Machine Learning e o Cérebro
Desde que a humanidade começou a construir modelos, a biologia foi uma fonte importante de inspiração para o desenho dos mais variados mecanismos. Hoje, a modelagem computacional bioinspirada se espalha por várias áreas, incluindo machine learning. As técnicas de machine learning são fortemente inspiradas por nossa compreensão de como o cérebro humano funciona e aprende. Embora os sistemas de IA atuais ainda estejam longe de replicar as capacidades do cérebro, a modelagem inspirada em seu funcionamento e arquitetura continua a impulsionar o progresso na área. Neste post, abordaremos brevemente os pontos principais da organização e funcionamento cerebral que inspiraram as técnicas de machine learning.
Redes Neurais e Conexionismo
Neurônios (fonte)
Os neurônios do nosso cérebro não têm ciclos de replicação celular como os observados em outras células. Porém, eles se conectam mutualmente, formando redes altamente complexas. E essas conexões, chamadas de sinapses, são dinâmicas.
Em neurociência, uma das teorias mais importantes para explicar o aprendizado, a memória e outras funções cognitivas entende que aprendemos mediante alterações nas nossas conexões. Essa explicação se fundamenta no fato dos neurônios (em sua maioria) não terem replicação celular, mas se interconectarem de maneira dinâmica. As conexões neuronais crescem e encolhem de acordo com nossas experiências.
Essas ideias, além de serem o centro da neurociência atual, inspiram uma área conhecida como conexionismo.
O conexionismo é uma abordagem inspirada no cérebro para inteligência artificial e modelagem cognitiva. Ele visa replicar as capacidades de aprendizagem e processamento de informações do cérebro humano usando arquiteturas de redes neurais interconectadas. O conexionismo representa um elo chave entre a neurociência, a ciência cognitiva e as técnicas modernas de machine learning, já que as redes neurais fazem parte dessa área.
A arquitetura central de muitos modelos de machine learning, as redes neurais, é diretamente inspirada pela estrutura e função dos neurônios biológicos no cérebro. As redes neurais são projetadas para imitar redes interconectadas de neurônios com pesos (conexões) sinápticos dinâmicos.
Aprendizagem através de Experiências
Em neurociência, a memória é vista como um processo atividade-dependente (por exemplo, aqui e aqui). Aprendemos com a experiência. Essa visão influenciou fortemente o desenvolvimento de algoritmos de machine learning. Semelhantemente a como os humanos aprendem observando e experimentando o mundo, os algoritmos de machine learning aprendem sendo expostos a dados e identificando padrões.
Mas existe uma consequência negativa dessa aprendizagem com dados. Assim como a tomada de decisão humana pode ser influenciada por vieses, os modelos de machine learning também podem refletir vieses presentes em seus dados de treinamento.
As Limitações
Modelos são descrições de processos ou objetos. Eles não são o processo que descrevem. Embora os modelos de machine learning sejam explicitamente inspirados pelo funcionamento do cérebro, como qualquer modelo, eles têm fortes limitações.
O cérebro humano tem imenso poder de processamento e capacidade de memória. Em contraste, os sistemas computacionais atuais são limitados em seus recursos computacionais em comparação com o cérebro. Além disso, as formas como as redes neurais aprendem claramente não correspondem à nossa experiência de aprendizagem. Enquanto uma rede neural precisa ser exposta a centenas ou milhares de fotos para aprender a reconhecer o que é um gato, uma criança humana identifica um gato em poucas exposições. Portanto, os modelos de machine learning lutam para corresponder à velocidade e à flexibilidade do aprendizado humano. Além disso, a simulação de funções cognitivas como criatividade, imaginação e raciocínio ainda parecem sonhos distantes.
Veja também:
O que é machine learning (aprendizado de máquina)?
Como machine learning (aprendizado de máquina) funciona?
Como machine learning (aprendizado de máquina) aprende?
Como implementar um modelo de machine learning?
Como escolher um bom modelo de machine learning?
Classificação e regressão em machine learning
O que é conjunto de dados (dataset) em machine learning?
Onde conseguir conjuntos de dados para machine learning?
Salve localmente conjuntos de dados para machine learning
Pré-processamento de dados em machine learning
Regressão Linear e Machine Learning
Conjuntos de treinamento e teste em machine learning
Função de perda em machine learning
Scikit-learn para machine learning
Matrizes de Confusão em Machine Learning
Floresta aleatória com Scikit-learn
Detecção de anomalias com Isolation Forest
Encontrou algum erro ou quer fazer uma sugestão? Por favor, entre em contato usando nosso formulário de contatos.
