Bagian ini akan membahas Jaringan Neural (Neural Networks). Jenis paling dasar dari jaringan saraf adalah jaringan saraf yang terhubung penuh. Sesuai namanya, di sinilah semua neuron memiliki koneksi dari lapisan ke lapisan. Jaringan ini sebenarnya cukup populer karena menggunakan sedikit penilaian saat membuat model. Lalu apa sajakah jaringan saraf lainnya? Yang umum termasuk jaringan saraf berulang (Recurrent Neural Network atau RNN), jaringan saraf convolutional (Convolutional Neural Network atau CNN), dan jaringan adversarial generatif (Generative Adversarial Network atau GAN).
Jaringan Syaraf Berulang. Dengan
jaringan saraf berulang (RNN), fungsinya tidak hanya memproses input yang baru
masuk tetapi juga input sebelumnya. Contohnya adalah apa yang terjadi saat memasukkan
karakter di aplikasi pesan. Saat mulai mengetik, sistem akan memprediksi kata-kata.
Jadi, jika pengguna mengetuk "He", komputer akan menyarankan "He",
"Hello", dan "Here’s". RNN pada dasarnya adalah serangkaian
jaringan saraf yang saling memberi input berdasarkan algoritma yang kompleks. RNN
memang memiliki kekurangan. Ada masalah gradien hilang, yang berarti bahwa
akurasi berkurang saat model menjadi lebih besar. Model juga bisa memakan waktu
lebih lama untuk dilatih. Google menggunakan RNN melalui aplikasi terjemahannya
(Google Translate), yang menangani lebih dari 100 bahasa dan memproses lebih
dari 100 miliar kata setiap hari. Diluncurkan pada tahun 2006, awalnya
menggunakan sistem pembelajaran mesin. Namun pada tahun 2016, Google beralih ke
deep learning dengan membuat Google Neural Machine Translation. Secara
keseluruhan, ini menghasilkan tingkat akurasi yang jauh lebih tinggi.
Convolutional Neural Network (CNN)
Secara intuitif, masuk akal untuk menghubungkan semua unit dalam jaringan
saraf. Tetapi ada skenario yang jauh dari optimal, seperti pengenalan gambar.
Bayangkan betapa rumitnya model di mana setiap piksel adalah satu kesatuan ! Hal
itu bisa dengan cepat menjadi tidak terkendali. Akan ada juga komplikasi lain
seperti overfitting. Di sinilah data tidak mencerminkan apa yang sedang diuji
atau fokus pada fitur yang salah. Untuk mengatasi semua ini, menggunakan
jaringan saraf convolutional (CNN). Sistem ini mencontoh pengambilan gambar
dari retina mata dan memprosesnya dalam
tahapan yang berbeda, dari yang mudah hingga yang lebih kompleks. Setiap
tahapan disebut konvolusi. Misalnya, level pertama adalah mengidentifikasi
garis dan sudut; selanjutnya, korteks visual akan menemukan bentuk; dan
kemudian akan mendeteksi objek. Misalkan akan membangun sebuah model yang dapat
mengidentifikasi sebuah huruf. CNN akan memiliki input berupa gambar yang
memiliki 3.072 piksel. Setiap piksel akan memiliki nilai dari 0 hingga 255,
yang menunjukkan intensitas keseluruhan. Dengan menggunakan CNN, komputer akan
melalui beberapa variasi untuk mengidentifikasi fitur-fiturnya. Yang pertama
adalah lapisan convolutional, yang merupakan filter yang memindai gambar. Dalam
contoh ini, ini bisa menjadi 5 × 5 piksel. Prosesnya akan membuat peta fitur,
yang merupakan deretan angka yang panjang. Selanjutnya, model akan menerapkan
lebih banyak filter ke gambar. Dengan melakukan ini, CNN akan mengidentifikasi
garis, tepi, dan bentuk, semuanya dinyatakan dalam angka. Dengan berbagai
lapisan keluaran, model akan menggunakan penyatuan, yang menggabungkannya untuk
menghasilkan satu keluaran, dan kemudian membuat jaringan saraf yang terhubung
sepenuhnya.
Generative Adversarial Network : Ian Goodfellow, yang memperoleh gelar master
dalam ilmu komputer di Stanford dan gelar PhD dalam pembelajaran mesin di
Université de Montréal, melanjutkan bekerja di Google, dia ikut menulis salah
satu buku AI, berjudul Deep Learning, dan juga membuat inovasi dengan Google
Maps. Tahun 2014 dia melakukan terobosan, ketika dia berbicara dengan beberapa
temannya tentang bagaimana pembelajaran mendalam dapat membuat foto. Pada saat
itu, pendekatannya adalah menggunakan model generatif, tetapi sering kali kabur
(blur) dan tidak masuk akal. Goodfellow menyadari bahwa harus ada alasan yang
lebih baik. Jadi mengapa tidak menggunakan teori permainan ? Artinya, membuat
dua model bersaing satu sama lain dalam putaran umpan balik yang ketat. Ini
juga dapat dilakukan dengan data yang tidak berlabel. Inilah alur kerja dasar :
• Generator : Jaringan saraf ini
menciptakan segudang kreasi baru, seperti foto atau kalimat.
• Diskriminator : Jaringan saraf ini
mengamati kreasi untuk melihat mana yang nyata.
• Penyesuaian : Dengan kedua hasil
tersebut, model baru akan mengubah kreasi menjadi serealistis mungkin. Melalui
banyak iterasi, diskriminator tidak perlu lagi digunakan.
Hasilnya adalah model pembelajaran
mendalam baru : jaringan adversarial generatif atau GAN. GAN juga telah
terbukti membantu penelitian ilmiah yang canggih. Misalnya, membantu
meningkatkan akurasi pendeteksian perilaku partikel subatomik di Large Hadron
Collider di CERN di Swiss. Namun sayang, ada kegunaan GAN yang kurang baik, salah
satu contohnya adalah menggunakannya untuk deepfake, yang melibatkan
pemanfaatan jaringan saraf untuk membuat gambar atau video yang menyesatkan.
Sumber : T. Taulli, 2019, Artificial Intelligence Basics A Non-Technical Introduction, Apress
Comments
Post a Comment