O que é deep learning?
Deep learning (aprendizado profundo) é um ramo do machine learning que usa redes neurais com muitas camadas para aprender padrões diretamente dos dados, como reconhecer rostos, entender a fala ou gerar textos, sem que alguém precise programar cada regra à mão.
Em palavras simples
Pense em como uma criança aprende a reconhecer um cachorro. Ninguém entrega a ela uma lista de regras do tipo “tem quatro patas, rabo e focinho”. Ela simplesmente vê muitos cachorros, em fotos, na rua, em desenhos, e aos poucos o cérebro dela monta sozinho a ideia do que é um cachorro.
O deep learning funciona de um jeito parecido. Em vez de um programador escrever todas as regras, o sistema recebe milhares ou milhões de exemplos e vai ajustando a si mesmo até acertar. A palavra “profundo” vem do fato de que esse aprendizado acontece em várias camadas empilhadas, uma depois da outra. As primeiras camadas percebem coisas bem simples, como bordas e cores em uma foto. As camadas do meio combinam isso em formas, como olhos e orelhas. As últimas juntam tudo e concluem: “isso é um cachorro”.
Como funciona
A base do deep learning é a rede neural artificial: um conjunto de unidades matemáticas conectadas, organizadas em camadas. Cada conexão tem um “peso”, um número que diz o quanto um sinal importa. O treinamento segue, de forma resumida, estes passos:
- Entrada: o modelo recebe um exemplo, como uma imagem, um áudio ou um trecho de texto.
- Palpite: os dados passam por todas as camadas e o modelo dá uma resposta.
- Comparação: a resposta é comparada com o resultado certo, e o sistema mede o tamanho do erro.
- Ajuste: os pesos são corrigidos um pouquinho para errar menos da próxima vez.
Esse ciclo se repete milhões de vezes. Por isso o deep learning depende de duas coisas que ficaram baratas e abundantes nas últimas décadas: muitos dados e muito poder de processamento, principalmente placas de vídeo (GPUs), que fazem muitas contas ao mesmo tempo.
Um marco famoso foi o AlexNet, em 2012. Criado por pesquisadores da Universidade de Toronto (Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton), ele venceu com folga uma competição de reconhecimento de imagens chamada ImageNet, treinado em duas placas de vídeo comuns. Esse resultado é muito citado como o começo da onda moderna de deep learning. Anos depois, em 2017, pesquisadores do Google apresentaram a arquitetura Transformer, que virou a base dos grandes modelos de linguagem atuais.
Exemplos
- Assistentes de conversa: ChatGPT, Gemini, Claude e Meta AI usam modelos de deep learning treinados com enormes quantidades de texto.
- Fotos no celular: o recurso que agrupa fotos por rosto ou encontra “praia” na sua galeria usa redes profundas de visão.
- Voz para texto: legendas automáticas e a transcrição de áudios em aplicativos de mensagem.
- Tradução automática: tradutores on-line passaram a soar bem mais naturais com redes profundas.
- Geração de imagens e vídeos: ferramentas que criam imagens a partir de uma descrição em texto.
- Saúde: sistemas que ajudam médicos a analisar exames de imagem, sempre com revisão humana.
Por que isso importa para você
Quase toda a inteligência artificial que aparece no seu dia a dia hoje é feita com deep learning. Entender a ideia básica ajuda a usar essas ferramentas com mais consciência. Como o modelo aprende com exemplos, ele herda as qualidades e os defeitos dos dados: se os exemplos tiverem erros ou preconceitos, o resultado também pode ter. E como o modelo aprende padrões, e não “fatos” guardados em uma gaveta, ele pode errar com muita confiança, o que leva às chamadas alucinações.
A importância do tema é tão grande que o Prêmio Nobel de Física de 2024 foi para John Hopfield e Geoffrey Hinton, por descobertas que tornaram possível o aprendizado de máquina com redes neurais artificiais. Se você quer começar pelo básico, vale ler também nosso guia O que é inteligência artificial, de forma simples.
Termos relacionados
- Machine learning: o campo maior do qual o deep learning faz parte.
- Rede neural: a estrutura de camadas que dá forma ao aprendizado profundo.
- LLM: os grandes modelos de linguagem, um dos usos mais conhecidos do deep learning.
- IA generativa: sistemas que criam textos, imagens e sons a partir de redes profundas.
- Alucinação de IA: quando o modelo inventa uma resposta com tom de certeza.
Perguntas frequentes
Qual a diferença entre deep learning e machine learning?
Machine learning é o conjunto de técnicas que fazem o computador aprender com dados. Deep learning é um tipo específico de machine learning que usa redes neurais com muitas camadas e costuma exigir mais dados e mais poder de processamento.
Deep learning é o mesmo que inteligência artificial?
Não. Inteligência artificial é o campo inteiro. Deep learning é uma das técnicas usadas dentro dele, hoje a mais popular, mas não a única.
Preciso saber programar para usar deep learning?
Para usar ferramentas prontas, como chatbots e editores de imagem, não. Para criar ou treinar seus próprios modelos, sim: é preciso conhecer programação, matemática básica e bibliotecas específicas.