Deep Learning (DL) vs Machine Learning (ML): um guia comparativo

Se você é um futuro cientista de dados ou simplesmente alguém interessado nas novidades em inteligência artificial, provavelmente já ouviu termos como machine learning e deep learning. Mas o que eles realmente significam? E quais são as diferenças entre eles? Neste post, analisamos machine learning vs. deep learning para entender semelhanças, diferenças, casos de uso e benefícios dessas duas disciplinas essenciais.

O que é inteligência artificial?

Temos um guia rápido de IA para iniciantes que aprofunda bem esse tema. Mas, resumindo, inteligência artificial (IA) é um campo da ciência da computação que busca criar sistemas inteligentes capazes de executar tarefas que normalmente exigem níveis humanos de inteligência. Isso inclui reconhecer linguagem natural, identificar padrões e tomar decisões para resolver problemas complexos.

Podemos pensar na IA como um conjunto de ferramentas para fazer computadores se comportarem de forma inteligente e automatizar tarefas. Entre os usos de IA estão carros autônomos, sistemas de recomendação e assistentes de voz.

Como veremos, termos como machine learning e deep learning são facetas dentro do campo mais amplo da IA. Você pode conferir nosso guia sobre inteligência artificial vs. machine learning para um olhar mais aprofundado. 

O que é machine learning?

Assim como no caso da IA, temos um guia dedicado explicando o que é machine learning. Em resumo, machine learning (ML) é uma forma de implementar inteligência artificial; é um ramo especializado dentro do vasto campo da IA, que por sua vez pertence à ciência da computação.

Com machine learning, desenvolvemos algoritmos capazes de aprender sem serem explicitamente programados. Entre esses algoritmos, estão:

• Árvores de decisão
• Naive Bayes
• Random forest
• Máquina de vetores de suporte (SVM)
• K-vizinhos mais próximos (K-NN)
• Agrupamento K-means
• Modelo de mistura gaussiana
• Modelo de Markov oculto

Mas como os computadores aprendem automaticamente?

A chave é o dado. Você fornece dados, caracterizados por vários atributos ou features, para que os algoritmos analisem e entendam. Esses algoritmos criam uma fronteira de decisão com base nos dados fornecidos, permitindo fazer previsões ou classificações. Depois que o algoritmo processa e entende os dados — essencialmente se treina — você parte para a fase de teste. Nela, você apresenta novos pontos de dados e ele gera resultados sem qualquer programação adicional. Exemplo:

Imagine que você quer prever preços de casas. Você tem um dataset com informações de 1000 casas, incluindo o preço e o número de quartos — essas são suas features. Sua tarefa é inserir essas features em um algoritmo, por exemplo, uma árvore de decisão, para que ele aprenda a relação entre o número de quartos e o preço do imóvel.

Nesse cenário, você informa o número de quartos e o algoritmo prevê o preço. Durante a fase de teste, por exemplo, se você informar "três" como número de quartos, o algoritmo deve prever corretamente o preço correspondente, tendo aprendido, nos dados de treino, a relação entre número de quartos e preços.

O que é deep learning?

Deep learning é uma subcategoria do machine learning focada em estruturar um processo de aprendizado para computadores, no qual eles reconhecem padrões e tomam decisões de forma semelhante aos humanos. Por exemplo, se vamos ensinar um computador a diferenciar animais, começamos com conceitos mais simples, como número de patas, e avançamos para aspectos mais complexos, como habitat e comportamentos.

No universo de machine learning, o deep learning se destaca pelo uso de redes neurais com três ou mais camadas. Essas redes neurais multicamadas buscam replicar os padrões de aprendizado do cérebro humano, permitindo ao computador analisar e aprender com grandes volumes de dados. Uma rede com uma única camada faz previsões mais simples, mas, ao adicionarmos camadas, ela passa a entender padrões e relações mais complexas, aumentando a precisão das previsões.

Em essência, deep learning é como um filtro sofisticado e multicamadas. Inserimos dados brutos no topo, que atravessam diversas camadas da rede neural, sendo refinados e analisados em cada nível. Ao final, o que surge é uma informação estruturada e coerente ou uma "previsão" precisa.

Esse processo é excelente para decifrar dados com múltiplos níveis de abstração, sendo indispensável em tarefas como reconhecimento de imagens e fala, processamento de linguagem natural e estratégias em jogos. É a base de muitas inovações, dos assistentes virtuais no celular ao desenvolvimento de veículos autônomos.

Como você vê na figura acima, essa rede neural rasa tem várias camadas:

• Camada de entrada. Essa entrada pode ser pixels de uma imagem ou uma faixa de dados de séries temporais.
• Camada oculta. Conhecida como pesos, que são aprendidos durante o treino da rede neural
• Camada de saída. A camada final entrega uma previsão com base na entrada fornecida à rede.

Assim, a rede neural funciona como uma função de aproximação na qual a rede tenta aprender os parâmetros (pesos) nas camadas ocultas que, quando multiplicados pela entrada, geram uma saída prevista próxima da desejada.

Deep learning é o empilhamento de múltiplas camadas ocultas entre as camadas de entrada e de saída — daí o nome deep.

Deep learning vs. machine learning: principais semelhanças e diferenças

Funcionamento

Como vimos, deep learning é um subconjunto especializado de machine learning que utiliza redes neurais artificiais com múltiplas camadas para analisar dados e tomar decisões inteligentes. Ele aprofunda a análise de dados — por isso o termo "deep" — permitindo insights mais sutis e sofisticados. Já o machine learning, que engloba o deep learning, foca no desenvolvimento de algoritmos capazes de aprender e fazer previsões ou tomar decisões com base em dados, usando diversos métodos, incluindo, mas não apenas, redes neurais.

Extração de features

O deep learning extrai autonomamente features significativas a partir de dados brutos. "Feature", aqui, é uma propriedade mensurável do fenômeno observado. O deep learning não depende de métodos de extração de features programados manualmente, como padrões binários locais ou histogramas de gradientes, que são formas pré-definidas de resumir dados brutos. Em vez disso, ele aprende as features mais úteis para a tarefa, começando pelas simples e evoluindo para representações mais complexas. Já o machine learning tradicional costuma depender de features criadas à mão e requer engenharia cuidadosa para alcançar o melhor desempenho.

Dependência de dados

Modelos de deep learning são ávidos por dados; quanto mais dados, melhor tendem a performar. Em contraste, muitos algoritmos de machine learning conseguem resultados satisfatórios mesmo com conjuntos menores. Isso é crucial para quem está começando em ciência de dados e precisa escolher a metodologia diante de limitações de disponibilidade de dados.

Pelo gráfico acima, dá para ver que, à medida que os dados aumentam, o desempenho dos algoritmos de deep learning cresce, enquanto no machine learning tradicional ele tende a saturar após certo ponto, mesmo com mais dados.

Poder computacional

Deep learning exige capacidades computacionais avançadas, geralmente fornecidas por GPUs (Graphics Processing Units), por lidar com grandes volumes de dados e redes profundas (muitas camadas). Algoritmos tradicionais de machine learning costumam rodar bem em CPUs (Central Processing Units), o que os torna mais acessíveis para iniciantes em ciência de dados.

Tempo de treino e inferência

Treinar uma rede de deep learning pode ser demorado — chegando a meses. "Treino" é o processo de ensinar o modelo a fazer previsões precisas alimentando-o com dados. O "tempo de inferência", ou o tempo que o modelo leva para prever depois de treinado, também pode ser elevado em deep learning, pela complexidade dos modelos. Em contraste, algoritmos tradicionais de machine learning geralmente treinam mais rápido e têm tempos de inferência variados.

Técnica de resolução de problemas

Em machine learning, costuma-se decompor o problema em partes e aplicar algoritmos específicos a cada uma. Por exemplo, no reconhecimento de objetos em imagens, pode-se primeiro localizar os objetos e depois aplicar um algoritmo para identificá-los. Em deep learning, a própria rede aprende a executar essas tarefas em conjunto, oferecendo uma solução mais integrada e holística.

Uso na indústria

Algoritmos de machine learning são amplamente usados em diversos setores por serem mais interpretáveis. Já o desempenho superior de modelos de deep learning em certas tarefas às vezes é ofuscado por sua natureza de "caixa-preta", tornando-os menos desejáveis quando a interpretabilidade é crucial, como em saúde ou finanças.

Saída

Enquanto o machine learning normalmente gera saídas como valores numéricos, escores ou classificações, o deep learning pode produzir uma variedade maior de resultados, incluindo texto e fala — o que amplia seu uso em áreas como processamento de linguagem natural e reconhecimento de voz.

Machine learning vs. deep learning: quando usar cada um

Machine learning e deep learning são a base de uma infinidade de aplicações em áreas diversas, cada uma com requisitos e desafios próprios. Veja quando usar cada abordagem, com exemplos:

1. Área médica

• Caso de uso. Detecção de células cancerígenas, restauração de imagens de ressonância magnética do cérebro e impressão gênica.
• Escolha. Tanto machine learning quanto deep learning.
• Motivo. Machine learning é adequado para analisar dados estruturados e apoiar previsões diagnósticas com base em prontuários. Deep learning se destaca em reconhecimento de imagens e fala, ideal para interpretar exames de imagem e analisar padrões de fala do paciente em avaliações neurológicas.

2. Análise de documentos

• Caso de uso. Super-resolução de imagens de documentos históricos e segmentação de texto em imagens de documentos.
• Escolha. Deep learning.
• Motivo. Modelos de deep learning, especialmente Convolutional Neural Networks (CNNs), lidam muito bem com dados de imagem e extraem padrões e features complexas — perfeitos para super-resolução e segmentação de texto.

3. Setor bancário

• Caso de uso. Previsão de ações e suporte a decisões financeiras.
• Escolha. Machine learning.
• Motivo. Modelos como regressões e árvores de decisão analisam com eficácia dados numéricos e estruturados, sendo adequados para prever preços de ações e apoiar decisões financeiras.

4. Processamento de linguagem natural (NLP)

• Caso de uso. Sistemas de recomendação (como os da Netflix, que sugerem filmes com base nos seus interesses), análise de sentimento e marcação de fotos.
• Escolha. Tanto machine learning quanto deep learning.
• Motivo. Machine learning funciona bem para analisar comportamento e preferências de usuários em recomendações, enquanto deep learning é poderoso para entender e gerar linguagem humana em tarefas como análise de sentimento.

5. Recuperação de informação

• Caso de uso. Mecanismos de busca, tanto pesquisa por texto quanto por imagem, como os do Google, Amazon, Facebook, LinkedIn etc.
• Escolha. Tanto machine learning quanto deep learning.
• Motivo. Algoritmos de machine learning processam consultas de forma eficiente, enquanto modelos de deep learning, especialmente CNNs, são excelentes em reconhecimento e análise de imagens, aprimorando a busca por imagem.

Critérios de decisão:

Ao decidir entre Machine Learning e Deep Learning, considere:

• Disponibilidade de dados. Deep learning requer muitos dados; se seu dataset é pequeno, machine learning pode ser mais adequado.
• Poder computacional. Modelos de deep learning exigem alto poder computacional, geralmente com GPUs. Se os recursos são limitados, modelos de machine learning, que rodam bem em CPUs, podem ser mais viáveis.
• Complexidade da tarefa. Para tarefas mais simples e dados estruturados, modelos de machine learning costumam bastar. Para tarefas complexas com dados não estruturados, como imagens ou linguagem natural, deep learning é mais indicado.
• Interpretabilidade. Quando entender o processo de decisão do modelo é crucial, a interpretabilidade dos modelos de machine learning é uma vantagem sobre a natureza de "caixa-preta" do deep learning.

Entendendo as forças e limitações de machine learning e deep learning em diferentes cenários, você consegue decidir com segurança qual abordagem é mais adequada às suas necessidades e restrições.

Conclusão

Neste guia, navegamos pelos universos de machine learning (ML) e deep learning (DL), dois pilares da inteligência artificial (IA). Exploramos conceitos fundamentais, características distintivas e as inúmeras aplicações de cada um no mundo tecnológico atual. Do entendimento dos algoritmos aos melhores casos de uso em áreas como medicina e processamento de linguagem natural, buscamos trazer clareza e direcionamento para quem está entrando no universo da IA.

Essa é apenas uma amostra do vasto e dinâmico mundo da IA. A jornada de aprendizado é longa e cheia de nuances. Para se aprofundar e expandir seus conhecimentos, nossa trilha de habilidades Deep Learning in Python é um próximo passo altamente recomendado.