Rede neural (NN)

Compreender as redes neuronais

Uma rede neuronal é constituída por camadas de nós interligados, ou neurónios. Normalmente, essas camadas incluem uma camada de entrada que recebe dados brutos, uma ou mais camadas ocultas que processam os dados e uma camada de saída que produz o resultado final, como uma classificação ou previsão. Cada ligação entre neurónios tem um peso, o que significa a importância da ligação. Os neurônios processam suas entradas usando uma função de ativação para determinar o sinal de saída que transmitem. A rede aprende ajustando esses pesos durante um processo de treinamento, geralmente usando algoritmos como gradient descent e backpropagation, para minimizar o erro entre suas previsões e os valores-alvo reais. Para obter orientação sobre treinamento eficaz, consulte nossas Dicas de treinamento de modelos.

Os modelos que utilizam a aprendizagem profunda são essencialmente redes neurais com várias camadas ocultas (daí o termo "profundo"). Esta profundidade permite-lhes aprender padrões altamente complexos e caraterísticas hierárquicas a partir de grandes conjuntos de dados, tornando-os excecionalmente eficazes para tarefas como a deteção de objectos e a segmentação de imagens. Ao contrário dos modelos de ML mais simples que podem exigir engenharia manual de caraterísticas, as NNs são excelentes na extração automática de caraterísticas relevantes de dados não estruturados, como imagens e texto.

Aplicações das redes neuronais

As redes neuronais são incrivelmente versáteis e têm sido aplicadas em vários domínios. Eis dois exemplos importantes:

1. Visão computacional: No campo da visão computacional (CV), as NNs, particularmente tipos especializados como as CNNs, são usadas para analisar e interpretar informações visuais. Modelos de última geração como Ultralytics YOLO utilizam redes neurais profundas para deteção de objectos em tempo real, segmentação de imagens e estimativa de pose, permitindo aplicações desde a condução autónoma à análise de imagens médicas. Podes treinar e implementar esses modelos utilizando plataformas como o Ultralytics HUB.
2. Processamento de linguagem natural: As NNs são fundamentais para o Processamento de Linguagem Natural (NLP), permitindo que as máquinas compreendam e gerem linguagem humana. As aplicações incluem tradução automática, análise de sentimentos e desenvolvimento de chatbots. Modelos como o BERT e vários modelos GPT baseiam-se em arquitecturas de redes neuronais sofisticadas, especificamente Transformers.

Redes neurais vs. conceitos semelhantes

É útil distinguir as NN dos conceitos de IA relacionados:

• Inteligência Artificial (IA): A IA é o campo alargado da criação de máquinas inteligentes. As NNs são uma técnica específica utilizada na IA para obter capacidades de aprendizagem.
• Aprendizagem automática (AM): O ML é um subconjunto da IA centrado em algoritmos que aprendem com os dados. As NNs são uma das principais classes de modelos de ML, particularmente dominantes na aprendizagem profunda.
• Aprendizagem profunda (DL): DL é um subcampo de ML que utiliza especificamente NNs com muitas camadas (arquitecturas profundas) para modelar padrões complexos. Todos os modelos de aprendizagem profunda são redes neurais, mas nem todas as redes neurais são profundas.
• Redes neurais convolucionais (CNNs): As CNNs são um tipo especializado de NN projetado principalmente para processar dados em forma de grade, como imagens, o que as torna altamente eficazes para tarefas de visão computacional.
• Redes Neuronais Recorrentes (RNNs): As RNNs são projetadas para lidar com dados seqüenciais, como texto ou séries temporais, por terem conexões que formam ciclos, permitindo que as informações persistam.
• Transformadores: Os transformadores são uma arquitetura mais recente, fortemente dependente de mecanismos de atenção, que se tornaram o estado da arte para muitas tarefas de PNL e são cada vez mais utilizados na visão computacional.

Em resumo, as redes neuronais são modelos poderosos, inspirados no cérebro, que permitem às máquinas aprender padrões complexos a partir dos dados. São blocos de construção fundamentais para a aprendizagem profunda e impulsionam o progresso em diversas aplicações de IA, desde a compreensão de imagens com visão computacional até ao processamento de linguagem em PNL.