Os avanços no aprendizado de máquina permitem novas tecnologias baseadas na análise de imagens

Os avanços nas técnicas de aprendizado profundo – um ramo do aprendizado de máquina que busca treinar máquinas para aprender por meio do reconhecimento de padrões e, assim, agir e interpretar os dados de maneira mais natural – permitiram inovações importantes baseadas na análise de imagens, como reconhecimento facial, identificação de corpos celestes e sistemas capazes de descrever o conteúdo de uma foto.

“Tarefas comuns em problemas de análise de imagem, como classificação, reconhecimento de objetos, segmentação [ delineamento preciso do contorno de objetos ] e interpretação de conteúdo, podem ser resolvidas usando técnicas de aprendizado de máquina e, especialmente nos últimos anos, técnicas de aprendizado profundo, ”Disse Nina Hirata , pesquisadora do Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP), em uma palestra realizada em 21 de novembro durante a Semana FAPESP na França.

Como o pesquisador explicou, o aprendizado profundo envolve técnicas que permitem que uma imagem seja processada diretamente, sem que um humano precise descrever as características da imagem durante o treinamento da máquina.

“Antes disso, algoritmos muito específicos precisavam ser escritos para extrair informações sobre as características da imagem. Cada caso foi único. O processo foi altamente manual. Hoje, com aprendizado profundo, essa tarefa se tornou muito mais fácil, o que nos permite focar em tarefas de nível superior. Por exemplo, no caso de imagens biomédicas, em vez de exercer características de segmentação e extração de esforço de células individuais em um tecido, podemos canalizar o esforço na comparação de tecidos ”, disse Hirata.

Mas, acrescentou, apesar dos vários aspectos positivos dessa tecnologia, também existem vários desafios a serem superados. “O aprendizado profundo é uma espécie de caixa preta: é muito difícil explicar por que está funcionando ou por que às vezes para de funcionar”, disse Hirata.

Veja também  Brasil entra no mercado internacional de painéis solares para mini satélites

Interdisciplinar

Atualmente, o pesquisador da USP está trabalhando em um projeto focado no entendimento de imagens e modelos de aprendizado profundo. Outro objetivo da pesquisa é testar a aplicação desses modelos em diferentes áreas da ciência, como o reconhecimento de espécies de plâncton  e a identificação de corpos celestes em imagens capturadas por telescópios. Ela também citou outros projetos em andamento no instituto, um dos quais visa medir o quão verde uma cidade é baseada em dados do Google Street View.

“Na minha experiência, percebi que há dificuldade na comunicação entre pesquisadores de diferentes áreas, uma barreira que dificulta colaborações multidisciplinares. Mas isso precisa mudar, já que atualmente é quase impossível realizar pesquisas sem o apoio da ciência de dados e computação ”, disse ela.

Para Hirata, pesquisadores de outras áreas precisam entender como formular problemas computacionais e, ao mesmo tempo, os estudantes da área de computação precisam ser treinados para lidar mais diretamente com problemas reais.

O simpósio da Semana da FAPESP na França acontece entre os dias 21 e 27 de novembro, graças a uma parceria entre a FAPESP e as Universidades de Lyon e Paris, ambas na França. Leia outras notícias sobre o evento em www.fapesp.br/week2019/france/ .

 

Texto: Maria Fernanda Ziegler, de Lyon | Agência FAPESP

Imagem: Gerd Altmann / Pixabay

Fonte: Agência FAPESP

Compartilhe: