Apa itu Pembelajaran Mendalam?

Pembelajaran mendalam, teknik kecerdasan buatan tingkat lanjut, telah menjadi semakin populer dalam beberapa tahun terakhir, berkat data yang melimpah dan peningkatan daya komputasi. Ini adalah teknologi utama di balik banyak aplikasi yang kami gunakan setiap hari, termasuk terjemahan bahasa online dan penandaan wajah otomatis di media sosial.

Teknologi ini juga terbukti bermanfaat dalam perawatan kesehatan: Awal tahun ini, para ilmuwan komputer di Massachusetts Institute of Technology (MIT) menggunakan pembelajaran mendalam untuk membuat program komputer baru untuk mendeteksi kanker payudara.

Model klasik mengharuskan insinyur untuk secara manual menentukan aturan dan logika untuk mendeteksi kanker, tetapi untuk model baru ini, para ilmuwan memberikan algoritma pembelajaran mendalam 90.000 scan mammogram resolusi penuh dari 60.000 pasien dan membiarkannya menemukan pola umum antara pemindaian pasien. yang berakhir dengan kanker payudara dan mereka yang tidak. Ia mampu memprediksi kanker payudara hingga lima tahun ke depan, suatu peningkatan yang berarti dibandingkan model prediksi risiko sebelumnya.

Apa Sebenarnya Pembelajaran Mesin?

Pembelajaran mendalam adalah subset pembelajaran mesin, cabang kecerdasan buatan yang mengkonfigurasi komputer untuk melakukan tugas melalui pengalaman. Berlawanan dengan klasik, sistem AI berbasis aturan, algoritma pembelajaran mesin mengembangkan perilaku mereka dengan memproses contoh beranotasi, sebuah proses yang disebut "pelatihan."

Misalnya, untuk membuat program deteksi penipuan, Anda melatih algoritme pembelajaran mesin dengan daftar transaksi bank dan hasil akhirnya (sah atau curang). Model pembelajaran mesin memeriksa contoh-contoh dan mengembangkan representasi statistik dari karakteristik umum antara transaksi yang sah dan penipuan. Setelah itu, ketika Anda memberikan algoritma dengan data transaksi bank baru, algoritma itu akan mengklasifikasikannya sebagai sah atau curang berdasarkan pola yang diperoleh dari contoh pelatihan.

Sebagai aturan praktis, semakin banyak data berkualitas yang Anda berikan, algoritma pembelajaran mesin menjadi lebih akurat dalam melakukan tugasnya.

Pembelajaran mesin sangat berguna dalam memecahkan masalah di mana aturan tidak didefinisikan dengan baik dan tidak dapat dikodekan menjadi perintah yang berbeda. Berbagai jenis algoritma unggul dalam tugas yang berbeda.

Pembelajaran yang mendalam dan Jaringan Saraf Tiruan

Sementara algoritma pembelajaran mesin klasik menyelesaikan banyak masalah yang diperjuangkan oleh program berbasis aturan, mereka buruk dalam menangani data lunak seperti gambar, video, file suara, dan teks yang tidak terstruktur.

Misalnya, membuat model prediksi kanker-payudara menggunakan pendekatan pembelajaran mesin klasik akan membutuhkan upaya dari puluhan pakar domain, pemrogram komputer, dan ahli matematika, menurut peneliti AI dan ilmuwan data Jeremy Howard. Para peneliti harus melakukan banyak rekayasa fitur, proses yang sulit yang memprogram komputer untuk menemukan pola yang diketahui dalam pemindaian sinar-X dan MRI. Setelah itu, para insinyur menggunakan pembelajaran mesin di atas fitur yang diekstraksi. Membuat model AI seperti itu membutuhkan waktu bertahun-tahun.

Algoritma deep-learning menyelesaikan masalah yang sama menggunakan deep neural networks, sejenis arsitektur perangkat lunak yang terinspirasi oleh otak manusia (walaupun jaringan saraf berbeda dari neuron biologis). Jaringan saraf adalah lapisan demi lapisan variabel yang menyesuaikan diri dengan sifat-sifat data yang mereka latih dan menjadi mampu melakukan tugas-tugas seperti mengklasifikasikan gambar dan mengkonversi pidato ke teks.

Jaringan saraf tiruan (sumber: Wikipedia)

Jaringan saraf sangat baik dalam menemukan pola-pola umum dalam data yang tidak terstruktur secara mandiri. Sebagai contoh, ketika Anda melatih jaringan saraf yang dalam pada gambar dari objek yang berbeda, ia menemukan cara untuk mengekstrak fitur dari gambar tersebut. Setiap lapisan jaringan saraf mendeteksi fitur spesifik seperti tepi, sudut, wajah, bola mata, dll.

Lapisan atas jaringan saraf mendeteksi fitur umum. Lapisan yang lebih dalam mendeteksi objek aktual (sumber: arxiv.org)

Dengan menggunakan jaringan saraf, algoritma pembelajaran mendalam meniadakan kebutuhan akan rekayasa fitur. Dalam kasus model prediksi kanker payudara MIT, berkat pembelajaran mendalam, proyek ini membutuhkan upaya yang jauh lebih sedikit dari para ilmuwan komputer dan pakar domain, dan butuh waktu lebih sedikit untuk berkembang. Selain itu, model ini dapat menemukan fitur dan pola dalam pemindaian mammogram yang dilewatkan oleh analis manusia.

Jaringan saraf telah ada sejak 1950-an (setidaknya secara konseptual). Tetapi sampai saat ini, komunitas AI sebagian besar menolak mereka karena mereka membutuhkan data dan daya komputasi yang sangat besar. Dalam beberapa tahun terakhir, ketersediaan dan keterjangkauan sumber daya penyimpanan, data, dan komputasi telah mendorong jaringan saraf ke garis depan inovasi AI.

Untuk Apa Pembelajaran Dalam?

Ada beberapa domain di mana pembelajaran mendalam membantu komputer mengatasi masalah yang sebelumnya tidak dapat diselesaikan.

Visi komputer: Visi komputer adalah ilmu menggunakan perangkat lunak untuk memahami konten gambar dan video. Ini adalah salah satu bidang di mana pembelajaran yang mendalam telah membuat banyak kemajuan. Selain kanker payudara, algoritma pemrosesan gambar pembelajaran dalam dapat mendeteksi jenis kanker lainnya dan membantu mendiagnosis penyakit lain.

Tetapi pembelajaran yang mendalam juga tertanam dalam banyak aplikasi yang Anda gunakan setiap hari. AppleID Wajah menggunakan pembelajaran mendalam, seperti halnya Google Foto menggunakan pembelajaran mendalam untuk berbagai fitur seperti mencari objek dan adegan serta mengoreksi gambar. Facebook menggunakan pembelajaran mendalam untuk secara otomatis menandai orang di foto yang Anda unggah.

Pembelajaran mendalam juga membantu perusahaan media sosial secara otomatis mengidentifikasi dan memblokir konten yang dipertanyakan, seperti kekerasan dan ketelanjangan. Dan akhirnya, pembelajaran mendalam memainkan peran yang sangat penting dalam memungkinkan mobil self-driving untuk memahami lingkungan mereka.

Pengenalan suara dan ucapan: Ketika Anda mengucapkan perintah ke Anda Amazon Gema speaker pintar atau Anda Google AssistantAlgoritma deep-learning mengubah suara Anda menjadi perintah teks. Beberapa aplikasi online menggunakan pembelajaran mendalam untuk menyalin file audio dan video. Google baru-baru ini merilis aplikasi smartphone transkripsi pidato Gboard pada perangkat yang menggunakan pembelajaran mendalam untuk mengetik saat Anda berbicara.

Pemrosesan bahasa alami (NLP) dan generasi (NLG): Pemrosesan bahasa alami, ilmu yang mengekstraksi makna teks yang tidak terstruktur, telah menjadi titik nyeri historis untuk perangkat lunak klasik. Mendefinisikan semua perbedaan nuansa dan makna tersembunyi dari bahasa tertulis dengan aturan komputer hampir tidak mungkin. Tetapi jaringan syaraf yang terlatih pada sejumlah besar teks dapat secara akurat melakukan banyak tugas NLP.

Layanan terjemahan Google melihat peningkatan mendadak dalam kinerja ketika perusahaan beralih ke pembelajaran yang mendalam. Speaker pintar menggunakan NLP pembelajaran mendalam untuk memahami berbagai nuansa perintah, seperti berbagai cara Anda dapat menanyakan cuaca atau arah.

Pembelajaran mendalam juga sangat efisien dalam menghasilkan teks yang bermakna, juga disebut generasi bahasa alami. Balas Cerdas dan Tulisan Cerdas Gmail menggunakan pembelajaran mendalam untuk memunculkan tanggapan yang relevan dengan email dan saran Anda untuk menyelesaikan kalimat Anda. Model generasi teks yang dikembangkan oleh OpenAI awal tahun ini menciptakan kutipan panjang dari teks yang koheren.

Batasan Pembelajaran Jauh

Terlepas dari semua manfaatnya, pembelajaran mendalam juga memiliki beberapa kekurangan.

Ketergantungan data: Secara umum, algoritma pembelajaran yang mendalam membutuhkan data pelatihan dalam jumlah besar untuk melakukan tugas mereka secara akurat. Sayangnya, untuk banyak masalah, tidak ada cukup data pelatihan yang berkualitas untuk membuat model pembelajaran yang mendalam.

Dapat dijelaskan: Jaringan saraf mengembangkan perilaku mereka dengan cara yang sangat rumit — bahkan pencipta mereka berjuang untuk memahami tindakan mereka. Kurangnya interpretasi membuatnya sangat sulit untuk memecahkan kesalahan dan memperbaiki kesalahan dalam algoritma pembelajaran yang mendalam.

Bias algoritma: Algoritma deep-learning sama baiknya dengan data yang mereka latih. Masalahnya adalah bahwa data pelatihan sering mengandung bias yang tersembunyi atau jelas, dan algoritma mewarisi bias ini. Sebagai contoh, algoritma pengenalan wajah yang dilatih sebagian besar pada gambar orang kulit putih akan melakukan kurang akurat pada orang yang bukan kulit putih.

Kurangnya generalisasi: Algoritma deep-learning bagus dalam melakukan tugas-tugas yang terfokus tetapi buruk dalam menggeneralisasikan pengetahuan mereka. Tidak seperti manusia, model pembelajaran dalam yang dilatih untuk bermain StarCraft tidak akan dapat memainkan permainan yang serupa: katakanlah, WarCraft. Juga, pembelajaran yang dalam sangat buruk dalam menangani data yang menyimpang dari contoh pelatihannya, juga dikenal sebagai "kasus tepi". Ini bisa menjadi berbahaya dalam situasi seperti mobil yang dapat dikendarai sendiri, di mana kesalahan dapat berakibat fatal.

Masa Depan Pembelajaran Mendalam

Awal tahun ini, pelopor pembelajaran mendalam dianugerahi Penghargaan Turing, ilmu komputer yang setara dengan Hadiah Nobel. Tetapi pekerjaan pembelajaran yang mendalam dan jaringan saraf masih jauh dari selesai. Berbagai upaya sedang dilakukan untuk meningkatkan pembelajaran yang mendalam.

Beberapa pekerjaan menarik termasuk model pembelajaran dalam yang dapat dijelaskan atau terbuka untuk interpretasi, jaringan saraf yang dapat mengembangkan perilaku mereka dengan data pelatihan yang lebih sedikit, dan model AI tepi, algoritma pembelajaran mendalam yang dapat melakukan tugas mereka tanpa bergantung pada sumber daya komputasi cloud yang besar.

Dan meskipun pembelajaran mendalam saat ini adalah teknik kecerdasan buatan yang paling maju, itu bukan tujuan akhir industri AI. Evolusi pembelajaran mendalam dan jaringan saraf mungkin memberi kita arsitektur yang sama sekali baru.