Kamis, 07 Desember 2017

Panduan Pemula dalam Memahami Machine Learning, Deep Learning, dan AI


Panduan AI | Featured Image
Perkenalkan, ini Samantha. Ia adalah asisten pribadi kamu yang datang dari tahun 2025. Ia bisa memilah email, mengatur perencanaan rapat, bahkan memesan kebutuhan harian kamu. Ia juga dapat melukis maupun merangkai puisi. Ia teman terbaikmu. Ia merupakan kecerdasan buatan (AI) dari film Her, yang menggambarkan bagaimana Siri, dengan kemampuan yang telah jauh lebih ditingkatkan, dapat mengubah kehidupan manusia.

Saat ini, perusahaan teknologi berskala besar maupun kecil berlomba-lomba untuk mewujudkan hal tersebut. Kamu pun pasti pernah membaca berita mengenai ini. Kamu juga pasti pernah mendengar jargon seperti AI, pembelajaran mesin (machine learning), deep learning, jaringan saraf (neural networks), atau pemrosesan bahasa alami (natural language processing).
Mungkin kedengarannya sedikit membingungkan. Oleh karena itu, mari kita simak penjelasan dasar mengenai konsep ini dan keterkaitannya.

Apa yang dimaksud dengan kecerdasan buatan atau AI?

Sederhananya, AI adalah suatu cara untuk menjadikan komputer berpikir secerdas atau melampaui kecerdasan manusia. Tujuannya adalah agar komputer dapat memiliki kemampuan untuk berperilaku, berpikir, dan mengambil keputusan layaknya manusia.
Ada dua macam kecerdasan buatan:

AI dengan kemampuan terbatas, atau AI lemah

AI jenis ini dirancang untuk menyelesaikan tugas-tugas yang sederhana. AI macam ini sudah ada di sekitar kita dan mereka bahkan mampu mengalahkan manusia dalam permainan catur, Jeopardy! (acara kuis di AS), dan yang terbaru, Go.
Asisten digital seperti Siri dan Cortana mampu memberi kita kabar mengenai cuaca. Selain itu mobil kendali otomatis juga sudah berseliweran di jalanan. Namun, kemampuan mereka terbatas. Mobil kendali otomatis tak dapat diajak bermain catur. Siri tak dapat membaca dan menghapus email tidak kamu perlukan. Kemampuan AI di level ini sangatlah terbatas dan tak mampu melakukan suatu hal di luar program orisinalnya.
Panduan AI | Screenshot 1
Cortana, contoh AI lemah

AI dengan kemampuan tak terbatas atau AI kuat

Dari titik ini kita mulai memasuki ranah fiksi ilmiah. Samantha merupakan definisi yang paling pas untuk mendeskripsikan hal ini. Ia dapat mempelajari hal-hal baru dan memodifikasi basis kodenya sendiri. Ia dapat mengalahkanmu dalam permainan catur dan dapat menjadi sopir pribadi kamu.

Anatomi AI

Kini kamu paham bahwa AI dengan kemampuan tak terbatas adalah tujuan akhirnya. Bagaimana kita sampai ke sana? Ada lima hal yang perlu dikuasai AI tersebut:
1. Persepsi: Layaknya manusia, sebuah komputer memerlukan panca indra untuk berinteraksi dengan dunia. Namun, pada komputer jumlahnya bisa lebih dari lima. Komputer dapat dilengkapi dengan indra yang tak dimiliki manusia. Penglihatan maupun pendengaran yang luar biasa? Semuanya dapat terwujud lewat bantuan mesin.
2. Pemrosesan bahasa alami (NLP): Selain kemampuan pengindraan, AI juga harus mampu menyampaikan bahasa secara lisan maupun tulisan. Mereka perlu dibekali kemampuan untuk mengidentifikasi kalimat dan memahami perbedaan, aksen, dan maknanya. Ini adalah tugas yang sangat sulit bagi mesin, mengingat kalimat yang sama dapat mengandung arti yang berbeda-beda tergantung pada konteksnya.
3. Menyampaikan pengetahuan: Setelah AI mampu mengindra berbagai hal—objek, manusia, konsep, kata, dan simbol matematika—AI harus menemukan cara untuk menyampaikan segala informasi di dunia lewat pemikirannya sendiri.
4. Pengambilan keputusan: Setelah AI mengumpulkan data lewat indranya dan menghubungkan konsep yang ada, AI dapat menggunakan data-data tersebut untuk memecahkan masalah secara logis. Contohnya, perangkat lunak permainan catur dapat mengidentifikasi pergerakan yang dilakukan pemain manusia dan kemudian melancarkan strateginya sendiri
5. Perencanaan dan pemetaan: Untuk menjadi lebih manusiawi, AI tak bisa hanya berpikir seperti manusia. Ia harus hadir diantara kita. Oleh karenanya, para peneliti mencari cara untuk membantu AI memetakan dunia tiga dimensi dan merencanakan rute paling efektif. Kemampuan yang ada pada mobil kendali otomatis jelas harus semakin ditingkatkan, sebab satu kesalahan saja dapat membahayakan nyawa manusia.
Panduan AI | Screenshot 2
Perdana menteri Singapura yang sedang menjajal mobil kendali otomatis. Sumber gambar: Kenji Soon, MCI
Kamu dapat menemukan keterkaitan antara kelima hal ini dalam ranah tertentu seperti machine vision, yakni bidang yang digunakan dalam melakukan pencitraan dan analisisnya untuk menyelesaikan permasalahan. Contohnya Facebook, yang mempelajari foto-foto yang kamu unggah di media sosial mereka untuk menyarankan siapa saja yang harus kamu tag. Uniknya, hasilnya bisa akurat.
Mobil kendali otomatis mungkin merupakan implementasi machine vision paling kompleks saat ini. Ia harus mampu mengenali rambu-rambu lalu lintas, mengamati kondisi lalu lintas, dan memerhatikan keberadaan manusia, objek, maupun mobil lainnya. Ia juga harus tetap berfungsi dalam keadaan cuaca dengan visibilitas yang paling buruk sekalipun, siang dan malam, serta di jalanan yang layak maupun tidak layak untuk dilalui.

Hal-hal yang diperlukan untuk sampai kesana

Sebenarnya ini bukanlah semua konsep yang benar-benar baru. Konsep di atas pernah dipaparkan pada awal tahun 1956 pada konferensi Dartmouth yang kerap diklaim sebagai tonggak ranah informasi di bidang AI.
Meski diperlukan waktu berpuluh-puluh tahun hingga teknologi dapat sejajar dengan imajinasi manusia, pada akhirnya kita mungkin sudah berada di ambang revolusi AI, dengan investasi VC yang semakin berlimpah, semakin menjamurnya perusahaan-perusahaan teknologi terkemuka yang ikut terlibat pada penelitan dan pengembangan, serta semakin banyaknya kegunaan AI dalam kehidupan kita.
Salah satu faktor sahih yang berkontribusi terhadap perkembangan AI adalah Hukum Moore, yang memungkinkan terciptanya mikroprosesor dengan kemampuan komputasi yang lebih besar dalam ukuran yang lebih kecil. Kemampuan komputasi telah mencapai titik dimana AI telah berfungsi dengan baik dan harganya juga semakin terjangkau.
Panduan AI | Screenshot 3
Sumber gambar: zbeads
Big data adalah ranah lain yang ikut berperan dalam kebangkitan AI: Google membuat terobosan pada tahun 2012 kala mereka menciptakan suatu jaringan saraf yang telah disuplai dengan data berukuran sangat besar dan terdiri dari 10 juta video YouTube secara acak.
Hasilnya?
Jaringan saraf tersebut mampu mempelajari rupa kucing tanpa diajari oleh manusia. Tingkat akurasinya dalam mengidentifikasi hewan berbulu ini mencapai 75 persen.

Ketika mesin mampu belajar

Sekarang kita coba urai beberapa konsep yang seringkali tertukar maknanya dengan konsep lainnya. Machine learning adalah teknik AI yang berkaitan dengan pembelajaran data dan menggunakannya untuk memprediksi informasi yang ada di dunia.
Panduan AI | Screenshot 4
Sumber gambar: Wikipedia
Machine learning dibangun dengan menggunakan algoritma. Rangkaian instruksi ini akan menyelesaikan suatu permasalahan. Contoh algoritma yang dimaksud adalah decision tree learning dan association rule learning.
Namun, algoritma machine learning yang berperan dalam kehidupan di dunia adalah jaringan saraf buatan, suatu teknik yang terinspirasi oleh cara kerja neuron otak manusia.
Bahkan teknik ini telah merambah budaya pop: dalam serial komedi Silicon Valley, ada startup bernama Pied Piper yang menjalankan layanan kompresinya pada jaringan saraf.
Sederhananya begini: suatu jaringan saraf terdiri dari beberapa lapisan neuron. Input masuk melalui lapisan pertama. Tiap neuronnya menerima input, sehingga setiap neuron memiliki muatan, dan menghasilkan output berdasarkan muatan mereka. Output dari lapisan pertama kemudian didistribusikan ke lapisan kedua untuk diproses, dan begitu seterusnya hingga output akhir dapat dihasilkan.
Kemudian hal menarik pun terjadi. Siapapun yang menjalankan jaringan dapat mendefinisikan seperti apa output akhir yang “benar” seharusnya. Setiap kali data didistribusikan melalui jaringan tersebut, hasil akhirnya dibandingkan dengan hasil yang “benar”, dan sejumlah penyempurnaan akan dilakukan hingga tercipta output akhir yang benar. Dengan kata lain, jaringan tersebut mampu melatih dirinya sendiri.
Otak buatan ini dapat mempelajari bagaimana cara mengidentifikasi banyak hal. Misalnya kursi dalam sebuah foto,. Seiring berjalannya waktu, ia dapat mempelajari karakteristik kursi tersebut, dan meningkatkan kemampuannya dalam mengidentifikasi benda tersebut.
Direktur AI Facebook, Yann LeCun, menjelaskan jaringan saraf lewat sebuah analogi:
Sistem pengenalan pola jika diibaratkan seperti kotak hitam dengan kamera di salah satu bagian ujungnya, lampu hijau dan lampu merah di bagian atas, dan berbagai macam tombol di bagian depan, algoritma pembelajaran akan mencoba untuk mengatur tombol tersebut dalam kondisi tertentu. Katakanlah seekor anjing melintas di depan kamera, lampu merah menyala, dan ketika yang melintas adalah mobil, lampu hijau yang menyala.
Kamu menunjukkan seekor anjing pada mesin tersebut. Jika lampu merah menyala terang, jangan lakukan apapun. Jika lampu merahnya redup, atur tombolnya agar lampu tersebut menjadi terang. Jika lampu hijau menyala, atur tombol agar nyala lampu tersebut meredup. Kemudian tunjukkan sebuah mobil, dan atur tombol tersebut agar nyala lampu merah meredup dan nyala lampu hijau semakin terang.
Jika kamu menunjukkan berbagai macam mobil dan anjing, dan kamu terus mengatur tombol sedikit demi sedikit setiap saat, pada akhirnya mesin tersebut akan paham jawaban yang benar.
Panduan AI | Screenshot 5
Sumber gambar: a16z
Sekarang kita sampai pada pembahasan deep learning, yang bisa diartikan sebagai rangkaian metode untuk melatih jaringan saraf buatan multi-lapisan. Ternyata, metode ini efektif dalam mengidentifikasi pola dari data. Manakala media membicarakan jaringan saraf, kemungkinan yang dimaksud adalah deep learning.
Simak ulasan mengenai machine learning dan deep learning dalam video ini:
Deep learning telah berdampak pada kemajuan perkembangan AI secara signifikan. Bukan hanya perangkat lunak, namun penggunannya telah merambah berbagai industri yang lain.
Facebook pun menggunakan deep learning pada M, asisten virtual berbasis AI yang membantu penggunanya menyelesaikan tugas-tugas mereka seperti melakukan penelitian, memesan kursi penerbangan, dan memesan kopi.
Google menggunakan sistem deep learning yang bernama RankBrain untuk menyaring hasil pencarian. Hal ini berjalan beriringan dengan sejumlah metode konvensional, seperti yang telah diuraikan oleh Bloomberg:
Sistem ini membantu Google menangani 15 persen pertanyaan per hari yang belum pernah diterima oleh sistem ini sebelumnya. Contohnya, sistem ini menyesuaikan diri ketika dihadapkan dengan pertanyaan ambigu seperti, ‘Apa sebutan bagi konsumen di level tertinggi rantai makanan?’
Sistem ini semakin bermanfaat dan kini berada di posisi tiga besar faktor hasil pencarian Google, di luar tautan dan konten.
Apakah sistem yang mampu mengidentifikasi bila yang terlihat adalah kucing? Itulah deep learning.

Dari Siri hingga Samantha

Deep learning mungkin menjaid kepingan puzzle utama yang dapat membawa manusia pada penciptaan AI yang lebih cerdas dan manusiawi.
Otak Google yang mampu memindai gambar kucing memerlukan 16 ribu prosesor komputer untuk berjalan. AlphaGo, program yang berhasil mengalahkan jawara Go, Lee Sedol, berjalan “hanya” dengan 48 prosesor. Suatu saat nanti, bukan tidak mungkin jaringan saraf bekerja pada smartphone yang berharga murah.
Deep learning dapat meningkatkan semua bagian AI, mulai dari pemrosesan bahasa alami hingga machine vision. Anggap saja deep learning sebagai otak yang lebih baik yang dapat meningkatkan cara belajar komputer. Ia dapat meningkatkan kemampuan asisten virtual seperti Siri atau Google Now untuk menangani hal-hal yang belum dikenali dengan baik oleh kedua asisten virtual tersebut. Pemrosesan video dan pembuatan klip juga sangat mungkin dilakukan oleh deep learning.
Siapa tahu, suatu saat nanti deep learning dapat meraih piala Oscar.
Simak dulu film pendek aneh ini yang ditulis oleh AI:
(Artikel ini pertama kali dipublikasikan dalam bahasa Inggris oleh Terence Lee. Isi di dalamnya telah diterjemahkan dan dimodifikasi. Diedit oleh Pradipta Nugrahanto).
sumber