Deep learning é um daqueles temas que rapidamente ganham uma força enorme e que de repente está todo mundo falando sobre ele — sem necessariamente ter uma clareza do seu exato significado.
Então, antes de pensar nas eventuais utilizações e em como ele pode fazer diferença no seu trabalho, vamos entender o que é deep learning.
O conceito nasce da inteligência artificial: as máquinas podem aprender e isso se faz à medida que elas vão sendo utilizadas. No caso, o deep learning é uma variante desse aprendizado das máquinas que usa redes artificiais neurais.
Funciona assim: as redes neurais artificiais são constituídas de camadas que analisam sucessivamente o mesmo dado para reconhecê-lo e classificá-lo com uma altíssima margem de acerto, como se fosse um ser humano.
O que é deep learning e para o que ele serve?
Os padrões de análise proporcionados pelas redes neurais podem ser aplicados desde o reconhecimento automático de um idioma que está sendo falado por uma pessoa até, por exemplo, a identificação de marcadores de câncer no sangue de um paciente de um hospital. Cada vez que uma operação assim é realizada, o banco de informações ligado ao algoritmo cresce e a máquina se torna mais exata e com um maior reportório.
Isso ocorre porque os algoritmos de deep learning são formulados para serem capazes de analisar dados sem estruturação prévia e praticamente sem pré-processamento ou supervisão. Isso facilita para que a máquina possa lidar com sistemas mais complexos, baseados em linguagem e com mais variações, como preencher vazios em fotografias ou compor músicas.
Para exemplificar a força do deep learning, ele é o conceito que está por trás de revoluções — como o Google Tradutor e os assistentes pessoais (como o Cortana, da Microsoft).
Gigantes — como o Facebook — investem na estrutura tanto de hardware quanto de algoritmos e linguagens para possibilitar o melhor desempenho no aprendizado da máquina. O Google, por sua vez, lançou um curso totalmente gratuito para os interessados em se aprofundar no tema.
Quais são as aplicações mais difundidas?
Atualmente, o deep learning pode ser usado para as mais variadas aplicações. Conheça algumas delas:
- reconhecer imagens: ao assistir a um filme mudo, pode identificar uma cena em que haja um sino tocando e aplicar o som adequado a ela. Se for uma foto, ele pode aumentar a sua resolução, acrescentando pixels a ela por meio de reconhecimento de detalhes, ou escrever uma legenda bastante detalhada. Também é possível dar cor a imagens (e filmes) em preto e branco, além de organizá-las em coleções, por mais extensas que sejam;
- replicar padrões: partindo de um banco formado por fotos ou até por rascunhos, é possível replicar o estilo de grandes mestres das artes plásticas ou da música. O mesmo se aplica aos textos — com as devidas referências, a máquina consegue escrever conteúdos técnicos ou imitar poetas e romancistas;
- dirigir carros: o deep learning está na base das tecnologias desenvolvidas para os carros autônomos. Por meio delas, é possível identificar o caminho a ser seguido, obstáculos na estrada e operações a serem realizadas ao longo do trajeto. Não bastasse isso, elas também avaliam o comportamento de outros motoristas e consideram isso ao tomar suas decisões;
- diagnosticar doenças: por meio da análise de imagens de exames, torna-se possível identificar doenças, como uma simples fratura ou até um câncer, com uma precisão até superior à dos profissionais de saúde.
O objetivo deste texto foi ajudar você a entender o que é deep learning, compreender por que ele é tão importante e ficar por dentro de algumas das suas muitas aplicações, que vão desde a produção de legendas automáticas para imagens até a detecção de problemas de saúde.
Se você está impressionado com o poder do deep learning, que tal descobrir o que o Big Data Analytics pode fazer pelo seu negócio? Confira o artigo que publicamos sobre o tema!
Materia muito interessante
Obrigada pelo artigo 🙂 Acho que eu tenho uma equipe que pode obter cada sucesso 🙂 Mas sem kanbantool.com, nao conseguimos arranjar e controlar todas tarefas. Ferramentas digitais podem ajudar bastante – tal como manager ou teamledaer, mas mais suave 🙂 Eu planejo o dia do trabalho com kanban e todas tarefas sao cumpridas. Eu sei que nao cada um gosta trabalhar assim, mas comigo funciona 🙂
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?