Compreender a Visão Personalizada
Usaremos o serviço Azure AI Custom Vision para criar um modelo de aprendizado de máquina. Vamos saber mais sobre o funcionamento da Visão Personalizada. Então, você verá o processo passo-a-passo que usamos para construir um modelo, desde a ideia até o modelo totalmente funcional!
O que é machine learning?
É provável que você já tenha ouvido falar de IA, aprendizado de máquina ou deep learning. Vamos identificar os termos, para entendermos como eles são diferentes.
Inteligência artificial (IA): IA é o processo de programação de um computador para imitar a inteligência humana. A IA inclui a machine learning. A ideia da IA é usar uma máquina para imitar a inteligência humana, mas a IA oferece muitas técnicas diferentes. A técnica que este módulo aborda é a machine learning.
Machine learning: O aprendizado de máquina é um subconjunto da IA. O aprendizado de máquina usa técnicas para treinar máquinas com base na experiência. Pense na experiência como um conjunto de dados, com as respostas certas e erradas já dadas. Na machine learning, o computador utiliza as respostas que são fornecidas para melhorar a forma como o computador completa tarefas específicas. O campo da machine learning também inclui a aprendizagem profunda.
Deep learning: Deep learning é um subconjunto do aprendizado de máquina baseado em redes neurais artificiais (RNAs). O processo de aprendizagem é profundo porque as RNA consistem em várias camadas: entrada, saída e camadas ocultas. Cada camada contém unidades que transformam os dados de entrada em informações que a próxima camada pode usar para uma tarefa preditiva específica. A estrutura de rede neural permite que a máquina aprenda através do seu próprio processamento de dados.
Quando construímos um modelo, estamos tentando imitar a inteligência humana. Utilizamos os dados como "experiência" para preparar um modelo para aprender uma tarefa ou função específica.
O que é a transferência de aprendizagem?
A Visão Personalizada da IA do Azure utiliza a aprendizagem por transferência. A aprendizagem de transferência é a capacidade de usar o conhecimento prévio para resolver melhor o problema em questão. Como seres humanos, adotamos essa abordagem para a resolução de problemas o tempo todo. Também estamos descobrindo novas maneiras de fazer isso com computadores.
No serviço de Visão Personalizada no Azure, a aprendizagem de transferência funciona adicionando uma camada que consiste em um modelo pré-treinado à rede neural. O modelo preparado dá-nos uma vantagem quando preparamos novos dados. A formação começa com um domínio de conhecimentos gerais. Novas camadas são adicionadas à rede neural para resolver um problema específico. Neste caso, o problema que pretendemos resolver é como identificar as aves. Começando com um modelo pré-treinado, obtemos melhores resultados sem adicionar grandes quantidades de dados.
Como construir um modelo de aprendizado de máquina
Para entender melhor o processo de criação de um modelo de aprendizado de máquina, aqui está uma visão geral passo a passo do processo. Vamos concluir esse processo para criar um modelo de aprendizado de máquina.
Coloque uma pergunta direcionada. A nossa questão é: podemos identificar a espécie de uma ave a partir de uma imagem de uma ave, para ajudar a documentar diferentes tendências e padrões de hábitos das aves?
Prepare os dados. Temos um conjunto de dados de imagens de aves do Cornell Lab que está limpo e preparado, por isso esta etapa é cuidada. Se você criou um modelo diferente, precisará encontrar e preparar dados para treinar seu modelo. Você gostaria de encontrar dados que o ajudariam a responder à pergunta apontada em que você está interessado.
Selecione um algoritmo. O serviço Visão Personalizada no Azure utiliza uma rede neural convolucional (CNN), pelo que não temos de nos preocupar com este passo. Uma CNN é um tipo de aprendizagem profunda que é normalmente utilizada para analisar imagens. Ter o algoritmo já criado poupa-nos muito tempo!
Selecione um modelo candidato. O serviço Visão Personalizada dá-nos gráficos e dados úteis para nos ajudar a determinar se o nosso modelo está a ter um desempenho bom o suficiente para responder à nossa pergunta. Quando pensamos que o modelo está a funcionar a um nível satisfatório, passamos para o passo seguinte: testar.
Teste o modelo ao utilizar dados não vistos (novos). É importante testar o nosso modelo ao adicionar novos dados. Faremos uma pesquisa na internet e encontraremos algumas imagens de teste para ver como o modelo se comporta com dados com os quais não foi treinado. Falaremos mais adiante no módulo sobre a importância de testar desta forma.
Implemente o modelo. A Visão Personalizada nos dá algumas opções na hora de implantar nosso modelo. Podemos implantar em um endpoint para integrar o modelo ou podemos baixar o modelo. Se transferir o modelo, pode escolher a partir de múltiplos formatos a implementar da forma que resulte melhor para o seu projeto. Neste módulo, discutiremos como usar a opção de implantação rápida disponível no portal Visão Personalizada.
Vamos começar a construir o nosso modelo!