Memorial de projetos : deep learning - inovações, aplicações e desafios

Abstract

Resumo: Este parecer técnico apresenta uma revisão sobre deep learning, subdisciplina da inteligência artificial baseada em redes neurais multicamadas. O estudo explora sua evolução desde os primeiros conceitos na década de 1940 até sua recente aceleração impulsionada por grandes conjuntos de dados, avanços computacionais e inovações algorítmicas como backpropagation, normalização em lote e dropout. Além disso, analisa as principais arquiteturas (CNNs – redes neurais convolucionais, RNNs – redes neurais recorrentes, Transformers e GANs – redes adversárias generativas) e suas aplicações transformadoras em setores como saúde (diagnóstico por imagem, descoberta de medicamentos), indústria (manutenção preditiva), transportes (veículos autônomos), processamento de linguagem natural e sustentabilidade ambiental. Quatro desafios fundamentais são identificados: limitada interpretabilidade dos modelos "caixa-preta", dependência de grandes volumes de dados rotulados, problemas de robustez/generalização e questões éticas relacionadas a viés. Os resultados evidenciam o profundo impacto do deep learning na sociedade contemporânea, enquanto apontam para a necessidade de pesquisas futuras direcionadas à criação de sistemas mais transparentes, eficientes, robustos e equitativos, que equilibrem avanço tecnológico e responsabilidade ética

Abstract: This technical report presents a review of deep learning, a subdiscipline of artificial intelligence based on multilayer neural networks. It explores its evolution from the earliest concepts in the 1940s to its recent acceleration driven by large datasets, computational advances, and algorithmic innovations such as backpropagation, batch normalization, and dropout. The main architectures (CNNs – convolutional neural networks, RNNs – recurrent neural networks, Transformers, and GANs – generative adversarial networks) and their transformative applications are analyzed in sectors such as healthcare (image-based diagnosis, drug discovery), industry (predictive maintenance), transportation (autonomous vehicles), natural language processing, and environmental sustainability. Four key challenges are identified: limited interpretability of "black-box" models, dependence on large volumes of labeled data, robustness/generalization issues, and ethical concerns related to bias. The results highlight the profound impact of deep learning on contemporary society while pointing to the need for future research aimed at creating more transparent, efficient, robust, and fair systems that balance technological advancement with ethical responsibility