Depois de escrever alguns artigos destinados a atuar como introdução básica à Inteligência Artificial, como Machine Learning e Deep Learning, pensei que seria bom dar uma olhada em alguns exemplos de como essas técnicas estão sendo usadas na prática.
O Facebook construiu seus negócios, aprendendo sobre seus usuários e empacotando seus dados para serem vendidos aos anunciantes. Eles então reinvestem esse dinheiro para nos oferecer uma nova e útil funcionalidade – atualmente vídeo e compras – que também usam para aprender ainda mais sobre nós.
Como a forma como ele permite a comunicação e conversa entre as pessoas provou ser extremamente valioso para nós, tornou-se um ímã para uma enorme quantidade de dados sobre nós – quem somos, onde passamos o nosso tempo e o que gostamos. O problema para os cientistas de dados do Facebook que têm de tentar dar sentido a isso é que grande parte desses dados é muito caótica e desestruturada.
Com 1,2 bilhão de pessoas enviando 136.000 fotos e atualizando seu status 293.000 vezes por minuto, até recentemente o Facebook só poderia esperar tirar o valor de uma pequena fração de seus dados não estruturados – informações que não são facilmente quantificados e colocados em linhas e tabelas para análise computadorizada.
O Deep Learning está ajudando a desempenhar um papel importante para mudar isso. As técnicas de Deep Learning permitem que as máquinas aprendam a classificar dados por si mesmas. Um exemplo simples é uma ferramenta de análise de imagem baseado em deep learning que aprende a reconhecer imagens que contêm gatos, sem especificamente ser dito que um gato aparece na foto. Ao analisar um grande número de imagens, ele pode aprender com o contexto da imagem – o que mais é provável que esteja presente em uma imagem de um gato? Que texto ou metadados podem sugerir que uma imagem contém um gato?
Isso ajuda a estruturar dados não estruturados, quantificando-os e os representando de uma forma a partir da qual as ferramentas analíticas podem derivar insights. Eles tentam responder à perguntas como: “Com que frequência os produtos de uma empresa aparecem em imagens que também contêm gatos? Devemos nos concentrar em exibir nossos anúncios para as pessoas que gostam de gatos, ou não?
Esse é o princípio básico do porquê o Deep Learning (DL) ser útil para ao Facebook, e a medida que os algoritmos DL se tornam mais sofisticados, cada vez mais podem ser aplicados a mais dados que compartilhamos, de texto, à imagens e vídeos.
Então aqui estão alguns de casos de uso específico onde DL é usado para ganhar valor e ajudar o Facebook a atingir seus objetivos de proporcionar maior comodidade aos usuários, e os capacitando a aprender mais sobre nós.
Atualmente, a ferramenta é usada para direcionar as pessoas para produtos que eles possam querer comprar com base nas conversas que estão tendo – então o algoritmo decide se fornecer um usuário com um link de compras é apropriado ou não, dependendo do contexto.
Código aberto
O Facebook é um forte apoiador do Open Source e faz com que a maior parte do trabalho de seus laboratórios de IA Facebook Artificial Intelligence Research (FAIR) esteja livremente disponível para qualquer um usar ou modificar o que quiser. A maioria do Aprendizado Profundo do Facebook é construído sobre a plataforma Torch, um ambiente de desenvolvimento focado no desenvolvimento de tecnologias de aprendizagem profunda e redes neurais.
Eles ainda abriram o projeto do processador gráfico (GPU) – hardware Inteligente – para computadores super-rápidos otimizados para realizar tarefas de Deep Learning, que muitas vezes são intensivas em processamento devido ao grande número de cálculos envolvidos, a velocidade e o volume dos dados de entrada que eles manipulam diariamente.
You must be logged in to post a comment.