Deep Learning

Definisi sederhana dari Deep Learning atau pembelajaran mendalam adalah jenis kecerdasan buatan yang berasal dari pembelajaran mesin (pembelajaran otomatis) di mana mesin dapat belajar dengan sendirinya, tidak seperti pemrograman yang kontennya mengikuti aturan yang telah ditentukan sebelumnya.

Pembelajaran mendalam atau deep learning adalah subbidang kecerdasan buatan (AI: Artificial Intelligence). Istilah ini menunjuk pada seperangkat teknik pembelajaran otomatis (machine learning), dengan kata lain suatu bentuk pembelajaran berbasis pendekatan matematis, yang digunakan untuk memodelkan data. Untuk lebih memahami teknik ini, kita harus kembali ke asal-usul kecerdasan buatan pada tahun 1950, tahun di mana Alan Turning menjadi tertarik pada mesin yang mampu berpikir.

Bagaimana pembelajaran yang mendalam bekerja

Deep Learning didasarkan pada jaringan neuron buatan yang terinspirasi oleh otak manusia. Jaringan ini terdiri dari puluhan atau bahkan ratusan “lapisan ” neuron, masing-masing menerima dan menafsirkan informasi dari lapisan sebelumnya. Sistem akan belajar, misalnya, untuk mengenali huruf sebelum menyerang kata-kata dalam teks, atau menentukan apakah ada wajah di foto sebelum menemukan siapa itu.

Pada setiap tahap, jawaban “salah” dihilangkan dan dikirim kembali ke tingkat hulu untuk menyesuaikan model matematika. Seiring waktu, program mengatur ulang informasi menjadi blok yang lebih kompleks. Ketika model ini kemudian diterapkan pada kasus lain, dia biasanya dapat mengenali kucing tanpa ada yang memberitahunya bahwa dia tidak pernah mempelajari konsep kucing. Data awal sangat penting: semakin banyak sistem mengumpulkan pengalaman yang berbeda, semakin banyak kinerjanya.

Tahukah kamu?
Jika ada profesi di mana kebutuhan akan keahlian dalam Deep Learning sangat mendasar, itu adalah ilmuwan data. Memang, spesialis data ini diharapkan menggunakan teknik kecerdasan buatan untuk Deep Learning. Untuk melakukan ini, ilmuwan data harus menguasai alat Deep Learning seperti Tensorflow dan Keras. Dimungkinkan untuk berlatih melalui pelatihan pembelajaran mendalam khusus.

Aplikasi pembelajaran mendalam

Deep Learning digunakan di banyak bidang:

pengenalan gambar,
terjemahan otomatis,
mobil otonom,
diagnosa medis,
rekomendasi yang dipersonalisasi,
moderasi otomatis jejaring sosial,
prediksi keuangan dan perdagangan otomatis,
identifikasi bagian yang rusak,
deteksi malware atau penipuan,
chatbots (agen percakapan),
eksplorasi ruang angkasa,
robot pintar.

Berkat pembelajaran yang mendalam juga kecerdasan buatan Google Alpha Go berhasil mengalahkan juara Go terbaik di 2016. Mesin pencari raksasa Amerika itu sendiri semakin didasarkan pada pembelajaran dengan pembelajaran mendalam daripada aturan tertulis.

Dengan berjalannya waktu, pembelajaran mendalam bahkan mampu “ menciptakan ” lukisan karya Van Gogh atau Rembrandt sendiri, untuk menciptakan bahasa komputer yang sama sekali baru untuk berkomunikasi antara dua mesin.

Contoh kecerdasan buatan – artificial Intelligence

Untuk apa pembelajaran mendalam digunakan?

Deep learning sangat berguna dalam dunia teknologi informasi dan komunikasi.

Ini digunakan dalam sistem pengenalan wajah dan suara yang tertanam di beberapa ponsel cerdas, dan dalam robotika sehingga peralatan pintar dapat memiliki reaksi yang diharapkan dalam situasi tertentu (misalnya, lemari es pintar yang memancarkan sinyal alarm jika mendeteksi pintu yang dibiarkan terbuka atau suhu abnormal di dalam kompartemen).

Ingin tahu bagaimana Facebook, Instagram and TikTok mengenali teman Anda di foto yang Anda posting? Anda sekarang memiliki jawabannya: pembelajaran mendalam. Para peneliti, terutama yang mempelajari dan/atau memanipulasi DNA, menggunakan deep learning untuk melakukan penelitiannya.

Teknologi ini juga hadir dalam sistem terjemahan otomatis, di mobil dan kendaraan otonom lainnya, dalam kedokteran untuk menegakkan diagnosis dari pemeriksaan pencitraan (radio, MRI, CT Scan), dalam fisika untuk mencari partikel dan di bidang artistik untuk mereproduksi sebuah karya.

Pandangan secara ringkas skema pembelajaran lapisan-bijaksana dari hierarki fitur. Fitur yang semakin kompleks ditentukan dari input menggunakan unsupervised learning. Fitur dapat digunakan untuk pembelajaran tugas yang diawasi. Sven Behnke, CC BY-SA 4.0, via Wikimedia Commons

Bagaimana cara kerja pembelajaran yang mendalam? lanjutan

Seperti di dalam otak manusia, sinyal berjalan di antara neuron di otak buatan. Rahasia prestasi ini sebagian besar didasarkan pada algoritma. Dalam hal pengenalan visual, agar efektif, algoritma deep learning harus mampu mengidentifikasi semua bentuk yang ada dan dari semua sudut.

Dengan demikian, akan dapat mendeteksi mobil di jalan di tengah lanskap. Ini hanya mungkin jika mesin telah menjalani pelatihan ekstensif. Dan ini melibatkan melihat ribuan foto di mana sebuah mobil muncul, dari segala bentuk dan dari semua sudut yang memungkinkan.

Ketika gambar baru muncul, itu dikirim ke jaringan saraf yang bertanggung jawab untuk menganalisisnya dan menentukan apakah objek di tengah bidikan memang mobil. Apakah mesin memenangkan taruhannya? Dia menjaga jawaban yang benar tetap hangat, karena itu akan membantunya memecahkan situasi serupa lainnya pada hari dia harus mengenali mobil lain.

Sudut pandang berdasarkan fungsi pembelajaran

Pembelajaran yang diawasi

Pembelajaran end-to-end arsitektur mendalam dengan backpropagation.
Bekerja dengan baik ketika jumlah tag besar.
Struktur model itu penting (misalnya struktur konvolusi proses dimana gambar dimanipulasi).

Pembelajaran tanpa pengawasan

Pelajari struktur statistik atau dependensi data dari data yang tidak berlabel.
Pembentukan oleh lapisan.
Ini berguna ketika jumlah tag tidak besar.

Masa Depan Keuangan: Bagaimana AI, Data, dan Fintech Akan Merevolusi Cara Mengelola Uang Kita

Klasifikasi metode fitur pembelajaran

Metode	Diawasi	Tidak Diawasi
Tidak Dalam	Mendukung Mesin Vektor Regresi logistik Perceptron (algoritma)	Denoising Autoencoder Mesin Boltzmann Terbatas Pengkodean sparse (kumpulan kecil neuron)
Dalam	Jaringan saraf dalam Jaringan saraf konvolusi Jaringan saraf berulang	Autoencoder Denoising Dalam Jaringan kepercayaan yang mendalam Mesin Deep Boltzmann Pengkodean hirarki sparse

Apa tempat deep learning dalam kecerdasan buatan?

Pembelajaran mendalam dapat dianggap sebagai langkah baru dalam evolusi kecerdasan buatan. Pada asalnya, yang terakhir adalah konten untuk menanggapi aturan yang telah ditentukan berdasarkan model kognitivis. Intervensi seorang programmer kemudian tetap penting untuk menyempurnakan sistem atau mengintegrasikan fungsionalitas lain atau aturan baru.

Seperti pembelajaran mesin statistik, pembelajaran mendalam membuat AI otonom dengan memungkinkannya mengintegrasikan aturan baru sendiri. Peningkatan eksponensial dalam daya komputasi dan pengembangan aplikasi terkait memungkinkan pembelajaran mendalam untuk menghasilkan lapisan neuron yang semakin kompleks dan padat.

Mengapa pembelajaran mendalam itu penting?

Kita hidup di zaman di mana kemungkinannya tidak terbatas dan teknologi pembelajaran mendalam dapat membantu kita mencapai kemajuan teknologi baru. Pembelajaran mendalam telah memungkinkan penemuan planet ekstrasurya dan obat-obatan baru serta deteksi penyakit dan partikel subatom. Ini sangat meningkatkan pemahaman kita tentang biologi, termasuk genomik, proteomik, metabolomik, dan imunonomik.

Kami terus-menerus menghadapi tantangan baru. Perubahan iklim mengancam produksi pangan dan suatu hari dapat menyebabkan perang atas kelangkaan sumber daya. Tantangan ini akan semakin besar karena populasi dunia terus bertambah dan diperkirakan akan mencapai 9 miliar pada tahun 2050. Cakupan dan skala masalah ini membutuhkan tingkat kecerdasan baru yang dimungkinkan oleh pembelajaran mendalam.

Selama Ledakan Kambrium sekitar 540 juta tahun yang lalu, penglihatan muncul sebagai keuntungan bertahan hidup pada hewan dan segera menjadi mesin evolusi. Selain evolusi jaringan saraf biologis yang memungkinkan pemrosesan informasi visual, penglihatan juga menyediakan peta lingkungan bagi hewan dan meningkatkan kesadaran mereka akan dunia di sekitar mereka.

Saat ini, kombinasi kamera yang berfungsi sebagai mata buatan dan jaringan saraf yang dapat memproses informasi visual yang ditangkap oleh mata merupakan revolusi nyata untuk aplikasi AI berbasis data. Sama seperti visi yang memainkan peran penting dalam evolusi kehidupan di Bumi, pembelajaran mendalam dan jaringan saraf akan membantu meningkatkan kemampuan robot. Mereka akan semakin mampu memahami lingkungan mereka, membuat keputusan otonom, berkolaborasi dengan kita dan meningkatkan kapasitas kita sendiri.

Kecerdasan Buatan | Artificial Intelligence

Bacaan Lainnya

Sumber bacaan: CleverlySmart, MathWorks, TechTarget, IBM

Sumber foto utama: Geralt via Pixabay

Deep Learning | Pembelajaran Mendalam dan sebuah revolusi dalam Kecerdasan Buatan