Falaremos sobre uma das bases em que se alicerça a Inteligência artificial. Uma entidade algoritmica matemática chamada de Perceptron ou também conhecido como neurônio artificial.
O cérebro humano e sua maneira de pensar sempre foram o modelo em que se baseava a construção e programação de computadores. A estrutura individual desses neurônios, a topologia de suas conexões e sua capacidade de processamento natural formam a base se estudo de uma importante área da computação. Além disso, essa rede de neurônios tem a capacidade de reconhecer padrões e relacioná-los, usar e armazenar conhecimento por experiência, além de extrapolar observações.
O primeiro modelo artificial de um neurônio biológico foi fruto do trabalho pioneiro de Warren McCulloch e Walter Pitts em 1943. McCulloch, psicólogo e neurofisiologista e Pitts, um matemático recém-graduado, e seu trabalho descreveu um modelo artificial de um neurônio e apresentou suas capacidades computacionais, mas na época sem abordar capacidade de aprendizagem.
Em 1949 Donald Hebb desenvolveu o conceito de RNA ( Redes Neurais Artificiais ) utilizando o neurônio de McCulloch e Pitts e propôs as bases para explicar técnicas de aprendizado de máquina por meio da variação de pesos matemáticos na entrada e saída dos neurônios artificiais
Em 1958 Frank Rosenblatt posteriormente desenvolveu um novo modelo, o PERCEPTRON, em que se fossem acrescidas sinapses ajustáveis às RNA com neurônios MCP ( McCulloch Pitts) poderiam ser treinadas para classificar certos tipos de padrões. Esse neurônio, chamado agora de Perceptron de Rosenblat, possui três camadas: a primeira recebe as entradas do exterior e tem conexões fixas (dendritos), a segunda recebe impulsos da primeira por meio de conexões cuja eficiência de transmissão (peso) é ajustável para gerar aprendizado ( corpo do neurônio) e por sua vez envia saídas para a terceira camada como resposta (axônio). Este tipo elementar de RNA é capaz de atuar como um classificador de padrões e fornecer saídas de acordo com dados de um conjunto de treinamento.
Em 1969, Minsky e Papert publicaram artigo mostrando as limitações do perceptron de monocamada, gerando desinteresse no estudo do Perceptron.
Mas em 1982 John Hopfield publicou artigo chamando a atenção para as propriedades associativas das RNA e mostrando que as RNA de múltiplas camadas são capazes de resolver problemas “difíceis de aprender”. Esse sistema de processamento paralelo e distribuído não algoritmo lembra muito a estrutura do cérebro humano. E a partir de então foi renovado o interesse no estudo dessa solução e atualmente vemos com exponencial desenvolvimento áreas de Inteligência artificial, aprendizado de máquina (machine learning) e aprendizado profundo ( deep learning).
As RNA têm várias semelhanças com o cérebro humano, são sistemas paralelos distribuídos, compostos por unidades de processamento simples (neurônios artificiais) que calculam determinadas funções matemáticas não lineares. Tais unidades são dispostas em uma ou mais camadas e interligadas por um grande número de conexões, geralmente unidirecionais. Na maioria dos modelos essas conexões estão associadas a pesos, os quais armazenam conhecimento adquirido por um modelo, esse procedimento usual na solução de problemas é chamado de fase de aprendizado. Essa capacidade de aprender por meio de exemplos e generalizar a informação aprendida é um atrativo grande ao modelo de RNA. Ela é também muito atrativa para resolução de problemas complexos visto sua força computacional e a capacidade de extrair informações não apresentadas de forma explicita por meio dos exemplos.
Visto dessa maneira podemos esperar no futuro a potencialização das capacidades de pensamento humana com o uso desse modelo de computação. Como no documentário Alpha Go em que o campeão mundial vencido pela IA do projeto afirmou que apesar de ter ficado triste com a derrota ele “aprendera muito com a maneira de pensar da máquina!”