Deep learning vs. Machine learning: Qual é a diferença?

Aqui está a conclusão mais simples para entender a diferença entre deep learning e machine learning: Tudo que se refere a deep learning tem a ver com machine learning, mas nem toda deep learning é uma machine learning.

Por Patrick Grieve, Escritor colaborador

Última atualização em 10 julho 2023

Entender os avanços mais recentes em inteligência artificial (IA) pode parecer assustador, mas se você tem interesse em aprender o básico, muitas inovações em IA podem ser resumidas em dois conceitos: machine learning e deep learning.

Exemplos de machine learning e deep learning estão em toda parte. É o que torna carros autônomos uma realidade, como a Netflix sabe o que você vai querer assistir logo em seguida e como o Facebook reconhece quem está em uma foto.

Muitas vezes, machine learning e deep learning parecem ser palavras da moda intercambiáveis, mas existem diferenças entre elas. O que são exatamente esses dois conceitos que dominam a conversa sobre IA e como eles se diferenciam? Continue lendo para descobrir.

Deep learning vs. Machine learning

O primeiro passo para entender a diferença entre machine learning e deep learning é reconhecer que a deep learning é machine learning.

Mais especificamente, a deep learning é tida como uma evolução da machine learning. Ela utiliza uma rede neural programável que permite que as máquinas tomem decisões precisas sem ajuda de humanos.

Mas, para começar, vamos primeiro definir machine learning.

O que é machine learning?

Definição de machine learning: Trata-se de uma aplicação de inteligência artificial que inclui algoritmos capazes de analisar dados, aprender com esses dados e, em seguida, aplicar o que aprenderam para tomar decisões informadas.

Como funciona a machine learning?

Um exemplo fácil de algoritmo de machine learning é um serviço de streaming de música sob demanda. Para o serviço decidir quais novas músicas ou artistas recomendar a um ouvinte, os algoritmos de machine learning associam as preferências desse ouvinte a outros ouvintes com gostos musicais semelhantes. Essa técnica, muitas vezes chamada de IA, é usada em diversos serviços que oferecem recomendações automatizadas.

A machine learning envolve muita matemática e programação complexa que, no final das contas, acaba desempenhando a mesma função mecânica de uma lanterna, um carro ou uma tela de computador. Quando dizemos que algo é capaz de ser uma "machine learning", significa a possibilidade de executar uma função com os dados fornecidos e melhorar progressivamente ao longo do tempo. É como se você tivesse uma lanterna que se acendesse sempre que você dissesse: "Está escuro"; e ela pudesse reconhecer diferentes frases contendo a palavra "escuro".

A machine learning impulsiona todo tipo de tarefas automatizadas que se estendem por vários setores, desde empresas de segurança de dados (que procuram malware) até profissionais financeiros que desejam receber alertas para fazer negociações assertivas. Os algoritmos de IA são programados para aprender constantemente de uma maneira que simula um assistente pessoal virtual – algo que eles fazem muito bem.

A forma como as máquinas podem aprender novos truques se torna algo realmente interessante (e emocionante) quando começamos a falar sobre deep learning e redes neurais profundas.

O que é deep learning?

Definição de deep learning: É uma subárea da machine learning que estrutura algoritmos em camadas para criar uma "rede neural artificial" capaz de aprender e tomar decisões inteligentes por conta própria.

Como a deep learning funciona?

Um modelo de deep learning é projetado para analisar continuamente dados com uma estrutura lógica semelhante à forma como um ser humano tiraria conclusões. Para fazer essa análise, as aplicações de deep learning utilizam uma estrutura em camadas de algoritmos chamada de rede neural artificial. O design de uma rede neural artificial é inspirado na rede biológica de neurônios do cérebro humano, resultando em um sistema de aprendizado bem mais capacitado do que os modelos convencionais de machine learning.

É uma tarefa complicada garantir que um modelo de deep learning não tire conclusões incorretas – assim como outros exemplos de IA exigem muito treinamento para obter os processos corretos de aprendizado. Mas quando funciona a partir do que se pretende, a deep learning funcional é frequentemente vista como uma maravilha científica, que muitos consideram ser a base da verdadeira inteligência artificial.

Um grande exemplo de deep learning é o AlphaGo do Google. O Google criou um programa de computador com sua própria rede neural que aprendeu a jogar o jogo de tabuleiro abstrato Go, conhecido por exigir um intelecto aguçado e muita intuição. Ao jogar contra jogadores profissionais do Go, o modelo de deep learning do AlphaGo aprendeu a jogar em um nível nunca visto em IA e assim o fez sem ser instruído sobre quando deveria fazer uma jogada específica (algo que um modelo de machine learning convencional exigiria).

Isso causou bastante alvoroço quando o AlphaGo venceu vários "mestres" mundialmente renomados do jogo – a máquina conseguiu não apenas compreender as técnicas complexas e aspectos abstratos do jogo, como também se tornou um dos maiores jogadores. Foi uma disputa entre inteligência humana e inteligência artificial, sendo que esta última saiu vitoriosa.

Para casos de uso mais práticos, imagine um aplicativo de reconhecimento de imagem que pode identificar um tipo de flor ou uma espécie de pássaro com base em uma foto. Essa classificação de imagem é viabilizada por uma rede neural profunda. A deep learning também guia o reconhecimento e a tradução de fala, impulsionando, literalmente, carros autônomos.

A diferença entre machine learning e deep learning

Em termos práticos, a deep learning é apenas um subconjunto da machine learning. Na verdade, a deep learning é uma machine learning que funciona de maneira semelhante (por isso os termos são às vezes usados de forma intercambiável). No entanto, seus recursos são diferentes.

Embora os modelos básicos de machine learning melhorem progressivamente ao desempenhar suas funções específicas à medida que recebem novos dados, eles ainda precisam de alguma intervenção humana. Se um algoritmo de IA entregar uma previsão imprecisa, um engenheiro precisa intervir e fazer ajustes. Com um modelo de deep learning, um algoritmo pode determinar se uma previsão é precisa ou não por meio de sua própria rede neural – nenhuma ajuda humana é necessária.

Maturidade de CX entre PMEs da América do Norte

A Zendesk se associou à ESG Research para criar um framework em torno da maturidade de CX e do sucesso da CX, a fim de ajudar líderes de pequenas e médias empresas (PMEs) a identificar em que estágio estão e construir um plano estratégico para o futuro.

Saiba mais

Vamos voltar ao exemplo da lanterna: ela poderia ser programada para acender quando reconhece o sinal sonoro de alguém dizendo a palavra "escuro". À medida que continua aprendendo, ela eventualmente poderia executar essa tarefa quando ouve qualquer frase contendo essa palavra. Mas, se a lanterna tivesse um modelo de deep learning, ela poderia entender que deveria acender com as indicações "não consigo ver" ou "o interruptor não está funcionando", talvez em conjunto com um sensor de luz.

Um modelo de deep learning pode aprender por meio de seu próprio método de computação – uma técnica que faz parecer que ela tem seu próprio cérebro.

Para recapitular, as principais diferenças entre machine learning e deep learning são:

Machine learning usa algoritmos para analisar dados, aprender com esses dados e tomar decisões informadas com base no que aprendeu.
Deep learning estrutura algoritmos em camadas para criar uma "rede neural artificial" capaz de aprender e tomar decisões inteligentes por conta própria.
A deep learning é um subconjunto da machine learning. Embora ambas se enquadrem na ampla categoria de inteligência artificial, a deep learning é o que impulsiona a IA de uma maneira mais semelhante à humana.

Quais são os diferentes tipos de machine learning?

Para aprofundar um pouco mais, vamos analisar os três principais tipos de machine learning e ver como eles diferem entre si.

1. Aprendizagem supervisionada

Como você pode ter adivinhado pelo nome, esse subconjunto de machine learning exige mais supervisão. Um computador recebe dados de treinamento e um modelo para responder aos dados.

À medida que novos dados são alimentados no computador, um cientista de dados "supervisiona" o processo, confirmando as respostas corretas e corrigindo as que estão incorretas no sistema.

Por exemplo, imagine que um programador esteja tentando "ensinar" um computador a diferenciar cães e gatos. Ele alimentaria o modelo do computador com um conjunto de dados rotulados; neste caso, imagens de gatos e cães são claramente identificadas. Com o tempo, o modelo começaria a reconhecer padrões – como o fato de que gatos têm bigodes longos ou que cães podem sorrir. Em seguida, o programador começaria a alimentar o computador com dados não rotulados (fotos não identificadas) e testaria o modelo em sua capacidade de apontar com precisão cães e gatos.

2. Aprendizagem não supervisionada

A aprendizagem supervisionada envolve o fornecimento ao modelo de todas as "respostas corretas" (dados rotulados) como forma de ensiná-lo a identificar dados não rotulados. É como dizer a alguém para ler um guia de pássaros e depois usar cartões de memória para testar se ele aprendeu a identificar diferentes espécies por conta própria.

Por outro lado, a aprendizagem não supervisionada alimenta o computador apenas com dados não rotulados e permite que o modelo identifique padrões por conta própria. Esse método de machine learning é usado geralmente em casos em que não está claro como os resultados serão, então você precisa que o computador explore as camadas ocultas de dados e os agrupe com base em semelhanças ou diferenças.

Por exemplo, suponha que sua empresa queira analisar dados para identificar segmentos de clientes. Mas você não sabe quais segmentos existem ainda. Você terá que alimentar os dados de entrada não rotulados no modelo de aprendizagem não supervisionada para que ele possa agir como seu próprio classificador de segmentos de clientes.

3. Aprendizagem por reforço

O método de aprendizagem por reforço é uma abordagem de tentativa e erro que permite que um modelo aprenda usando o feedback de suas próprias ações. O computador recebe um "feedback positivo" quando entende ou classifica corretamente os dados e um "feedback negativo" quando falha. Ao "recompensar" o bom comportamento e "punir" o mau comportamento, esse método de aprendizagem reforça o comportamento correto. (Isso diferencia a aprendizagem por reforço da aprendizagem supervisionada, em que um cientista de dados simplesmente confirma ou corrige o modelo em vez de recompensá-lo ou puni-lo).

A aprendizagem por reforço é usada para ajudar as máquinas a dominar tarefas complexas que envolvem conjuntos de dados em massa, como dirigir um carro. Por meio de muitas tentativas e erros, o programa aprende como tomar uma série de decisões, o que é necessário para muitos processos com várias etapas.

Quais são os diferentes tipos de algoritmos de deep learning?

Com a machine learning, os computadores podem realizar tarefas notáveis, mas ainda não conseguem replicar a inteligência humana completamente. As redes neurais profundas, por outro lado, são modeladas com base no cérebro humano, representando um nível ainda mais sofisticado de inteligência artificial.

Existem vários tipos diferentes de algoritmos de deep learning. Vamos analisar os modelos mais conhecidos.

Redes neurais convolucionais

As redes neurais convolucionais (CNNs) são algoritmos especificamente projetados para processamento de imagens e detecção de objetos. A "convolução" é um processo único de filtragem através de uma imagem para avaliar cada elemento dentro dela.

As CNNs são frequentemente usadas para viabilizar a visão computacional que é um campo de IA que ensina máquinas a processar o mundo visual. O reconhecimento facial é um uso comum da visão computacional.

Redes neurais recorrentes

As redes neurais recorrentes (RNNs) têm loops de feedback integrados que permitem que os algoritmos "lembrem" pontos de dados passados. As RNNs podem usar essa memória de eventos passados para informar sua compreensão de eventos atuais ou até mesmo prever o futuro.

Uma rede neural profunda pode "pensar" melhor quando tem esse nível de contexto. Por exemplo, um aplicativo de mapas viabilizado por uma RNN pode "lembrar" quando o trânsito costuma piorar. Ele pode então usar esse conhecimento para recomendar uma rota alternativa quando você está prestes a ficar preso no tráfego do horário de pico.

Dados como combustível do futuro

Com a enorme quantidade de novos dados produzidos pela atual "Era do Big Data", certamente veremos inovações que nem podemos imaginar ainda. De acordo com especialistas em ciência de dados, algumas dessas descobertas provavelmente serão aplicações de deep learning.

Andrew Ng, ex-cientista-chefe do principal mecanismo de busca da China, Baidu, e um dos líderes do Projeto Google Brain, compartilhou uma ótima analogia para modelos de deep learning com a Wired,

"Acredito que a IA seja semelhante à construção de um foguete – você precisa de um enorme motor e muito combustível", disse Caleb Garlingd, jornalista da Wired. "Se você tem um motor grande e uma quantidade minúscula de combustível, não chegará à órbita. Se você tem um motor minúsculo e uma tonelada de combustível, sequer consegue decolar. Para construir um foguete, você precisa de um enorme motor e muito combustível." A analogia para deep learning é que o motor de foguete são os modelos de deep learning, e o combustível são as enormes quantidades de dados que podemos alimentar nesses algoritmos.

O que machine learning e deep learning representam para o atendimento ao cliente

Muitas das aplicações de IA atuais no atendimento ao cliente utilizam algoritmos de machine learning. Eles são usados para impulsionar o autoatendimento,aumentar a produtividade dos agentes e tornar os fluxos de trabalho mais confiáveis.

Os dados alimentados nesses algoritmos vêm de um fluxo constante de consultas de clientes, incluindo o contexto relevante sobre os problemas que os compradores estão enfrentando. Agregando todas essas informações em um aplicativo de IA, por sua vez, gera previsões mais rápidas e precisas. Isso tornou a inteligência artificial uma perspectiva animadora para muitas empresas, com líderes do setor especulando que os casos de uso mais práticos para a IA, relacionada a negócios, serão para o atendimento ao cliente.

Por exemplo, machine learning e deep learning são utilizadas para alimentar o processamento de linguagem natural (NLP), um ramo da ciência da computação que permite que os computadores compreendam texto e fala. No mundo da CX, a Amazon Alexa e a Siri da Apple são dois bons exemplos de "agentes virtuais" que podem usar o reconhecimento de fala para responder às perguntas de um consumidor.

Bots de atendimento ao cliente viabilizados por IA também usam os mesmos métodos de aprendizado para responder a textos digitados. Um ótimo exemplo do mundo real são os bots avançados da Zendesk. São bots aprimorados para mensagens e e-mails que aproveitam o banco de dados mais extenso de intenções do cliente, específico para equipes de CX em seu setor, para respostas mais personalizadas e precisas, maior produtividade dos agentes e configuração mais rápida.

Saiba mais sobre nossas ferramentas de construção de bots.