Baru-baru ini, sebuah perusahaan telah mengembangkan teknologi yang memungkinkan mesin belajar secara efektif dari sejumlah kecil contoh dan mengasah pengetahuannya saat lebih banyak contoh tersedia. Ini dapat diterapkan di mana saja, seperti mengajarkan ponsel cerdas untuk mengenali preferensi pengguna atau membantu sistem motor otonom mengidentifikasi hambatan dengan cepat.
Pepatah lama "pengulangan adalah ibu dari pembelajaran" berlaku sempurna untuk mesin. Banyak sistem kecerdasan buatan modern yang bekerja di perangkat mengandalkan pengulangan dalam proses pembelajaran. Algoritme pembelajaran mendalam memungkinkan perangkat AI untuk mengekstrak pengetahuan dari kumpulan data dan kemudian menerapkan apa yang telah mereka pelajari ke situasi tertentu. Misalnya, jika Anda memberi makan sistem AI bahwa langit biasanya berwarna biru, nanti akan mengenali langit di antara gambar.
Pekerjaan yang rumit dapat dilakukan dengan menggunakan metode ini, tetapi metode ini tentu menyisakan banyak hal yang diinginkan. Tetapi bisakah Anda mendapatkan hasil yang sama jika Anda menjalankan sistem pembelajaran mendalam AI melalui lebih sedikit contoh? Startup Gamalon yang berbasis di Boston telah mengembangkan teknologi baru untuk mencoba menjawab pertanyaan ini, dan minggu ini meluncurkan dua produk yang mengambil pendekatan baru.
Gamalon menggunakan teknik pemrograman Bayesian, sintesis perangkat lunak. Ini didasarkan pada matematika abad ke-18 yang dikembangkan oleh ahli matematika Thomas Bayes. Probabilitas Bayesian digunakan untuk membuat prediksi yang akurat tentang dunia menggunakan pengalaman. Bentuk pemrograman probabilistik ini - di mana kode tersebut menggunakan nilai kemungkinan daripada nilai spesifik - memerlukan lebih sedikit contoh untuk menyimpulkan, misalnya, bahwa langit berwarna biru dengan bercak awan putih. Program ini juga menyempurnakan pengetahuannya saat Anda menjelajahi contoh lebih jauh, dan kodenya dapat ditulis ulang untuk mengubah probabilitas.
Pemrograman probabilistik
Meskipun pendekatan baru untuk pemrograman ini masih memiliki tantangannya sendiri untuk dipecahkan, pendekatan ini memiliki potensi yang signifikan untuk mengotomatiskan pengembangan algoritme pembelajaran mesin. “Pemrograman probabilistik akan membuat pembelajaran mesin lebih mudah bagi peneliti dan praktisi,” jelas Brendan Lake, peneliti Universitas New York yang mengerjakan teknik pemrograman probabilistik pada tahun 2015. "Dia memiliki kemampuan untuk menangani bagian kompleks pemrograman sendiri."
CEO dan Co-Founder Ben Vigoda menunjukkan MIT Technology Review sebuah aplikasi gambar demo yang menggunakan metode baru mereka. Ini mirip dengan apa yang dirilis Google tahun lalu dalam hal memprediksi apa yang coba digambar seseorang. Kami menulis tentang itu secara lebih rinci. Namun tidak seperti versi Google, yang mengandalkan sketsa yang sudah dilihat, Gamalon mengandalkan pemrograman probabilistik untuk mencoba mengidentifikasi fitur utama suatu objek. Jadi, meskipun Anda menggambar bentuk yang berbeda dari yang ada di database aplikasi, asalkan dapat mengidentifikasi fitur tertentu - misalnya, persegi dengan segitiga di bagian atas (rumah) - itu akan membuat prediksi yang benar.
Video promosi:
Kedua produk yang dihadirkan oleh Gamalon menunjukkan bahwa metode mereka dapat menemukan aplikasi komersial dalam waktu dekat. Produk Gamalon Structure menggunakan sintesis perangkat lunak Bayesian untuk mengenali konsep dari teks biasa dan telah mengungguli program lain dalam hal efisiensi. Misalnya, setelah menerima deskripsi TV dari produsen, dia dapat menentukan merek, nama produk, resolusi layar, ukuran, dan fitur lainnya. Aplikasi lain - Gamalon Match - mendistribusikan produk dan harga di inventaris toko. Dalam kedua kasus tersebut, sistem dengan cepat belajar mengenali variasi dalam akronim atau singkatan.
Vigoda mencatat bahwa ada kemungkinan penggunaan lain. Misalnya, jika smartphone atau laptop dilengkapi dengan pembelajaran mesin Bayesian, mereka tidak perlu membagikan data pribadi dengan perusahaan besar untuk menentukan minat pengguna; perhitungan dapat dilakukan secara efisien di dalam perangkat. Mobil otonom juga dapat belajar beradaptasi dengan lingkungannya lebih cepat menggunakan metode pembelajaran ini.
Jika Anda mengajarkan kecerdasan buatan untuk belajar sendiri, itu tidak harus terikat.
ILYA KHEL
