De uns 3 bilhões de anos para cá, a vida evoluiu de organismos unicelulares para humanos, os seres vivos mais inteligentes do planeta. De uns 80 anos para cá, a tecnologia da informação também evoluiu e foi buscar na inteligência humana, mais especificamente nas redes neurais, a inspiração para softwares mais evoluídos.
A inteligência artificial surgiu, há quase 100 anos, a partir da hipótese de cientistas de que máquinas seriam capazes de construir raciocínios complexos. Seria natural pensar que, para isso acontecer, as máquinas teriam que funcionar como o cérebro. Portanto, buscamos na biologia – mais especificamente na anatomia – as fontes para construir redes neurais artificiais.
Siga com a gente neste texto para compreender como “descobrimos” as redes neurais e como elas inspiram algumas das aplicações mais usadas da atualidade!
Da biologia à tecnologia
Apesar de soar óbvio, vale clarificar: em sentido estrito, uma rede neural é uma rede de neurônios, as células que compõem boa parte do nosso sistema nervoso. O ponto que vale chamar atenção aqui é que, diferente de alguns outros tecidos do corpo, os nervos se formam em rede. Compreendê-los dessa forma muda o nosso entendimento sobre como se dá o pensamento humano.
Na segunda metade do século XIX, trabalhos na área da saúde identificaram a morfologia dos tecidos neurais. Em 1851, o médico e professor alemão Henrich Müller identificou a existência de fibras verticais de tecido nervoso atravessando sucessivas camadas da retina. Em 1872 o médico alemão Theodor Meynert publica o “Tratado sobre o cérebro dos mamíferos”. Estudando casos de demência, Meynert descreve um grupo de neurônios hipercrômicos magnocelulares e sugere como essa estrutura está associada à memória e cognição. E em 1875 o histopatologista inglês Herbert Major descreveu a estrutura de seis camadas do córtex dos primatas.
Compreender que a cognição se dá, em parte, graças à morfologia do cérebro, foi fundamental para entender como o raciocínio é processado. Se a inteligência humana existe por causa das conexões entre camadas de neurônios, para existir uma artificial seria necessário criar “neurônios” se conectando uns aos outros em redes que atravessam camadas.
A partir dessa ideia, Walter Pitts e Warren McCulloch, em artigo de 1943 intitulado “Um cálculo lógico das ideias imanentes na atividade nervosa”, propuseram um modelo matemático simplificado para tentar ilustrar como supostamente se daria o funcionamento do cérebro humano. O trabalho de Pitts e McCulloch sugeriu o caminho para construir uma “estrutura de pensamento”, uma rede neural… artificial.
Seis anos depois do clássico trabalho de Pitts e McCulloch, o psicólogo canadense Donald Hebb, em sua obra “A organização do comportamento”, propõe uma teoria do aprendizado. Um dos postulados da teoria hebbiana é que a conexão entre neurônios é fortalecida cada vez que são usados simultaneamente. Este entendimento, crucial para a compreensão da aprendizagem biológica, foi aplicado em arquiteturas de softwares cujo princípio foi estabelecido por Pitts e McCulloch. Em 1958 Frank Rosenblatt, pesquisador do laboratório de Cornell, cria a o perceptron, um classificador linear que mapeia um valor de entrada para um valor de saída. Colocando em outros termos, estava criado o “neurônio artificial” e, a partir dele, as redes neurais.
As arquiteturas de redes neurais evoluíram a uma certa velocidade até o ano de 1986, quando é publicado o trabalho “Aprendizado de representações por meio da retropropagação de erros” por David Rumelhart, Geoffrey Hinton e Ronald Williams. A partir dele, o entendimento sobre redes neurais artificiais dá um salto: o algoritmo de retropropagação, descrito no artigo, se tornou a base para o aprendizado de máquina.
Redes neurais artificiais de diferentes tipos
Conforme explicamos no post sobre inteligência artificial, quanto mais camadas as redes neurais possuem, maiores são as possibilidades de aprendizado. Da primeira rede neural artificial com apenas uma camada de processamento – conhecida como “perceptron simples” -, evoluímos para redes neurais de múltiplas camadas, que conseguem processar aprendizado profundo.
Atualmente é comum categorizarmos as redes neurais por aplicação e funcionalidade. Vamos aos tipos mais usados:
- Redes Feedforward → É a arquitetura mais tradicional de redes neurais, com uma ou algumas camadas. A informação flui em direção única. Esse tipo de rede é muito utilizado em reconhecimento de padrões, classificação de imagens e previsões de séries temporais.
- Redes neurais convolucionais (CNN) → projetadas para analisar dados em forma de grade. Cada camada detecta padrões visuais (bordas, texturas, formas), com as camadas subsequentes combinando esses dados para reconhecer objetos. As CNNs são amplamente utilizadas em visão computacional, sendo capazes de detectar objetos em fotos e vídeos, além de também usadas em reconhecimento de voz.
- Redes neurais recorrentes (RNN) → São redes nas quais a informação é capaz de fluir em várias direções, podendo formar ciclos. Diferentes das redes Feedforward, as recorrentes possuem retroalimentação, possibilitando que a informação permaneça mais tempo na rede, gerando “memória”. As RNNs são muito utilizadas em processamento de linguagem natural.
- Redes neurais generativas → Formadas por duas redes “competidoras”: a geradora e a discriminadora. A primeira cria os dados e a segunda distingue-os entre reais e gerados. No processo, ambas se aprimoram. As redes neurais generativas são amplamente utilizadas para geração de imagens realistas.
- Redes neurais baseadas em atenção (Transformers) → Ao invés de processar a informação em um fluxo único, as redes neurais baseadas em atenção a processam de forma paralela. O mecanismo de atenção permite que a rede atribua “atenção” diferente a cada parte da informação e consiga, assim, gerar contexto. Esse modelo de rede também é bastante utilizado para processar linguagem natural e está em boa parte dos agentes de inteligência artificial que conhecemos – ChatGPT, DeepSeek, entre outros.
- Redes autoencoders → Redes não supervisionadas que aprendem a codificar dados de entrada, encontrar suas características mais relevantes e reconstruí-los em representações mais simples. São muito utilizadas para compressão e limpeza de dados.
Se vivemos a Era da inteligência artificial, consequentemente vivemos a era das redes neurais artificiais. Atualmente compõem a arquitetura de software que realiza várias atividades no campo da Tecnologia da Informação: realizam testes em larga escala, constróem fluxos de automação, geram imagens, protegem dados… Praticamente tudo que um sistema com outras arquiteturas faz, as redes neurais também fazem.
Se você quer experimentar o poder das redes neurais na sua empresa, faça contato conosco para conhecer o LIEV: a inteligência artificial que está integrada em todas as nossas soluções. Com ele, sua empresa ganha mais velocidade e eficiência: aumentamos a produtividade do time em até quatro vezes, sem abrir mão da segurança, uma vez que garantimos a privacidade total do código-fonte e dos dados – eles nunca são compartilhados nem utilizados para treinar redes externas.
Quer ver o LIEV funcionando na prática? Acesse nossa playlist no YouTube! Se quiser entender como o LIEV potencializa nossas soluções, transformando a forma como sua empresa trabalha, clique aqui e fale com a gente!
