É comum que, ao falarmos sobre redes neurais, as pessoas se perguntem se a palavra “neural” – que vem de neurônio – tem realmente a ver com os neurônios do nosso cérebro. Na verdade, tem a ver, sim!
Isso porque a inspiração para a criação das redes neurais surgiu do nosso cérebro. A ideia de criar uma rede neural artificial veio a partir de uma rede neural biológica. Ou seja, essa tecnologia foi inspirada na rede neural que existe tanto nos seres humanos como também nos animais.
Se analisarmos a anatomia de um neurônio, fica evidente que ela é muito complexa. Podemos ver as suas macro partes e perceber que essa célula tem um corpo celular com diversas outras porções: os dendritos, o axônio, os terminais do axônio e a baía de mielina.
Enfim, há vários elementos que fazem com que um neurônio seja, de fato, um neurônio. Até hoje, ainda não se sabe muito bem como cada uma dessas células funciona em conjunto.
Sabe-se, porém, que existem vários tipos deles: eles são ligeiramente diferentes uns dos outros. Além disso, cada neurônio se conecta com muitos outros – cada um faz, em média, sete mil conexões. Tais conexões são chamadas sinapses.
Podemos imaginar, então, que um neurônio sozinho esteja se conectando e enviando informações, por meio de impulsos elétricos, formando sinapses com sete mil outros. Esse neurônio, por sua vez, também recebeu informações de outros neurônios.
Existe, portanto, uma malha muito complexa de conexões entre os neurônios do cérebro humano – que possui cerca de oitenta e seis bilhões dessas células.
É evidente que ainda estamos longe de descobrir exatamente como o pensamento ocorre na mente humana; entretanto, essa ideia de interconectar neurônios – cada um deles uma unidade específica que manda (ou não) informações para outros neurônios – pode ser aplicada ao mundo digital. Dessa forma são criadas as redes neurais artificiais.
Criação do neurônio artificial
O primeiro neurônio matemático (também chamado de artificial) que foi modelado foi chamado de Perceptron. A ideia de criação desse neurônio foi modelar uma unidade lógica de processamento que recebesse diferentes sinais em sua entrada; essa unidade iria decidir se soltaria, na saída, o sinal 1 ou a informação 0, tendo o conceito de estar disparado (ativado), ou não estar disparado (desativado).
Esse conceito de modelagem do Perceptron tentava imitar, de certa forma, o conceito que se tinha até então de neurônio biológico: o neurônio estaria ativado ou desativado. Ou seja, a célula estaria mandando informação (impulsos elétricos) para outros neurônios, ou ela não estaria enviando informação.
O conceito que se tinha do cérebro humano, até aquele momento, era o seguinte: determinados neurônios estariam recebendo informação de outros neurônios; eles decidiriam, a partir dessas entradas, se ativariam informações para os outros ou não.
Na realidade, descobriu-se que os mecanismos de funcionamento do cérebro são muito mais complexos que isso: não se resumem apenas às células estarem ativas ou inativas; não é apenas uma questão binária de mandar, ou não, informação.
Função sigmoide
Com o tempo, os neurônios artificiais (com modelagem matemática) começaram a ganhar novos modelos. O modelo do Perceptron foi aperfeiçoado e aplicado, por exemplo, com a função sigmoide – que faz com que a saída seja um valor entre 0 e 1.
Em vez de os valores de saída serem somente 0 ou 1, o resultado pudesse assumir outros valores além de 0 ou 1 (como 0.3, 0.47, etc.), seguindo uma curva em formato de “S”.
Outras funções de ativação também passaram a ficar bastante populares como a ReLU, que já não determina que os valores fiquem limitados entre 0 e 1, mas podem assumir um valor que varia de 0 até o infinito.
Esses, basicamente, foram aperfeiçoamentos dessas pequenas unidades chamadas neurônios artificiais que são utilizadas na confecção de redes neurais.
O objetivo deste artigo não é entrar nos detalhes do funcionamento de um neurônio. O conceito principal que queremos colocar aqui é que a ideia de modelagem matemática funciona muito bem.
Isso porque podemos pegar sinais de entrada e, a partir disso, fazer uma operação que vai decidir qual será a saída a partir dessa entrada. Ou seja, uma unidade de processamento lógico – um neurônio somente – pode tomar uma decisão sobre qual informação ele vai enviar a partir das entradas que ele recebeu.
Esse neurônio pode trabalhar com outros neurônios; podemos, então, ter vários neurônios em uma camada, em que todos eles recebem informação de outros neurônios e todos eles enviam informação para outros também.
Podemos arranjar essas camadas de diferentes formas (unidirecionais, bidirecionais) e fazer todo tipo de combinação para ver que tipo de resultado conseguiremos ao final. Essas são, enfim, as redes neurais.
Outras tecnologias que lidam com neurônios artificiais
Existem outras abordagens que procuram criar redes neurais inspiradas no cérebro humano de forma mais fidedigna. Alguns exemplos são:
- Spiking neural network (SNN)
- Hierarchical Temporal Memory (HTM)
- Neuromorphic computing
Tais tecnologias estão muito mais preocupadas em imitar exatamente como o cérebro funciona a nível de sinapses, na expectativa de que, um dia, a grande capacidade de processamento e de eficiência do cérebro humano possa ser reproduzida digitalmente.
Aprofunde seu aprendizado
Como você pode imaginar, assim como existem diferentes tipos de neurônios no cérebro humano, também existem diferentes configurações de redes neurais. As mais simples são as chamadas redes neurais densas ou totalmente conectadas.
Temos um curso completo de redes neurais e deep learning para você mergulhar nesse assunto com muita didática.
Leia também:
- O que é inteligência artificial?
- O que é Machine Learning (Aprendizado de Máquina)
- Introdução a Redes Neurais e Deep Learning
- História das redes neurais artificiais
- Introdução a Redes Neurais Convolucionais
- Visão Computacional e Processamento de Imagens
- Como funcionam as Redes Neurais Recorrentes
- Arquitetura de uma LSTM
- Introdução a GAN’s – Redes Adversárias Generativas
- Como funcionam os Algoritmos Genéticos
