Finalmente, os dados chegam à camada de saída, que consolida as características extraídas e produz uma previsão final. Essa previsão é comparada ao conjunto de dados de treinamento anotado para calcular erros e ajustar os pesos da rede para aumentar a precisão.
Por exemplo, para treinar um modelo para reconhecer imagens de gato, os engenheiros podem utilizar o aprendizado supervisionado, rotulando milhares de imagens com tags como "gato" ou "não gato" para o modelo poder aprender características principais, como textura de pelo, bigodes e formato da orelha.
Opcionalmente, no aprendizado não supervisionado o modelo trabalha com dados não rotulados para descobrir padrões de forma independente. O modelo identifica relacionamentos sem categorias agrupando imagens com base em características compartilhadas (como formas ou texturas semelhantes).
Essa abordagem é útil para tarefas como detecção de fraude, controle de qualidade e análise de padrões quando os dados rotulados não estão disponíveis. No aprendizado não supervisionado, o modelo agruparia imagens de forma independente com base em padrões compartilhados, agrupando todas as imagens de gato sem saber explicitamente que são gatos.
Uma terceira abordagem, aprendizado auto-supervisionado, combina aspectos do aprendizado não supervisionado, começando com dados não rotulados, mas gerando pseudorrótulos a partir da estrutura inerente dos dados, permitindo que os modelos aprendam representações significativas sem rótulos tradicionais, tornando-os poderosos para tarefas com conjuntos de dados rotulados limitados.
Com o aprendizado autossupervisionado, o modelo pode analisar partes de uma imagem, como reconstruir uma cara de gato parcialmente obscurecida, para identificar padrões e características. Em última análise, o modelo treinado (seja usando aprendizado de máquina ou deep learning) pode identificar e classificar com precisão novas imagens de gato não vistas, distinguindo-as de outros animais ou objetos.
