Glossário

Redes neuronais artificiais (RNA)

O que é Redes neuronais artificiais (RNA)?

As redes neuronais artificiais (RNA) são modelos computacionais compostos por muitas unidades ligadas ("neurónios") dispostas em camadas, que processam entradas através de ligações ponderadas. Durante o treino, os pesos são ajustados passo a passo com exemplos, normalmente por retropropagação. As RNA são a base do deep learning e alimentam o reconhecimento de imagem, o reconhecimento de voz e os grandes modelos de linguagem. Apesar da inspiração biológica, funcionam de forma muito mais simples do que o cérebro humano.

Temas

Deep learning
Fundamentos da IA
Modelos

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Deep learning

O deep learning é um ramo do machine learning que utiliza redes neuronais artificiais com muitas camadas. Estas redes aprendem, a partir de grandes quantidades de dados, quais as características relevantes – desde arestas em imagens a relações de significado em textos. O deep learning está na base dos atuais modelos de linguagem, do reconhecimento de imagem e de voz e da tradução automática, e exige normalmente uma capacidade de cálculo e dados de treino consideráveis.

redes neuronais
machine learning
+1

Backpropagation

A retropropagação (backpropagation) é o método padrão através do qual as redes neuronais aprendem. Após cada previsão, o erro é medido e propagado para trás pelas camadas da rede, mostrando quanto cada peso contribuiu para ele. Um método de otimização como a descida do gradiente ajusta depois os pesos passo a passo. Sem retropropagação, treinar os atuais modelos de linguagem e de imagem seria praticamente impossível.

Redes neuronais
Training
+1

Funções de ativação

As funções de ativação determinam com que intensidade um neurónio de uma rede neuronal artificial transmite o seu sinal. Introduzem não linearidade – só assim a rede consegue representar relações complexas, como a linguagem ou as imagens. Exemplos comuns são a ReLU, que coloca os valores negativos a zero, a sigmoide, para probabilidades entre 0 e 1, e a GELU, utilizada em muitos modelos transformer. A escolha influencia a velocidade e a estabilidade do treino.

Redes neuronais
Deep learning
+1

Transformer

O transformer é uma arquitetura de rede neuronal apresentada em 2017 no artigo científico «Attention Is All You Need». No seu centro está o mecanismo de atenção: cada palavra é ponderada em relação a todas as outras palavras de um texto, e o cálculo pode ser paralelizado de forma eficiente. Os transformers estão na base dos modelos de linguagem atuais, como o GPT, o Claude e o BERT, e são também utilizados em imagens e áudio.

Arquitetura
Deep learning
+1