Os neurônios atuam no sistema nervoso sendo responsáveis pela propagação do impulso nervoso e consideradas as unidades básicas desse sistema. O neurônio artificial é inspirado no neurônio biológico. Por meio do entendimento do funcionamento do neurônio biológico no cérebro, e partindo daí, cria um modelo de inteligência artificial.
Um estudo do Pós PhD Neurocientista Prof. Dr. Fabiano de Abreu Agrela, publicado na revista científica Recisa Tec, buscou compreender os benefícios da implantação de neurônios artificiais no córtex pré-frontal e como ocorre seu desenvolvimento. Falando de métodos, segundo Fabiano, o artigo é uma revisão de literatura desenvolvida por meio das bases de dados: SciELO, PubMed, Psycinfo.
Segundo o autor, Redes Neurais Artificiais correspondem a sistemas configurados para representar, de forma mais semelhante possível, às redes neurais do cérebro humano por meio da Inteligência Artificial. Tal semelhança se configura da mesma forma que o cérebro humano faz: a cada nova experimentação, novas aprendizagens se estabelecem, e no caso, das artificiais, a partir de comparação de amostras mesmo que não haja um objetivo balizador.
“A diferença principal desse sistema artificial em relação ao sistema neural do cérebro se refere ao conhecimento prévio: essas redes iniciam o processo de compreensão das características importantes com base no material que está sendo apresentado no treinamento, enquanto o cérebro humano processa as informações a partir de um conhecimento anterior”, menciona trecho do estudo.
“Uma aplicabilidade interessante das redes neurais artificiais se dá pela capacidade de aprender de forma ilógica, não linear, ao detectar componentes de uma imagem que não são evidentes, capacidade resultante de mecanismos artificiais para destacar e identificar itens decompondo-os”, emenda.
Segundo o autor, nesse processo, as redes neurais artificiais usam mecanismos que retratam de forma quase semelhante às redes neurais do cérebro humano, quando um grupo de nós conectados –neurônios artificiais – cujas conexões imitam sinapses transferindo informações de um ao outro.
“Uma rede neural recorrente ou Recurrent, por exemplo, permite que as informações persistam como no cérebro humano. É projetada para reconhecer padrões em sequência de dados, considerando tempo e sequência numa dimensão temporal. Isso ocorre porque utiliza conexões entre nós – neurônios artificiais – para criar gráficos permitindo um loop de dados num ciclo. Tal capacidade advém do comportamento temporal dinâmico em que pode usar sua memória interna para processar a sequência de entrada de informações. Esse tipo de rede é utilizado no reconhecimento de caligrafia e fala e pode ser também uma poderosa aliada ao mecanismo de atenção e redes de memória, pois simula os ciclos de feedbacks da memória humana sendo também cumulativa”, cita.
Diferentemente, também conforme o autor, a rede neural feedforward possui uma direção única para envio de dados, a partir dos nós de entrada, passando pelos nós ocultos, se for o caso, até chegar aos nós de saída. “Ela é considerada mais simples, mesmo dispondo de camadas ocultas. Pode ser treinada a fim de minimizar os erros em categorizar imagens pré-rotuladas e por não ter noção de ordem temporal, como a anterior, considera apenas a entrada atual a que foi exposta, por isso, comumente chamada de amnésica”, completa.
O estudo conclui ainda que o modelo de neurônio artificial é um avanço na ciência, porém ainda se faz necessário diversos estudos para aprimoramento. Tal método pode trazer benefícios para a saúde como um todo. Um neurônio artificial é um ponto de conexão em uma rede neural artificial. As redes neurais artificiais, como a rede neural biológica do corpo humano, possuem uma arquitetura em camadas e cada nó da rede (ponto de conexão) tem a capacidade de processar a entrada e encaminhar a saída para outros nós da rede. Tanto na arquitetura artificial quanto na biológica, os nós são chamados de neurônios e as conexões são caracterizadas por pesos sinápticos, que representam o significado da conexão. À medida que novos dados são recebidos e processados, os pesos sinápticos mudam e é assim que ocorre o aprendizado.
