Qual é a diferença entre aprendizado profundo, machine learning e inteligência artificial?

A inteligência artificial é um campo amplo com muitos termos e conceitos interconectados e é frequentemente usada como um termo abrangente para se referir a qualquer tipo de máquina inteligente. Na verdade, inteligência artificial, machine learning e aprendizado profundo são termos distintos com diferenças sutis. 

Para saber como a inteligência artificial e o machine learning podem ajudar sua empresa, confira os produtos e soluções de IA e ML do Google Cloud.

Clientes novos ganham até US$ 300 em créditos para testar a Vertex AI e outros produtos do Google Cloud. 

Para saber mais sobre a relação entre IA, aprendizado profundo e machine learning, continue lendo.

O que é aprendizado profundo?

O aprendizado profundo é um subconjunto do machine learning que usa redes neurais artificiais para processar e analisar informações. As redes neurais são compostas por nós computacionais em camadas dentro de algoritmos de aprendizado profundo. Cada camada contém uma camada de entrada, uma camada final e uma camada escondida. A rede neural é alimentada com dados de treinamento, o que ajuda o algoritmo a aprender e melhorar a acurácia. Quando uma rede neural contém várias camadas ocultas, além das camadas de entrada e saída, ela é considerada uma rede neural profunda, que é a base do aprendizado profundo.

Os algoritmos de aprendizado profundo são inspirados no funcionamento do cérebro humano e são particularmente poderosos para analisar grandes quantidades de dados não estruturados. Ele é usado em muitas tarefas que consideramos como IA hoje, incluindo reconhecimento de imagem e fala, detecção de objetos e processamento de linguagem natural. O aprendizado profundo pode criar correlações complexas e não lineares dentro de conjuntos de dados, mas exige mais dados de treinamento e recursos computacionais do que o machine learning.

Alguns tipos comuns de redes neurais usados para aprendizado profundo incluem:

  • As redes neurais do feedforward (FF, na sigla em inglês) são uma das formas mais antigas de redes neurais, com dados fluindo de formas por neurônios artificiais até a saída ser alcançada.
  • As redes neurais recorrentes (RNN, na sigla em inglês) são diferentes das redes neurais de encaminhamento, porque usam dados de séries temporais ou envolvem sequências. As redes neurais recorrentes têm a "memória" do que aconteceu na camada anterior conforme a saída da camada atual.
  • A memória de curto prazo longa (LSTM) é uma forma avançada de RNN que pode usar memória para “lembrar” o que aconteceu em camadas anteriores.
  • As redes neurais convolucionais (CNNs, na sigla em inglês) incluem algumas das redes neurais mais comuns na inteligência artificial moderna e usam várias camadas distintas (uma camada convolucional e depois uma camada de pooling) que filtram partes diferentes de uma imagem antes de colocá-la. novamente (na camada totalmente conectada).
  • As redes adversárias generativas (GANs, na sigla em inglês) envolvem duas redes neurais (um "geradora" e um "discriminador") que competem entre si em um jogo, o que melhora a precisão do resultado.

O que é machine learning?

Machine learning é um subconjunto da inteligência artificial que permite que um sistema aprenda e melhore de maneira autônoma sem ser programado explicitamente. Os algoritmos de aprendizado de máquina reconhecem padrões e dados e fazem previsões quando novos dados são inseridos no sistema.

Vários modelos diferentes são usados normalmente em machine learning, incluindo:

Aprendizado supervisionado

O aprendizado supervisionado é um modelo de machine learning que usa dados de treinamento rotulados (dados estruturados) para mapear uma entrada específica e uma saída. No aprendizado supervisionado, a saída é conhecida (como o reconhecimento da imagem de uma maçã) e o modelo é treinado com dados da saída conhecida. Em termos simples, para treinar o algoritmo a reconhecer fotos de maçãs, alimente-o com fotos rotuladas como maçãs.

Os algoritmos de aprendizado supervisionado mais usados atualmente incluem:

  • Regressão linear
  • Vizinhos mais próximos exatos
  • Naive Bayes
  • Regressão polinomial
  • Árvores de decisão

Aprendizado não supervisionado

O aprendizado não supervisionado é um modelo de machine learning que usa dados não rotulados (dados não estruturados) para aprender padrões. Ao contrário do aprendizado supervisionado, a saída não é conhecida antecipadamente. Em vez disso, o algoritmo aprende com os dados sem contribuição humana (ou seja, não supervisionado) e os categoriza em grupos com base em atributos.

Os algoritmos de aprendizado não supervisionado mais usados atualmente incluem:

  • Difundido significa
  • Criação de cluster k-means
  • Clustering hierárquico
  • Análise de componentes principais
  • Mínimos quadrados parciais

Aprendizado semi-supervisionado

Uma abordagem mista chamada aprendizado semi-supervisionado também é empregada com frequência, em que apenas alguns dados são rotulados. No aprendizado semi-supervisionado, o algoritmo precisa descobrir como organizar e estruturar os dados para chegar a um resultado conhecido. Por exemplo, o modelo de machine learning é informado de que o resultado final é uma maçã, mas apenas alguns dos dados de treinamento são rotulados como uma maçã.

Aprendizado por reforço

O aprendizado por reforço é um modelo de machine learning que pode ser descrito como "aprender fazendo" com uma série de experimentos de tentativa e erro. Um “agente” aprende a realizar uma tarefa definida por meio de um ciclo de feedback até que o desempenho esteja dentro de um intervalo desejável. O agente recebe reforço positivo quando executa a tarefa bem e reforço negativo quando tem um desempenho ruim. 

O que é a inteligência artificial?

A inteligência artificial é um campo da ciência que se concentra na criação de computadores e máquinas que podem raciocinar, aprender e atuar de maneira que normalmente exigiria inteligência humana ou que envolve dados com escala maior do que as pessoas podem analisar. A IA é um campo amplo que inclui muitas disciplinas, incluindo ciência da computação, dados e análises, engenharia de software e até filosofia. 

No nível de negócios, a IA é um conjunto de tecnologias com muitos casos de uso, incluindo análise de dados, previsões e previsões, processamento de linguagem natural, recomendações, automação de máquina, recuperação inteligente de dados e muito mais.

Inteligência artificial x machine learning x aprendizado profundo

Embora esses termos estejam relacionados, eles representam uma hierarquia clara: o aprendizado profundo é um tipo especializado de machine learning, e o machine learning é uma disciplina essencial no campo mais amplo da inteligência artificial. A principal distinção se resume à capacidade, complexidade e engenharia de atributos. 

Recurso

Inteligência artificial

Machine learning

Aprendizado profundo

Escopo e definição

Conceito mais amplo. Campo dedicado à criação de sistemas ou máquinas que podem realizar tarefas que normalmente exigem inteligência humana (por exemplo, raciocínio, resolução de problemas, aprendizado, percepção).

Um subconjunto da IA. Foca no desenvolvimento de sistemas que podem aprender e tomar decisões com base em dados, sem serem programados explicitamente para cada cenário.

Um subconjunto do ML. Usa redes neurais artificiais (ANNs) de várias camadas para aprender padrões complexos e representações hierárquicas diretamente de grandes quantidades de dados brutos.

Meta


Simular ou replicar a inteligência humana em máquinas.

Permitir que as máquinas aprendam com os dados para realizar tarefas específicas com precisão.

Para alcançar maior precisão e lidar com padrões mais complexos (especialmente em dados não estruturados) aprendendo automaticamente recursos dos dados usando redes neurais profundas.

Abordagem

Pode usar várias técnicas: lógica, sistemas baseados em regras, algoritmos de pesquisa, otimização e, talvez o mais importante, machine learning e aprendizado profundo.

Usa algoritmos (por exemplo, regressão linear, SVM, árvores de decisão, florestas aleatórias) para analisar dados, aprender com eles e tomar decisões ou fazer previsões embasadas.

Usa redes neurais artificiais complexas e multicamadas (inspiradas na estrutura do cérebro humano) com muitos parâmetros.

Requisitos de dados

Varia muito. A IA baseada em regras pode precisar de poucos dados, enquanto a IA baseada em ML/DL precisa de muitos dados.

Exige quantidades significativas de dados estruturados ou rotulados para treinar algoritmos de forma eficaz. Em geral, o desempenho melhora com mais dados.

Exige conjuntos de dados muito grandes (geralmente milhões de pontos de dados) para treinar as redes profundas de forma eficaz. O desempenho depende muito da escala dos dados.

Requisitos de hardware

Varia. A IA simples pode ser executada em hardware básico.

Geralmente podem ser executados em CPUs padrão, embora modelos complexos se beneficiem de mais poder computacional.

Geralmente exige computação de alto desempenho, especialmente GPUs ou TPUs, para treinamento eficiente devido a cálculos paralelos massivos.

Engenharia de atributos


Depende do método usado.

Geralmente exige uma engenharia de atributos manual significativa. Os humanos precisam selecionar, transformar e criar atributos de entrada relevantes a partir dos dados brutos para ajudar o algoritmo a aprender.

Realiza a extração de atributos automática. A rede aprende os atributos relevantes hierarquicamente pelas camadas diretamente dos dados brutos, reduzindo a necessidade de engenharia manual de atributos.

Tempo de treinamento

N/A para IA que não aprende. Varia muito para IA baseada em ML/DL.

Pode variar de segundos a horas, geralmente mais rápido que DL para tarefas em que ML é adequado.

Geralmente exige tempos de treinamento muito longos (horas, dias ou até semanas) devido a grandes conjuntos de dados e arquiteturas de rede complexas.

Interpretabilidade

Varia. Os sistemas baseados em regras podem ser altamente interpretáveis. A IA que usa ML/DL complexo pode ser difícil de interpretar.

Varia. Modelos mais simples (por exemplo, árvores de decisão, regressão linear) são relativamente mais interpretáveis. Modelos complexos (por exemplo, métodos de conjunto) podem ser menos.

Muitas vezes, falta transparência. Entender por que um modelo de aprendizado profundo tomou uma decisão específica pode ser difícil devido à complexidade e à quantidade de parâmetros.

Principais casos de uso e exemplos


Sistemas especialistas, programas de xadrez, solucionadores de problemas gerais, conceitos abrangentes para assistentes virtuais e carros autônomos.

Sistemas de recomendação em e-commerce ou serviços de streaming, filtragem de spam, manutenção preditiva, diagnóstico médico com base em dados estruturados, previsão de desistência de clientes.

Reconhecimento de imagens (marcação de fotos), processamento de linguagem natural (tradução, análise de sentimento), reconhecimento de fala (assistentes de voz), sistemas de percepção de veículos autônomos, análise avançada de imagens médicas.

Recurso

Inteligência artificial

Machine learning

Aprendizado profundo

Escopo e definição

Conceito mais amplo. Campo dedicado à criação de sistemas ou máquinas que podem realizar tarefas que normalmente exigem inteligência humana (por exemplo, raciocínio, resolução de problemas, aprendizado, percepção).

Um subconjunto da IA. Foca no desenvolvimento de sistemas que podem aprender e tomar decisões com base em dados, sem serem programados explicitamente para cada cenário.

Um subconjunto do ML. Usa redes neurais artificiais (ANNs) de várias camadas para aprender padrões complexos e representações hierárquicas diretamente de grandes quantidades de dados brutos.

Meta


Simular ou replicar a inteligência humana em máquinas.

Permitir que as máquinas aprendam com os dados para realizar tarefas específicas com precisão.

Para alcançar maior precisão e lidar com padrões mais complexos (especialmente em dados não estruturados) aprendendo automaticamente recursos dos dados usando redes neurais profundas.

Abordagem

Pode usar várias técnicas: lógica, sistemas baseados em regras, algoritmos de pesquisa, otimização e, talvez o mais importante, machine learning e aprendizado profundo.

Usa algoritmos (por exemplo, regressão linear, SVM, árvores de decisão, florestas aleatórias) para analisar dados, aprender com eles e tomar decisões ou fazer previsões embasadas.

Usa redes neurais artificiais complexas e multicamadas (inspiradas na estrutura do cérebro humano) com muitos parâmetros.

Requisitos de dados

Varia muito. A IA baseada em regras pode precisar de poucos dados, enquanto a IA baseada em ML/DL precisa de muitos dados.

Exige quantidades significativas de dados estruturados ou rotulados para treinar algoritmos de forma eficaz. Em geral, o desempenho melhora com mais dados.

Exige conjuntos de dados muito grandes (geralmente milhões de pontos de dados) para treinar as redes profundas de forma eficaz. O desempenho depende muito da escala dos dados.

Requisitos de hardware

Varia. A IA simples pode ser executada em hardware básico.

Geralmente podem ser executados em CPUs padrão, embora modelos complexos se beneficiem de mais poder computacional.

Geralmente exige computação de alto desempenho, especialmente GPUs ou TPUs, para treinamento eficiente devido a cálculos paralelos massivos.

Engenharia de atributos


Depende do método usado.

Geralmente exige uma engenharia de atributos manual significativa. Os humanos precisam selecionar, transformar e criar atributos de entrada relevantes a partir dos dados brutos para ajudar o algoritmo a aprender.

Realiza a extração de atributos automática. A rede aprende os atributos relevantes hierarquicamente pelas camadas diretamente dos dados brutos, reduzindo a necessidade de engenharia manual de atributos.

Tempo de treinamento

N/A para IA que não aprende. Varia muito para IA baseada em ML/DL.

Pode variar de segundos a horas, geralmente mais rápido que DL para tarefas em que ML é adequado.

Geralmente exige tempos de treinamento muito longos (horas, dias ou até semanas) devido a grandes conjuntos de dados e arquiteturas de rede complexas.

Interpretabilidade

Varia. Os sistemas baseados em regras podem ser altamente interpretáveis. A IA que usa ML/DL complexo pode ser difícil de interpretar.

Varia. Modelos mais simples (por exemplo, árvores de decisão, regressão linear) são relativamente mais interpretáveis. Modelos complexos (por exemplo, métodos de conjunto) podem ser menos.

Muitas vezes, falta transparência. Entender por que um modelo de aprendizado profundo tomou uma decisão específica pode ser difícil devido à complexidade e à quantidade de parâmetros.

Principais casos de uso e exemplos


Sistemas especialistas, programas de xadrez, solucionadores de problemas gerais, conceitos abrangentes para assistentes virtuais e carros autônomos.

Sistemas de recomendação em e-commerce ou serviços de streaming, filtragem de spam, manutenção preditiva, diagnóstico médico com base em dados estruturados, previsão de desistência de clientes.

Reconhecimento de imagens (marcação de fotos), processamento de linguagem natural (tradução, análise de sentimento), reconhecimento de fala (assistentes de voz), sistemas de percepção de veículos autônomos, análise avançada de imagens médicas.

Vá além

Comece a criar no Google Cloud com US$ 300 em créditos e mais de 20 produtos do programa Sempre gratuito.

Google Cloud