Qual é a diferença entre machine learning e deep learning? Um guia em português claro

Machine learning é um ramo da IA onde os computadores aprendem padrões a partir de dados em vez de seguir regras escritas à mão. Deep learning é um método específico dentro do machine learning que usa redes em camadas vagamente inspiradas no cérebro. Todo sistema de deep learning é machine learning, mas a maioria dos sistemas de machine learning não é deep learning.

Como é que o machine learning regular funciona realmente?

O machine learning clássico alimenta o computador com dados mais um conjunto de características que os humanos já decidiram que importam. Por exemplo, para detetar email de spam, um programador poderia dizer ao sistema para prestar atenção a palavras como "grátis" e "urgente" e ao domínio do remetente.

O algoritmo aprende então quais as combinações dessas características escolhidas manualmente que melhor predizem spam. Funciona bem quando os especialistas já sabem o que procurar. A desvantagem é que alguém tem que fazer esse trabalho de seleção de características especializadas antecipadamente, e pode levar muito tempo.

Os métodos clássicos comuns incluem árvores de decisão (regras ao estilo de fluxograma que o modelo constrói por si), regressão logística (pontuação da probabilidade de um resultado) e máquinas de vetores de suporte (desenhar a melhor fronteira entre categorias nos dados). Cada um é transparente o suficiente para que normalmente possa inspecionar por que tomou uma decisão.

Então o que torna o deep learning diferente?

O deep learning ignora completamente a etapa de características elaboradas manualmente. Alimenta-o com dados brutos, como pixels, amostras de áudio ou palavras, e ele descobre quais os padrões que importam por si próprio, passando dados através de muitas camadas empilhadas de operações matemáticas simples. Essas pilhas chamam-se redes neurais.

Cada camada aprende uma característica ligeiramente mais abstrata. Numa rede de reconhecimento de imagens, as camadas iniciais notam bordas, as camadas do meio notam formas e as camadas posteriores notam objetos. O Google DeepMind descreve isto como aprendizagem de representação hierárquica, o que permitiu ao AlphaFold prever estruturas proteicas que deixaram os métodos tradicionais perplexos durante décadas.

A contrapartida: o deep learning geralmente precisa de muito mais dados e poder computacional para treinar, e as decisões que toma são mais difíceis de explicar.

Uma comparação lado a lado

Característica	Machine learning clássico	Deep learning
Seleção de características	Um especialista humano escolhe-as	O modelo encontra-as automaticamente
Dados necessários	Centenas a milhares de exemplos	Frequentemente milhões de exemplos
Custo computacional	Baixo a moderado	Alto (frequentemente necessita de GPUs)
Explicabilidade	Normalmente legível	Frequentemente uma "caixa preta"
Melhor para	Tabelas estruturadas, conjuntos de dados pequenos	Imagens, áudio, texto, vídeo
Algoritmo de exemplo	Random forest	Rede neural convolucional

Pode dar um exemplo da vida real de ambos em ação?

Claro. Uma equipa de fraude bancária poderia usar um modelo de gradient boosting clássico (um método de machine learning que combina muitas pequenas árvores de decisão) para sinalizar transações suspeitas, porque o raciocínio do modelo pode ser apresentado aos reguladores. Enquanto isso, a funcionalidade de desbloqueio facial do seu telemóvel usa deep learning, especificamente uma rede neural convolucional, porque reconhecer um rosto a partir de pixels brutos em condições de iluminação em mudança é exatamente o tipo de problema complicado para o qual o deep learning foi concebido.

O deep learning ganha sempre?

De forma alguma. Quando o seu conjunto de dados é pequeno ou os seus dados estão em colunas e linhas bem organizadas, o machine learning clássico frequentemente supera o deep learning e treina em segundos em vez de horas. A pesquisa do Carnegie Mellon e de outras instituições publicada no arXiv mostra que os modelos baseados em árvores frequentemente superaforçam o deep learning em dados tabulares estruturados. A escolha da ferramenta certa depende do tipo de dados, do seu orçamento e de o facto de precisar explicar a decisão a um humano.

Quanto custa isto usar?

Para machine learning clássico, bibliotecas gratuitas de código aberto como scikit-learn executam num portátil standard. Deep learning é uma história diferente. Treinar um modelo grande de imagem ou linguagem pode custar milhares de dólares em computação em nuvem. A API do OpenAI permite-lhe aceder a modelos de deep learning pré-treinados com uma taxa por token (um token é aproximadamente três quartos de uma palavra), pelo que paga apenas pelo que usa em vez de treinar do zero.

Há alguma pegadinha de privacidade?

Com qualquer uma das abordagens, se enviar os seus dados para um serviço em nuvem para treinar ou executar um modelo, esse fornecedor pode vê-los. Pura e simplesmente. Verifique se o serviço usa os seus dados para melhorar os seus próprios modelos, porque alguns fazem-no por padrão. Para dados sensíveis, procure opções no dispositivo ou contratos que explicitamente proíbam o treinamento nos seus dados de entrada. A Lei da IA da UE classifica certos usos destes sistemas como de alto risco, o que desencadeia obrigações extra de transparência e tratamento de dados.

Perguntas comuns

Rede neural é a mesma coisa que deep learning?

Quase, mas não exatamente. Uma rede neural com apenas uma ou duas camadas é tecnicamente rasa e conta como machine learning regular. Deep learning especificamente significa redes neurais com muitas camadas, tipicamente mais de três, onde essa profundidade é o que dá poder ao método.

Preciso de compreender ambos para usar ferramentas de IA hoje?

Não realmente. A maioria das ferramentas de IA prontas a usar lidam com a complexidade por si. Saber a diferença ajuda-o a escolher a ferramenta certa e a compreender por que é que um sistema pode falhar, mas não precisa construir nenhum dos dois do zero para beneficiar deles.