Apa itu Machine Learning, Deep Learning dan Artificial
Intelligence?
Artificial Intelligence atau
Kecerdasan Buatan adalah istilah yang sangat luas yang bertujuan untuk membawa
perilaku cerdas ke dalam mesin. Machine Learning dapat dianggap sebagai salah
satu filosofi yang mana tujuan utamanya adalah, “bukan mesin pemrograman secara
eksplisit, hanya memberi mereka data dan biarkan mereka belajar”.
Dalam beberapa pendekatan machine learning ini juga ada
terlalu banyak sub kategori: pembelajaran yang diawasi (melatih dataset
berlabel dan membuat model untuk memprediksi dataset tanpa label), pembelajaran
tanpa pengawasan (menggambar kesimpulan yang bermakna dari dataset tanpa label,
pengelompokan menjadi contoh yang paling populer), pembelajaran penguatan
(pemberian Algoritma dan fungsi obyektif untuk mengoptimalkan berdasarkan
hadiah langsung untuk setiap tindakan yang diperlukan, misalnya: catur bermain
robot), dll.
Berbeda dengan belajar dari aturan atau induksi logis yang
sangat sering digunakan pada awal penelitian artificial intelligence, data
justru menjadi faktor yang paling penting dalam machine learning. Karena
machine learning didasarkan pada data yang diumpankan oleh insinyur manusia
atau dengan mengamati dunia nyata (lagi dipengaruhi oleh dunia nyata), model
seperti itu cenderung mengambil prasangka dan kekurangan penalaran manusia.
Salah satu insiden terjadi pada tahun 2016, di mana bot twitter yang dirancang
oleh Microsoft segera berubah menjadi rasis dan harus ditutup.
Machine learning (ML) adalah sub bidang dari artificial intelligence (AI). Machine
learning bertujuan untuk membawa kecerdasan buatan melalui
belajar dari data. Data digunakan machine learning sebagai
kode untuk komputasi tradisional. Cara lain untuk memperoleh kecerdasan dalam
mesin bisa melalui pemrograman logis, penalaran induktif berdasarkan aturan
dasar dan sebagainya. Dengan demikian machine learning dapat
dianggap sebagai salah satu pendekatan menuju kecerdasan buatan. Berdasarkan
sifat dari berbagai masalah yang ada dan kelimpahan data untuk masalah itu,
wajar saja bahwa machine learning merupakan pendekatan
untuk mencapai AI. Fakta bahwa korpus data sangat besar dan terus meningkat,
sumber daya komputasi (mesin dan manusia) terbatas dan tidak mungkin untuk
bekerja melalui pemrograman berbasis aturan telah mendorong pendekatan AI
keseluruhan terhadap ML.
Deep learning di sisi
lain adalah metode machine learning yang berkembang pesat.
Dalam pengaturan machine learning yang normal, salah satu
masalah yang paling sulit adalah rekayasa fitur. Rekayasa fitur berkaitan
dengan ekstraksi fitur yang sesuai yang dapat dimasukkan ke dalam model. Jika
fitur tidak lengkap atau kurang, model ini cacat (bias tinggi) dan jika fitur terlalu
banyak dan tidak semuanya berkontribusi pada keluaran model, model ini kembali
cacat (varian tinggi). Jika kita memiliki terlalu banyak fitur, kita memerlukan
dataset yang sangat sangat besar untuk dipelajari dari model yang salah. Dalam machine
learning ada sub-bidang yang disebut ‘pembelajaran
representasional’ juga dikenal sebagai ‘pembelajaran fitur’ yang bertujuan
mengekstrak fitur dari data seperti gambar di mana fitur pengambilan tangan
oleh insinyur manusia sama sekali tidak layak.
Deep learning didasarkan
pada pembelajaran representasional. Implementasi itu terdiri dari banyak
lapisan jaringan saraf (lebih tinggi jumlah lapisan, lebih dalam model) di mana
setiap lapisan mendapat masukan dari lapisan sebelumnya dan dibagikan ke
lapisan berikutnya. Lapisan permulaan berhubungan dengan fitur yang lebih umum
dan kasar dan ketika jaringan semakin dalam, ia dapat mempelajari perincian
yang lebih baik dari dataset yang akhirnya memberikan output dengan
faktor keyakinan tertentu. Fungsionalitas mereka terinspirasi oleh cara kerja
neuron mamalia. Neuron bekerja dengan mengambil sinyal kimia input dan
berdasarkan ambang tertentu sinyal akan dilewatkan atau diblokir. Perilaku
seperti itu di emulasikan menggunakan berbagai fungsi matematika (fungsi
sigmoid menjadi yang paling umum) ketika mengimplementasikan jaringan saraf.
Meskipun begitu mereka membutuhkan begitu banyak data pelatihan untuk
berkinerja baik.