4 Alasan untuk tidak takut belajar mendalam (belum) | ben dickson

Pada 2012, sekelompok ilmuwan dari University of Toronto membuat terobosan klasifikasi gambar.

Di ImageNet, kompetisi kecerdasan buatan tahunan (AI) di mana kontestan bersaing untuk menciptakan algoritma klasifikasi gambar yang paling akurat, tim Toronto memulai debutnya dengan AlexNet, "yang mengalahkan lapangan dengan margin poin 10, 8 persen… 41 persen lebih baik daripada yang terbaik berikutnya, "menurut Quartz.

Pembelajaran mendalam, metode yang digunakan oleh tim, merupakan peningkatan radikal dari pendekatan AI sebelumnya dan mengantarkan era inovasi baru. Sejak itu ia menemukan jalannya ke pendidikan, perawatan kesehatan, keamanan siber, permainan papan, dan terjemahan, dan telah mengambil miliaran dolar dalam investasi Lembah Silikon.

Banyak yang memuji pembelajaran mendalam dan supersetnya, pembelajaran mesin, sebagai teknologi tujuan umum di zaman kita dan lebih mendalam daripada listrik dan api. Namun, yang lain memperingatkan bahwa pembelajaran mendalam pada akhirnya akan menjadi manusia terbaik di setiap tugas dan menjadi pembunuh pekerjaan utama. Dan ledakan aplikasi dan layanan yang didukung oleh pembelajaran mendalam telah menyalakan kembali ketakutan akan kiamat AI, di mana komputer super-cerdas menaklukkan planet ini dan mendorong manusia ke dalam perbudakan atau punah.

Namun terlepas dari hype, pembelajaran mendalam memiliki beberapa kelemahan yang dapat mencegahnya dari mewujudkan sebagian janjinya - baik positif maupun negatif.

Pembelajaran yang mendalam sangat bergantung pada data

Pembelajaran yang dalam dan jaringan saraf yang dalam, yang terdiri dari struktur yang mendasarinya, sering dibandingkan dengan otak manusia. Tetapi pikiran kita dapat mempelajari konsep dan membuat keputusan dengan data yang sangat sedikit; pembelajaran yang mendalam membutuhkan banyak sampel untuk melakukan tugas yang paling sederhana.

Pada intinya, pembelajaran mendalam adalah teknik kompleks yang memetakan input ke output dengan menemukan pola umum dalam data berlabel dan menggunakan pengetahuan untuk mengkategorikan sampel data lainnya. Sebagai contoh, berikan aplikasi pembelajaran yang cukup gambar kucing, dan itu akan dapat mendeteksi apakah foto mengandung kucing. Demikian juga, ketika sebuah algoritma pembelajaran mendalam mencerna sampel suara yang cukup dari kata dan frasa yang berbeda, ia dapat mengenali dan menyalin pidato.

Tetapi pendekatan ini hanya efektif ketika Anda memiliki banyak data berkualitas untuk memberi makan algoritma Anda. Jika tidak, algoritma pembelajaran mendalam dapat membuat kesalahan liar (seperti mengira senapan sebagai helikopter). Ketika data mereka tidak inklusif dan beragam, algoritma pembelajaran mendalam bahkan telah menampilkan perilaku rasis dan seksis.

Ketergantungan pada data juga menyebabkan masalah sentralisasi. Karena mereka memiliki akses ke sejumlah besar data, perusahaan seperti Google dan Amazon berada dalam posisi yang lebih baik untuk mengembangkan aplikasi pembelajaran mendalam yang sangat efisien daripada perusahaan pemula dengan sumber daya yang lebih sedikit. Sentralisasi AI di beberapa perusahaan dapat menghambat inovasi dan membuat perusahaan-perusahaan itu terlalu banyak mempengaruhi penggunanya.

Pembelajaran yang mendalam tidak fleksibel

Manusia dapat mempelajari konsep-konsep abstrak dan menerapkannya pada berbagai situasi. Kami melakukan ini sepanjang waktu. Misalnya, ketika Anda memainkan permainan komputer seperti Mario Bros untuk pertama kalinya, Anda dapat langsung menggunakan pengetahuan dunia nyata - seperti kebutuhan untuk melompati lubang atau menghindari bola berapi. Selanjutnya Anda dapat menerapkan pengetahuan Anda tentang gim tersebut ke versi Mario lainnya, seperti Super Mario Odyssey, atau gim lain dengan mekanisme yang sama, seperti Donkey Kong Country dan Crash Bandicoot.

Aplikasi AI, bagaimanapun, harus mempelajari semuanya dari awal. Melihat bagaimana algoritma pembelajaran mendalam belajar bermain Mario menunjukkan betapa berbedanya proses pembelajaran AI dari manusia. Pada dasarnya ia mulai tidak tahu apa-apa tentang lingkungannya dan secara bertahap belajar berinteraksi dengan berbagai elemen. Tetapi pengetahuan yang didapatnya dari bermain Mario hanya melayani domain sempit dari game tunggal itu dan tidak dapat ditransfer ke game lain, bahkan game Mario lainnya.

Kurangnya pemahaman konseptual dan abstrak ini membuat aplikasi pembelajaran dalam fokus pada tugas-tugas terbatas dan mencegah pengembangan kecerdasan buatan umum, jenis AI yang dapat membuat keputusan intelektual seperti manusia. Itu belum tentu merupakan kelemahan; beberapa ahli berpendapat bahwa menciptakan AI umum adalah tujuan yang tidak berguna. Tapi itu tentu merupakan batasan jika dibandingkan dengan otak manusia.

Pembelajaran yang Mendalam Adalah Buram

Tidak seperti perangkat lunak tradisional, di mana programmer mendefinisikan aturan, aplikasi pembelajaran mendalam membuat aturan mereka sendiri dengan memproses dan menganalisis data uji. Akibatnya, tidak ada yang benar-benar tahu bagaimana mereka mencapai kesimpulan dan keputusan. Bahkan para pengembang algoritma pembelajaran mendalam sering merasa bingung dengan hasil kreasi mereka.

Kurangnya transparansi ini bisa menjadi rintangan utama bagi AI dan pembelajaran yang mendalam, karena teknologi mencoba menemukan tempatnya di domain sensitif seperti perawatan pasien, penegakan hukum, dan mobil yang bisa menyetir sendiri. Algoritma deep-learning mungkin kurang rentan untuk membuat kesalahan daripada manusia, tetapi ketika mereka melakukan kesalahan, alasan di balik kesalahan tersebut harus bisa dijelaskan. Jika kami tidak dapat memahami cara kerja aplikasi AI kami, kami tidak akan bisa mempercayai mereka dengan tugas-tugas penting.

Pembelajaran yang mendalam bisa dikalahkan

Pembelajaran yang mendalam telah membuktikan nilainya dalam banyak bidang dan akan terus mengubah cara kita melakukan berbagai hal. Terlepas dari kekurangan dan keterbatasannya, pembelajaran mendalam tidak mengecewakan kami. Tetapi kita harus menyesuaikan harapan kita.

Seperti yang diperingatkan oleh pakar AI, Marc Marcus, melebih-lebihkan teknologi tersebut dapat menyebabkan "AI musim dingin" yang lain - suatu periode ketika harapan dan kinerja yang terlalu tinggi menyebabkan kekecewaan umum dan kurangnya minat.

Marcus menyarankan bahwa pembelajaran yang mendalam bukan "pelarut universal tetapi satu alat di antara banyak, " yang berarti bahwa sementara kita terus mengeksplorasi kemungkinan yang diberikan pembelajaran mendalam, kita juga harus melihat pendekatan lain yang secara fundamental berbeda untuk menciptakan aplikasi AI.

Bahkan Profesor Geoffrey Hinton, yang memelopori pekerjaan yang mengarah pada revolusi pembelajaran yang mendalam, percaya bahwa metode yang sama sekali baru mungkin harus diciptakan. "Masa depan tergantung pada beberapa mahasiswa pascasarjana yang sangat curiga dengan semua yang saya katakan, " katanya kepada Axios.