Kecerdasan buatan ada di mana-mana saat ini, tapi dasar-dasar bagaimana teknologi baru yang berpengaruh ini bekerja bisa membingungkan. Dua bidang paling penting dalam pengembangan AI adalah “machine learning” dan sub-bidangnya, “deep learning.” Berikut adalah penjelasan singkat tentang dua disiplin penting ini, dan bagaimana mereka berkontribusi pada evolusi otomatisasi.
Pertama, apa itu AI?
Sementara aplikasi AI di bisnis dan pemerintah sebagian besar berjumlah algoritma prediktif, seperti yang menyarankan lagu berikutnya di Spotify atau mencoba menjual produk serupa dengan yang Anda beli di Amazon minggu lalu. Namun, para pendukung AI percaya bahwa teknologi ini akan, pada akhirnya, mampu berpikir dan membuat keputusan yang jauh lebih rumit. Di situlah ML dan DL masuk.
Pembelajaran mesin, dijelaskan
Pembelajaran mesin (atau ML) adalah kategori luas kecerdasan buatan yang mengacu pada proses di mana program perangkat lunak “diajari” bagaimana membuat prediksi atau “keputusan.” Salah satu insinyur IBM, Jeff Crume, menjelaskan pembelajaran mesin sebagai “bentuk analisis statistik yang sangat canggih.” Menurut Crume, analisis ini memungkinkan mesin membuat “prediksi atau keputusan berdasarkan data.” Semakin banyak informasi yang dimasukkan “ke dalam sistem, semakin mampu memberikan prediksi yang akurat,” katanya.
Pembelajaran mendalam, dijelaskan
Pembelajaran mendalam adalah pembelajaran mesin. Ini adalah salah satu sub-kategori pembelajaran mesin yang, seperti bentuk ML lainnya, fokus pada mengajarkan AI untuk “berpikir.” Berbeda dengan beberapa bentuk pembelajaran mesin lainnya, DL bertujuan untuk memungkinkan algoritma melakukan sebagian besar pekerjaan mereka. DL didorong oleh model matematika yang dikenal sebagai jaringan saraf buatan (ANNs). Jaringan ini berusaha meniru proses yang secara alami terjadi dalam otak manusia — hal-hal seperti pengambilan keputusan dan identifikasi pola.
Perbedaan kunci antara ML dan DL
Salah satu perbedaan terbesar antara pembelajaran mendalam dan bentuk pembelajaran mesin lainnya adalah tingkat “pengawasan” yang diberikan pada mesin. Dalam bentuk ML yang kurang rumit, komputer kemungkinan terlibat dalam pembelajaran yang diawasi — proses di mana manusia membantu mesin mengenali pola dalam data yang berlabel, terstruktur, dan dengan demikian meningkatkan kemampuannya untuk melaksanakan analisis prediktif.
Ketika datang ke DL, sementara itu, mesin terlibat dalam proses yang disebut “pembelajaran tanpa pengawasan.” Pembelajaran tanpa pengawasan melibatkan mesin menggunakan jaringan sarafnya untuk mengidentifikasi pola dalam apa yang disebut data tak terstruktur atau “mentah” — yang merupakan data yang belum diberi label atau diatur ke dalam database. Perusahaan dapat menggunakan algoritma otomatis untuk menyaring data yang tidak terorganisir dan dengan demikian menghindari sejumlah besar tenaga kerja manusia.
Bagaimana jaringan saraf bekerja
ANNs terdiri dari apa yang disebut “node.” Menurut MIT, satu ANN bisa memiliki “ribuan atau bahkan jutaan” node. Node-node ini bisa sedikit rumit tapi penjelasan singkatnya adalah bahwa mereka — seperti node di otak manusia — menyampaikan dan memproses informasi. Dalam jaringan saraf, node diatur dalam bentuk terorganisir yang disebut “layer.” Oleh karena itu, jaringan pembelajaran mendalam melibatkan beberapa lapisan node. Informasi bergerak melalui jaringan dan berinteraksi dengan berbagai lingkungannya, yang berkontribusi pada proses pengambilan keputusan mesin ketika dikenai dorongan manusia.
Konsep kunci lain dalam ANNs adalah “bobot,” yang satu komentator membandingkan dengan sinapsis dalam otak manusia. Bobot, yang hanyalah nilai numerik, tersebar di seluruh jaringan saraf AI dan membantu menentukan hasil akhir sistem AI tersebut. Bobot adalah input informasi yang membantu mengkalibrasi jaringan saraf sehingga dapat mengambil keputusan. Penjelajahan mendalam MIT tentang jaringan saraf menjelaskannya sebagai berikut:
Kepada setiap koneksi masuknya, sebuah node akan menetapkan angka yang dikenal sebagai “bobot.” Ketika jaringan aktif, node menerima item data yang berbeda — angka yang berbeda — melalui setiap koneksi dan mengalikannya dengan bobot yang terkait. Kemudian menambahkan hasil perkalian tersebut bersama-sama, menghasilkan satu angka. Jika angka tersebut di bawah nilai ambang, node tidak melewatkan data ke lapisan berikutnya. Jika angka melebihi nilai ambang, node “menembak,” yang dalam jaringan saraf saat ini umumnya berarti mengirimkan angka — jumlah input yang ditimbang — sepanjang semua koneksi keluar.
Singkatnya: jaringan saraf terstruktur untuk membantu algoritma mencapai kesimpulan sendiri tentang data yang dimasukkan padanya. Berdasarkan pemrogramannya, algoritma dapat mengidentifikasi koneksi yang berguna dalam tranches besar data, membantu manusia untuk menarik kesimpulan mereka sendiri berdasarkan analisisnya.
Mengapa pembelajaran mesin penting untuk pengembangan AI?
Pembelajaran mesin dan mendalam membantu melatih mesin untuk melakukan aktivitas prediktif dan interpretatif yang sebelumnya hanya menjadi domain manusia. Ini bisa memiliki banyak sisi positif tetapi sisi negatif yang jelas adalah bahwa mesin ini dapat (dan, mari jujur, akan) digunakan untuk hal-hal jahat, bukan hanya membantu — hal-hal seperti sistem surveilans pemerintah dan swasta, dan terus-menerusnya otomatisasi kegiatan militer dan pertahanan. Tapi, tentu saja, mereka juga berguna untuk saran konsumen atau pemrograman dan, pada yang terbaik, penelitian medis dan kesehatan. Seperti alat lainnya, apakah kecerdasan buatan memiliki dampak baik atau buruk pada dunia sebagian besar tergantung pada siapa yang menggunakannya.