Cinco cenários desafiadores que deep learning reserva para empresas
Viajar até Marte em um pulo, conseguir chegar ao topo do Everest ou mesmo ver um carro se autoensinar a dirigir. Isso é só um aperitivo do que a próxima geração da plataforma de computação da Nvidia está reservando para o futuro – a empresa promete o uso da tecnologia para aplicações de deep learning, carro autônomo, realidade virtual e inteligência artificial em uma tacada só.
A iniciativa da empresa mostra uma reformulação completa para gerenciamento de dados e de tudo o que conhecemos sobre análise de dados até agora, de acordo com a analista Michele Goetz, da Forrester.
Com a evolução dos últimos tempos, continua ela, podemos perceber que a aprendizagem profunda propriamente dita está a um ano de distância. “Além disso, a inovação proveniente da robótica, da realidade virtual e da infraestrutura permitirá a introdução de novos formatos e canais para se relacionar com clientes e moldar a nossa força de trabalho”, observa a especialista.
No fim das contas, sempre haverá um desafio relacionado a dados – e a complexidade tende a aumentar cada vez mais. Michele cita alguns dos cenários que podem ser esperados em um breve futuro (e que devem ser analisados no caso de você querer introduzi-los em sua empresa):
1. Sistemas de aprendizagem profunda são “comedores” vorazes de dados. Se você acha que tem problemas com o volume de dados atualmente, isso só tende a piorar. Será preciso maior poder computacional (GPUs e CPUs) para ganho de velocidade, desempenho e eficiência.
2. O algoritmo de aprendizagem profunda (ou CNN de convolutional neural network) é uma ferramenta de gerenciamento de dados. Modelos de análise tradicionais ficam fora da infraestrutura. No caso de inteligência artificial, por exemplo, um CNN genérico trabalha com o processador. Classificação e inferência acontecem na ingestão de dados.
3. O sistema de aprendizagem profunda é o especialista. Sistemas de análise tradicionais contam com codificação de instruções – o que inclui: codificação para transformações e mapeamento. Hoje, você diz o que os dados devem fazer, e o sistema os alinha para o resultado requerido.
4. Sistemas de aprendizagem profunda aprendem governança de dados. Políticas de governança de dados terão de ser ensinadas. Administradores não irão criar regras de negócios. Sistemas de deep learning precisam que você diga o que quer que eles façam e que sejam fornecidos dados de treinamento para que possam ser testados e aprendidos.
5. Sistemas de aprendizagem profundas têm memórias profundas. CNNs manterão até 180 camadas (talvez mais) que têm de ser referenciavéis em tempo real. É preciso considerar o volume não só do que está sendo colocado para dentro, mas também a quantidade para armazenamento.