Bagian ini akan membahas perbedaan
machine learning dan deep learning. Sering ada kebingungan antara pembelajaran
mendalam (deep learning) dan pembelajaran mesin (machine learning). Kedua topik
tersebut cukup kompleks, dan keduanya memiliki banyak kesamaan. Jadi untuk
memahami perbedaannya, kita lihat dua aspek tingkat tinggi dari machine
learning dan hubungannya dengan deep learning. Pertama-tama, meskipun keduanya
biasanya membutuhkan data dalam jumlah besar, jenisnya berbeda. Contoh : misalkan
kita memiliki foto ribuan hewan dan ingin membuat algoritma untuk menemukan foto
kuda. Pembelajaran mesin tidak dapat menganalisis foto itu sendiri, data harus
diberi label. Algoritmae pembelajaran mesin kemudian akan dilatih untuk
mengenali kuda, melalui proses yang dikenal sebagai pembelajaran terawasi.
Meskipun pembelajaran mesin kemungkinan besar akan memberikan hasil yang baik,
mereka masih memiliki keterbatasan. Bukankah lebih baik melihat piksel gambar
itu sendiri dan menemukan polanya ? tetapi untuk melakukannya dengan
pembelajaran mesin, perlu menggunakan proses yang disebut ekstraksi fitur. Ini
berarti harus menemukan jenis karakteristik kuda, seperti bentuk, kuku, warna,
dan tinggi, yang kemudian akan coba diidentifikasi oleh algoritma. Ini adalah
pendekatan yang bagus, tetapi jauh dari sempurna. Bagaimana jika fitur
melenceng atau tidak memperhitungkan outlier atau pengecualian ? dalam kasus
seperti itu, keakuratan model kemungkinan besar akan berkurang. Lagi pula, ada
banyak variasi jenis kuda. Ekstraksi fitur juga memiliki kelemahan karena
mengabaikan sejumlah besar data. Ini bisa sangat rumit, jika bukan tidak
mungkin, untuk kasus penggunaan tertentu. Lihatlah virus komputer. Struktur dan
polanya, yang dikenal sebagai tanda/ciri (signatures), terus berubah untuk
menyusup ke sistem. Tetapi dengan ekstraksi fitur, seseorang entah bagaimana
harus mengantisipasi hal ini, yang tidak praktis. Inilah sebabnya mengapa
perangkat lunak keamanan siber sering mengumpulkan tanda/ciri setelah virus
menyebabkan kerusakan. Tetapi dengan pembelajaran yang mendalam (deep learning),
kita dapat memecahkan masalah ini. Pendekatan ini menganalisis semua data, piksel
demi piksel, lalu menemukan hubungan menggunakan jaringan saraf, yang meniru
otak manusia.
Pembelajaran mendalam (deep learning)
adalah subbidang pembelajaran mesin. Jenis sistem ini memungkinkan pemrosesan
data dalam jumlah besar untuk menemukan hubungan dan pola yang seringkali tidak
dapat dideteksi manusia. Kata "dalam" mengacu pada jumlah lapisan
tersembunyi di jaringan saraf, yang memberikan banyak kekuatan untuk belajar.
Ketika berbicara tentang topik AI, pembelajaran mendalam adalah yang paling
mutakhir dan sering menghasilkan sebagian besar desas-desus di media arus
utama. “(deep learning) AI adalah kekuatan baru,” puji Andrew Yan-Tak Ng,
mantan kepala ilmuwan di Baidu dan salah satu pendiri Google Brain. Namun
penting juga untuk diingat bahwa deep learning masih dalam tahap awal
pengembangan dan komersialisasi. Misalnya, baru sekitar tahun 2015 Google mulai
menggunakan teknologi ini untuk mesin pencarinya. Sejarah jaringan saraf penuh
dengan pasang surut, adalah Frank Rosenblatt yang menciptakan perceptron (algoritma
untuk pembelajaran yang diawasi dari pengklasifikasi biner. Pengklasifikasi
biner adalah fungsi yang dapat memutuskan apakah input, yang diwakili oleh
vektor angka, milik kelas tertentu atau tidak), yang merupakan sistem yang
cukup mendasar. Tetapi kemajuan akademik nyata dengan jaringan saraf tidak
terjadi sampai tahun 1980-an, seperti terobosan dengan backpropagation,
jaringan saraf convolutional, dan jaringan saraf berulang. Namun agar
pembelajaran mendalam berdampak pada dunia nyata, dibutuhkan pertumbuhan data
yang mengejutkan, seperti dari Internet, dan lonjakan daya komputasi.
Otak manusia, beratnya hanya sekitar
3,3 pon, otak manusia adalah prestasi evolusi yang luar biasa. Ada sekitar 86
miliar neuron, sering disebut materi abu-abu, yang terhubung dengan triliunan
sinapsis. Pikirkan neuron sebagai CPU (Central Processing Units) yang mengambil
data. Pembelajaran terjadi dengan penguatan atau pelemahan sinapsis. Otak
terdiri dari tiga wilayah: otak depan, otak tengah, dan otak belakang. Di
antaranya, ada berbagai area yang menjalankan fungsi berbeda. Beberapa yang
utama termasuk yang berikut : (1) Hippocampus: Di sinilah otak menyimpan
kenangan, inilah bagian yang gagal ketika seseorang mengidap penyakit
Alzheimer, di mana seseorang kehilangan kemampuan untuk membentuk ingatan
jangka pendek. (2) Lobus Frontal : di sini otak berfokus pada emosi, ucapan, kreativitas,
penilaian, perencanaan, dan penalaran dan (3) Cerebral Cortex : ini mungkin
yang paling penting dalam hal AI. Korteks serebral membantu berpikir dan
aktivitas kognitif lainnya. Menurut penelitian dari Suzana Herculano-Houzel,
tingkat kecerdasan berhubungan dengan jumlah neuron di area otak ini. Lalu
bagaimana deep learning dibandingkan dengan otak manusia ? Ada beberapa
kesamaan, setidaknya di area seperti retina, ada proses menelan data dan
mengolahnya melalui jaringan yang kompleks, yang didasarkan pada penetapan
bobot. Tapi tentu saja, ini hanya bagian kecil dari proses pembelajaran. Selain
itu, masih banyak misteri tentang otak manusia, dan tentu saja tidak didasarkan
pada hal-hal seperti komputasi digital (melainkan, tampaknya lebih merupakan
sistem analog). Namun, seiring dengan kemajuan penelitian, penemuan dalam ilmu
saraf dapat membantu membangun model baru untuk AI.
Sumber : T. Taulli, 2019, Artificial Intelligence Basics A Non-Technical Introduction, Apress
Comments
Post a Comment