Apa itu pembelajaran mesin?

Pada bulan Desember 2017, DeepMind, laboratorium penelitian yang diakuisisi oleh Google pada tahun 2014, memperkenalkan AlphaZero, program kecerdasan buatan yang dapat mengalahkan juara dunia di beberapa permainan papan.

Menariknya, AlphaZero menerima nol instruksi dari manusia tentang cara bermain game (karena itu namanya). Sebagai gantinya, ia menggunakan pembelajaran mesin, cabang AI yang mengembangkan perilakunya melalui pengalaman alih-alih perintah eksplisit.

Dalam 24 jam, AlphaZero mencapai kinerja manusia super dalam catur dan mengalahkan program catur juara dunia sebelumnya. Tak lama setelah itu, algoritma pembelajaran mesin AlphaZero juga menguasai Shogi (catur Jepang) dan game board Cina Go, dan mengalahkan pendahulunya, AlphaGo, 100 ke nol.

Pembelajaran mesin telah menjadi populer dalam beberapa tahun terakhir dan membantu komputer memecahkan masalah yang sebelumnya dianggap sebagai domain eksklusif kecerdasan manusia. Dan meskipun itu masih jauh dari visi asli kecerdasan buatan, pembelajaran mesin telah membuat kita lebih dekat dengan tujuan akhir menciptakan mesin berpikir.

Apa Perbedaan Antara Kecerdasan Buatan dan Pembelajaran Mesin?

Pendekatan tradisional untuk mengembangkan kecerdasan buatan melibatkan pengkodean cermat semua aturan dan pengetahuan yang menentukan perilaku agen AI. Saat membuat AI berbasis aturan, pengembang harus menulis instruksi yang menentukan bagaimana AI harus berperilaku dalam menanggapi setiap situasi yang mungkin terjadi. Pendekatan berbasis aturan ini, juga dikenal sebagai AI kuno yang baik (GOFAI) atau AI simbolik, mencoba untuk meniru fungsi pemikiran dan fungsi representasi pengetahuan manusia.

Sebuah contoh sempurna dari AI simbolik adalah Stockfish, mesin catur open-source peringkat teratas lebih dari 10 tahun dalam pembuatannya. Ratusan programmer dan pemain catur telah berkontribusi pada Stockfish dan membantu mengembangkan logikanya dengan mengkodekan aturannya - misalnya, apa yang harus dilakukan AI ketika lawan memindahkan ksatria dari B1 ke C3.

Tetapi AI berbasis aturan sering rusak ketika berhadapan dengan situasi di mana aturan terlalu rumit dan implisit. Mengenali ucapan dan objek dalam gambar, misalnya, adalah operasi lanjutan yang tidak dapat diungkapkan dalam aturan logis.

Berbeda dengan AI simbolis, model AI pembelajaran mesin dikembangkan bukan dengan menulis aturan tetapi dengan mengumpulkan contoh. Misalnya, untuk membuat mesin catur berbasis pembelajaran mesin, pengembang membuat algoritma basis dan kemudian "melatihnya" dengan data dari ribuan game catur yang sebelumnya dimainkan. Dengan menganalisis data, AI menemukan pola umum yang menentukan strategi kemenangan, yang dapat digunakan untuk mengalahkan lawan nyata.

Semakin banyak game yang AI review, semakin baik dalam memprediksi gerakan kemenangan selama bermain. Inilah sebabnya mengapa pembelajaran mesin didefinisikan sebagai program yang kinerjanya meningkat dengan pengalaman.

Pembelajaran mesin berlaku untuk banyak tugas di dunia nyata, termasuk klasifikasi gambar, pengenalan suara, rekomendasi konten, deteksi penipuan, dan pemrosesan bahasa alami.

Pembelajaran dengan Pengawasan dan Tanpa Pengawasan

Bergantung pada masalah yang ingin mereka selesaikan, pengembang menyiapkan data yang relevan untuk membangun model pembelajaran mesin mereka. Misalnya, jika mereka ingin menggunakan pembelajaran mesin untuk mendeteksi transaksi bank yang curang, pengembang akan menyusun daftar transaksi yang ada dan memberi label pada hasilnya (penipuan atau valid). Ketika mereka memasukkan data ke algoritma, itu memisahkan transaksi yang curang dan valid dan menemukan karakteristik umum dalam masing-masing dari dua kelas. Proses model pelatihan dengan data beranotasi disebut "pembelajaran terbimbing" dan saat ini merupakan bentuk pembelajaran mesin yang dominan.

Banyak repositori online dari data berlabel untuk tugas yang berbeda sudah ada. Beberapa contoh populer adalah ImageNet, dataset open-source lebih dari 14 juta gambar berlabel, dan MNIST, dataset 60.000 digit tulisan tangan berlabel. Pengembang pembelajaran mesin juga menggunakan platform seperti Amazon's Mechanical Turk, pusat perekrutan on-demand online untuk melakukan tugas-tugas kognitif seperti memberi label gambar dan sampel audio. Dan sektor startup yang tumbuh berspesialisasi dalam anotasi data.

Tetapi tidak semua masalah memerlukan data berlabel. Beberapa masalah pembelajaran mesin dapat diselesaikan melalui "pembelajaran tanpa pengawasan, " di mana Anda memberikan data mentah model AI dan membiarkannya menentukan sendiri pola mana yang relevan.

Penggunaan umum dari pembelajaran tanpa pengawasan adalah deteksi anomali. Misalnya, algoritma pembelajaran mesin dapat melatih data lalu lintas jaringan mentah dari perangkat yang terhubung internet - misalnya, kulkas pintar. Setelah pelatihan, AI menetapkan garis dasar untuk perangkat dan dapat menandai perilaku outlier. Jika perangkat terinfeksi malware dan mulai berkomunikasi dengan server jahat, model pembelajaran mesin akan dapat mendeteksinya, karena lalu lintas jaringan berbeda dari perilaku normal yang diamati selama pelatihan.

Pembelajaran Penguatan

Sekarang, Anda mungkin tahu bahwa data pelatihan yang berkualitas memainkan peran besar dalam efisiensi model pembelajaran mesin. Tetapi penguatan pembelajaran adalah jenis pembelajaran mesin khusus di mana AI mengembangkan perilakunya tanpa menggunakan data sebelumnya.

Model-model pembelajaran penguatan mulai dengan yang bersih. Mereka hanya diinstruksikan pada aturan dasar lingkungan mereka dan tugas yang dihadapi. Melalui trial and error, mereka belajar untuk mengoptimalkan tindakan mereka untuk tujuan mereka.

DeepZind's AlphaZero adalah contoh yang menarik dari pembelajaran penguatan. Berbeda dengan model pembelajaran mesin lainnya, yang harus melihat bagaimana manusia bermain catur dan belajar dari mereka, AlphaZero mulai hanya mengetahui gerakan potongan dan kondisi kemenangan permainan. Setelah itu, ia memainkan jutaan pertandingan melawan dirinya sendiri, dimulai dengan tindakan acak dan secara bertahap mengembangkan pola perilaku.

Pembelajaran penguatan adalah bidang penelitian yang hangat. Ini adalah teknologi utama yang digunakan untuk mengembangkan model AI yang dapat menguasai permainan kompleks seperti Dota 2 dan StarCraft 2 dan juga digunakan untuk memecahkan masalah kehidupan nyata seperti mengelola sumber daya pusat data dan membuat tangan robot yang dapat menangani objek dengan ketangkasan seperti manusia..

Pembelajaran yang mendalam

Pembelajaran mendalam adalah subset populer lainnya dari pembelajaran mesin. Ia menggunakan jaringan saraf tiruan, konstruksi perangkat lunak yang secara kasar diilhami oleh struktur biologis otak manusia.

Jaringan saraf unggul dalam memproses data yang tidak terstruktur seperti gambar, video, audio, dan kutipan teks yang panjang seperti artikel dan makalah penelitian. Sebelum pembelajaran mendalam, para ahli pembelajaran mesin harus berupaya keras untuk mengekstraksi fitur dari gambar dan video dan akan menjalankan algoritme mereka di atas itu. Jaringan saraf secara otomatis mendeteksi fitur-fitur itu tanpa memerlukan banyak usaha dari insinyur manusia.

Pembelajaran mendalam ada di balik banyak teknologi AI modern seperti mobil tanpa pengemudi, sistem terjemahan canggih, dan teknologi pengenalan wajah di iPhone X.

Keterbatasan Pembelajaran Mesin

Orang sering mengacaukan pembelajaran mesin dengan kecerdasan buatan tingkat manusia, dan departemen pemasaran dari beberapa perusahaan sengaja menggunakan istilah itu secara bergantian. Tetapi sementara pembelajaran mesin telah mengambil langkah besar menuju penyelesaian masalah yang kompleks, masih sangat jauh dari menciptakan mesin pemikiran yang dibayangkan oleh para pelopor AI.

Selain belajar dari pengalaman, kecerdasan sejati membutuhkan penalaran, akal sehat, dan pemikiran abstrak - area di mana model pembelajaran mesin berperforma sangat buruk.

Sebagai contoh, walaupun pembelajaran mesin bagus dalam tugas-tugas pengenalan pola yang rumit seperti memprediksi kanker payudara lima tahun sebelumnya, ia berjuang dengan logika yang lebih sederhana dan tugas-tugas penalaran seperti memecahkan masalah matematika SMA.

Kurangnya daya nalar pembelajaran mesin membuatnya buruk dalam menggeneralisasi pengetahuannya. Misalnya, agen pembelajaran mesin yang dapat memainkan Super Mario 3 seperti pro tidak akan mendominasi permainan platform lain, seperti Mega Man, atau bahkan versi Super Mario lainnya. Itu perlu dilatih dari awal.

Tanpa kekuatan untuk mengekstrak pengetahuan konseptual dari pengalaman, model pembelajaran mesin membutuhkan banyak data pelatihan untuk dilakukan. Sayangnya, banyak domain tidak memiliki data pelatihan yang memadai atau tidak memiliki dana untuk memperoleh lebih banyak. Pembelajaran mendalam, yang sekarang menjadi bentuk pembelajaran mesin yang lazim, juga menderita masalah keterjelasan: Jaringan saraf bekerja dengan cara yang rumit, dan bahkan pembuatnya berjuang untuk mengikuti proses pengambilan keputusan. Ini membuatnya sulit untuk menggunakan kekuatan jaringan saraf dalam pengaturan di mana ada persyaratan hukum untuk menjelaskan keputusan AI.

Untungnya, upaya sedang dilakukan untuk mengatasi batas pembelajaran mesin. Salah satu contoh penting adalah inisiatif luas oleh DARPA, cabang penelitian Departemen Pertahanan, untuk membuat model AI yang dapat dijelaskan.

• Apa itu Inteligensi Buatan (AI)? Apa itu Inteligensi Buatan (AI)?
• Kebanyakan Dolar AI Pergi ke Pembelajaran Mesin Sebagian besar Dolar AI Pergi ke Pembelajaran Mesin
• Bagaimana Anda Ingin Melihat AI Digunakan? Bagaimana Anda Ingin Melihat AI Digunakan?

Proyek lain bertujuan untuk mengurangi ketergantungan pembelajaran mesin pada data beranotasi dan membuat teknologi dapat diakses oleh domain dengan data pelatihan terbatas. Para peneliti di IBM dan MIT baru-baru ini membuat terobosan di lapangan dengan menggabungkan AI simbolis dengan jaringan saraf. Model AI hibrid memerlukan lebih sedikit data untuk pelatihan dan dapat memberikan penjelasan langkah demi langkah dari keputusan mereka.

Apakah evolusi pembelajaran mesin pada akhirnya akan membantu kita mencapai tujuan yang selalu sulit dicapai untuk menciptakan AI tingkat manusia masih harus dilihat. Tapi yang kami tahu pasti adalah berkat kemajuan pembelajaran mesin, perangkat yang duduk di meja kami dan beristirahat di saku kami semakin pintar setiap hari.