O que é uma Rede Neural Artificial?

Rodrigo Regis

O desafio da Rede Neural Artificial (RNA) é simular em processadores computacionais o funcionamento do cérebro humano. Atualmente é possível, com RNAs, reconhecer padrões, extrair regularidades e detectar relações subjacentes em um conjunto de dados aparentemente desconexos. Também, já se consegue analisar dados ruidosos, incompletos e imprecisos, além de prever sistemas não lineares, que podem ser usados em sistemas caóticos e no mercado bolsas de valores.

A rede neural se assemelha ao cérebro em dois aspectos:

•         A capacidade de adquirir conhecimento a partir de um processo de aprendizagem;
•       A capacidade de armazenar conhecimento adquirido através das conexões entre os neurônios, isto é, pesos sinápticos.

O sistema nervoso é formado por um conjunto de neurônios. Nos neurônios a comunicação é realizada através de impulsos, quando um impulso é recebido, o neurônio o processa, e passado um limite de ação, dispara um segundo impulso que produz uma substância neurotransmissora o qual flui do corpo celular para o axônio (que por sua vez pode ou não estar conectado a um dendrito de outra célula). O neurônio que transmite o pulso pode controlar a freqüência de pulsos aumentando ou diminuindo a polaridade na membrana pós sináptica. Eles tem um papel essencial na determinação do funcionamento, comportamento e do raciocínio do ser humano. Ao contrário das redes neurais artificiais, redes neurais naturais não transmitem sinais negativos, sua ativação é medida pela freqüência com que emite pulsos, freqüência esta de pulsos contínuos e positivos. As redes naturais não são uniformes como as redes artificiais, e apresentam uniformidade apenas em alguns pontos do organismo. Seus pulsos não são síncronos ou assíncronos, devido ao fato de não serem contínuos, o que a difere de redes artificiais.

Figura 1 - Neurônio Natural

Por sua vez, a RNA é formada por vários neurônios artificiais interconectados, onde cada conexão possui um ou mais pesos sinápticos responsáveis em armazenar a informação. Outra característica importante é a função de ativação do neurônio, que possui como entrada o resultado da soma dos pesos sinápticos. Os pesos sinápticos são de grande importância para uma rede neural, pois determinam toda a manipulação de valores da rede. A Figura 2 apresenta um modelo de um neurônio artificial.

Figura 2 - Modelo de um neurônio Artificial

Uma modelagem matemática para o funcionamento do neurônio artificial consiste em realizar duas operações matemáticas básicas: a função soma(somador); e função de transferência (função de ativação). A função soma processa os estímulos ponderados pelos respectivos pesos. A sua saída é a entrada da função de Ativação que, por sua vez, determina se a informação será levada a diante.

Cabe destacar que uma RNA é constituída por uma camada de entrada e de saída, e, geralmente, apresenta camadas intermediárias ou ocultas. A Figura 3 ilustra uma estrutura de uma modelagem de uma RNA.

Figura 3 - Estrutura de uma RNA

Outro aspecto importante em uma RNA é a habilidade de aprender de seu ambiente e, com isso, melhorar seu desempenho. O processo de aprendizagem é feito por meio de ajustes aplicados aos pesos da rede. Esse processo é interno, ou seja, a rede neural artificial é capaz de se modificar em função da necessidade de aprender a informação que lhe foi apresentada. O aprendizado ocorre quando a rede neural artificial atinge uma solução generalizada para uma classe de problemas. Existem 3 tipos de aprendizagem:

•       Aprendizagem supervisionada. É quando um agente externo informa à rede qual a resposta correta para um desejado padrão de entrada. Diante disto, os ajustes de pesos acontecem buscando atingir a saída desejada.
•      Aprendizagem não-supervisionada. É quando não existe um agente externo indicando a resposta desejada. Neste caso, a própria Rede Neural utiliza os neurônios como classificadores, e os dados de entrada para classificação. Assim, esse tipo de rede organiza e classifica os dados de acordo com algum critério. 
•      Aprendizagem híbrida, que mescla os conceitos da duas anteriores. Parte dos pesos é determinada por meio da aprendizagem supervisionada, enquanto outros são obtidos por meio da aprendizagem não-supervisionada.