Ketika sebuah aplikasi meyakinkan Anda bahwa ia didukung oleh "kecerdasan buatan", sepertinya Anda berada di masa depan. Tapi apa sebenarnya artinya ini? Kami melemparkan istilah-istilah besar - kecerdasan buatan, pembelajaran mesin, jaringan saraf - tetapi apa sebenarnya maksudnya dan apakah mereka benar-benar membantu meningkatkan aplikasi?
Baru-baru ini, Google dan Microsoft telah menambahkan pelatihan jaringan saraf ke aplikasi terjemahan mereka. Google mengklaim menggunakan pembelajaran mesin untuk menawarkan playlist. Todoist mengatakan itu menggunakan AI untuk menebak kapan Anda harus menyelesaikan tugas. Any.do mengklaim bahwa kecerdasan buatannya dapat melakukan beberapa tugas untuk Anda. Dan itu semua baru minggu lalu. Beberapa tipuan pemasaran terdengar mengesankan dan tetap tipu muslihat, tetapi terkadang perubahan sangat bermanfaat. "Kecerdasan buatan", "pembelajaran mesin", dan "jaringan saraf" semuanya menggambarkan cara yang digunakan komputer untuk melakukan tugas yang lebih serius dan belajar dalam prosesnya. Dan meskipun Anda mungkin pernah mendengar bahwa pengembang aplikasi mengadopsi sistem yang lain, pada praktiknya mereka sangat berbeda.
Jaringan saraf menganalisis data kompleks untuk meniru otak manusia
Jaringan saraf tiruan (ANN, atau hanya "jaringan saraf") mengacu pada jenis model pembelajaran tertentu yang meniru cara kerja sinapsis di otak Anda. Komputasi tradisional menggunakan serangkaian operator logika untuk menyelesaikan suatu tugas. Jaringan saraf, di sisi lain, menggunakan jaringan node (yang bertindak seperti neuron) dan analog sinapsis (tepi) untuk memproses data. Input dilewatkan melalui sistem dan output dihasilkan.
Temuan tersebut kemudian dibandingkan dengan data yang diketahui. Misalnya, Anda ingin melatih komputer untuk mengenali gambar anjing. Anda melakukan streaming jutaan gambar anjing di seluruh web untuk melihat gambar mana yang dia pilih agar terlihat seperti anjing. Orang tersebut kemudian memastikan gambar mana yang sebenarnya adalah anjing. Sistem memberikan preferensi ke jalur di jaringan saraf yang mengarah ke jawaban yang benar. Seiring waktu dan setelah jutaan iterasi, jaringan ini pada akhirnya akan meningkatkan keakuratan hasilnya.
Untuk melihat cara kerjanya, Anda dapat mencoba eksperimen Google Quick Draw!.. Dalam kasus ini, Google melatih web untuk mengenali orat-oret, sketsa cepat. Dia membandingkan gambar yang Anda gambar dengan contoh gambar orang lain. Jaringan tersebut belajar mengenali orat-oret masa depan berdasarkan apa yang telah dilihatnya di masa lalu. Bahkan jika Anda menggambar seperti anak berusia lima tahun (seperti saya), jaring dengan sangat cepat mengenali bentuk sederhana - kapal selam, tanaman, bebek. Cobalah, menyenangkan.
Jaringan neural bukanlah obat mujarab, tetapi hebat dalam menangani data yang kompleks. Google dan Microsoft menggunakan jaringan saraf untuk melatih aplikasi terjemahan mereka karena sulit menerjemahkan bahasa. Kami sering melihat terjemahan mesin yang buruk, tetapi jaringan saraf dilatih untuk meningkatkan terjemahan tersebut berdasarkan terjemahan yang benar dari waktu ke waktu. Hal yang sama terjadi dengan terjemahan ucapan-ke-teks. Sejak diperkenalkannya jaringan saraf yang diberdayakan oleh Google Voice, kesalahan terjemahan telah turun hingga 49%. Sistem ini tidak sempurna, tetapi berfungsi dengan sendirinya, dan ini adalah hal utama.
Video promosi:
Pembelajaran mesin mengajarkan komputer untuk berkembang dalam praktik
Pembelajaran mesin adalah istilah luas yang mencakup semua momen saat Anda mencoba mengajarkan mesin untuk berkembang sendiri. Secara khusus, ini berlaku untuk semua sistem di mana kinerja komputer dalam menyelesaikan tugas hanya ditingkatkan dengan lebih banyak pengalaman dengan tugas tersebut. Jaringan saraf adalah contoh pembelajaran mesin, tetapi bukan satu-satunya cara untuk melatih komputer.
Misalnya, salah satu metode pembelajaran mesin alternatif disebut pembelajaran penguatan. Dalam metode ini, komputer melakukan tugas dan kemudian mengevaluasi hasilnya. Jika, misalnya, komputer menang dalam catur, maka ia menetapkan nilai kemenangan ke serangkaian gerakan yang digunakannya selama permainan. Setelah memainkan jutaan game, sistem dapat menentukan langkah mana yang paling mungkin menghasilkan kemenangan berdasarkan hasil game sebelumnya.
Meskipun jaringan neural bagus untuk hal-hal seperti pengenalan pola pada gambar, jenis pembelajaran mesin lainnya bisa lebih berguna untuk berbagai tugas seperti mengidentifikasi musik favorit Anda. Google mengklaim bahwa aplikasi musiknya akan menemukan musik yang ingin Anda dengarkan. Ini dilakukan dengan menganalisis daftar putar Anda sebelumnya. Jika Anda tidak menyukai hasilnya, mesin akan menganggapnya sebagai kegagalan. Tetapi jika Anda memilih salah satu dari daftar yang disarankan, dia akan menandainya sebagai sukses dan menganalisis langkah kemenangan yang membawanya ke hati Anda.
Dalam kasus seperti ini, Anda tidak akan mendapatkan manfaat penuh dari pembelajaran mesin jika Anda tidak sering menggunakan fitur ini. Saat Anda membuka aplikasi Google Musik untuk pertama kali, sarannya kemungkinan besar akan habis setelah pembayaran. Tetapi semakin sering Anda menggunakannya, semakin baik sarannya. Setidaknya secara teori. Pembelajaran mesin juga bukan obat mujarab. Pembelajaran mesin lebih kabur daripada jaringan neural, tetapi ini juga menyiratkan bahwa perangkat lunak yang Anda gunakan akan bergantung pada umpan balik Anda untuk meningkatkan kinerjanya.
Kecerdasan buatan adalah segalanya dengan awalan "pintar"
Sama seperti jaringan saraf adalah bentuk pembelajaran mesin, pembelajaran mesin adalah bentuk kecerdasan buatan. Tetapi kategori "kecerdasan buatan" masih didefinisikan dengan sangat buruk sehingga frasa ini tidak memiliki arti praktis. Ya, itu memunculkan gambaran masa depan yang berteknologi maju, tetapi pada kenyataannya, kita masih belum bisa mendekati itu. OCR dulunya terlalu sulit untuk mesin, tetapi sekarang aplikasi di ponsel Anda dapat memindai dokumen dan mengubahnya menjadi teks. Menyebutnya sebagai prestasi kecerdasan buatan entah bagaimana tidak pantas.
Alasan mengapa kemampuan telepon dasar dapat dianggap sebagai kecerdasan buatan karena sebenarnya ada dua jenis AI. AI yang lemah atau ditargetkan secara sempit mendeskripsikan sistem apa pun yang dirancang untuk melakukan daftar tugas yang sempit. Misalnya, Google Assistant atau Siri, sebagai AI yang cukup kuat, masih melakukan daftar tugas yang agak sempit. Mereka menerima perintah suara dan membalas tanggapan, atau mereka meluncurkan aplikasi. Penelitian kecerdasan buatan menjadi bahan bakar fitur-fitur ini, tetapi mereka dianggap "lemah".
Sebaliknya, AI yang kuat - juga dikenal sebagai kecerdasan buatan umum, atau "AI lengkap" - adalah sistem yang mampu melakukan tugas manusia apa pun. Dan itu tidak ada. Oleh karena itu, setiap aplikasi "pintar" masih merupakan kecerdasan buatan yang lemah.
Meskipun implikasinya mungkin tidak jelas, penelitian praktis dalam kecerdasan buatan sangat bermanfaat sehingga mungkin sudah memasuki kehidupan sehari-hari Anda. Setiap kali ponsel Anda secara otomatis mengingat di mana Anda parkir, mengenali wajah di foto Anda, mendapatkan saran pencarian, atau secara otomatis mengelompokkan semua jepretan akhir pekan Anda, Anda menyentuh kecerdasan buatan dengan satu atau lain cara. Sampai batas tertentu, "kecerdasan buatan" benar-benar berarti bahwa aplikasi akan sedikit lebih pintar dari biasanya. Label "AI" hampir tidak berarti sesuatu yang praktis dari sudut pandang praktis sekarang.
ILYA KHEL
