Mengapa mesin harus belajar? Karena manusia tidak bisa mengikutinya.

Ledakan AI/ML saat ini adalah hasil dari kemajuan dalam pendekatan pembelajaran yang spesifik, Pembelajaran Mendalam. Kecerdasan Buatan, Pembelajaran Mesin, dan Pembelajaran Mendalam bertanggung jawab atas beberapa kemajuan terbesar dalam satu tahun terakhir, dan orang-orang merayakan teknologi ini secara bergantian. Akhir-akhir ini, konferensi teknologi dipenuhi oleh orang-orang yang ingin mengetahui lebih banyak tentang Kecerdasan Buatan, Pembelajaran Mesin, dan Pembelajaran Mendalam seolah-olah keduanya adalah hal yang sama. Ada banyak sejarah di balik masing-masing teknologi ini, namun cara yang lebih sederhana untuk melacak perbedaannya adalah dengan motivasi kita.

Perbedaan Motivasi

Mesin belajar karena manusia mempunyai hal-hal yang lebih baik untuk dilakukan. Saya setengah bercanda, tapi ini awal yang baik. Tentu saja, ada hal yang lebih teknis mengenai keterkaitan AI, ML, dan Deep Learning.

Perbedaan Definisi

Kecerdasan Buatan adalah kecerdasan rekayasa yang terinspirasi oleh apa yang kita alami sebagai manusia. Belajar bukan hanya satu aspek saja, namun merupakan sarana yang kita gunakan sendiri untuk mencapai kecerdasan yang lebih tinggi. Kecerdasan Buatan adalah sebuah alat, sedangkan Pembelajaran Mesin adalah cara untuk membangun alat tersebut. Pembelajaran Mendalam adalah jenis Pembelajaran Mesin yang digunakan untuk mencapai Kecerdasan Buatan. Untuk visualnya, berikut adalah diagram buku teks tentang hubungan antara AI, ML, dan Pembelajaran Mendalam.

Jika seseorang bertanya apa artinya bekerja di bidang AI, saya akan menjawab, “Saya berupaya menjadikan komputer lebih baik dalam melakukan hal-hal yang dilakukan manusia.” Jika seseorang menanyakan satu cara untuk mencapai AI, saya dapat menjawab, “dengan Machine learning”, atau “Deep Learning”, untuk lebih spesifik.

Perbedaan dalam Sejarah

Standar untuk memiliki mesin yang berkinerja lebih baik daripada manusia diperkenalkan oleh Alan Turing dalam makalahnya pada tahun 1950 tentang Mesin Komputasi dan Kecerdasan, yang dikenal sebagai Tes Turing (berdasarkan dari Permainan Imitasi). Turing mengusulkan agar mesin dapat lulus pengujian dengan seperangkat aturan diskrit dan mesin keadaan terbatas, yang merupakan cara kerja sebagian besar program komputer saat ini. Di akhir makalahnya, ia membayangkan gagasan “mesin pembelajaran”, suatu tatanan kompleksitas yang melampaui mesin berpikir. Turing pertama kali bertanya, “Dapatkah mesin berpikir?” Menjelang akhir makalahnya, dia bertanya, “Dapatkah sebuah mesin dibuat menjadi superkritis?” Yang pertama adalah apakah kita bisa mencapai AI. Pertanyaan terakhir adalah apakah kita bisa mencapai ML.

ML diperkenalkan oleh Alan Turing pada tahun 1950. Pada tahun 1952, program pembelajaran komputer pertama dibangun untuk mempelajari strategi dalam permainan catur. Jaringan Syaraf Tiruan pertama dirancang pada tahun 1957. Pembelajaran Mendalam merupakan pengembangan lebih lanjut dari Jaringan Syaraf Tiruan, namun baru mendapatkan namanya pada tahun 2006. Sejak tahun 2010, terdapat banyak kemajuan dalam kecerdasan mesin. Booming ML/AI saat ini sebagian besar disebabkan oleh kemajuan dalam Pembelajaran Mendalam.

Untuk memahami perbedaan antara AI, ML, dan Deep Learning, awal baik lainnya adalah dengan memahami alasan kami menciptakan mesin untuk belajar. Ketika komputer menjadi sama baiknya (atau lebih baik dari) manusia dalam tugas-tugas tertentu, kita mencapai tonggak sejarah besar dalam AI. Machine Learning, dalam banyak kasus, telah terbukti menjadi cara yang disukai untuk mencapai pencapaian ini.

Mengapa Mesin Belajar

Salah satu kritik terbesar terhadap proposal Alan Turing untuk menguji AI adalah argumen Associative Priming (dan Masalah Bingkai yang saling melengkapi). Karena rumitnya cara kita memperoleh kecerdasan, ada pendapat bahwa proses ini tidak dapat dicapai oleh mesin. Proses ini disebut pembelajaran, dan komputer belum sehebat itu (sampai sekarang).

Idenya adalah sebagai berikut: Manusia, sepanjang hidupnya, mengembangkan asosiasi tertentu dengan kekuatan yang berbeda-beda di antara konsep-konsep. Sebenarnya, satu-satunya cara agar mesin dapat menentukan, bahkan secara rata-rata, semua kekuatan asosiatif antara konsep-konsep manusia adalah dengan mengalami dunia seperti yang dialami kandidat manusia dan orang yang diwawancarai. (“Prancis”, 1990)

Karena pengalaman manusia itu rumit dan rumit, dengan pedagogi apa kita menerjemahkan pengalaman kita ke dalam mesin? Turing berhipotesis bahwa mesin mungkin harus mempelajari sendiri pemahaman yang kita anggap remeh.

Fitur penting dari mesin pembelajaran adalah bahwa gurunya sering kali tidak tahu apa-apa tentang apa yang terjadi di dalam, meskipun sampai batas tertentu ia masih dapat memprediksi perilaku muridnya. Hal ini harus diterapkan secara kuat pada pendidikan mesin selanjutnya yang timbul dari mesin anak dengan desain (atau program) yang telah dicoba dengan baik. Hal ini jelas berbeda dengan prosedur normal ketika menggunakan mesin untuk melakukan komputasi, objeknya kemudian memiliki gambaran mental yang jelas tentang keadaan mesin pada setiap momen dalam komputasi. (Turing, 1950)

Mesin belajar karena, untuk tujuan tertentu,(saat ini) lebih disukai memprogram komputer untuk mempelajari kecerdasan daripada memprogram komputer agar menjadi cerdas secara langsung. Mungkin lebih disukai, karena (1) dibutuhkan lebih sedikit upaya manusia untuk melakukannya membangun kecerdasan yang dipelajari(daripada membangun kecerdasan secara langsung); atau (2) mungkin lebih disukai, karena kinerja mesin lebih baik saat ia belajar sendiri.

Dalam praktiknya, Machine Learning berguna ketika permasalahan membutuhkan prediksi yang akurat. Ambil permainan Dua Puluh Pertanyaan. Awalnya dimainkan antar manusia. Untuk mengganti salah satunya dengan mesin, kita memerlukan mesin yang memiliki kemiripan dengan kecerdasan manusia. Untuk Dua Puluh Pertanyaan, Pembelajaran Mesin bukan satu-satunya cara untuk mencapai Kecerdasan Buatan, namun bisa dibilang merupakan cara yang lebih baik seperti yang ditunjukkan di bawah ini.

(1) Contoh ML yang memerlukan sedikit usaha manusia:

Dalam dua versi web Dua Puluh Pertanyaan, 20Q dan Akinator, manusia diganti dengan program. Jadi bagaimana mereka menggantikan manusia? Daripada meminta seseorang membangun database informasi untuk semua tokoh masyarakat (sepanjang masa), Anda bisa melatih sebuah program untuk mempelajari sifat-sifat orang terkenal melalui orang-orang yang menjawab pertanyaan di dalam game. Ini menghemat usaha untuk melakukannya dengan cara ini.

(2) Contoh ML yang memungkinkan mesin berperforma lebih baik

Terlepas dari seberapa besar upaya yang dihemat, Machine Learning mungkin memiliki kinerja yang lebih baik dibandingkan jenis algoritme lainnya. Sundar Pichai, pada acara Google I/O baru-baru ini, menunjukkan bahwa komputer telah melampaui manusia dalam pengenalan gambar. Pencapaian ini berkat kemajuan dalam Pembelajaran Mesin, khususnya Pembelajaran Mendalam.

Contoh perbedaan ML dengan AI

Seperti yang ditunjukkan grafik di atas, komputer kini (dalam banyak hal) lebih baik daripada manusia dalam memprediksi, mengidentifikasi, dan memverifikasi apa yang ada dalam sebuah gambar. Di bawah ini adalah kolase anjing yang menghibur yang terlihat seperti muffin, bagel, dan pel. Bagaimana kita mengetahui perbedaannya? Bagaimana komputer mengetahui perbedaannya? Untuk menjadi AI, tidak peduli bagaimana komputer mampu membedakannya, yang penting komputer bisa membedakannya. Untuk menjadi ML, komputer harus melatih dan mempelajari sendiri perbedaannya.

Standar utama kecerdasan adalah kecerdasan dan perilaku kita sendiri. Jika kita menghubungkan kemampuan kita dengan aktivitas akademis di bidang AI dan teknologi yang dihasilkannya, kita menemukan bahwa pembelajaran tidak hanya merupakan salah satu keterampilan yang dapat dikuasai dengan baik oleh manusia, namun juga merupakan cara untuk mencapai penguasaan keterampilan.

Agar komputer dapat membedakan gambar anjing dan muffin, terbukti bahwa ML memiliki kinerja yang lebih baik dibandingkan metode lainnya. Namun tidak semua masalah parsing gambar membutuhkan ML. Mendeteksi garis dalam suatu gambar, misalnya, dapat dilakukan dengan mengidentifikasi secara formal susunan piksel yang benar tanpa ML. Demikian pula, kendaraan otonom tidak memerlukan Pembelajaran Mesin untuk mendeteksi objek di sekitar. Itu hanya dapat menggunakan lidar. Tic Tac Toe AI juga tidak membutuhkan ML, begitu pula permainan catur.

Secara khusus, Jika masalah dapat dipetakan ke ruang pencarian yang dapat dikelola (seperti pohon permainan Tic Tac Toe di atas), maka heuristik pencarian dapat membantu menghasilkan jawaban yang optimal. Untuk memberikan lebih banyak contoh “buku teks”, ambil contoh pencarian jalur. A*, pencarian serakah kedalaman pertama atau terbaik pertama, adalah algoritma terkenal untuk menemukan jalur terpendek dari satu titik ke titik lainnya. Kemampuan A* untuk memprediksi jalur optimal (ditunjukkan di bawah) tidak memerlukan Pembelajaran Mesin.

Meskipun terdapat argumen bahwa masalah-masalah ini mendiskualifikasi diri mereka sendiri dari upaya yang cerdas (karena masalah-masalah tersebut dapat diselesaikan secara algoritmik), namun juga agak keliru untuk mendiskreditkan keseluruhan sejarah AI. Masa depan AI adalah gabungan dari arahan manusia, model formal, heuristik pencarian, dan Pembelajaran Mesin.

Apa itu Pembelajaran Mendalam?

Pembelajaran Mendalam menjawab pertanyaan tentang bagaimana mesin dapat mempelajari sesuatu. Pembelajaran Mesin adalah cara kita mengajarkan komputer untuk melihat lebih baik daripada kita (dalam cara tertentu), namun ada kompleksitas tambahan tentang bagaimana Mesin dapat mengajar dirinya sendiri untuk melihat. Seperti halnya manusia, ada beragam pendekatan (dan pendekatan yang belum ditemukan) mengenai bagaimana komputer dapat belajar. Ledakan AI/ML saat ini adalah hasil dari kemajuan dalam pendekatan pembelajaran yang spesifik, Deep Learning.

Salah satu kualitas Deep Learning yang paling menentukan dibandingkan bentuk AI lainnya adalah seberapa baik kita (tidak) memahami komputasi di balik keputusan dan prediksi yang dibuat. Misalnya, Logika Formal bersifat reversibel. Jika A-›B-›C, Anda dapat memodelkan logika ini dengan tangan. Pembelajaran Mendalam menggunakan lapisan neuron buatan yang tersembunyi, dan tidak memiliki langkah-langkah yang terpisah, deterministik, atau dapat dilacak. Gambar di bawah menunjukkan ilustrasi Deep Learning yang disederhanakan.

Gambar di atas menunjukkan seekor binatang di dalam keranjang. Jika kita ingin memprediksi apakah ini kucing atau anjing, otak kita (mungkin) akan mengurai panjang rambut dan bentuk kepala ke arah anjing. Untuk komputer, piksel dari gambar adalah lapisan masukan untuk inferensi, antara lapisan masukan dan keluaran adalah lapisan komputasi tersembunyi yang mencoba mengidentifikasi pengelompokan piksel tertentu yang mungkin diwakili.

Piksel sebuah foto pada dasarnya tidak terstruktur. Meskipun kualitas yang kita cari dapat dijelaskan secara formal (seperti panjang rambut atau bentuk kepala hewan), namun terbukti lebih efektif jika membiarkan komputer mengetahui apa artinya menjadi seekor anjing dan membuat modelnya sendiri. Model-model ini dilatih dengan mengirimkan banyak foto anjing dan kucing agar komputer dapat mempelajarinya terlebih dahulu.

Namun bagaimana jika ada lebih banyak struktur dalam datanya? Tidak semua masalah melibatkan data yang tidak terstruktur. Katakanlah kita sedang memainkan permainan, “Tebak Siapa?”. Mirip dengan memprediksi apakah ada anjing atau kucing di dalam keranjang, Tebak Siapa? memungkinkan pemain untuk mengurangi ruang pencarian hingga mereka dapat secara akurat memprediksi gambar apa yang dipilih lawan. Dalam hal ini, kita dapat menelusuri logikanya, karena kita mempunyai sifat/kualitas tersendiri untuk dikerjakan. Oleh karena itu, Anda tidak memerlukan Pembelajaran Mendalam untuk mengajari mesin agar dapat memenangkan permainan ini.

Akinator dan 20Q, versi online dari game table-top, Guess Who?, adalah contoh bagus AI yang dibangun melalui Machine Learning, namun belum tentu Deep Learning. Akinator secara formal dapat dimodelkan dengan tangan, tetapi sama baiknya dalam belajar melalui bermain berulang kali.

Catur dan Tic Tac Toe dapat dimainkan oleh komputer dengan aturan dan status yang dikodekan secara keras. Akinator dan 20Q lebih efisien dilatih melalui permainan. Apa yang membuat game seperti “Go” dan “Starcraft” berbeda adalah mereka memiliki ruang pencarian, negara bagian, dan strategi yang jauh lebih besar. Dan hingga mesin kami menjadi cukup kuat untuk memetakan keseluruhan game ini, kami mengandalkan Pembelajaran Mendalam.

Ringkasan Contoh

Bagaimana “mengikuti perkembangan keluarga Jones”

Jadi, di mana, jika memang ada, Machine Learning cocok dengan hidup Anda? Tempat yang baik untuk memulai adalah tempat terjadinya demokratisasi AI. Google baru-baru ini mengumumkan Google.ai, yang membagi ruang ML menjadi tiga kategori: Penelitian, Alat dan Infrastruktur, dan Aplikasi. Dalam Penelitian, Anda mencari cara untuk menciptakan AI yang lebih baik. Di Tools, Anda akan menemukan cara membuat AI berjalan secara efisien. Terakhir, dalam Aplikasi, Anda akan mempelajari praktik dan cara menggunakan AI. Perusahaan seperti Google bertujuan untuk membuat ML dapat diakses oleh “ratusan ribu pengembang”, di mana AI digunakan oleh manusia biasa.

(Jika Anda benar-benar tertarik dengan kinerja AI, inilah makalah penelitian tentang Authorial Leverage.)