7 Casos de Uso de Deep Learning

7 Casos de Uso de Deep Learning

Desde secretárias virtuais como a Clara, passando por Botkits como o Howdy, ao reconhecimento de imagens de satélite para encontrar minérios e detecção de câncer, Deep Learning está cada vez mais presente em nossas vidas.

É provável que você chegue ao final do dia com a sensação que ainda há muito por fazer, porém o tempo, como sempre, não foi suficiente. Mas saiba que isso pode estar com os dias contados. Estamos cada vez mais próximos do momento em que a Inteligência Artificial vai absorver muitas das tarefas que precisamos fazer ao longo do dia, nos deixando livres para aquilo que fazemos melhor: pensar.

Aplicações baseadas em Inteligência Artificial e Computação Cognitiva, nos permitirão fazer as coisas com maior eficiência e muito menos esforço. O aprendizado profundo (Deep Learning), que é um dos métodos tecnologicamente superiores na formulação de Inteligência Artificial, tem traçado o caminho da evolução do design de inteligência humana para desenvolver máquinas que podem executar tarefas por conta própria (e sem supervisão humana) ajudando na automação.

É muito interessante observar como Deep Learning vem alterando nossa vida em vários aspectos das atividades diárias, algumas que nem mesmo percebemos. Vejamos 7 casos de uso prático de técnicas de Deep Learning que vem sendo usadas ao longo dos últimos anos.

1- Compreendendo Comportamento do Cliente

O aprendizado profundo está sendo usado para desenvolver técnicas a fim de obter ideias mais claras sobre os desejos e as expectativas dos clientes no setor de comércio eletrônico.

Objetivo: entender o comportamento do cliente e sua propensão para comprar um produto específico.

Técnica de Deep Learning: Redes Neurais Recorrentes (RNN) tem potencial para maior precisão do que qualquer outra técnica de aprendizagem de máquina. Uma rede RNN geralmente é constituída por células computacionais alimentadas com dados históricos de consumidores. Essas células são fornecidas com um passo de tempo dado, o que ajuda o programa a entender o comportamento passo a passo do consumidor quando ele/ela está visualizando um produto específico em um site. Por exemplo, uma célula RNN observará quando o consumidor clica em um anúncio, é direcionado para uma página, visualiza um produto e o adiciona ao carrinho de compras. Essas RNNs geralmente são células de memória de longa duração e elas “lembram” e relacionam o comportamento do cliente em uma linha de produtos.

Inferência: os sites de comércio eletrônico, como ebay e Amazon, são os principais exemplos de empresas usando esse tipo de solução com Deep Learning. A sessão completa dos consumidores no site é observada e os dados são coletados. Quanto mais longo e dinâmico for um evento, maior será a propensão das pessoas a clicar no botão ‘comprar agora’. Uma vez que um comportamento específico do consumidor é observado no caso de uma gama de produtos, o site é otimizado para garantir que, na próxima vez que um consumidor semelhante visitar o site, ele tenha uma experiência mais envolvente a fim de converter em uma compra no menor tempo possível.

2- Reconhecimento de Faces

É surpreendente como as câmeras de segurança cresceram ao longo dos anos. Hoje, as câmeras de segurança baseadas em Machine Learning, usadas em aeroportos ou estacionamentos seguros, utilizam sua “mente” analítica para registrar não apenas uma intrusão particular, mas também rever e analisar a cena.

Objetivo: identificar, detectar e rastrear pessoas de interesse, veículos estacionados, falta de bagagem e muito mais usando CCTVs ou outras câmeras high-end.

Técnica de Deep Learning: uma VPU ou uma Vision Processing Unit, é um produto de aprendizado profundo muito avançado que pode superar a performance de CPUs ou mesmo de GPUs. Muitos procedimentos de processamento e aprendizado de máquina são realizados no dispositivo que o ajuda a analisar uma cena específica. Ele usa modelos convolucionais de Deep Learning para detectar e rastrear objetos e indivíduos.

Inferência: a maioria dos aeroportos agora é capaz de usar as técnicas de aprendizado profundo para identificar e rastrear pessoas de interesse (por exemplo, suspeitos de terrorismo, etc.), rastrear suas bagagens e detectar qualquer item suspeito muito rapidamente. Estas câmeras de segurança habilitadas para VPU instaladas nos aeroportos, geram alertas no momento em que acham que alguém deixa sua bagagem, permitindo detectar ameaças de segurança aeroportuárias em poucos minutos. Instalados em cenários de trânsito, eles também podem reconhecer carros sem motorista e ajudá-los a encontrar os lugares de estacionamento corretos.

3- Suporte Técnico Personalizado e Assistentes Pessoais

Com a introdução dos computadores, sempre houveram muitas discussões sobre como as máquinas substituiriam os seres humanos um dia. Agora é possível minimizar o trabalho humano e melhorar a eficiência com o aprendizado automático.

Objetivo: melhorar a eficiência do trabalho de uma organização através da instalação de uma unidade de equipe de suporte baseada em chatbots que usam Inteligência Artificial, em vez de contratar mão-de-obra manual.

Técnica de Deep Learning: Agentes são construídos usando uma combinação de algoritmos de aprendizado profundo que garantem a distribuição do trabalho, de modo que uma série de tarefas sejam realizadas no menor tempo possível e com custos mínimos e o melhor, aprendendo a cada interação. Agentes como os sistemas cyborg estão sendo desenvolvidos usando a técnica.

Inferência: já existem muitos exemplos de agentes como esse. Para a coordenação e agendamento de calendário, temos a Clara e para reunir o relatório de pessoal e consolidar a informação da reunião, temos Howdy e seu Botkit. O Google Now é o programa preferido para manter o horário através de alertas proativos e, para acompanhamento após as reuniões, o GridSpace Sift é um gerente brilhante.

4- Mineração com Redes Neurais Convolucionais

Imagens de satélite ajudaram a encontrar recursos minerais em vários países, como a Austrália. Os geólogos conseguiram usar os índices minerais integrados com os algoritmos para encontrar traços de minerais (mesmo ouro) no fundo da crosta terrestre.

Objetivo: Detectar depósitos minerais usando imagens de satélite multi-especiais ajudaram a encontrar recursos minerais.

Técnica de Deep Learning: o Transfer Learning é um ótimo caminho para as redes neurais convolutivas realizar essa função. Essas redes são pré-treinadas e alimentadas com dados sobre precisão de minerais e localização geográfica, antes de serem operados. A conversão de informações em dados geoespaciais é o desafio a ser superado.

Inferência: os geólogos na Áustria, estão atualmente usando o procedimento para localizar minerais em áreas relativamente inexploradas da terra.

5- Classificação Automática de Doenças Oculares

As máquinas de pesquisa médica baseadas em GPU, agora estão usando métodos de aprendizado profundo para descobertas médicas de forma automática e cada vez mais precisa.

Objetivo: simplificar os processos que conduzem à detecção de doenças oculares, proporcionando aos pesquisadores orientação baseada em informações históricas.

Técnica de Deep Learning: As redes neurais convolucionais estão sendo usadas para classsificar doenças de retinopatia diabética em várias categorias. Os dispositivos que detectam a doenção, são baseado em aprendizagem de máquina para analisar os estágios das doenças, a fim de garantir que o diagnóstico oferecido seja exato. Sistemas web, efetivamente programados, que compõem mais de 1000 imagens de olhos, são usados para ajudar os modelos de Deep Learning a analisar e identificar os estágios certos das doenças, possibilitando a precisão.

Inferência: Atualmente, os pesquisadores estão muito perto de desenvolver assistentes digitais para radiologistas, oftalmologistas e outros clínicos. Registaram-se progressos significativos no campo nos últimos anos.

6- Redução da Taxa de Erro no Diagnóstico de Câncer

O trabalho de pesquisa maciço que está sendo feito sobre o diagnóstico de câncer de mama, criou uma base de conhecimento colossal para cientistas de onde a variedade de informações muitas vezes é um problema.

Objetivo: usar dados compactos para habilitar o diagnóstico rápido e sem erros.

Técnica de Deep Learning: A técnica utilizada, envolve um grande papel desempenhado pelo framework de aprendizagem profunda cuDNN. Os modelos computacionais foram alimentados com dados suficientes que foram pesquisados até agora, tornando as máquinas ativas para os patologistas. Os planos de calor de probabilidade tumoral são usados para encontrar a probabilidade de um determinado elemento contendo câncer.

Inferência: a adoção deste método de aprendizagem de máquinas permitiu que os patologistas trabalhando com computadores, superassem os patologistas operacionais de forma surpreendente. O aprendizado de máquina foi adotado por várias organizações de pesquisa sobre câncer de mama. Os algoritmos desenvolvidos nas máquinas tecnologicamente aprimoradas ajudam os patologistas a identificar as células cancerígenas através das imagens dos linfonodos.

7- Carros Autônomos

Os robôs são ótimos quando se trata de realizar uma tarefa para o qual foram explicitamente programada, mas não conseguem logicamente traçar seu caminho através de um problema. O aprendizado profundo está pronto para mudar isso.

Objetivo: criar um sistema que entenda conexões entre vários conjuntos de dados.

Técnica de Deep Learning: Computador Neural Diferenciável (DNC). Este método combina aprendizado profundo com uma memória externa que pode relacionar conjuntos de dados complexos e desenhar conexões para descobrir logicamente as coisas, sem supervisão humana. É uma técnica de reconhecimento de padrões criando vínculos entre vários eventos dentro dos pontos de dados.

Inferência: o DNC foi desenvolvido pelo DeepMind do Google e hoje está sendo instalado em carros para que, uma vez apresentado a mapas, linhas e paradas, poder levar a rota mais curta e mais simples para navegar de um ponto para outro. Assim, tornando possível que novos condutores percorram novas estradas sem dificuldade.

E esses são apenas alguns poucos exemplos do uso de Deep Learning para revolucionar a nossa vida cotidiana. Com isso, estamos prontos para avançar a segunda parte do tutorial de Deep Learning em R, que lançarei em breve aqui no blog (clique aqui para ler a Parte 1).

Todas as técnicas de Deep Learning descritas neste artigo, são estudadas pelos alunos da Formação Inteligência Artificial, da Data Science Academy. Não deixe de conferir.

Obrigado

David Matos

 

Referências:

Diagnosing Cancer with Deep Learning and GPUs
https://news.developer.nvidia.com/diagnosing-cancer-with-deep-learning-and-gpus/

Deep Learning Helps Pathologists Detect Cancer
http://healthtechinsider.com/2017/03/09/deep-learning-helps-pathologists-detect-cancer/

Vision Processing Unit
https://en.wikipedia.org/wiki/Vision_processing_unit

Practical Use Cases of Deep Learning Techniques
http://www.cognitivetoday.com/2016/11/practical-deeplearning-usecases-2.html

Clara – Assistente Pessoal
https://claralabs.com/

Howdy Botkit
https://howdy.ai/

Gridspace Sift
https://www.gridspace.com/sift

Facts About Diabetic Eye Disease
https://nei.nih.gov/health/diabetic/retinopathy

Detecção de Câncer de Pulmão Usando Deep Learning
https://devpost.com/software/lung-cancer-detection-using-deep-learning

Differentiable neural computers
https://deepmind.com/blog/differentiable-neural-computers/

3 comments

  1. Muito bom, estou participando de pesquisas ligadas a redes neurais na universidade, por enquanto eles estão me ensinando muito coisa sobre (RNAs). Ano que vem eu já espero estar na equipe.

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *