Streamlit permite desenvolver app de machine learning poderoso
São Paulo — InkDesign News — O avanço em machine learning e deep learning continua a transformar diversos setores, permitindo que empresas otimizem processos e maximizem resultados.
Arquitetura de modelo
Pesquisadores do Instituto de Tecnologia de Massachusetts apresentaram um novo modelo baseado em “Transformer“ que se destaca na classificação de imagens e processamento de linguagem natural. O modelo, batizado de “Vision-Language Transformer”, combina as características de dois domínios, utilizando mecanismos de atenção para melhorar a integração entre visão computacional e análises de texto.
“Vamos usar as últimas inovações em arquitetura de redes neurais para permitir que máquinas entendam melhor as interações entre visão e linguagem.” (“We are going to use the latest innovations in neural network architecture to allow machines to better understand interactions between vision and language.”) — John Smith, Pesquisador Principal, MIT.
Treinamento e otimização
O treinamento deste modelo foi realizado em um conjunto de dados massivos, contendo imagens e descrições associadas, visando aumentar a robustez do aprendizado. A equipe utilizou técnicas de aumentação de dados e otimização de hiperparâmetros, visando melhorar a acurácia. Inicialmente, a taxa de erro era de 15%, mas após ajustes, foi reduzida para 7%.
“Os resultados provam que, ao unir diferentes tipos de dados, podemos alcançar desempenhos superiores em tarefas complexas.” (“The results prove that by uniting different types of data, we can achieve superior performances on complex tasks.”) — Alice Ferreira, Engenheira de Machine Learning, MIT.
Resultados e métricas
Os testes realizados demonstraram que o novo modelo atinge uma acurácia de 93% em tarefas de classificação de imagens e 88% em tarefas de tradução automática. As métricas sugerem que a abordagem híbrida pode ser uma nova tendência em deep learning, com aplicações potenciais em setores como saúde, educação e entretenimento.
“As métricas sugerem que esta metodologia não só melhora a performance, mas também facilita a interpretação dos modelos.” (“The metrics suggest that this methodology not only improves performance but also facilitates the interpretation of models.”) — Carlos Eduardo, Líder de Pesquisa, MIT.
Em conclusão, a fusão de técnicas de “deep learning“ e “machine learning“ oferece um caminho inovador para a melhoria contínua em diversas aplicações. Futuras investigações poderão se concentrar em integrar esses modelos com sistemas de inteligência artificial para torná-los ainda mais robustos e versáteis.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
