Longe vão os anos em que a inteligência artificial era apenas ficção. Com a tecnologia a ser melhorada a uma velocidade vertiginosa, a ficção tornou-se realidade e tudo começou com o desenvolvimento das redes neurais artificiais.

Em 1943 o mundo conheceu, pela primeira vez, o protótipo de uma rede neural artificial, criado por Warren McCulloh e Walter Pitts. Em 1958, porém, Frank Rosenblatt desenvolveu o Percepton, que armazenava informação da mesma forma que o cérebro através de um modelo probabilístico, ainda que longe do que existe hoje. Mais tarde, em 1975, Kunihiko Fukushima a desenvolver uma verdadeira rede neural multi-camada.

Nessa altura pretendia-se criar um sistema tecnológico que funcionasse de forma semelhante ao cérebro humano, principalmente na resolução de problemas e desempenho de tarefas específicas. Contudo, para que estas redes consigam reproduzir a lógica humana, têm de aprender e reter informação como o cérebro humano o faz.

Neste artigo iremos rever o que são as redes neurais artificiais, como funcionam e qual a sua relação com Machine Learning e inteligência artificial.

 

Tabela de conteúdos:

O que são redes neurais artificiais?

• Como funcionam as redes neurais artificiais?
• Tipos de redes neurais artificiais
• As aplicações das redes neurais artificiais

 

O que são redes neurais artificiais?

Assim como o cérebro humano, as redes neurais artificiais têm capacidade de adquirir, organizar e reter conhecimento. As redes neurais artificiais são, então uma subcategoria da tecnologia Machine Learning, a qual foi inspirada pelas funções e pela estrutura do cérebro humano.

Por ser uma técnica computacional, esta utiliza um modelo matemático que se traduz em camadas de nós que comunicam entre si, processam dados e estabelecem relações entre eles, tal como neurónios e neurotransmissores humanos.

Estes “nós”, ou neurónios artificiais, que constituem as redes neurais artificiais, conseguem aprender e melhorar o seu próprio desempenho através dos dados a que estão expostos. Deste modo, são criados algoritmos e a rede neural é submetida a treino.

 

Como funcionam as redes neurais artificiais?

Para que uma rede neural artificial responda da forma esperada a uma questão ou pedido, são-lhe providenciados dados de entrada e saída (ou, simplificando, a “pergunta” e a “resposta”). Mais tarde, a rede neural começa a identificar padrões e estruturas e começa a responder por si própria à entrada de dados.

Das camadas que constituem as redes neurais artificiais destaca-se a camada de entrada (input), a camada de saída (output) e outras camadas ocultas entre elas. Quantas mais camadas ocultas, mais capacidade de reter conhecimento e de responder da forma correcta terá.

Para encontrar uma resposta ao valor fixo introduzido, a rede vai passando essa informação de camada em camada até à camada de saída. Neste processo, chamado Forward Propagation, é possível controlar parâmetros como coeficientes sinápticos e a tendência. Assim, estes dois parâmetros são ajustados de forma a que a rede neural preveja a resposta da forma mais exacta possível.

Outro algoritmo bastante usado para o funcionamento das redes neurais é chamado de Back Propagation. Este algoritmo calcula a variação do erro e ajusta o coeficiente sináptico automaticamente.

 

Tipos de redes neurais artificiais

Actualmente existe mais do que um tipo de rede neural em funcionamento, que, mais tarde, se traduzem em softwares de Inteligência Artificial, por exemplo.

A mais básica rede neural é a falada na secção acima e chamada de Forward Propagation, que tem entre uma a três camadas neurais ocultas. Dentro das redes neurais básicas, distingue-se a Rede Neural Artificial Radial, que tem apenas três camadas, mas tem uma rápida capacidade de aprendizagem. Esta é utilizada, essencialmente para classificação não-linear, função aproximada e previsão de séries de tempo.

Em contraste às redes básicas, as redes deep learning são aquelas em que existem mais do que três camadas ocultas por onde os dados são processados e reconhecidos. Estas têm a capacidade de apreender informação e processá-la em profundidade, conseguindo responder à entrada de dados de forma mais completa.

A rede neural Autoencoder é uma rede que retém conhecimento sem ser supervisionada. Esta reduz a dimensão dos dados e extrai as características mais importantes. Por fim, a informação que deu entrada na primeira camada passa por várias camadas ocultas até ser reconstruída na camada de saída.

A Feedforward é a rede neural que apenas processa informação unicamente da camada de entrada para a camada de saída.

Também são utilizadas Redes Neurais Artificiais Convolucionais, nas quais é feito o reconhecimento de objectos e imagens, reduzindo a dimensão das mesmas. Tal como nas redes Autoencoder, as redes Convolucionais extraem as características mais relevantes dessas imagens e objectos e passam-nas pelas várias camadas para acabarem a ser reconstruídas na camada de saída.

As Redes Neurais Artificiais Recorrentes, por sua vez, processam sequências de dados mais complexas como vídeo, áudio e texto para depois as transmitir de uma etapa para outra. Dentro das redes neurais recorrentes, destacam-se as redes Long Short-Term Memory, que selectivamente descartam ou retêm informação, evitando os problemas de gradiente que as redes recorrentes podem ter. As redes neurais artificiais Long Short-Term Memory são normalmente utilizadas para tradução, reconhecimento de voz e fala e previsão de tempo.

Por fim, as Redes Neurais Artificiais Modulares são as redes compostas por várias outras redes mais pequenas. Cada uma destas responde a uma parte do problema, passa a informação para um integrador, que entrega a resposta final para a camada de saída. Este tipo de rede neural artificial complexa é utilizada para tarefas específicas e de grande dimensão, sendo que, normalmente, todas as redes que a compõem é ligada por um designer de forma, também ela, específica.

 

As aplicações das redes neurais artificiais

As redes neurais artificiais são dos avanços tecnológicos que mais fazem parte da vida das pessoas e das empresas. As aplicações destas redes são quase intermináveis e em quase todos os sectores, desde o financeiro ao sector da saúde, passando pela indústria.

Por existirem como parte constituinte de softwares de Inteligência artificial, são exemplos de aplicações de redes neurais:

• Detecção de fraudes financeiras.
• Previsão de indicadores financeiros.
• Reconhecimento de voz e processamento de linguagem natural.
• Reconhecimento de imagens e objectos para sistemas de vigilância.
• Gestão de stocks através de previsão de procura.
• Controlo de qualidade e de processos industriais.
• Diagnóstico de erros em maquinaria industrial.
• Reconhecimento de imagens médicas para diagnósticos.
• Previsão de tendências para marketing e análise de dados.