Kami telah mendengar lebih banyak tentang kecerdasan buatan belakangan ini. Ini digunakan hampir di mana-mana: dari teknologi tinggi dan perhitungan matematis yang kompleks hingga obat-obatan, industri otomotif, dan bahkan ponsel pintar. Teknologi yang mendasari kerja AI dalam tampilan modern, kami gunakan setiap hari dan terkadang kami bahkan tidak memikirkannya. Tapi apakah kecerdasan buatan itu? Bagaimana cara kerjanya? Dan apakah itu berbahaya?
Apa itu kecerdasan buatan
Pertama, mari kita definisikan terminologi. Jika Anda membayangkan kecerdasan buatan sebagai sesuatu yang mampu berpikir secara mandiri, mengambil keputusan, dan secara umum menunjukkan tanda-tanda kesadaran, maka kami akan segera mengecewakan Anda. Hampir semua sistem yang ada saat ini bahkan tidak mendekati definisi AI ini. Dan sistem yang menunjukkan tanda-tanda aktivitas tersebut, pada kenyataannya, masih beroperasi dalam kerangka algoritme yang telah ditentukan sebelumnya.
Kadang-kadang algoritme ini sangat, sangat maju, tetapi mereka tetap menjadi "kerangka" tempat AI bekerja. Mesin tidak memiliki "kebebasan" dan terlebih lagi tanda-tanda kesadaran. Mereka hanyalah program yang sangat kuat. Tapi mereka adalah "yang terbaik dalam apa yang mereka lakukan." Ditambah, sistem AI terus meningkat. Dan mereka sama sekali tidak sepele. Meski mengesampingkan fakta bahwa AI modern jauh dari sempurna, ia memiliki banyak kesamaan dengan kita.
Bagaimana kecerdasan buatan bekerja
Pertama-tama, AI dapat melakukan tugasnya (yang akan dilakukan nanti) dan memperoleh keterampilan baru berkat pembelajaran mesin yang mendalam. Kami juga sering mendengar dan menggunakan istilah ini. Tapi apa artinya? Tidak seperti metode "klasik", ketika semua informasi yang diperlukan dimuat ke dalam sistem terlebih dahulu, algoritme pembelajaran mesin memaksa sistem untuk berkembang secara mandiri, mempelajari informasi yang tersedia. Yang mana, apalagi, mobil dalam beberapa kasus juga bisa mencari sendiri.
Video promosi:
Misalnya, untuk membuat program guna mendeteksi penipuan, algoritme pembelajaran mesin bekerja dengan daftar transaksi bank dan hasil akhirnya (legal atau ilegal). Model pembelajaran mesin melihat contoh dan mengembangkan hubungan statistik antara transaksi yang sah dan curang. Setelah itu, saat Anda memberikan algoritme dengan detail transaksi bank baru, ia mengklasifikasikannya berdasarkan pola yang diambil dari contoh sebelumnya.
Biasanya, semakin banyak data yang Anda berikan, semakin akurat algoritme pembelajaran mesin saat menjalankan tugasnya. Pembelajaran mesin sangat berguna untuk memecahkan masalah yang aturannya tidak ditentukan sebelumnya dan tidak dapat diinterpretasikan dalam biner. Kembali ke contoh kita dengan operasi perbankan: pada kenyataannya, pada keluaran kita memiliki sistem penomoran biner: 0 - operasi legal, 1 - ilegal. Tetapi untuk sampai pada kesimpulan seperti itu, sistem perlu menganalisis sejumlah besar parameter dan jika Anda memasukkannya secara manual, akan memakan waktu lebih dari satu tahun. Dan untuk memprediksi semua opsi tetap tidak akan berfungsi. Dan sistem yang didasarkan pada pembelajaran mesin yang dalam akan dapat mengenali sesuatu, meskipun belum pernah menemukan kasus seperti itu sebelumnya.
Pembelajaran Mendalam dan Jaringan Neural
Meskipun algoritme pembelajaran mesin klasik memecahkan banyak masalah yang berisi banyak informasi dalam bentuk database, algoritme tersebut tidak dapat mengatasi dengan baik, boleh dikatakan, data "visual dan auditori" seperti gambar, video, file suara, dan sebagainya.
Meskipun algoritme pembelajaran mesin klasik memecahkan banyak masalah yang berisi banyak informasi dalam bentuk database, algoritme tersebut tidak dapat mengatasi dengan baik, boleh dikatakan, data "visual dan auditori" seperti gambar, video, file suara, dan sebagainya.
Misalnya, membangun model prediktif untuk kanker payudara menggunakan pendekatan pembelajaran mesin klasik akan membutuhkan lusinan pakar medis, pemrogram, dan ahli matematika, kata peneliti AI Jeremy Howard. Ilmuwan harus membuat banyak algoritme yang lebih kecil agar pembelajaran mesin dapat mengatasi aliran informasi. Subsistem terpisah untuk mempelajari sinar-X, subsistem terpisah untuk MRI, subsistem lain untuk menafsirkan tes darah, dan seterusnya. Untuk setiap jenis analisis, kami membutuhkan sistemnya sendiri. Kemudian mereka semua akan digabungkan menjadi satu sistem besar … Ini adalah proses yang sangat sulit dan menghabiskan banyak sumber daya.
Algoritme pembelajaran mendalam memecahkan masalah yang sama menggunakan jaringan saraf dalam, sejenis arsitektur perangkat lunak yang terinspirasi oleh otak manusia (meskipun jaringan saraf berbeda dari neuron biologis, cara kerjanya hampir sama). Jaringan saraf komputer adalah koneksi dari "neuron elektronik" yang mampu memproses dan mengklasifikasikan informasi. Mereka diatur seolah-olah dalam "lapisan" dan setiap "lapisan" bertanggung jawab atas sesuatu dari dirinya sendiri, yang akhirnya membentuk gambaran umum. Misalnya, saat Anda melatih jaringan neural pada gambar berbagai objek, ia menemukan cara untuk mengekstrak objek dari gambar tersebut. Setiap lapisan jaringan neural mendeteksi fitur tertentu: bentuk objek, warna, tampilan objek, dan sebagainya.
Lapisan permukaan jaringan saraf menunjukkan fitur umum. Lapisan yang lebih dalam sudah memperlihatkan objek sebenarnya. Gambar tersebut menunjukkan diagram jaringan saraf sederhana. Neuron masukan (informasi masuk) ditampilkan dalam warna hijau, biru - neuron tersembunyi (analisis data), kuning - keluaran neuron (larutan).
Apakah jaringan saraf adalah otak manusia buatan?
Meskipun struktur mesin dan jaringan saraf manusia serupa, mereka tidak memiliki ciri-ciri sistem saraf pusat kita. Jaringan saraf komputer pada dasarnya adalah semua program tambahan yang sama. Kebetulan otak kita adalah sistem komputasi yang paling terorganisir. Anda mungkin pernah mendengar ungkapan "otak kita adalah komputer"? Ilmuwan hanya "mereplikasi" beberapa aspek strukturnya secara digital. Ini memungkinkan hanya untuk mempercepat perhitungan, tetapi tidak untuk memberkahi mesin dengan kesadaran.
Jaringan syaraf tiruan sudah ada sejak tahun 1950-an (setidaknya dalam bentuk konsep). Tetapi hingga saat ini, mereka tidak menerima banyak pengembangan, karena pembuatannya membutuhkan data dan daya komputasi dalam jumlah besar. Dalam beberapa tahun terakhir, semua ini telah tersedia, sehingga jaringan saraf telah mengemuka, setelah menerima perkembangannya. Penting untuk dipahami bahwa tidak ada cukup teknologi untuk penampilan penuh mereka. Bagaimana mereka tidak cukup sekarang untuk membawa teknologi ke tingkat yang baru.
Untuk apa pembelajaran mendalam dan jaringan saraf digunakan?
Ada beberapa area di mana kedua teknologi ini telah membantu membuat kemajuan penting. Selain itu, kita menggunakannya setiap hari dalam hidup kita dan bahkan tidak memikirkan apa yang ada di baliknya.
- Visi komputer adalah kemampuan perangkat lunak untuk memahami konten gambar dan video. Ini adalah salah satu area di mana pembelajaran mendalam telah membuat banyak kemajuan. Misalnya algoritma pengolahan citra deep learning dapat mendeteksi berbagai jenis kanker, penyakit paru-paru, penyakit jantung, dan lain sebagainya. Dan melakukannya lebih cepat dan lebih efisien daripada dokter. Namun pembelajaran mendalam juga tertanam di banyak aplikasi yang Anda gunakan setiap hari. Apple Face ID dan Google Photos menggunakan pembelajaran mendalam untuk pengenalan wajah dan peningkatan gambar. Facebook menggunakan pembelajaran mendalam untuk secara otomatis menandai orang di foto yang diupload dan sebagainya. Visi komputer juga membantu perusahaan untuk secara otomatis mengidentifikasi dan memblokir konten yang meragukan seperti kekerasan dan ketelanjangan. Dan akhirnyaDeep learning memegang peranan yang sangat penting dalam membuat mobil self-driving sehingga dapat memahami lingkungan sekitarnya.
- Pengenalan suara dan ucapan. Saat Anda mengucapkan perintah ke Asisten Google, algoritme pembelajaran mendalam menerjemahkan suara Anda ke dalam perintah teks. Beberapa aplikasi online menggunakan pembelajaran mendalam untuk mentranskripsikan file audio dan video. Bahkan saat Anda merekam lagu, jaringan saraf dan algoritme pembelajaran mesin yang mendalam ikut bermain.
- Pencarian Internet: meskipun Anda sedang mencari sesuatu di mesin pencari, agar permintaan Anda diproses lebih jelas dan hasil pencarian seakurat mungkin, perusahaan telah mulai menghubungkan algoritma jaringan saraf ke mesin pencari mereka. Dengan demikian, performa mesin pencari Google telah meningkat beberapa kali lipat setelah sistem beralih ke pembelajaran mesin yang dalam dan jaringan saraf.
Batasan pembelajaran mendalam dan jaringan saraf
Terlepas dari semua kelebihannya, pembelajaran mendalam dan jaringan saraf juga memiliki beberapa kelemahan.
- Ketergantungan Data: Secara umum, algoritme pembelajaran mendalam memerlukan data pelatihan dalam jumlah besar untuk melakukan tugasnya secara akurat. Sayangnya, untuk menyelesaikan banyak masalah, tidak tersedia cukup data pelatihan berkualitas tinggi untuk membuat model yang berfungsi.
- Ketidakpastian: Jaringan saraf berkembang dengan cara yang aneh. Terkadang semuanya berjalan sesuai rencana. Dan terkadang (meskipun jaringan saraf berfungsi dengan baik), bahkan pembuatnya kesulitan memahami cara kerja algoritme. Kurangnya prediktabilitas membuatnya sangat sulit untuk menghilangkan dan memperbaiki kesalahan dalam algoritme jaringan saraf.
- Bias algoritmik: Algoritme pembelajaran mendalam sama bagusnya dengan data tempat mereka dilatih. Masalahnya adalah data pelatihan sering kali berisi kesalahan atau kekurangan yang tersembunyi atau jelas, dan algoritme mewarisinya. Misalnya, algoritme pengenalan wajah yang dilatih terutama pada foto orang kulit putih akan bekerja kurang akurat pada orang dengan warna kulit berbeda.
- Kurangnya generalisasi: Algoritme pembelajaran mendalam bagus untuk melakukan tugas yang ditargetkan, tetapi kurang menggeneralisasi pengetahuan mereka. Tidak seperti manusia, model pembelajaran mendalam yang dilatih untuk memainkan StarCraft tidak akan dapat memainkan game serupa lainnya: katakanlah, WarCraft. Plus, pembelajaran mendalam melakukan pekerjaan yang buruk dalam menangani data yang menyimpang dari contoh pelatihannya.
Masa depan pembelajaran mendalam, jaringan saraf, dan AI
Jelas bahwa pekerjaan dalam pembelajaran mendalam dan jaringan saraf masih jauh dari selesai. Berbagai upaya dilakukan untuk meningkatkan algoritma pembelajaran yang mendalam. Pembelajaran Mendalam adalah teknik mutakhir dalam kecerdasan buatan. Ini telah menjadi semakin populer dalam beberapa tahun terakhir karena banyaknya data dan peningkatan kekuatan pemrosesan. Ini adalah teknologi inti di balik banyak aplikasi yang kami gunakan setiap hari.
Tetapi apakah kesadaran akan lahir atas dasar teknologi ini? Kehidupan buatan nyata? Beberapa ilmuwan percaya bahwa pada saat jumlah koneksi antar komponen jaringan saraf tiruan mendekati indikator yang sama yang ada di otak manusia di antara neuron kita, hal seperti ini bisa terjadi. Namun, klaim ini sangat dipertanyakan. Agar AI yang sebenarnya muncul, kita perlu memikirkan kembali cara kita membangun sistem AI. Semua itu sekarang hanya program yang diterapkan untuk tugas yang sangat terbatas. Sebanyak kami ingin percaya bahwa masa depan telah tiba …
Bagaimana menurut anda? Akankah manusia menciptakan AI?
