Reconhecimento de padrões por Inteligência Artificial

A automatização do reconhecimento de padrões pela Inteligências Artificial está, cada

vez mais, presente no mundo contemporâneo e colabora efetivamente com o
desenvolvimento de empresas e aprimoramento de tecnologias. Entenda os princípios
dessa subárea da Inteligência Artificial e suas aplicações.
Por Luca Lopes Marques

Os humanos possuem uma capacidade singular de reconhecer padrões, ao

receber informações conseguem associá-las e reconhecer atributos em comum entre
elas. A importância dessa habilidade está intrinsecamente ligada ao cotidiano, seja ao
executar simples tarefas até atividades relacionadas ao mais alto nível técnico. Não
obstante, a capacidade de reconhecer padrões é uma poderosa ferramenta utilizada pelas
Inteligências Artificias nas mais diversas aplicações, possibilitando-as o auto
aprimoramento, a partir de dados de treinamento.
Devido à evolução tecnológica e à dependência cada vez maior da tecnologia, a
quantidade de dados concedidos pelos usuários a empresas como Google e Microsoft
veem aumentando de maneira exponencial, tornando possível, via reconhecimento de
padrões, o aprimoramento de ferramentas como reconhecimento de voz e os corretores
de texto.
Como dito anteriormente a quantidade de dados cresce rapidamente,
consequentemente, áreas como machine learning e big data se desenvolvem
analogamente. De todas as ferramentas usadas nessas áreas, o reconhecimento de
padrões é uma técnica que apresenta bons resultados na literatura para análise de dados
de ambas. Embora que com poucos dados, por muitas vezes, não seja efetiva, quanto
mais dados a mesma tiver, mais eficiente será a etapa de treinamento e mais eficiente
será o modelo computacional gerado, deixando em vantagem estratégica as empresas
que possuem um reconhecimento de padrões de ponta e um grande acesso a dados.
Os sistemas de reconhecimento de padrões possuem, basicamente, duas
importantes etapas. A primeira consiste na extração de características dos dados, com a
finalidade de selecionar um pequeno grupo de atributos, que representam os dados
essenciais para a solução do problema ao qual foi aplicado. A segunda, por sua vez, é a
etapa na qual ocorre a classificação dos padrões obtidos na etapa anterior, normalmente,
a partir desses dois métodos o clustering e as redes neurais artificiais, sendo estes não
são necessariamente independentes.
O clustering é uma técnica de aprendizado não supervisionado de máquina.
Nesta técnica, se tem uma classe predeterminada e uma informação anterior, que define
como os dados devem ser agrupados. Nesse método os dados são colocados em grupos,
denominados cluters ou agrupamentos, baseados na similaridade entre si, permitindo
encontrar relações escondidas entre os dados pertencentes ao mesmo conjunto de dados.
Existem diferentes algoritmos e técnicas de clustering, porém todas podem ser
classificadas em duas categorias: hierárquicos e não hierárquicos.
Os hierárquicos tem como principal característica a inexistência de partições de
conjuntos de dados, entretanto é dado um número de agrupamentos possíveis. Nesse
sentido, os clusters predefinidos vão se mesclando ou separando ao decorrer da
execução do algoritmo. Por sua vez, eles podem ser classificados em aglomerativos e
divisivos. A diferença entre eles é dado pela maneira em que os dados são passados para
o algoritmo. No primeiro, todos os elementos começam separados e vão sendo
agrupados de acordo sua similaridade, enquanto, no segundo, os elementos começam
todos juntos e vão sendo separados.
Os não hierárquicos tem como principal característica a necessidade da definição
de uma partição inicial e a capacidade que os elementos troquem de grupo ao decorrer
do algoritmo. O procedimento utilizado baseia-se num algoritmo que desloca os objetos
de um grupo para o outro, verificando os critérios e mantendo aqueles que apresentarem
melhorias. Isto é feito repetidas vezes até que não se obtenha nenhum ganho com os
deslocamentos.

Figura 1. Exemplo de clustering: não hierárquicos x hierárquicos

[https://medium.com/datadriveninvestor/an-introduction-to-clustering-61f6930e3e0b]

Redes Neurais Artificiais (RNA) são algoritmos modelados para se

assemelharem com um cérebro humano, o qual tem alta capacidade de reconhecer
padrões. Esses algoritmos são capazes de interpretar os mais diversos dados e
transformá-los em números contidos em vetores. Esses vetores representam objetos da
vida real como sons, imagens e textos.
Uma RNA é capaz de entender relações entre dados não-lineares e complexos, e
são compostas por diversas unidades de processamento conectadas por canais,
organizadas em camadas e associadas a um peso, trabalhando apenas com os dados
recebidos por ela, que posteriormente serão passados para as outras unidades. Como
estas são modeladas buscando similaridade com o cérebro humano, costuma-se
comparar os dendritos (responsáveis por transmitir os impulsos nervosos do corpo até o
cérebro) com as entradas de dados e os axônios (responsáveis por transmitir os impulsos
nervosos do cérebro até o corpo) com as saídas de dados. A ligação entre os
processadores simula as sinapses (onde ocorre a transmissão do impulso nervoso de
uma célula para outra).

Figura 2. Exemplo de RNA

[https://www.monolitonimbus.com.br/redes-neurais-artificiais/]

Os modelos de reconhecimento de padrões por Inteligência Artificial passam por

etapas de treinamento e aprendizado. A partir dos processos de aprendizado, o algoritmo
se torna mais eficiente e, assim, é treinado, tornando-se mais preciso e eficiente.
As aplicações desses modelos são muitas, por exemplo, visão computacional,
processamento de imagens, leitor de digital, reconhecimento de voz e análise de
terremotos.
Na visão computacional, tem-se como exemplo os carros autônomos, que graças
a presente área conseguem se locomover com segurança, analisando as imagens
recebidas pela câmera, e identificando objetos, pessoas e carros pelos padrões dos
mesmos, possibilitando que a IA do carro possa controla-lo evitando acidentes.
 Figura 3. Exemplo de visão computacional

[https://medium.com/@suzana.svm/aprenda-visão-computacional-a23010b58a2d]

O processamento de imagens utiliza o reconhecimento de padrões por

Inteligência Artificial para aprimorar imagens de procedimentos médicos como o
ultrassom ou a ressonância magnética com eficiência, ele é utilizada para evitar perda de
dados devido a fenômenos físicos, utilizando os padrões encontrados, anteriormente
pela Inteligência Artificial, para organizar os dados recebidos.
Fica claro, portanto, o quão fundamental esta ferramenta é para o mundo
contemporâneo, possibilitando a melhor gestão de dados pelas empresas e a criação e
aprimoramento de novas tecnologias. A tendência é que o uso dela continue a crescer
junto ao mundo digital e o crescimento da quantidade de dados.

Referências:

An Introduction To Clustering. Disponível em:

https://medium.com/datadriveninvestor/an-introduction-to-clustering-61f6930e3e0b.
Acesso 24 de setembro de 2019.

Machine Learning and Pattern Recognition. Disponível em

https://dzone.com/articles/machine-learning-and-pattern-recognition. Acesso 24 de
setembro de 2019.

Análise e reconhecimento de padrões usando processamento de imagens e

inteligência artificial. Disponível em
http://www.periodicos.ulbra.br/index.php/ic/article/viewFile/1649/1168. Acesso 25 de
setembro de 2019.
 Redes Neurais Artificias. Disponível em
http://conteudo.icmc.usp.br/pessoas/andre/research/neural/. Acesso 25 de setembro de
2019.