Hampir semua yang Anda dengar tentang kecerdasan buatan hari ini berasal dari pembelajaran mendalam. Kategori algoritme ini bekerja dengan statistik untuk menemukan pola dalam data, dan telah terbukti sangat kuat dalam meniru keterampilan manusia, seperti kemampuan kita untuk melihat dan mendengar. Pada tingkat yang sangat sempit, itu bahkan dapat meniru kemampuan kita untuk bernalar. Algoritme ini mendukung Google Search, Facebook Newsfeed, mesin rekomendasi Netflix, dan industri bentuk seperti perawatan kesehatan dan pendidikan.
Seberapa dalam pembelajaran berkembang
Terlepas dari kenyataan bahwa pembelajaran mendalam secara praktis membawa kecerdasan buatan ke publik, itu hanya mewakili sekejap dalam tugas historis umat manusia untuk mereproduksi kecerdasannya sendiri. Itu telah berada di garis depan pencarian ini selama kurang dari satu dekade. Jika kita mengesampingkan seluruh sejarah daerah ini, mudah dipahami bahwa sebentar lagi daerah itu juga akan pergi.
Naik turunnya berbagai metode telah lama menjadi ciri penelitian AI, katanya. Ada persaingan ketat antara ide-ide yang berbeda setiap dekade. Kemudian, dari waktu ke waktu, tombol tersebut berubah dan seluruh komunitas mulai melakukan satu hal.
Rekan kami di MIT Technology Review ingin memvisualisasikan masalah ini dan memulai. Untuk tujuan ini, mereka beralih ke salah satu database terbesar dari makalah ilmiah terbuka yang dikenal sebagai arXiv. Mereka mengunduh kutipan dari total 16.625 artikel yang tersedia di bagian kecerdasan buatan hingga 18 November 2018 dan melacak kata-kata yang disebutkan selama bertahun-tahun untuk melihat bagaimana bidang ini berkembang.
Melalui analisis mereka, tiga tren utama muncul: pergeseran ke pembelajaran mesin di akhir 90-an dan awal 2000-an, peningkatan popularitas jaringan saraf yang dimulai pada awal 2010-an, dan peningkatan pembelajaran penguatan dalam beberapa tahun terakhir.
Video promosi:
Tapi pertama-tama, beberapa peringatan. Pertama, bagian arXiv dengan AI berasal dari tahun 1993, dan istilah "kecerdasan buatan" berasal dari tahun 1950-an, jadi database itu sendiri hanya mewakili bab terakhir dari sejarah bidang tersebut. Kedua, dokumen yang ditambahkan ke database setiap tahun hanya mewakili sebagian kecil dari pekerjaan yang sedang dilakukan di bidang ini pada saat ini. Namun, arXiv menawarkan sumber daya yang sangat baik untuk mengidentifikasi beberapa tren penelitian utama dan untuk melihat tarik menarik antara berbagai kamp ideologis.
Paradigma pembelajaran mesin
Perubahan terbesar yang ditemukan para peneliti adalah perpindahan dari sistem berbasis pengetahuan menuju awal 2000-an. Sistem komputer semacam itu didasarkan pada gagasan bahwa dimungkinkan untuk menyandikan semua pengetahuan manusia dalam sistem aturan. Sebaliknya, para ilmuwan beralih ke pembelajaran mesin, kategori induk dari algoritme yang mencakup pembelajaran mendalam.
Di antara 100 kata yang disebutkan, kata-kata yang terkait dengan sistem berbasis pengetahuan - "logika", "batasan", dan "aturan" - mengalami penurunan paling banyak. Dan yang terkait dengan pembelajaran mesin - "data", "jaringan", "kinerja" - tumbuh paling pesat.
Alasan perubahan cuaca ini sangat sederhana. Di tahun 80-an, sistem berbasis pengetahuan mulai populer di kalangan penggemar, berkat kegembiraan di sekitar proyek ambisius yang mencoba menciptakan kembali akal sehat di mesin. Tetapi ketika proyek ini dibuka, para peneliti menghadapi tantangan besar: Terlalu banyak aturan yang harus dikodekan agar sistem dapat melakukan sesuatu yang berguna. Hal ini menyebabkan peningkatan biaya dan secara signifikan memperlambat proses yang sedang berlangsung.
Jawaban untuk masalah ini adalah pembelajaran mesin. Alih-alih mengharuskan orang untuk secara manual membuat kode ratusan ribu aturan, pendekatan ini memprogram mesin untuk secara otomatis mengekstrak aturan tersebut dari tumpukan data. Demikian pula, bidang ini telah beralih dari sistem berbasis pengetahuan dan beralih ke penyempurnaan pembelajaran mesin.
Ledakan jaringan saraf
Dalam paradigma baru pembelajaran mesin, transisi ke pembelajaran yang mendalam tidak terjadi dalam semalam. Sebaliknya, analisis istilah kunci telah menunjukkan bahwa para ilmuwan telah menguji banyak metode selain jaringan saraf, mekanisme utama pembelajaran mendalam. Metode populer lainnya termasuk jaringan Bayesian, mesin vektor pendukung, dan algoritme evolusioner, yang semuanya menggunakan pendekatan berbeda untuk menemukan pola dalam data.
Selama tahun 1990-an dan 2000-an, ada persaingan yang kuat antara metode-metode ini. Kemudian, pada tahun 2012, terobosan dramatis menyebabkan perubahan cuaca lainnya. Selama kompetisi tahunan ImageNet untuk mempercepat kemajuan dalam visi komputer, seorang peneliti bernama Jeffrey Hinton, bersama dengan rekan-rekannya di Universitas Toronto, mencapai akurasi pengenalan gambar terbaik dengan margin kesalahan lebih dari 10%.
Teknik pembelajaran mendalam yang dia gunakan telah melahirkan gelombang penelitian baru, pertama dalam komunitas visualisasi dan kemudian seterusnya. Karena semakin banyak ilmuwan mulai menggunakannya untuk mencapai hasil yang mengesankan, popularitas teknik ini, bersama dengan popularitas jaringan saraf, meroket.
Pertumbuhan pembelajaran penguatan
Analisis menunjukkan bahwa beberapa tahun setelah masa kejayaan deep learning, telah terjadi pergeseran ketiga dan terakhir dalam penelitian AI.
Selain berbagai metode pembelajaran mesin, ada tiga jenis yang berbeda: pembelajaran yang diawasi, pembelajaran tanpa pengawasan, dan pembelajaran penguatan. Pembelajaran yang diawasi, yang melibatkan memasukkan data yang diberi tag ke mesin, adalah yang paling umum digunakan dan juga memiliki aplikasi paling praktis saat ini. Namun, dalam beberapa tahun terakhir, pembelajaran reinforcement yang meniru proses pembelajaran hewan melalui wortel dan tongkat, hukuman dan reward, telah menyebabkan peningkatan referensi yang cepat dalam karya.
Idenya sendiri bukanlah hal baru, tetapi tidak berhasil selama beberapa dekade. "Spesialis pembelajaran yang diawasi menertawakan spesialis pembelajaran penguatan," kata Domingos. Tetapi seperti halnya pembelajaran mendalam, satu titik balik tiba-tiba membawa metode ke depan.
Momen itu datang pada Oktober 2015, ketika DeepMind's AlphaGo, yang dilatih dengan penguatan, mengalahkan juara dunia di game go kuno. Dampaknya terhadap komunitas riset langsung terasa.
Sepuluh tahun berikutnya
MIT Technology Review hanya memberikan gambaran terbaru dari persaingan di antara ide-ide yang menjadi ciri penelitian AI. Namun, hal tersebut menggambarkan inkonsistensi dalam mengejar duplikasi intelijen. “Penting untuk dipahami bahwa tidak ada yang tahu bagaimana menyelesaikan masalah ini,” kata Domingos.
Banyak metode yang telah digunakan selama 25 tahun muncul sekitar waktu yang sama pada tahun 1950-an dan gagal untuk menyesuaikan dengan tantangan dan keberhasilan setiap dekade. Jaringan saraf, misalnya, memuncak pada tahun 60-an dan sedikit di tahun 80-an, tetapi hampir mati sebelum mendapatkan kembali popularitasnya berkat pembelajaran yang mendalam.
Dengan kata lain, setiap dekade telah melihat dominasi teknik yang berbeda: jaringan saraf di akhir 50-an dan 60-an, berbagai upaya simbolis di tahun 70-an, sistem berbasis pengetahuan di tahun 80-an, jaringan Bayesian di tahun 90-an, vektor referensi di nol dan jaringan saraf lagi di tahun 2010-an.
Tahun 2020-an tidak akan berbeda, kata Domingos. Ini berarti era pembelajaran mendalam mungkin akan segera berakhir. Tapi apa yang akan terjadi selanjutnya - teknik lama dalam kejayaan baru atau paradigma yang sama sekali baru - ini adalah subjek kontroversi sengit di komunitas.
Ilya Khel
