Coletânea Python do ZERO às Redes Neurais Artificiais
Aprendizado por Reforço em Detalhes
Avançando um pouco em nossos conceitos, se entendidos os tópicos
anteriores, podemos começar a nos focar no que será nosso objetivo ao final deste livro, os tipos de redes neurais artificiais que de uma forma mais elaborada simularão uma inteligência artificial.
Ainda falando diretamente sobre modelos de redes neurais artificiais,
temos que começar a entender que, como dito anteriormente, existirão modelos específicos para cada tipo de problema computacional, e repare que até agora, os modelos citados conseguem ser modelados de forma parecida a uma rede neural biológica, para abstrair problemas reais de forma computacional, realizando processamento supervisionado ou não, para que se encontrem padrões que podem gerar diferentes tipos de saídas conforma o problema em questão. Porém, note que tudo o que foi falado até então, conota um modelo de rede neural artificial estático, no sentido de que você cria o modelo, o alimenta, treina e testa e gera previsões sobre si mas ao final do processo ele é encerrado assim como qualquer outro tipo de programa.
Já no âmbito da inteligência artificial de verdade, estaremos vendo
modelos de redes neurais que irão além disso, uma vez que além de todas características herdadas dos outros modelos, as mesmas terão execução contínua inclusive com tomadas de decisões.
Os modelos de redes neurais artificiais intuitivas serão aqueles que, em
sua fase de aprendizado de máquina, estarão simulando uma memória de curta ou longa duração (igual nossa memória como pessoa), assim como estarão em tempo real realizando a leitura do ambiente ao qual estão inseridos, usando esses dados como dados de entrada que retroalimentam a rede neural continuamente, e por fim, com base no chamado aprendizado por reforço, a mesma será capaz de tomar decisões arbitrárias simulando de fato uma inteligência artificial.
Diferentemente de um modelo de rede neural artificial “tradicional”
onde a fase supervisionada se dá por literalmente programar do início ao fim de um processo, uma rede neural artificial “intuitiva” funciona de forma autosupervisionada, onde ela realizará determinadas ações e, quando a experiência for positiva, a mesma será recompensada, assim como quando a experiência for negativa, penalizada.
Existirão, é claro, uma série de algoritmos que veremos na sequência
onde estaremos criando os mecanismos de recompensa e penalização, e a forma como a rede neural aprende diante dessas circunstâncias. Por hora, raciocine que nossa rede neural, em sua inteligência simulada, será assim como um bebê descobrindo o mundo, com muita tentativa, erro e observações, naturalmente a mesma aprenderá de forma contínua e com base em sua experiência será capaz de tomar decisões cada vez mais corretas para o seu propósito final.
Apenas realizando um adendo, não confundir esse modelo de rede neural
artificial com os chamados algoritmos genéticos, estes por sua vez, adotam o conceito de evolução baseada em gerações de processamento, mas não trabalham de forma autônoma e contínua. Veremos o referencial teórico para esse modelo com mais detalhes nos capítulos subsequentes.