Membuat Program Yang Belajar

Kecerdasan buatan terletak di jantung kemajuan dramatis dalam otomotif, perawatan kesehatan, sistem industri, dan semakin banyak area aplikasi.Karena minat terus meningkat, sifat AI telah menimbulkan kebingungan dan bahkan ketakutan tentang peran AI yang berkembang dalam kehidupan sehari-hari.Jenis AI yang memungkinkan semakin banyak produk pintar dibangun di atas metode rekayasa yang sederhana namun tidak sepele untuk menghadirkan kemampuan yang jauh berbeda dari AI fiksi ilmiah yang mengakhiri peradaban.

Definisi AI berkisar dari bentuknya yang paling canggih—dan masih konseptual—, di mana mesin berperilaku seperti manusia, hingga bentuk yang lebih familiar di mana mesin dilatih untuk melakukan tugas tertentu.Dalam bentuknya yang paling maju, kecerdasan buatan sejati akan beroperasi tanpa arahan dan kendali eksplisit dari manusia untuk sampai pada suatu kesimpulan secara independen atau mengambil tindakan seperti yang dilakukan manusia.Di ujung spektrum AI yang lebih berorientasi teknik, metode pembelajaran mesin (ML) biasanya memberikan dasar komputasi untuk aplikasi AI saat ini.Metode ini menghasilkan respons terhadap data input dengan kecepatan dan akurasi yang mengesankan tanpa menggunakan kode yang ditulis secara eksplisit untuk memberikan respons tersebut.Sementara pengembang perangkat lunak menulis kode untuk memproses data dalam sistem konvensional, pengembang ML menggunakan data untuk mengajarkan algoritme ML seperti model jaringan saraf tiruan untuk menghasilkan respons yang diinginkan terhadap data.
Bagaimana model jaringan saraf dasar dibangun?
Di antara jenis pembelajaran mesin yang paling dikenal, model jaringan saraf mengirimkan data dari lapisan inputnya melalui lapisan tersembunyi ke lapisan output (Gambar 1).Seperti yang dijelaskan, lapisan tersembunyi dilatih untuk melakukan serangkaian transformasi yang mengekstrak fitur yang diperlukan untuk membedakan antara kelas yang berbeda dari data input.Transformasi ini berujung pada
nilai yang dimuat ke dalam lapisan keluaran, di mana setiap unit keluaran memberikan nilai yang mewakili probabilitas bahwa data masukan termasuk dalam kelas tertentu.Dengan pendekatan ini, pengembang dapat mengklasifikasikan data seperti gambar atau pengukuran sensor menggunakan arsitektur jaringan saraf yang sesuai.

Arsitektur jaringan saraf memiliki banyak bentuk, mulai dari jenis sederhana jaringan saraf umpan maju yang ditunjukkan pada Gambar 1 hingga jaringan saraf dalam (DNN) yang dibangun dengan beberapa lapisan tersembunyi dan lapisan individu yang berisi ratusan ribu neuron.Namun demikian, arsitektur yang berbeda biasanya dibangun di atas unit neuron buatan dengan banyak input dan satu output (Gambar 2).Gambar 1: Jaringan syaraf tiruan terdiri dari lapisan neuron buatan yang dilatih untuk membedakan antara kelas data masukan yang berbeda.(Sumber: diadaptasi dari Wikipedia)

Gambar 2: Neuron buatan menghasilkan output berdasarkan fungsi aktivasi yang beroperasi

pada jumlah imput tertimbang nouron itu.(Sumber: Wikipedia)

Dalam jaringan saraf feedforward, neuron tertentu n, di lapisan tersembunyi menjumlahkan inputnya, x, disesuaikan dengan bobot spesifik input wp dan menambahkan faktor bias spesifik layer b (tidak diperlihatkan dalam gambar) sebagai aliran:

Akhirnya, penjumlahan nilaiS diubah menjadi keluaran nilai tunggal oleh fungsi aktivasi.Tergantung pada persyaratan, fungsi ini dapat mengambil banyak bentuk, seperti fungsi langkah sederhana, tangen busur, atau pemetaan non-linier seperti unit linier rectified (ReLU), yang menghasilkan 0 untuk S<=0 atau s, untuk S> 0.

Meskipun semuanya dirancang untuk mengekstrak fitur pembeda data, arsitektur yang berbeda mungkin menggunakan transformasi yang berbeda secara signifikan.Misalnya, jaringan saraf convolutional (CNN) yang digunakan dalam aplikasi pengenalan gambar menggunakan konvolusi kernel.Dalam hal ini, fungsi, yang disebut kernel, melakukan konvolusi pada gambar input untuk mengubahnya menjadi peta fitur.Lapisan berikutnya melakukan lebih banyak konvolusi atau fungsi lain, mengekstraksi dan mengubah fitur lebih lanjut hingga model CNN menghasilkan keluaran probabilitas klasifikasi yang serupa seperti pada jaringan saraf yang lebih sederhana.Namun, untuk pengembang, matematika dasar untuk arsitektur jaringan saraf populer sebagian besar transparan karena ketersediaan alat pengembangan ML (dibahas di tempat lain dalam masalah ini). Dengan menggunakan alat tersebut, pengembang dapat dengan mudah menerapkan model jaringan saraf dan mulai melatihnya menggunakan satu set data yang disebut set pelatihan.Kumpulan data pelatihan ini mencakup kumpulan pengamatan data yang representatif dan casifikasi yang benar untuk setiap pengamatan- dan mewakili salah satu aspek yang lebih menantang dari pengembangan model jaringan saraf.

Bagaimana model jaringan saraf dilatih dan digunakan?

Di masa lalu, pengembang yang membuat set pelatihan memiliki opsi ltte tetapi untuk mengerjakan ribuan pengamatan yang diperlukan dalam set tipikal, secara manual memberi label setiap pengamatan dengan nama yang benar.Misalnya, untuk membuat set pelatihan untuk aplikasi pengenalan rambu jalan, mereka

perlu melihat gambar rambu jalan dan memberi label setiap gambar dengan nama rambu yang benar.Kumpulan data pralabel domain publik memungkinkan banyak peneliti pembelajaran mesin menghindari tugas ini dan fokus pada pengembangan algoritme.Namun, untuk aplikasi ML produksi, tugas pelabelan dapat menghadirkan tantangan yang signifikan.Pengembang ML tingkat lanjut sering kali menggunakan model yang telah dilatih sebelumnya dalam a

proses yang disebut transfer learning untuk membantu meringankan masalah ini.