Dentro da área da inteligência artificial existe o subtópico Deep Learning. Esse subtópico é composto por Redes Neurais Artificiais (RNA). Esse assunto já foi tratado no blog no post Inteligência Artificial. Nele é explicado termos como Machine Learning e Deep Learning. Aqui será um aprofundamento do funcionamento da RNA.

Do que é feito a RNA?

    A Rede Neural Artificial é composta por técnicas computacionais que tem como inspiração a rede neural humana, para isso ela utiliza da matemática. Assim como a passagem de informação no homem acontece após o neurônio atingir um certo limiar de excitação as redes neurais possuem um valor limiar (threshold) que define qual será a resposta passada por uma unidade da RNA.

    Essas unidades são chamadas de unidade de processamento. Cada uma delas fazem operações com os dados que recebem e estão ligadas entre si por conexões que possuem pesos que podem ser mudados ao longo do processamento de dados. Para cada dado processado em uma unidade é verificado o valor produzido e comparado com o valor threshold e a saída resultante depende se o valor gerado é menor ou maior.

Como são organizadas?

    As unidades da RNA estão organizadas em camadas. Normalmente essas camadas são divididas em: camada de entrada, que são as unidades que recebem o dado a ser analisado, camadas intermediárias, que possuem o maior número de unidades e a maior parte do processamento, e camada de saída, que apresentam o resultado final da RNA.  

Tipos de aprendizagem.

    Essas interações entre camadas que fazem a RNA ser inteligente e aprender diante de um grande volume de dado. O termo aprender aqui se difere do modo de aprender dos seres humanos. Para as redes neurais, aprender é alterar os pesos iniciais através de estímulos externos. Essa aprendizagem realizada pode ser divida em aprendizagem supervisionada, não supervisionada e por esforço. Na primeira, o resultado gerado é comparado com o valor esperado e assim os pesos modificados. Na segunda, o aprendizado leva em conta apenas os estímulos recebidos e aprende a categorizá-los. No último, a rede leva em conta algum critério numérico fornecido de tempos em tempos.

    Toda essa estrutura básica apresentada é organizada de acordo com cada modelo de rede neural artificial. Existem modelos como rede Hopfield, perceptrons, redes lineares, mapas de Kohonen, entre outros. Há muitas monografias e artigos que explora cada rede detalhadamente na internet, pois inteligência artificial está em vários locais, como: redes sociais, sites de vendas, carros autônomos, entre outros.