Deep learning: o que fazer na fronteira da inteligência artificial

O uso da inteligência artificial tem se configurado nos últimos dois ou três anos mais como uma revolução, do que evolução. Os desdobramentos econômicos dessa tecnologia estão crescendo rapidamente na indústria, mas sobretudo nos serviços, que carregam 65% do PIB mundial.

Uma técnica de IA tem se destacado pelo espantoso resultado que vem obtendo: o deep learning (ou aprendizado profundo). Derivada do machine learning (ou aprendizado de máquina), o deep learning se inspira no funcionamento do cérebro ao utilizar unidades de processamento autônomas que fazem o papel de neurônios.

Conectadas em rede, essas unidades recebem uma demanda expressa pelo usuário (por exemplo, a busca por “ornitorrinco” no Google Imagens) e a partir dos dados de entrada, fatia cada uma em milhares de partes, comparando cada parte com um padrão de “ornitorrinco” previamente “aprendido”.

O resultado é uma classificação das imagens a partir daquela que tem maior verossimilhança com a chave de busca. Tudo isso, no caso do Google, em poucos décimos de segundo! O consumo de processamento, disco, memória e energia elétrica é voraz, tanto que protocolos para otimização de código constituem hoje uma das trilhas de pesquisa mais relevantes do setor.

A rede formada pela interconexão de diversas unidades de processamento (ou camadas) é comumente chamada de “rede neural”. As maiores hoje têm mais de 170 bilhões de camadas, como é o caso da já famosa rede GPT3.
É bem verdade que o termo rede neural está mais próximo do Marketing do que da Ciência da Computação, na medida em que associa semanticamente a tecnologia ao poder e ao mistério do cérebro humano, por ora insondável em toda sua complexidade e beleza.

Seja como for, o nome pegou e desde o final dos anos 1980 vem sendo utilizado pela indústria e pela academia. Recentemente, o conjunto de técnicas baseadas em redes neurais foi rebatizado de “deep learning”, que hoje representa o estado da arte da IA. A base, no entanto, ainda é a velha e boa matemática, mas aqui fica na versão de gala, cheia de álgebras lineares, geometrias analíticas e gradientes descendentes estocásticos.

O algoritmo deep learning “aprende” com o resultado de suas próprias recomendações, na medida em que agradam ou não o usuário. Em se mostrando satisfatória a saída, o “;caminho neuronal” que levou a ela é reforçado para decisões futuras. É assim, por exemplo, que funcionam as máquinas de recomendação do YouTube, do Spotify e do TikTok.

O algoritmo “aprende” os interesses do usuário, capturando dados tais como o tipo de vídeo assistido (aqui já há uma infinidade de parâmetros), o tempo que você assiste antes de ir para o próximo, os likes e compartilhamentos, os perfis de quem você segue, dentre outras dezenas de pontos de dados (lembre-se que você “leu e concordou”). A partir daí o algoritmo faz uma curadoria assustadoramente precisa dentre os milhões de vídeos da sua base e apresenta uma seleção para cada usuário.

Todo vídeo assistido impacta a máquina de recomendação e assim o perfil de cada um vai ficando cada vez mais consolidado. Santo Agostinho disse certa vez: “Deus é mais íntimo de mim do que eu mesmo”. Mil e seiscentos anos depois, chegamos a uma fronteira no mínimo estranha…

Como nem tudo é frívolo e fugaz no mundo da IA, há aplicações incríveis de deep learning, tais como a da startup Deep Genomics, que alimentou sua máquina de aprendizado profundo com toneladas de informações sobre biologia molecular e tem conseguido prever alterações no genoma humano, ajudando médicos e médicas a compreender mais precisamente doenças e anormalidades específicas de um indivíduo, apoiando métodos terapêuticos incrivelmente precisos.

Deep learning, como todas as ferramentas, pode ser tão boa quanto o uso que se faz dela.