Qual é a diferença entre Machine Learning e Deep Learning?

Uma dúvida que eu já tive há algum tempo foi sobre a diferença entre machine learning e deep learning. Confesso que, apesar da diferença na relação semântica — pois a primeira se traduz “aprendizado de máquina” e a segunda “aprendizado profundo” — fiquei por muito tempo pensando que os dois termos eram a mesma coisa.

Com o passar do tempo, descobri que, ironicamente, Machine Learning e Deep Learning são a mesma coisa, mas não são a mesma coisa. Para entender a diferença entre Machine Learning e Deep Learning, precisamos focar no campo da inteligência artificial.

Machine Learning, em poucas palavras, significa o aprendizado de um computador através de dados usando algoritmos para executar determinada tarefa sem ter sido especificamente programado.

Deep learning utiliza uma estrutura complexa de algoritmos modelados com base no cérebro humano. Isso permite, portanto, o processamento de dados sem estrutura formatada previamente, como documentos, imagens e textos.

Na ciência da computação, Deep Learning é um campo específico do Machine Learning, que, por sua vez, é um campo de estudos da Inteligência Artificial. Pensando assim, Deep Learning é Machine Learning.

No entanto, vamos entender os conceitos de cada definição para entendermos a diferença entre Machine Learning e Deep Learning, observando a aplicação de cada técnica em exemplos reais.

Machine Learning

A definição mais ampla de Machine Learning é “um subcampo de estudos da ciência da computação cujo objetivo é a criação de algoritmos que, para serem úteis, dependem de uma coleção de exemplos de determinado fenômeno. Esses exemplos podem vir da natureza, ou ser criados pelo homem e também originados de outro algoritmo”.

Em suma, o termo descreve a relação entre ciência da computação e estatística, ressaltando o uso de algoritmos para a execução de uma tarefa específica sem a necessidade de uma programação anterior.

Assim, Machine Learning é o reconhecimento de padrões em dados brutos que permite que a inteligência artificial possa fazer previsões quando novos dados chegarem.

Existem duas formas de aprendizados dos algoritmos: supervisionado ou não supervisionado, dependendo dos dados utilizados para executar os algoritmos.

Não iremos nos aprofundar nas diferenças entre essas duas formas de aprendizado, mas vale compreender um pouco sobre os algoritmos usados no Machine Learning.

Surpreendentemente, algoritmos de Machine Learning podem ser tão simples como uma regressão linear, uma equação muito usada em estatísticas para estimar o valor esperado de uma variável y com base nos dados e valores de outras variáveis x.

Sem entrar muito no mundo da matemática, esse exemplo ressalta a função do Machine Learning que é o uso de dados para prever novos dados. Além disso, também ressalta a estatística como força motriz por trás do Machine Learning.

No entanto, o desempenho desses algoritmos mais simples dependem bastante na representação dos dados que o computador recebe, sobretudo quando se trata de inteligência artificial.

Deep Learning é a técnica para imitar o cérebro humano?

Como foi dito acima, a inteligência artificial já é um campo específico da ciência. Nos primórdios, o foco da IA era resolver problemas consideravelmente difíceis para o intelecto humano, mas relativamente fáceis para computadores. Obviamente, estamos falando de problemas matemáticos. No entanto, o verdadeiro desafio da inteligência artificial, ironicamente, foi exatamente o contrário: resolver problemas que o ser humano conseguia facilmente executar, mas com dificuldade em descrever de maneira formal.

Leia mais: O que é inteligência artificial?

Desse modo, a solução para que os computadores pudessem aprender com treinamento e compreender o mundo no sentido hierárquico de conceitos, em que cada conceito é definido com base em sua relação a conceitos mais simples.

Ao absorver o conhecimento através da experiência, essa abordagem evita, afinal de contas, a necessidade do ser humano especificar detalhadamente todas as instruções necessárias ao computador.

Enfim, a hierarquia de conceitos permite que o computador aprenda conceitos mais complexos por etapas. É pela profundidade desses conceitos, que se sobrepõe até chegar aos mais complexos, que essa abordagem recebeu o nome de Deep Learning. Deep = profundo.

Recentemente, o Deep Learning ganhou bastante atenção da mídia devido aos desenvolvimentos recentes que permitiram maravilhas da tecnologia.

O Deep Learning descreve algoritmos que analisam dados com uma estrutura lógica similarmente ao que o cérebro humano faz, com base em como as tiramos as conclusões.

Os algoritmos do Deep learning, portanto, podem ser considerados como evoluções dos algoritmos do Machine Learning, devido à descrição lógica da análise de dados.

Para tal, as aplicações de Deep Learning usam uma estrutura de algoritmos conhecida como Rede Neural Artificial (ANN – Artificial Neural Network). Como o nome já diz, essa rede é inspirada pela rede neural do cérebro humano, criando um processo de aprendizado muito mais eficiente que os modelos tradicionais do Machine Learning.

Mas, então, qual é a diferença entre Machine Learning e Deep Learning?

Diferença entre Machine Learning e Deep Learning

Se no início do artigo afirmamos não haver diferença entre Machine Learning e Deep Learning, pois o último faz parte do primeiro, o sentido deste artigo se altera.

Entretanto, como há um tratamento especial para o Deep Learning na comunidade científica, é necessário entender o que o faz diferente, mesmo sendo parte do Machine Learning.

Primeiramente, como o Deep Learning não depende tanto da intervenção humana, logo, podemos constatar que é necessária uma grande quantidade de dados para o seu uso.

Esse é o motivo pelo qual o Deep Learning só ganhou atenção na era do Big Data. O segundo motivo também se dá pela atualidade: o alto desempenho dos computadores.

Como o Deep Learning depende de uma quantidade absurda de dados, este é usado em máquinas com grande desempenho computacional. Por exemplo, o software de direção autônoma da Tesla só existe graças ao Deep Learning, pois essa inteligência artificial precisa de milhões de imagens e vídeos para funcionar corretamente.

No entanto, para um carro da Tesla reconhecer uma placa de “Pare”, basta o uso de um algoritmo tradicional de Machine Learning. No entanto, haverá, obviamente, maior intervenção de um programador.

Exemplos

Como já explicamos a diferença entre Machine Learning e Deep Learning, agora listaremos alguns exemplos dos dois campos da IA utilizados frequentemente.

Reconhecimento de imagem: um dos principais exemplos do uso de Machine Learning é o reconhecimento de imagem. Graças ao treinamento do computador, é possível identificar um objeto como uma imagem digital com base na intensidade dos pixels.

Além disso, o reconhecimento facial existe graças ao machine learning que utiliza um banco de dados de rostos, permitindo que o sistema identifica similaridades e gere um resultado preciso.

Experiência do consumidor: A Amazon e outros grandes nomes do ecommerce não teriam se tornado gigantes sem o Machine Learning e o Deep Learning. Para citar alguns exemplos, os chatbots só existem graças ao Machine Learning e ao Deep Learning, servindo para aprimorar o atendimento ao cliente de maneira online.

Tradução: Se a base dos tradutores online é o Machine Learning, o seu avanço ocorreu graças ao Deep Learning. O Deep Learning ajudou a fortalecer a precisão da tradução automática através do uso de redes neurais, permitindo, até mesmo, traduções a partir de imagens.

Assistentes virtuais: Alexa, Siri, Cortana, Google Assistente e afins existem graças ao Deep Learning. Todos esses assistentes virtuais precisam conseguir reconhecer a linguagem e a fala humana, o que ocorre graças à imensidão de dados obtidos através do treinamento com o Deep Learning.

Carros Autônomos: Elon Musk não seria o homem mais rico do mundo sem o Deep Learning. Certamente, graças a esse avanço da inteligência artificial, existem os carros autônomos da Tesla.

É através do Deep Learning que os carros autônomos conseguem compreender os cenários das estradas, o significado dos sinais de trânsito, a presença de pedestres, os limites de velocidade e muitas outras situações que ocorrem durante o tráfego. É por isso que é necessária uma vasta quantidade de dados. Obviamente, quanto mais dados, melhor é a eficiência dos algoritmos.

Fonte: “Deep Learning”, por Ian Goldfellow