De modo semelhante ao cérebro humano e o sistema nervoso, modelos simplificados dos neurônios biológicos constituem as unidades básicas de processamento das redes neurais artificiais. A partir disso, algumas informações essenciais sobre neurônios, sinapses e organização estrutural são importantes para o entendimento de RNAs.
Biologicamente
O cérebro humano é especialista em desempenhar funções como reconhecimento de padrões, controle motor, percepção, inferência, intuição, adivinhações, etc.
Os neurônios são considerados como as unidades básicas de processamento do cérebro e eles estão conectados uns aos outros através de conexões sinápticas. Acredita-se que a capacidade das sinapses serem moduladas é a principal base para todos os processos cognitivos, como percepção, raciocínio e memória.
Já o sistema nervoso é responsável por prover o organismo, através de entradas sensoriais, de informações sobre o estado do ambiente no qual ele vive e se move. A informação de entrada é processada, comparada com as experiências passadas, e transformada em ações apropriadas ou absorvidas sob a forma de conhecimento.
O sistema nervoso pode ser organizado em diferentes níveis: moléculas, sinapses, neurônios, camadas, mapas e sistemas.
 |
| Fonte: artigo Noções de Redes Neurais Artificiais |
Os neurônios podem receber e enviar sinais a vários outros neurônios. Aqueles que enviam sinais, chamados de neurônios pré-sinápticos ou “enviadores”, fazem contato com os neurônios receptores ou pós-sinápticos em regiões especializadas denominadas de sinapses.
A capacidade das sinapses sofrerem modificações (plasticidade sináptica) é fundamental para o aprendizado da maioria das RNAs.
Além disso, os neurônios podem ter conexões de um único sentido ou serem recíprocas, e diversos neurônios interconectados geram uma estrutura em rede conhecida como rede neural. Uma característica marcante das redes neurais é a representação distribuída de informação e seu processamento paralelo.
Sendo assim, a modulação sináptica poderá depender de mecanismos de adaptação de neurônios individuais e de redes neurais como um todo. E assim a aprendizagem via modulação sináptica é o mecanismo mais importante para as redes neurais, sejam elas biológicas ou artificiais.
Abordagem Histórica
O processo evolutivo da técnica de redes neurais artificiais é marcado por um longo período de estagnação e seguido por um crescente interesse científico, devido às inovações tecnológicas e também pela característica multidisciplinar das RNA’s.
Os primeiros documentos mencionados sobre redes neurais ou neurocomputação datam de 1943 com McCulloch e Pitts que projetaram a estrutura que é conhecida como a primeira rede neural. Estes pesquisadores propuseram um modelo de neurônio como uma unidade de processamento binária e provaram que esta unidade é capaz de executar muitas operações lógicas.
Em 1949, Donald O. Hebb apresentou uma hipótese a respeito da maneira com que a força das sinapses no cérebro se altera em resposta à experiência. Em particular, ele sugeriu que as conexões entre células que são ativadas ao mesmo tempo tendem a se fortalecer, enquanto que as outras conexões tendem a se enfraquecer. Esta hipótese passou a influir decisivamente na evolução da teoria de aprendizagem em RNAs. Este primeiro passo serviu de inspiração para que muitos outros pesquisadores seguissem a mesma ideia.
Mark I Perceptron foi o primeiro neurocomputador a obter sucesso e surgiu por volta de 1957 criado por Frank Rosenblatt, Charles Wightman e outros. Por volta do mesmo período, Bernard Widrow e alguns colaboradores, desenvolveram um novo tipo de elemento de processamento de redes neurais chamado de Adaline (abreviação de Adaptive Linear Element). Porém, essas inovações para a época sofreram uma forte estagnação, já que tinha-se criado uma expectativa com os resultados práticos dessas pesquisas, algo que não ocorreu.
Apesar disso, no período de 1969 a 1982 surgiram pesquisam silenciosas nessa área, principalmente porque existiam: melhores conhecimentos da estrutura real do cérebro; disponibilidade de computadores com maior capacidade de cálculo e desenvolvimento de novos algoritmos de aprendizado.
A partir dos anos 80 ocorreu o ressurgimento definitivo das pesquisas em redes neurais, permitindo a sua aplicação em sistemas reais. Os mais importantes motivos são: neurofisiologistas foram adquirindo um maior conhecimento sobre o processamento de informações nos organismos vivos; avanços tecnológicos tornaram disponível um maior potencial computacional a baixo custo, viabilizando ou facilitando simulações e testes com modelos neurais; e novas teorias para a implementação de algoritmos foram desenvolvidas.
Desde então, várias aplicações têm sido mapeadas através de redes neurais artificiais, tais como: reconhecimento de padrões, processamento de imagens, sistemas de controle, robótica e identificação de sistemas. As redes neurais são base para muitas das tecnologias conhecidas atualmente, como internet das coisas e machine learning.
Definição de RNA’s
Uma RNA (rede neural artificial) pode ser definida como sendo uma estrutura de processamento (rede), passível de implementação em dispositivos eletrônicos, composta por um número de unidades interconectadas (neurônios artificiais), sendo que cada unidade apresenta um comportamento específico de entrada/saída (computação local), determinado pela sua função de transferência, pelas interconexões com outras unidades, dentro de um raio de vizinhança, e possivelmente pelas entradas externas.
As RNA’s são técnicas computacionais que têm capacidade para solucionar problemas por intermédio de circuitos simples que simulam o funcionamento e o comportamento do cérebro humano.
As RNAs apresentam diversas características em comum com o sistema nervoso:
- O processamento básico de informação ocorre em diversas unidades simples denominadas de neurônios artificiais ou simplesmente neurônios (ou nós);
- Os neurônios estão interconectados gerando redes de neurônios, ou redes neurais;
- A informação (sinais) é transmitida entre neurônios através de conexões ou sinapses;
- A eficiência de uma sinapse, representada por um peso associado, corresponde à informação armazenada pelo neurônio e, portanto, pela rede neural; e
- O conhecimento é adquirido do ambiente através de um processo de aprendizagem que é, basicamente, responsável por adaptar os pesos das conexões aos estímulos recebidos do ambiente.
Aprendizagem
A rede neural passa por um processo de treinamento com fundamentação nos casos reais conhecidos, adquirindo, a partir daí, a sistemática necessária para executar adequadamente o processamento desejado dos dados fornecidos.
Ela é, portanto, capaz de extrair regras básicas (conjunto de pesos) em consequência dos dados reais, diferindo, assim, da computação convencional, onde são necessários um conjunto de regras rígidas pré-fixadas e algoritmos.
A propriedade mais importante das redes neurais é a habilidade de aprender por intermédio de seu ambiente e com isso melhorar seu desempenho.
Há diversos meios de aprendizagem de acordo com a maneira pela qual o ambiente influencia a rede, como aprendizado supervisionado, aprendizado por reforço e aprendizado não-supervisionado (ou auto-organizado).
De toda forma, esse aprendizado é feito através de um processo iterativo de ajustes (treinamento) aplicado a seus pesos. O processo de aprendizado encerra-se quando a rede neural consegue generalizar soluções para uma classe de problemas.
 |
| Fonte: http://www.cerebromente.org.br/n05/tecnologia/rna.htm |
Exemplo de utilização de RNA’s
Nos Estados Unidos, desde 1996, cerca de 60 elefantes foram diagnosticados com tuberculose em uma população de quase 1.300 indivíduos nos últimos 50 anos. Uma série de fatores dificulta a redução do surto.
Mas um cientista de dados e especialista em zoologia fez uma parceria para desenvolver um método mais preciso e menos invasivo para identificar a TB em elefantes usando redes neurais.
Na pesquisa, Sarah Harden, engenheira de sistemas na SAS, e o Dr. Ramiro Isaza, professor de medicina zoológica na Universidade da Flórida, analisam 20 anos de dados sobre elefantes nos EUA. A pesquisa compara métodos analíticos tradicionais, como a regressão logística e as árvores de decisão, a métodos mais avançados, como redes neurais e modelagem de conjuntos.
“Segundo Harden, os modelos de rede superaram todos os outros métodos para identificar a probabilidade de TB em elefantes individuais, porque esse método avançado analisa fatores relacionais. Esses fatores incluem localizações de elefantes, dinâmicas de rebanho e grupos sociais que existem dentro da população de elefantes.” consta no artigo. Mais detalhes e os benefícios finais podem ser encontrados na matéria original:
Autora: Tauana Guindani
REFERÊNCIAS
FINOCCHIO, Marco Antonio Ferreira. Noções De Redes Neurais Artificiais. Julho, 2014. 29 p.
CASTRO, Leandro N. de; VON ZUBEN, Fernando J.. Redes Neurais Artificiais. In: VON ZUBEN, Fernando J.; VON ZUBEN, Fernando J.. Computação Natural. São Paulo: Unicamp. Cap. 5.
Nenhum comentário:
Postar um comentário