redes neurais para detetar tuberculose nos elefantes. Descubra como a sua pesquisa pode ajudar a prevenir a disseminação da tuberculose.
Aprenda a modelar as redes neurais
Aprenda a escolher uma arquitetura de redes neurais adequada, como determinar o método de treino relevante, como implementar modelos de redes neurais num ambiente de computação e como construir redes neurais personalizadas utilizando o procedimento NEURAL.
Como fazer deep learning com o SAS®
Precisa de uma visão geral mais técnica relativamente às técnicas de deep learning e aplicações? Leia este artigo e descubra como o SAS apoia a criação de modelos de redes neurais profundas.
Quem utiliza redes neurais?
Os sistemas de deep learning – assim como as redes neurais que os ativam – são utilizados estrategicamente em várias indústrias e linhas de negócio.
Ciências Biológicas
Organizações de saúde e ciências biológicas utilizam as redes neurais para efetuar diagnósticos preditivos, imagens biomédicas e vigiar a saúde.
Indústria transformadora
Empresas da indústria transformadora e energia servem-se das redes neurais para otimizar cadeias de abastecimento, automatizar a deteção de anomalias e prever necessidades energéticas.
Banca
Os bancos utilizam as redes neurais para detetar fraudes, realizar análises de crédito e automatizar serviços de aconselhamento financeiro.
Sector Público
As organizações do sector público utilizam as redes neurais para apoiar cidades inteligentes, ter um sistema de segurança inteligente e para o reconhecimento facial.
Comércio & Bens de Consumo
As indústrias de retalho e bens de consumo utilizam redes neurais para capacitar chatbots, melhorar e aprofundar o conhecimento sobre clientes, e desempenhar análises de rede.
Saiba mais sobre as indústrias a utilizar esta tecnologia
As redes neurais têm a capacidade de identificar anomalias. No futuro, poderemos utilizá-las para dar uma segunda opinião aos médicos – por exemplo, se algo detetado pode ser cancro, ou qual é a patologia desconhecida de um determinado paciente. Estaremos aptos a facultar estas segundas opiniões mais rapidamente e com maior precisão. Leigh Ann Herhold Data Scientist and Consultant Zencos
Construir um modelo de rede neural.
Neste vídeo, aprenderá a utilizar o SAS® Visual Data Mining e aprendizagem automática no contexto das redes neurais. Este exemplo estuda os controladores que impulsionam os visitantes de um website de uma empresa de IT a descarregar um artigo.
Como Funcionam as Redes Neurais
Uma rede neural simples inclui uma camada de input, uma camada de resultado (ou alvo), e no meio, uma camada oculta. As camadas estão ligadas através de nós, e são estas ligações que formam uma "rede" – a rede neural – de nós interligados.
Um nó é inspirado num neurónio do cérebro humano. Tem um comportamento semelhante ao dos neurónios, por isso, os nós são ativados quando há estímulo suficiente ou input. Esta ativação espalha-se por toda a rede, criando uma resposta ao estímulo (resultado). As ligações entre estes neurónios artificiais funcionam como se fossem sinapses simples, permitindo a transmissão dos sinais, de um neurónio para o outro. Os sinais atravessam as camadas à medida que passam do primeiro input para a última camada de saída – e vão sendo processados pelo caminho.
Quando perante um pedido para solucionar um problema, os neurónios realizam cálculos matemáticos para perceber se há informação suficiente para passar a informação ao neurónio seguinte. Simplificando, leem todos dados e percebem onde está a relação mais importante. No tipo mais simples de rede, as entradas de dados recebidas são adicionadas, e se a soma é maior do que um determinado valor de limiar, o neurónio "dispara" e ativa os neurónios aos quais está ligado.
À medida que o número de camadas ocultas dentro de uma rede neural aumenta, vão-se formando redes neurais profundas. E são as arquiteturas de Deep learning que levam as redes neurais simples ao próximo nível. Utilizando estas camadas, os cientistas de dados conseguem criar as suas próprias redes de deep learning que possibilitam a aprendizagem automática, que podem treinar um computador a reproduzir tarefas humanas de forma precisa, tais como, reconhecer a voz falada, identificar imagens ou fazer previsões. Igualmente importante é que o computador pode aprender por si mesmo ao reconhecer padrões em várias camadas de processamento.
Então vamos colocar esta definição em ação. Os dados são introduzidos numa rede neural através da camada de input, a qual comunica com as camadas ocultas. O processamento ocorre nas camadas ocultas através de um sistema de ligações ponderadas. Os nós na camada oculta começam então a combinar dados da camada de input com um conjunto de coeficientes e atribuem as ponderações adequadas aos inputs. Estes produtos das ponderações dos inputs são então somados. A soma é passada através da função de ativação de um nó, que determina a extensão pela qual um sinal deve passar na rede para afetar o resultado final. Por último, as camadas ocultas ligam-se à camada de saída – de onde os resultados são retirados.
Próximos Passos
Veja como é que as redes neurais desempenham um papel de relevo na inteligência artificial.
Produto em destaque para as redes neurais
SAS® Visual Data Mining e Machine Learning
Apoia a extração de dados do início ao fim e processo de aprendizagem automática através de uma interface visual (e de programação) compreensiva que trata de todas as tarefas do ciclo de vida analítico.
Leitura recomendada
-
Article
Impeça fraudes em aplicações de seguros!Os vigaristas adoram a facilidade com que conseguem cometer crimes nos canais digitais. As companhias de seguros inteligentes estão a utilizar dados desses canais (impressão digital do dispositivo, endereço IP, geolocalização, etc.) juntamente com análise e machine learning para detetar fraudes nas aplicações de seguros que são perpetuadas por agentes, clientes e grupos criminosos organizados.
-
Article
Analytics leads to lifesaving cancer therapiesA long-shot treatment offers hope to 10-year-old Harrison after he learns the DNA profile of his cancer is resistant to chemo. Find out how data and analytics play a role in cancer research and cancer treatments that are saving lives.
-
Article
How to improve your AI marketing skillsMarketing teams can use current AI capabilities to enhance their efforts around campaign automation, dynamic pricing based on forecasting models, and by providing more relevant, real-time customer offers.
