Aprendizado de máquina versus aprendizado profundo: principais diferenças explicadas

Embora o aprendizado de máquina e o aprendizado profundo sejam frequentemente usados ​​de forma intercambiável, eles se referem a dois subdomínios da inteligência artificial. Representam abordagens diferentes (mas relacionadas) à análise de dados; o aprendizado profundo é um subconjunto do aprendizado de máquina. As distinções entre eles são importantes e tornam-se especialmente relevantes ao comunicar sobre tópicos técnicos, como ao avaliar ferramentas e serviços de análise de dados, decidir quais abordagens adotar para resolver um problema de dados ou ter conversas profundas com engenheiros e especialistas do domínio.

Índice:

• O que é aprendizado de máquina?
• O que é aprendizagem profunda?
• Aprendizado de máquina versus aprendizado profundo
• Aplicações de ML e aprendizagem profunda
• Benefícios do ML e do aprendizado profundo
• Desafios de ML e aprendizagem profunda
• Conclusão

O que é aprendizado de máquina?

O aprendizado de máquina (ML) é um subconjunto da inteligência artificial (IA). O nome refere-se a todos os sistemas onde uma máquina (geralmente um computador ou uma combinação de computadores) aplica técnicas matemáticas e estatísticas automáticas para descobrir ou aprender padrões a partir de dados.

O ML visa construir sistemas inteligentes e independentes. Isso significa que ele aprenderá padrões e os melhorará a partir dos dados, com o objetivo de ter poucos componentes codificados e reduzir a interação humana. O campo do aprendizado de máquina existe desde a década de 1960 e há um grande conjunto de algoritmos e técnicas que foram desenvolvidos e estudados desde então.

Tipos de aprendizado de máquina

Muitos tipos diferentes de sistemas se qualificam como ML. Estes são os mais comuns:

• Os modelos de aprendizagem não supervisionados usam dados não estruturados com pouca ou nenhuma orientação humana.
• Os modelos de aprendizagem supervisionada requerem orientação e dependem da contribuição humana – incluindo, por exemplo, informações sobre o formato e a estrutura dos dados.
• Os modelos semissupervisionados recebem orientação de uma pequena quantidade de dados estruturados e, em seguida, usam insights desses dados para refinar sua precisão em um conjunto maior de dados não estruturados.
• Os modelos de reforço aprendem a tomar decisões interagindo com seu ambiente. Esses modelos agem, recebem feedback positivo ou negativo e depois ajustam o comportamento para atingir o objetivo desejado.
• Modelos autosupervisionados criam seus próprios rótulos usando dados brutos e não estruturados.

O que é aprendizagem profunda?

Os avanços recentes em ML vieram principalmente de um subconjunto especializado de ML conhecido como aprendizado profundo. O aprendizado profundo refere-se ao subconjunto de sistemas de ML implementados sobre um subconjunto de redes neurais chamadas redes neurais profundas. Redes neurais profundas são redes neurais grandes, fortemente interconectadas e com muitas camadas de neurônios disponíveis para processamento.

Tipos de redes de aprendizagem profunda

Como outras técnicas avançadas de ML, os sistemas de aprendizagem profunda podem aprender de maneira supervisionada ou não. Eles podem ser construídos com apenas uma ou uma combinação de duas ou mais arquiteturas de redes neurais avançadas. Algumas redes, como as redes neurais feed-forward (FNNs), movem dados apenas em uma direção entre as camadas de neurônios. Em contraste, outras, como as redes neurais recorrentes (RNNs), podem formar loops internos e, como efeito colateral, comportar-se como se tivessem memória.

Arquiteturas avançadas, como redes neurais convolucionais (CNNs), estruturam como e quando partes dos dados são repetidas na entrada de uma NN. Isso dá dicas sobre onde nos dados a rede deve procurar relacionamentos.

Múltiplas redes neurais podem ser desenvolvidas em conjunto, com cada sub-rede especializada em um subconjunto do espaço do problema. Por exemplo, redes adversárias generativas (GANs) tendem a treinar modelos que tentam competir entre si (um falsificando novos dados que deveriam pertencer a um conjunto de dados e o outro treinando para detectar fraudes), e arquiteturas de duas torres colaboram para aprender sobre duas partes profundamente interconectadas, mas distintas, de um conjunto de dados.

Combinações mais complexas de arquiteturas também são comumente usadas juntas na construção de sistemas de aprendizagem profunda. Essas arquiteturas podem ser estendidas usando estruturas de neurônios especializadas, como transformadores e unidades retificadoras, ou empregadas para emular, implementar e aprimorar outros sistemas de aprendizado de máquina, como árvores de decisão.

Aprendizado de máquina versus aprendizado profundo: principais diferenças

O aprendizado profundo é um subconjunto do aprendizado de máquina e possui algumas restrições e vantagens específicas incorporadas. Aprendizado de máquina é um termo geral e abrange uma gama mais ampla de opções e compensações para analisar dados e detectar padrões neles. Esta tabela destaca as diferenças. Você encontrará mais detalhes abaixo.

O aprendizado profundo depende de grandes conjuntos de dados

As técnicas de aprendizagem profunda muitas vezes dependem do acesso a conjuntos de dados extremamente grandes, enquanto os sistemas de ML podem ser úteis quando há poucos ou nenhum dado disponível. Além disso, se a contribuição humana qualificada e especializada estiver disponível, o ML pode tirar vantagem dela de forma mais explícita do que qualquer sistema de aprendizagem profunda.

Em geral, os sistemas de ML cobrem uma gama mais ampla de técnicas e apresentam uma gama de implementação mais flexível. O deep learning concentra-se exclusivamente em técnicas adequadas para trabalhar com grandes conjuntos de dados, como redes neurais profundas e seus algoritmos de suporte.

O ML pode ser mais fácil de otimizar e entender

Com seu escopo muito mais amplo, o ML abrange muitas abordagens tradicionais e bem estudadas de processamento de dados, como árvores de decisão, clustering e muitos tipos de regressão. Com décadas dedicadas ao seu estudo, muitas dessas abordagens têm um desempenho integrado bem conhecido e outras vantagens e desvantagens.

Eles oferecem implementações mais flexíveis do que os sistemas de aprendizagem profunda dependentes de redes neurais e podem ser mais eficientes em termos de recursos e custos. O aprendizado profundo geralmente exige muitos recursos e está no topo da escala de custos.

O aprendizado profundo é mais poderoso e não tão geral

Os sistemas de aprendizagem profunda são melhores para aplicações com escopo e foco mais restritos, por exemplo, problemas com grandes quantidades de dados relacionados disponíveis, tempo suficiente para o treinamento prolongado de uma rede neural e quando a precisão da execução é priorizada em detrimento da capacidade de rastreamento. exatamente o que o sistema está fazendo e por quê.

Os sistemas de ML podem ser aplicados a toda a gama de problemas em que as máquinas podem encontrar e aplicar automaticamente padrões nos dados, incluindo aqueles em que há menos dados disponíveis, em que os sistemas são fáceis de compreender pelos humanos e em que a elevada precisão é menos relevante.

Aplicações de ML e aprendizagem profunda

Sistemas e aplicativos de aprendizagem profunda e baseados em ML são continuamente incorporados em cada vez mais aspectos de nossas vidas. Aqui estão alguns exemplos bem conhecidos abaixo.

Detecção de spam

Um dos primeiros aplicativos de aprendizado de máquina em larga escala foi detectar e filtrar mensagens de email de spam. O problema é ideal para aprendizado de máquina aplicado.

São grandes volumes de e-mails e possuem uma estrutura bem definida. É fácil marcar e-mails indesejados como spam, por isso não é difícil criar grandes conjuntos de dados de e-mails marcados como “spam” ou “ham” (ham é o oposto de spam). Sistemas de classificação podem ser facilmente construídos com base nesses dados e, em seguida, usados ​​para filtrar e-mails de spam rapidamente em escala de Internet.

A detecção de spam é um exemplo em que os sistemas de aprendizagem profunda (ainda) não são tão adequados para resolver como as técnicas de ML mais tradicionais. Apesar das melhorias significativas, o tempo e o custo necessários para manter os sistemas de aprendizagem profunda atualizados com os mais recentes avanços em spam ainda não compensam a sua maior precisão. Sistemas de aprendizagem profunda podem ser usados ​​para otimizar pipelines de ML em geral, e sistemas de treinamento de ML para detecção de spam em grande escala podem integrá-los para esse propósito.

Sistemas de recomendação

Lojas de comércio eletrônico, serviços de streaming de mídia e mercados online são apenas alguns dos exemplos de serviços que dependem da capacidade de fazer recomendações sobre onde os usuários devem gastar seu dinheiro. Os sistemas de recomendação são outro exemplo típico de problema adequado ao aprendizado de máquina.

À medida que os usuários consomem mídia e compram on-line, os sistemas subjacentes podem criar grandes conjuntos de dados com sinais claros (o usuário consumiu versus o usuário não consumiu). Tanto o aprendizado profundo quanto as técnicas de ML mais tradicionais podem ser aplicadas a esse problema; sistemas de recomendação em larga escala usam combinações inteligentes de ambos os tipos de algoritmos.

Carros que descobrem caminhos e dirigem sozinhos

Algoritmos tradicionais de ML não supervisionados baseados em técnicas bem conhecidas de localização de rotas, como o algoritmo de Dijkstra e o algoritmo A*, são mais adequados para encontrar o melhor caminho entre dois pontos em um roteiro. Esses algoritmos podem estudar mapas, tráfego e outros dados com antecedência, descobrir padrões, ajustar em tempo real com base nas condições do mundo real e funcionar muito bem.

Porém, quando se trata de realmente navegar um carro entre dois pontos, a quantidade e a complexidade das informações a serem processadas são altas demais para qualquer técnica tradicional de ML trabalhar. Os sistemas autônomos são construídos quase exclusivamente com técnicas de aprendizagem profunda.

Benefícios do ML e do aprendizado profundo

Quando bem utilizados, o aprendizado de máquina e os sistemas especializados de aprendizado profundo são transformadores. Eles podem aprimorar especialistas humanos, tornando sua produção mais rápida, mais impactante, menos dispendiosa, de maior qualidade ou uma combinação de todos os itens acima.

Maior velocidade, escala e custo com ML

Os sistemas de ML podem substituir parte ou todo o trabalho e processos de um especialista, reduzindo o tempo e a atenção necessários para concluir uma tarefa. Como resultado, o seu trabalho pode ser aplicado numa escala muito maior do que antes.

Por exemplo, uma equipe de técnicos que avaliam exames de ressonância magnética em busca de anormalidades pode ser capaz de avaliar seis exames por hora, ou cerca de 200 por semana. Se a mesma equipe se concentrasse no treinamento de um conjunto de algoritmos de aprendizado de máquina para realizar as partes mais rotineiras de sua análise, os algoritmos poderiam avaliar milhares de exames de ressonância magnética por semana, por uma fração do custo.

Maior impacto e qualidade com aprendizagem profunda

Quando aplicados a problemas para os quais os sistemas de aprendizagem profunda são adequados, eles podem ampliar sistemas que incorporam ML e aumentar sua qualidade e impacto geral.

Continuando o exemplo acima, os sistemas de aprendizagem profunda podem ser aplicados a condições com um volume suficientemente grande de exames de ressonância magnética. Se o volume de varreduras for suficiente, e depois de tempo e recursos suficientes serem dedicados à construção de sistemas de aprendizagem profunda, eles provavelmente farão um trabalho melhor do que os especialistas na identificação do conjunto restrito de anormalidades para as quais foram treinados.

Esses sistemas podem então ser implantados em escala para obter o máximo impacto, processando exames de ressonância magnética individuais a custos insignificantes. As análises de técnicos de ressonância magnética e de outros especialistas podem aumentar a produção dos sistemas de aprendizagem profunda para casos incomuns ou excepcionais, alcançando uma qualidade combinada ainda maior.

Desafios de ML e aprendizagem profunda

Embora muitos tipos de trabalho possam se beneficiar enormemente do ML aplicado ou do aprendizado profundo, incorporar IA como esses em um sistema pode ser difícil. Aqui estão alguns dos desafios e obstáculos mais comuns que surgem.

A compensação entre custo e precisão

Sistemas de computador maiores e mais caros podem executar algoritmos de ML e aprendizado profundo mais avançados com mais rapidez e em maior escala. Como resultado, há um equilíbrio entre quanto dinheiro é gasto no sistema e quão eficaz ele é em termos de hardware e contratação de especialistas mais talentosos para montá-lo. A utilização eficaz de recursos limitados em sistemas de ML e de aprendizagem profunda requer cuidado considerável.

Uma dependência de grandes conjuntos de dados

O ML, em geral, e o aprendizado profundo especificamente, dependem do acesso a grandes conjuntos de dados continuamente atualizados durante a fase de treinamento. Os algoritmos são tão bons quanto a qualidade e o volume de dados nos quais são treinados. Gerenciar grandes conjuntos de dados de maneira eficaz é difícil e leva tempo e criatividade para aplicar o ML de maneira mais eficaz a um determinado conjunto de dados.

A compensação entre precisão e clareza

Os sistemas de aprendizagem profunda podem ser treinados para serem extremamente precisos, muito mais do que outros sistemas de ML construídos com parâmetros equivalentes. A precisão tem um custo; os sistemas manipulam dados em grande escala e usam algoritmos avançados que são impossíveis de serem compreendidos pelos humanos em um prazo prático.

Algoritmos de ML mais tradicionais têm sido estudados há muito mais tempo, têm características mais bem definidas e podem ser induzidos a funcionar de maneiras fáceis de serem compreendidas pelos humanos. Qualquer implementação de ML e aprendizagem profunda deve encontrar o equilíbrio ideal entre precisão e clareza.

A compensação entre viés técnico e variância

À medida que os sistemas de ML aumentam a complexidade dos algoritmos, os recursos dedicados ao treinamento e a quantidade de dados usados ​​para treinamento, eles podem aprender cada vez mais sobre as propriedades de seus dados de treinamento. Este fenômeno é denominado preconceito (técnico); sistemas extremamente tendenciosos serão muito precisos quando virem dados semelhantes aos que foram treinados.

O viés alto geralmente ocorre às custas de uma variância muito baixa – o sistema não reagirá muito a novos dados que sejam muito diferentes daqueles que viu no treinamento. Sistemas ideais, que apresentam baixo viés e baixa variância, são difíceis de construir. Encontrar o equilíbrio correto entre viés e variância para uma aplicação específica é mais fácil para algoritmos de ML tradicionais mais bem estudados e mais estabelecidos. Pode ser difícil conseguir isso com algoritmos de aprendizado profundo mais complexos.

Conclusão

Os sistemas de aprendizagem profunda são um subconjunto especializado de ML que utiliza redes neurais profundas e multicamadas para resolver problemas complexos com grandes conjuntos de dados. Embora ofereçam precisão e recursos de processamento superiores, eles apresentam desvantagens, como interpretabilidade reduzida, dependência de dados extensos e flexibilidade de otimização limitada.

Por outro lado, os métodos tradicionais de ML costumam ser mais econômicos, mais fáceis de implantar e fornecem resultados mais transparentes e previsíveis. Eles também são mais simples de ajustar para tarefas específicas. Ambas as abordagens têm pontos fortes e fracos distintos, e compreender as suas aplicações e limitações é crucial para uma implementação eficaz em cenários do mundo real.