Tendências
Desenvolvimento de projeto AI - Como os gerentes de projeto devem se preparar
Ouça a versão em áudio deste artigo
Como gerente de projeto, você provavelmente já se envolveu em uma série de projetos de TI ao longo de sua carreira, abrangendo estruturas monolíticas complexas até aplicativos da web SaaS. No entanto, com o avanço da inteligência artificial e do aprendizado de máquina, novos projetos com requisitos e problemas diferentes estão surgindo em alta velocidade.
Com o surgimento dessas tecnologias, está se tornando menos “bom de se ter” e, em vez disso, é essencial para os gerentes de projetos técnicos ter um relacionamento saudável com esses conceitos. De acordo com o Gartner , em 2020, a IA gerará 2,3 milhões de empregos, excedendo os 1,8 milhão que removerá - gerando US $ 2,9 trilhões em valor de negócios até 2021. CEO do Google vai tão longe a ponto de dizer que “IA é uma das coisas mais importantes em que a humanidade está trabalhando. É mais profundo do que [...] eletricidade ou fogo. ”
Com aplicações de inteligência artificial já perturbando indústrias desde finanças até saúde, os PMs técnicos que podem aproveitar esta oportunidade devem entender como o gerenciamento de projetos de IA é diferente e como eles podem se preparar melhor para o cenário em mudança.
Teoria
O que tudo isso significa: IA x ML
Antes de ir mais fundo, é importante ter um entendimento sólido do que a IA realmente é. Com muitos termos diferentes frequentemente usados de forma intercambiável, vamos mergulhar nas definições mais comuns primeiro.
Inteligência Artificial (IA)
AI é um campo da ciência da computação dedicado a resolver problemas que de outra forma exigem inteligência humana - por exemplo, reconhecimento de padrões, aprendizado e generalização.
Este termo tem sido usado em demasia nos últimos anos para denotar inteligência geral artificial (AGI), que se refere a programas de computador autoconscientes, capazes de cognição real. No entanto, a maioria dos sistemas de IA no futuro previsível será o que os cientistas da computação chamam de “IA estreita”, o que significa que serão projetados para realizar uma tarefa cognitiva muito bem, ao invés de realmente “pensar” por si mesmos.
Aprendizado de máquina (ML)
Aprendizado de máquina é um subconjunto de inteligência artificial que usa técnicas estatísticas para dar aos computadores a capacidade de aprender com os dados sem serem explicitamente programados.
AI e ML têm sido usados indistintamente por muitas empresas nos últimos anos devido ao sucesso de alguns métodos de aprendizado de máquina no campo da IA. Para ser claro, o aprendizado de máquina denota a capacidade de um programa de aprender , enquanto a inteligência artificial engloba o aprendizado junto com outras funções.
Para saber mais sobre redes neurais e aprendizado profundo, consulte o apêndice no final deste artigo.
Uma distinção importante: AI vs. algoritmos padrão
Uma lição importante da IA é que seus algoritmos usam uma grande quantidade de dados para ajustar sua estrutura interna de forma que, quando novos dados são apresentados, eles são categorizados de acordo com os dados anteriores fornecidos. Chamamos isso de “aprendizado” com os dados, em vez de operar de acordo com as instruções de categorização escritas estritamente no código.
Imagine que queremos escrever um programa que pode diferenciar carros de caminhões. Na abordagem de programação tradicional, tentaríamos escrever um programa que buscasse características indicativas específicas, como rodas maiores ou um corpo mais longo. Teríamos que escrever um código que definisse especificamente a aparência desses recursos e onde eles deveriam ser encontrados em uma foto. Escrever tal programa e fazê-lo funcionar de maneira confiável é muito difícil, provavelmente gerando falsos positivos e falsos negativos, a um ponto em que pode não ser utilizável no final.
É aqui que os algoritmos de IA se tornam muito úteis. Depois que um algoritmo de IA é treinado, podemos mostrar muitos exemplos e ele ajusta sua estrutura interna para começar a detectar recursos relevantes para a classificação bem-sucedida das imagens, em vez de depender de definições de recursos estáticos e prescritos.
AI Project Management na prática
Dados são o rei
Os seres humanos não são bons em lidar com grandes volumes de dados, e o grande volume de dados disponíveis para nós às vezes nos impede de usá-los diretamente. É aqui que entram os sistemas de IA.
Um conceito muito importante em relação aos sistemas de IA é que suas previsões são tão boas quanto seus dados. Por exemplo, um algoritmo com um milhão de pontos de dados superará o mesmo algoritmo com 10.000 pontos de dados. Além disso, BCG relata que “Muitas empresas não entendem a importância dos dados e do treinamento para o sucesso da IA. Freqüentemente, dados melhores são mais cruciais para a construção de um sistema inteligente do que algoritmos mais nus, assim como a criação geralmente supera a natureza nos seres humanos. ”
Com esse conhecimento a reboque, preparar e limpar os dados é algo que se tornará mais predominante no processo do projeto. Essa etapa costuma ser a parte mais trabalhosa da construção de um sistema de IA, já que a maioria das empresas não tem os dados prontos nos formatos corretos; portanto, pode demorar um pouco para que os analistas de dados concluam esta etapa essencial.
Além disso, a configuração da infraestrutura de dados e os trabalhos de limpeza de dados são muito mais lineares do que o desenvolvimento de software normal e podem exigir uma metodologia de gerenciamento de projeto diferente.
Para resumir, pode levar muito mais tempo para construir a infraestrutura de dados certa e preparar os dados a serem usados do que construir o modelo de aprendizado de máquina para executar os dados. Esta é uma grande consideração para os gerentes de projeto enquanto gerenciam equipes e pensam sobre o escopo da IA e as estimativas de projeto.
Além disso, o conjunto de dados deve ser atualizado continuamente com os novos dados. O acesso a conjuntos de dados exclusivos pode ser o principal fator de decisão que define qual produto de ML é mais bem-sucedido. É fundamental manter-se atualizado sobre isso para alcançar o melhor desempenho possível para seu projeto de ML, mesmo após o lançamento.
O Ciclo de Vida de Desenvolvimento de AI
A maioria de vocês estará familiarizada com o ciclo de vida de desenvolvimento de sistemas padrão (SDLC), juntamente com como diferentes metodologias e tecnologias o estão moldando. É importante observar que o desenvolvimento de IA trará um novo conjunto de desafios ao campo. Podemos dividir o ciclo de vida de desenvolvimento de IA nestas etapas: ideação e descoberta de dados, priorizando MVPs e desenvolvendo MVPs em produtos completos.
Ideação e descoberta de dados
Nesta primeira fase, o foco deve ser duas coisas principais: o usuário final do produto de ML e quais pools de dados estão disponíveis.
Ao abordar o problema de dois lados independentes, essas técnicas podem ajudar um gerente de projeto a restringir rapidamente as oportunidades de produtos de ML disponíveis em uma empresa. Durante essa fase, os principais PMs podem se beneficiar de seu conhecimento do espaço de aprendizado de máquina para entender melhor a dificuldade de solução de certos problemas. As coisas acontecem muito rápido no campo do ML, e alguns problemas difíceis podem ser facilitados por novos desenvolvimentos na pesquisa.
Conforme mencionado anteriormente, uma vez que os dados são descobertos, eles precisam ser limpos e preparados. Esta tarefa específica é normalmente feita em etapas lineares, que não se encaixam perfeitamente em metodologias de projeto típicas como Agile ou Waterfall, embora eles posso ser forçado a sprints. Normalmente, a limpeza de dados é feita iterativamente, aumentando gradualmente o tamanho dos conjuntos de dados e preparando-os em paralelo com outros esforços de desenvolvimento.
Priorizando o Produto Mínimo Viável (MVP)
A verdade de que é melhor ter um protótipo funcional de um produto menor, em vez de um grande inacabado, ainda está aqui com produtos de aprendizado de máquina. Novos MVPs de ML devem ser priorizados com base na velocidade de entrega e seu valor para a empresa. Se você pode entregar produtos, mesmo aqueles que podem ser menores, com velocidade, pode ser uma vitória boa e rápida para toda a equipe - você deve priorizar esses produtos primeiro.
Preparar esses MVPs no clássico estilo Agile é uma boa ideia, e a equipe de desenvolvimento deve se concentrar em entregar modelos de ML com base na melhoria contínua dos conjuntos de dados preparados de forma independente pela equipe de dados. Uma distinção importante aqui é que a equipe de dados não precisa necessariamente trabalhar por meio da mesma estrutura Sprint da equipe que constrói o MVP .
MVP para produto completo
Esta etapa é onde a infraestrutura de dados se torna a chave. Se seu produto de ML requer acesso de alta frequência à API de todo o mundo, agora você deve considerar como escalar a infraestrutura para dar suporte ao produto de ML.
É aqui que as alterações nos módulos de ML devem ser avaliadas cuidadosamente para evitar a quebra do desempenho do produto atual. O retreinamento dos módulos de ML com novos algoritmos ou conjuntos de dados nem sempre traz um aumento linear de desempenho - portanto, uma quantidade substancial de testes é necessária antes da implantação ao vivo. Teste de módulo de ML para casos extremos e potenciais ataques gerativos de rede adversária (GAN) ainda estão em sua infância, mas definitivamente é algo que os gerentes de projeto devem ter em mente ao executar um produto de ML ao vivo.
Principais funções dentro do Desenvolvimento AI Vida útil
Os requisitos de muitos dados para desenvolver aplicativos de ML trazem novas funções para o SDLC de produtos de IA. Para ser um grande gerente de projeto na área de aplicativos de ML, você deve estar bastante familiarizado com as três funções a seguir: cientistas de dados, engenheiros de dados e engenheiros de infraestrutura. Embora às vezes eles sejam disfarçados com outros títulos, incluindo engenheiros de aprendizado de máquina, engenheiros de infraestrutura de aprendizado de máquina ou cientistas de aprendizado de máquina, é importante ter um conhecimento sólido dessas posições principais e seu impacto no processo de desenvolvimento de ML.
Cientista de Dados
Cientistas de dados são os indivíduos que constroem os modelos de aprendizado de máquina. Eles sintetizam ideias com base em seu profundo conhecimento de estatísticas aplicadas, aprendizado de máquina e análises e, em seguida, aplicam seus insights para resolver problemas reais de negócios.
Cientistas de dados às vezes são vistos como versões avançadas de analistas de dados. Os cientistas de dados, no entanto, geralmente têm fortes habilidades de programação, sentem-se à vontade para processar grandes quantidades de dados que abrangem data centers e têm experiência em aprendizado de máquina.
Eles também devem ter um bom entendimento de infraestruturas de dados e mineração de big data, bem como serem capazes de realizar exercícios exploratórios por conta própria, examinando dados e encontrando pistas iniciais e percepções dentro deles.
Habilidades fundamentais: Python, R, Scala, Apache Spark, Hadoop, Machine Learning, Deep Learning, Statistics, Data Science, Jupyter, RStudio
Engenheiro de dados
Os engenheiros de dados são engenheiros de software especializados na criação de software e infraestrutura necessários para o funcionamento dos produtos de ML. Eles tendem a se concentrar na arquitetura abrangente e, embora possam não ser especialistas em aprendizado de máquina, análise ou big data, devem ter um bom entendimento desses tópicos para testar seu software e infraestrutura. Isso é necessário para permitir que os modelos de aprendizado de máquina criados pelo cientista de dados sejam implementados e expostos ao mundo real com sucesso.
Habilidades fundamentais: Python, Hadoop, MapReduce, Hive, Pig, Data Streaming, NoSQL, SQL, Programming, DashDB, MySQL, MongoDB, Cassandra
Engenheiro de infraestrutura
Os engenheiros de infraestrutura cuidam do backbone dos produtos de ML: a camada de infraestrutura. Embora os engenheiros de dados possam construir parte dessa infraestrutura, muitas vezes é construída sobre a camada preparada e acordada pela equipe de infraestrutura.
Os engenheiros de infraestrutura podem trabalhar em várias equipes de ML, com o objetivo de criar um ambiente escalonável e eficiente no qual os aplicativos de ML podem ser escalonados para atender milhões de usuários. Os engenheiros de infraestrutura não apenas cuidam do nível de software das plataformas, mas também se coordenam com os parceiros do data center para garantir que tudo esteja funcionando perfeitamente, desde a localização geográfica dos dados hospedados até o hardware. Com esses aspectos ganhando importância para projetos de ML, os engenheiros de infraestrutura estão se tornando cada vez mais importantes em empresas baseadas em IA.
Habilidades fundamentais: Kubernetes, Mesos, EKS, GKE, Hadoop, Spark, HDFS, CEPH, AWS, Cloud Computing, Data Center Operations, End-to-end Computing Infrastructure, IT Infrastructure, Service Management
Desafios comuns hoje
Com o surgimento de produtos baseados em IA e ML, espera-se que os gerentes de projeto enfrentem desafios familiares e completamente estranhos. Os principais PMs estão perfeitamente cientes desses problemas potenciais ao longo de todo o processo, desde a definição do escopo dos projetos até a conclusão.
Verificação da realidade
Apesar da popularidade e promessa da IA, há uma boa chance de que o problema que você está tentando resolver não exija uma solução elaborada de IA .
Muitos problemas de previsão podem ser resolvidos usando modelos de regressão estatística mais simples e, em alguns casos, mais confiáveis. É muito importante para um PM fazer uma verificação de integridade antes de iniciar um projeto para garantir que o problema realmente exija aprendizado de máquina.
Às vezes, é aconselhável começar com um modelo estatístico mais simples e mover em paralelo com uma solução baseada em aprendizado de máquina. Por exemplo, se você estiver construindo um mecanismo de recomendação, pode ser sábio começar com uma solução mais simples com um ciclo de vida de desenvolvimento mais rápido, fornecendo uma boa linha de base que o modelo de ML subsequente deve superar.
AI Scope Creep
As causas mais comuns de aumento de escopo em projetos de ML estão relacionadas a tentando fazer muitas coisas ao mesmo tempo e subestimando o esforço necessário para preparar os dados .
Para resolver o primeiro problema, gerencie as partes interessadas para que entendam que é melhor começar com vitórias rápidas em vez de planos grandiosos. Comunique essa abordagem continuamente ao longo do projeto, conforme você constrói e testa.
Comece com recursos pequenos e atômicos que podem ser facilmente definidos e testados. Se você se deparar com uma tarefa complexa, tente dividi-la em tarefas mais simples que sejam bons proxies para sua tarefa principal. Deve ser fácil comunicar o que essas tarefas se propõem a realizar.
Por exemplo, se você está tentando prever quando um usuário clicará em um anúncio específico, você pode primeiro tentar prever se o usuário descartará o anúncio completamente. Nesta abordagem, o problema é simplificado e pode ser melhor acomodado e previsto pelos modelos de ML atuais. Facebook fez uma ótima série aprofundando este tópico , com foco mais no pipeline de ML, desde o início até a entrega do modelo.
Para abordar o segundo contribuidor para aumento de escopo, certifique-se de que você é capaz de preparar os dados para dar suporte aos seus projetos de ML. Simplesmente supor que você tem os dados necessários, no formato necessário, é o erro mais comum que os PMs cometem ao iniciar os projetos de ML. Como a preparação e a limpeza de dados costumam ser a parte mais demorada do processo de projeto de ML, o gerenciamento dessa etapa é essencial. Certifique-se de que seu cientista de dados tenha acesso aos dados corretos e possa verificar sua qualidade e validade antes criando recursos de ML que desejam construir.
Prepare-se para fazer a rotulagem e limpeza de dados como um exercício contínuo ao longo do projeto, não apenas como um iniciador, já que o projeto sempre pode se beneficiar de melhores e mais dados. Como essa etapa não é a tarefa mais cativante, divida esse trabalho em sprints para que sua equipe de dados possa sentir o progresso de seus esforços, em vez de enfrentar um acúmulo de tickets sem fim.
Às vezes, as empresas terceirizam a rotulagem de dados para terceiros. Embora isso possa ajudar a economizar tempo e custos iniciais, também pode produzir dados não confiáveis, prejudicando o sucesso do seu modelo de ML. Para evitar isso, use a técnica de sobreposição múltipla, em que todos os dados são verificados por várias partes e usados apenas se seus resultados corresponderem.
Ao planejar o projeto, conceda tempo suficiente para que a equipe de dados faça ajustes caso seus requisitos de rotulagem mudem no meio do projeto e seja necessária uma nova rotulagem.
Por fim, verifique se seus dados podem ser usados facilmente com os métodos de ML existentes em vez de inventar novos métodos de ML, já que começar do zero pode aumentar drasticamente o tempo e o escopo do projeto. Observe que se você está tentando resolver um problema de ML que ainda não foi resolvido, há uma boa chance de você falhar. Apesar do sucesso do aprendizado de máquina e do número de artigos de pesquisa publicados, resolver problemas de ML pode ser uma tarefa muito difícil. É sempre mais fácil começar com uma área de ML que tem muitos bons exemplos e algoritmos e tentar melhorá-la, em vez de tentar inventar algo novo.
Aprendizado de máquina, expectativas e UX
Cada PM deve estar pronto para pensar sobre a experiência do usuário dos produtos de IA que estão criando e como gerenciar melhor a equipe que os está construindo. O Google escreveu um ótimo artigo sobre sua maneira de pensar sobre UX e IA, com ênfase na interação humana.
Esse ponto é especialmente importante se seu produto de ML tiver que interagir com os operadores ou até mesmo ser substituído por eles. O projeto deve adicionar a quantidade mínima necessária de estresse para os operadores e usuários do sistema. Por exemplo, os chatbots costumam ser baseados em aprendizado de máquina, mas podem ser facilmente controlados por um operador humano.
Também existe a possibilidade de que as partes interessadas possam esperar muito mais dos produtos de aprendizado de máquina do que eles podem oferecer. Geralmente, esse é um problema decorrente do exagero criado pela mídia ao escrever sobre produtos de IA e, portanto, é importante que o gerente de projeto estabeleça expectativas razoáveis.
Certifique-se de explicar o que a ferramenta de IA realmente é e pode alcançar para seus stakeholders, para que você possa gerenciar suas expectativas bem o suficiente antes de testar a ferramenta. Uma boa UX é ótima, mas não pode agregar valor aos usuários com expectativas irreais, portanto, é essencial para qualquer PM envolvido gerenciar isso e educar seus stakeholders sobre IA e seus recursos realistas.
Garantia de qualidade (QA) e práticas de teste em ML
AI em sua forma atual é um campo relativamente novo. Nunca antes houve tantos aplicativos que usam aprendizado profundo para atingir seus objetivos. Esses novos desenvolvimentos vêm com seu próprio conjunto de desafios, especialmente em testes.
Embora seja relativamente fácil testar um software padrão que tenha um 'conjunto de regras' claro escrito por pessoas, é muito mais difícil testar exaustivamente modelos de aprendizado de máquina, especialmente aqueles construídos com redes neurais. Atualmente, a maioria dos modelos de ML é testada pelos próprios cientistas de dados, mas há poucos métodos de teste acordados com equipes de controle de qualidade padrão para garantir que os produtos de ML não falhem de maneiras inesperadas.
Com novas maneiras de manipular os resultados dos modelos conhecidos, como esses Ataques GAN , o teste abrangente do modelo se tornará cada vez mais importante. Isso se tornará uma prioridade para muitos projetos de ML e veremos mais testes de tipo de “integração” para os modelos de ML nos próximos anos. Para a maioria dos projetos simples, isso pode não ser um problema tangível no momento, mas é importante manter isso em mente se você estiver criando um produto de ML de missão crítica.
Roubo e plágio de modelo de ML
Desde isso Artigo com fio foi publicado, e o artigo original foi apresentado em Conferência de segurança USENIX em 2016 , tornou-se aparente que existe a possibilidade de plagiar um modelo de ML ao vivo.
Isso ainda é muito difícil de realizar bem, mas se você tiver um modelo em execução por meio de uma API disponível publicamente, é importante estar ciente dessa possibilidade. Em teoria, um grupo com acesso substancial a ele poderia treinar sua própria rede com base na sua e copiar efetivamente sua capacidade de previsão.
Isso ainda é bastante limitado em termos de possibilidade , mas certifique-se de trabalhar com sua equipe em uma estratégia de prevenção para possíveis ataques, se isso for uma preocupação para seu projeto.
Falta de talentos
Com a demanda atual por especialistas em IA de classe mundial, a competição para obter o talento certo é feroz. De fato, O New York Times relata que especialistas em IA de classe mundial podem ganhar até US $ 1 milhão por ano trabalhando para grandes usinas de tecnologia do Vale do Silício. Como PM, enquanto você procura especialistas em IA para se juntarem à sua equipe, esteja ciente dessas dinâmicas, pois elas podem afetar seus ciclos de contratação, orçamento ou qualidade do trabalho realizado.
Essa carência se estende além das mentes inovadoras que criam os algoritmos de aprendizado profundo mais recentes e também é válida para engenheiros e cientistas de dados de alta qualidade.
Muitas das pessoas mais talentosas participam de competições de aprendizado de máquina, como Kaggle onde eles podem esperar ganhar mais de US $ 100.000 para resolver problemas difíceis de aprendizado de máquina. Se for difícil contratar especialistas em ML localmente, é aconselhável procurar soluções inovadoras, como contratação de empreiteiros especializados remotamente ou executando o seu próprio Kaggle competição pelos problemas de ML mais difíceis.
Desafios Éticos e Legais
Os desafios legais e éticos da IA no gerenciamento de projetos são duplos.
O primeiro conjunto de desafios decorre dos dados usados para treinar os modelos de ML. É essencial entender a origem dos dados que você usa e, especificamente, se você tem os direitos para utilizá-los e as licenças que permitem o uso dos dados.
É sempre importante consultar seus advogados para resolver tais questões antes de implantar um modelo treinado nos dados para os quais você pode não ter o tipo certo de licença. Como este é um campo relativamente novo, muitas dessas respostas não são claras, mas os PMs devem se certificar de que suas equipes estão usando apenas conjuntos de dados que eles têm o direito de usar.
Aqui está um bom lista de conjuntos de dados disponíveis publicamente para treinar seus algoritmos de ML.
O segundo conjunto de desafios vem de garantir que seu sistema não desenvolva uma tendência sistemática. Houve numerosos casos de tais problemas nos últimos anos, quando uma empresa de câmeras teve que admitir que sua tecnologia de reconhecimento de sorriso detecta apenas pessoas de uma determinada raça porque foi treinada apenas em dados contendo rostos daquela corrida. Outro exemplo veio de uma grande empresa de software, que teve que retirar seu autodidata no Twitter após alguns dias de aprendizado, pois um esforço concentrado de um grupo de trolls da Internet o fez produzir calúnias raciais e repetir conspirações selvagens.
O grau desses problemas pode ser menor ou destruidor do projeto, portanto, ao desenvolver sistemas que são críticos, os PMs devem se certificar de que consideram essas possibilidades e as evitam o mais cedo possível.
Boas fundações levam a estruturas fortes
Em resumo, a revolução iminente da IA traz um conjunto de projetos interessantes e dinâmicos que geralmente vêm com um processo de desenvolvimento modificado, um arquétipo de equipe diferente e novos desafios.
Principais gerentes de projetos técnicos têm não apenas uma boa compreensão dos fundamentos da IA, mas também a intuição da dificuldade de cada etapa do projeto e o que é realmente possível criar com sua equipe. Uma vez que AI não é um produto comercial de prateleira ( COTS ), mesmo as empresas que optam por adquirir determinados produtos de ML ainda terão que investir em testes novos e no gerenciamento correto de seus dados e infraestrutura.
É claro que os tipos de produtos de software e os processos para criá-los estão mudando com o surgimento da IA. Os gerentes de projeto que são capazes de compreender e executar esses novos conceitos serão atores fundamentais na criação dos produtos de aprendizado de máquina do futuro.
Materiais extras do autor
Teoria Adicional: DLs e NNs
Além da verborragia mais comum de inteligência artificial (IA) e aprendizado de máquina (ML), os gerentes de projeto podem se beneficiar por estarem cientes de como distinguir ainda mais o aprendizado profundo (DL) e as redes neurais (NN).
Aprendizado profundo (DL)
Aprendizagem profunda faz parte de uma família mais ampla de métodos de aprendizado de máquina com base em representações de dados de aprendizado, em oposição aos algoritmos clássicos de tarefas específicas.
A maioria dos modelos modernos de aprendizado profundo são baseados em uma rede neural artificial, embora possam usar vários outros métodos.
Redes Neurais (NN)
Redes neurais são estruturas matemáticas conectadas de inspiração biológica que permitem aos sistemas de IA aprender com os dados apresentados a eles.
Podemos imaginar essas redes como milhões de pequenos portões que se abrem ou fecham, dependendo de nossa entrada de dados. O sucesso dessas técnicas foi possibilitado pelo crescimento do poder de computação da GPU nos últimos anos, permitindo-nos ajustar rapidamente mais dessas “pequenas portas” dentro das redes neurais.
Existem vários tipos de redes neurais, cada uma acompanhada por seus próprios casos de uso específicos e nível de complexidade. Você pode ver termos como CNN (rede neural convolucional) ou RNN (rede neural recorrente) usados para descrever diferentes tipos de arquitetura de rede neural.
Para entender melhor como eles se parecem e funcionam, aqui é uma ótima visualização 3D de como as redes neurais “se parecem” enquanto estão ativas.
Interessado em aprender mais sobre IA?
Se, depois de ler isto, você quiser se aprofundar um pouco mais no assunto, recomendo verificar estas fontes:
Compreendendo redes neurais
Se você quiser se aprofundar na mecânica de como as redes neurais funcionam, sugiro que você dê uma olhada Série 3Blue1Brown em redes neurais no YouTube. Em minha opinião, esta é de longe a melhor explicação detalhada das redes neurais. É entregue em termos simples e não requer nenhum conhecimento prévio.
Manter-se atualizado com AI News
Se você quiser se manter atualizado com os mais novos avanços na tecnologia de IA sem gastar horas lendo trabalhos acadêmicos, recomendo o seguinte Artigos de dois minutos . Este canal fornece atualizações semanais de dois minutos sobre as novas técnicas de IA mais impressionantes e suas implementações.
Aprendendo o básico do desenvolvimento de ML
Se você quiser se aventurar no código sozinho e tiver algumas habilidades rudimentares em Python, poderá verificar Fast.ai . Seu curso permite que qualquer pessoa com habilidades básicas de desenvolvimento comece a experimentar e brincar com redes neurais.
Fundamentos do aprendizado de máquina
Esta sugestão é para aqueles que desejam começar do início e trabalhar até o topo da compreensão e implementação do aprendizado de máquina.
Criado pelo agora lendário Andrew Ng, que lançou o Coursera com este curso , requer um investimento de tempo substancial - pelo menos seis meses - mas pode ser uma maneira extremamente produtiva de passar um sábado.
Nota: As principais definições dos termos foram adaptadas da Wikipedia.
Compreender o básico
O aprendizado de máquina é o mesmo que inteligência artificial?
Não - embora sejam frequentemente usados de forma intercambiável, o aprendizado de máquina é um subconjunto da inteligência artificial que é especificamente caracterizado pela capacidade de um programa de aprender sem ser explicitamente programado.
O que é aprendizado profundo em termos simples?
O aprendizado profundo pode ser classificado como uma classe de métodos de aprendizado de máquina baseados em representações de dados de aprendizado. Eles geralmente são baseados em uma rede neural artificial, embora possam usar vários outros métodos.
O que você quer dizer com rede neural?
Redes neurais são estruturas matemáticas que permitem que os sistemas de IA 'aprendam' com os dados fornecidos. Podemos imaginar essas redes como milhões de pequenos portões que se abrem ou fecham, dependendo de nossa entrada de dados.
