Noções básicas sobre a Visão Personalizada
Vamos usar o serviço de Visão Personalizada de IA do Azure para criar um modelo de machine learning. Vamos saber mais sobre como a Visão Personalizada funciona. Para isso, você verá o processo passo a passo que usamos para criar um modelo, desde a ideia até o modelo totalmente funcional!
O que é o aprendizado de máquina?
É provável que você já tenha ouvido falar sobre IA, machine learning ou aprendizado profundo. Vamos identificar esses termos para entender como eles se diferem.
IA (inteligência artificial): IA é o processo de programação de um computador para imitar a inteligência humana. Ela inclui o aprendizado de máquina. A ideia da IA é usar uma máquina para tentar imitar a inteligência humana. Mas a IA oferece muitas técnicas diferentes. A técnica na qual este módulo se concentra é o aprendizado de máquina.
Machine learning: o machine learning é um subconjunto da IA. O machine learning usa técnicas de treino de computadores com base em experiência. Considere a experiência como um conjunto de dados, com respostas corretas e incorretas já dadas. No aprendizado de máquina, o computador usa as respostas fornecidas para melhorar a forma como o computador conclui tarefas específicas. O campo de machine learning também inclui o aprendizado profundo.
Aprendizado profundo: o aprendizado profundo é um subconjunto do machine learning baseado em ANNs (redes neurais artificiais). O processo de aprendizado é profundo porque as ANNs consistem de várias camadas: ocultas, de entrada e de saída. Cada camada contém unidades que transformam os dados de entrada em informações que a próxima camada pode usar para executar uma tarefa preditiva específica. A estrutura de rede neural permite que um computador aprenda por meio de seu próprio processamento de dados.
Quando criamos um modelo, estamos tentando imitar a inteligência humana. Usamos dados como "experiência" para treinar um modelo para aprender uma tarefa ou função específica.
O que é a transferência de aprendizado?
A Visão Personalizada de IA do Azure usa transferência de aprendizado. A transferência de aprendizado ocorre quando usamos um conhecimento prévio para resolver melhor um problema atual. Como seres humanos, adotamos essa abordagem para resolver problemas o tempo todo. Estamos descobrindo novas maneiras de fazer isso com os computadores também.
No serviço de Visão Personalizada do Azure, a transferência de aprendizado funciona por meio da adição de uma camada que consiste em um modelo com treinamento prévio à rede neural. O modelo treinado nos dá um ponto de partida quando treinamos novos dados. O treinamento começa com um domínio do conhecimento geral. Novas camadas são adicionadas à rede neural para resolver um problema específico. Nesse caso, o problema que queremos resolver é como identificar os pássaros. Começando com um modelo com treinamento prévio. Os melhores resultados são obtidos quando não se adiciona grandes quantidades de dados.
Como criar um modelo de machine learning
Para entender melhor o processo de criação de um modelo de machine learning, confira abaixo uma visão geral passo a passo do processo. Esse será o processo que realizaremos para criar um modelo de machine learning.
Faça uma pergunta específica. A pergunta é: podemos identificar uma espécie de pássaro com base em uma imagem dele a fim de documentar as diferentes tendências e seus padrões de hábitos?
Preparar os dados. Temos um conjunto de dados de imagens de pássaros do Cornell Lab que estão limpas e preparadas. Portanto, essa etapa já está pronta. Se você criou um modelo diferente, precisará localizar e preparar os dados para treiná-lo. Você quer encontrar dados que ajudarão a responder à pergunta específica para a qual deseja obter a resposta.
Selecione um algoritmo. O serviço de Visão Personalizada no Azure usa uma CNN (rede neural convolucional), portanto, não precisamos nos preocupar com essa etapa. Uma CNN é um tipo de aprendizado profundo que é comumente usado para analisar imagens. Ter o algoritmo já criado nos poupa muito tempo!
Selecione um modelo candidato. O serviço de Visão Personalizada fornece gráficos úteis e dados para nos ajudar a determinar se o nosso modelo está sendo executado bem o suficiente para responder satisfatoriamente a nossa pergunta. Quando virmos que o modelo está funcionando satisfatoriamente, passaremos para a próxima etapa: a de teste.
Teste o modelo usando dados não vistos (novos). É importante testar nosso modelo adicionando novos dados. Faremos uma pesquisa na internet e localizaremos algumas imagens de teste para ver o desempenho do modelo com dados com os quais ele não foi treinado. Discutiremos mais tarde no módulo por que o teste dessa maneira é importante.
Implantar o modelo. A Visão Personalizada nos dá algumas opções na hora de implantar nosso modelo. Podemos fazer a implantação em um ponto de extremidade para integrar o modelo ou baixá-lo. Se você baixar o modelo, poderá escolher entre vários formatos para implantar o modo mais adequado para seu projeto. Neste módulo, discutiremos como usar a opção de implantação rápida disponível no portal de Visão Personalizada.
Vamos começar a criar nosso modelo!