Apa itu pembelajaran yang mendalam?

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

Teknologi ini juga telah terbukti bermanfaat dalam perawatan kesehatan: Awal tahun ini, 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 yang mendalam dari 90.000 scan mamografi resolusi penuh dari 60.000 pasien dan memungkinkan mereka untuk menemukan pola umum. antara pemindaian pasien. mereka yang berakhir dengan kanker payudara dan mereka yang tidak. Dia mampu memprediksi kanker payudara selama lima tahun ke depan, peningkatan yang signifikan dibandingkan dengan 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 sistem kecerdasan buatan berbasis aturan klasik, algoritma pembelajaran mesin mengembangkan perilaku mereka dengan memproses contoh-contoh beranotasi, suatu proses yang disebut "pelatihan."

Misalnya, untuk membuat program deteksi penipuan, latih algoritma pembelajaran mesin dengan daftar transaksi bank dan hasil akhirnya (sah atau curang). Model pembelajaran mesin meneliti 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 akan mengklasifikasikannya sebagai valid atau curang berdasarkan pola yang diperoleh dari contoh pelatihan.

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

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

Pembelajaran yang mendalam dan jaringan saraf tiruan

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

Sebagai contoh, membuat model prediksi kanker payudara menggunakan pendekatan pembelajaran mesin klasik akan membutuhkan upaya dari puluhan pakar domain, pemrogram komputer, dan ahli matematika, menurut peneliti dan ilmuwan data Jeremy Howard. Para peneliti harus melakukan banyak fungsi teknik, sebuah proses sulit yang memprogram komputer untuk menemukan pola yang diketahui pada X-ray dan pemindai MRI. Setelah itu, para insinyur menggunakan pembelajaran mesin tentang fitur yang diekstraksi. Membuat model AI seperti itu membutuhkan waktu bertahun-tahun.

Algoritma pembelajaran dalam memecahkan masalah yang sama menggunakan jaringan saraf dalam, sejenis arsitektur perangkat lunak yang diilhami oleh otak manusia (meskipun jaringan saraf berbeda dari neuron biologis). Jaringan saraf adalah lapisan demi lapisan variabel yang sesuai dengan properti data yang mereka latih dan dapat melakukan tugas-tugas seperti mengklasifikasikan gambar dan mengubah ucapan menjadi teks.

Jaringan saraf tiruan (sumber: Wikipedia)

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

Lapisan atas dari jaringan saraf mendeteksi karakteristik umum. Lapisan yang lebih dalam mendeteksi objek nyata (sumber: arxiv.org)

Dengan menggunakan jaringan saraf, algoritma pembelajaran yang dalam menghilangkan kebutuhan akan fungsi teknik. Dalam kasus model prediksi kanker payudara MIT, berkat studi mendalam, proyek ini membutuhkan upaya yang jauh lebih sedikit oleh para ilmuwan komputer dan pakar domain, dan membutuhkan waktu lebih sedikit untuk berkembang. Selain itu, model ini dapat menemukan fitur dan pola dalam pemindaian mamografi yang dilewati oleh analis manusia.

Jaringan saraf telah ada sejak 1950-an (setidaknya secara konseptual). Namun sejauh ini, komunitas AI sebagian besar telah menolak mereka karena mereka membutuhkan sejumlah besar data dan daya komputasi. Dalam beberapa tahun terakhir, ketersediaan dan keterjangkauan sumber daya komputasi, data dan penyimpanan telah membawa jaringan saraf ke garis depan inovasi dalam kecerdasan buatan.

Apa yang kamu pelajari

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

Visi komputer: Visi komputer adalah ilmu menggunakan perangkat lunak untuk memahami konten gambar dan video. Ini adalah area di mana pembelajaran yang mendalam telah berjalan jauh. Selain kanker payudara, algoritma pemrosesan gambar pembelajaran dalam dapat mendeteksi kanker lain dan membantu mendiagnosis penyakit lain.

Tetapi pembelajaran mendalam juga dibangun ke dalam banyak aplikasi yang Anda gunakan setiap hari. AppleID Face menggunakan pembelajaran mendalam, seperti halnya Google Foto menggunakan pembelajaran mendalam untuk berbagai fungsi, seperti pencarian objek dan adegan dan koreksi gambar. Facebook Gunakan pembelajaran mendalam untuk memberi tag orang secara otomatis 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 besar dalam memungkinkan mobil otonom untuk memahami lingkungan mereka.

Pidato dan pengenalan suara: Ketika Anda mengatakan pesanan Amazon Speaker pintar menggemakan atau algoritma pembelajaran mendalam Google Assistant ubah suara Anda menjadi perintah teks. Beberapa aplikasi online menggunakan pembelajaran mendalam untuk menyalin file audio dan video. Google baru-baru ini meluncurkan aplikasi smartphone transkripsi suara Gboard pada perangkat yang menggunakan pembelajaran mendalam untuk menulis saat berbicara.

Pemrosesan bahasa alami (NLP) dan generasi (NLG): Pemrosesan bahasa alami, ilmu yang mengekstraksi makna dari teks-teks yang tidak terstruktur, telah menjadi titik nyeri historis untuk perangkat lunak klasik. Hampir mustahil untuk mendefinisikan semua nuansa berbeda dan makna tersembunyi dari bahasa tertulis dengan aturan komputer. Tetapi jaringan saraf yang dilatih dalam sejumlah besar teks dapat secara akurat melakukan banyak tugas NLP.

Layanan terjemahan Google mengalami lonjakan kinerja ketika perusahaan beralih ke pembelajaran yang mendalam. Pembicara pintar menggunakan pembelajaran mendalam NLP untuk memahami nuansa berbeda dari perintah, seperti berbagai cara Anda dapat meminta cuaca atau instruksi.

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

Keterbatasan pembelajaran jarak jauh

Selain semua manfaatnya, pembelajaran yang mendalam juga memiliki beberapa kekurangan.

Ketergantungan data: Secara umum, algoritma pembelajaran yang mendalam membutuhkan sejumlah besar data pelatihan untuk melakukan tugas mereka secara akurat. Sayangnya, untuk banyak masalah, tidak ada cukup data pelatihan 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 membuat sangat sulit untuk menyelesaikan kesalahan dan memperbaiki kesalahan dalam algoritma pembelajaran yang mendalam.

Bias algoritma: Algoritma pembelajaran mendalam sama baiknya dengan data yang mereka praktikkan. Masalahnya adalah bahwa data pelatihan sering mengandung bias tersembunyi atau jelas, dan algoritma mewarisi bias ini. Sebagai contoh, algoritma pengenalan wajah yang melatih terutama pada gambar putih akan bekerja kurang akurat pada orang yang tidak berkulit putih.

Kurangnya generalisasi: Algoritma pembelajaran mendalam sangat baik dalam melakukan tugas-tugas yang terfokus tetapi buruk dalam menggeneralisasikan pengetahuan Anda. Tidak seperti manusia, model pembelajaran dalam yang dilatih untuk bermain StarCraft tidak akan dapat memainkan game serupa – misalnya, WarCraft. Selain itu, pembelajaran yang dalam sangat buruk dalam menangani data yang menyimpang dari contoh pelatihan, juga dikenal sebagai "kasus batas". Ini bisa berbahaya dalam situasi seperti mobil tanpa pengemudi, di mana kesalahan bisa berakibat fatal.

Masa depan pembelajaran yang mendalam

Awal tahun ini, para perintis pembelajaran dalam menerima Turing Prize, komputer yang setara dengan Hadiah Nobel. Tetapi pekerjaan pembelajaran mendalam dan jaringan saraf masih jauh dari selesai. Berbagai upaya sedang dilakukan untuk meningkatkan pembelajaran yang mendalam.

Beberapa pekerjaan menarik termasuk model pembelajaran mendalam yang dapat dijelaskan atau dibuka untuk interpretasi, jaringan saraf yang dapat mengembangkan perilaku Anda dengan lebih sedikit data pelatihan, dan model AI canggih, algoritma pembelajaran mendalam yang dapat melakukan pekerjaan Anda tanpa bergantung pada sumber daya komputasi awan yang besar

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