Kecerdasan buatan: Perbedaan antara pembelajaran mesin dan pembelajaran yang mendalam

Kecerdasan buatan atau AI telah menjadi bagian penting dan integral dari masyarakat modern kita. Menurut Forbes, dua tahun lalu, pada 2017, 51 persen bisnis modern telah menerapkan AI, dan industri itu sendiri bernilai $ 16 miliar. Angka ini diperkirakan akan mencapai $ 190 miliar pada tahun 2025 dan diperkirakan akan tumbuh lebih jauh.

Saat ini, dua jenis AI yang paling berpengaruh adalah pembelajaran mesin dan sistem pembelajaran yang mendalam. Tapi apa sebenarnya keduanya? Dan dalam hal ini, bagaimana kita mendefinisikan kecerdasan buatan dalam kedua konteks?

Apa itu kecerdasan buatan?

Dalam pengantar resmi Kamus Oxford 2019, kecerdasan buatan adalah "teori dan pengembangan sistem komputer yang dapat melakukan tugas-tugas yang membutuhkan kecerdasan manusia."

Dengan kata lain, AI menafsirkan informasi yang Anda dan saya butuhkan, untuk pengenalan gambar, pengenalan suara, atau sistem pengambilan keputusan otomatis lainnya. Contoh AI yang sangat sederhana adalah saingan komputer video game. Ini menggunakan data permainan serta informasi pemain untuk membuat urutan keputusan dan tugas untuk melibatkan pemain. AI muncul pada 1950-an, tetapi baru dimulai pada 1970-an dan 1980-an ketika komputer pribadi dan konsol game membuat pengembangan AI menjadi persyaratan utama dalam aktivitasnya.

Contoh AI lainnya dalam kehidupan kita sehari-hari mungkin termasuk:

  1. Simulator
  2. Perangkat pintar
  3. Bot di bursa saham
  4. Pengenalan informasi (ucapan, suara, wajah, dll.)

Banyak sistem AI saat ini digunakan di hampir semua aplikasi yang menggunakan data seperti perangkat lunak manajemen, algoritma rujukan, analisis media atau bahkan asisten suara. Bahkan, bahkan program pengawasan sederhana sekarang menggunakan AI. Sebagai aturan praktis, jika ada tugas yang lebih rumit yang harus dilakukan secara teratur tanpa intervensi langsung seseorang, maka itu memiliki AI.

Apa itu pembelajaran mesin?

Pembelajaran mesin adalah jenis kecerdasan buatan (dan karenanya merupakan bagian dari itu) yang berspesialisasi dalam menganalisis dan menganalisis data untuk beradaptasi dengan data ini dan membuat keputusan yang cerdas. Sederhananya, AI ini dirancang untuk melacak dan menemukan banyak hal, dan kemudian melakukan satu atau lebih tindakan berdasarkan informasi yang diperoleh.

Tugas khas pembelajaran mesin hari ini dapat mencakup yang berikut ini

  1. Tautkan ke rekomendasi
  2. Manajemen Konten
  3. Tampilkan hasil pencarian
  4. Waktu perawatan (di jejaring sosial)

Sistem pembelajaran mesin mampu menganalisis sejumlah besar data dalam waktu singkat, untuk membuat keputusan atau menarik kesimpulan darinya. Ini mengoptimalkan algoritme untuk memberikan komentar yang akurat, lebih dari apa yang dapat dilakukan orang dengan batasan waktu. Misalnya, kami ingin secara otomatis menentukan apakah email tertentu adalah spam atau bukan. Sistem pembelajaran mesin menyaring ribuan ribu email untuk menemukan pola yang membantu mengidentifikasi email spam. Ini kemudian memberikan klasifikasi yang jelas dari spam atau email sederhana, sekali lagi menggunakan data untuk menemukan pola yang lebih spesifik yang dapat membantu meningkatkan analitik.

Ketika set data baru dan baru disediakan, sistem pembelajaran mesin dapat beradaptasi dan memperbarui algoritma mereka untuk lebih meningkatkan apa yang mereka lakukan. Atau setidaknya meminimalkan kemungkinan kesalahan. Ini membuat pembelajaran mesin sangat penting di zaman kita yang didorong oleh data.

Apa itu studi mendalam?

Pembelajaran yang dalam, sekali lagi, ini adalah waktu pembelajaran mesin. Desain dasar dari sistem pembelajaran yang dalam didasarkan pada otak organik. Jika kita membentuk ingatan baru menggunakan jaring pola-pola saraf yang kompleks, sistem seperti itu akan menciptakan jaringan keputusannya sendiri yang kompleks, menggunakan jaringan saraf tiruan yang terdiri dari lapisan algoritmik yang tak terhitung jumlahnya.

Sejumlah sistem pembelajaran mendalam yang terkenal:

  1. Watson (pesaing dalam "Jeopardy")
  2. AlphaGo (mengalahkan pemain Go profesional Lee Sedol pada Maret 2016)
  3. Deepfake (menciptakan representasi buatan orang-orang nyata) yang sangat nyata, tetapi realistis
  4. OpenAI Five (proyek pembelajaran dalam game, pemain DOTA Dandy dikalahkan pada 2017 lalu)

Tidak seperti sistem pembelajaran mesin konvensional, mereka dapat menangani dataset yang relatif sederhana, dengan sistem pembelajaran yang mendalam dimulai dari nol. Ini ditandai dengan "waktu lambannya", di mana beberapa generasi pertama AI mulai menghasilkan hasil nyata dari banyak generasi gagal setelah adaptasi.

Ketika mencapai tingkat efisiensi yang sangat canggih, sistem pembelajaran yang dalam akan mulai melampaui segala sesuatu yang mendahuluinya. DeepGoGo's AlphaGo, misalnya, mulai menggunakan 160 juta game Go amatirnya, sebelum secara spontan mengalahkan jutaan pemain Go profesional.

Sistem pembelajaran yang dalam, tidak seperti sistem pembelajaran mesin lainnya yang telah dikembangkan sebelumnya, sangat bergantung pada perkalian matriks untuk pembuatan data. Dengan demikian, GPU komersial biasanya merupakan alat terbaik untuk sistem ini karena mereka mampu memenuhi persyaratan pemrosesan paralel tingkat tinggi yang diperlukan untuk mempertahankan kinerja operasional.

AI standar dan pembelajaran mesin

Meskipun kecerdasan buatan dan pembelajaran mesin dapat digunakan secara bergantian untuk banyak aplikasi umum, pembelajaran mesin memiliki satu fitur unik: adaptasi. Itu artinya dia belajar. Tidak seperti AI pre-built, AI dapat membuat banyak kesalahan awal, tetapi ia dirancang untuk menggantikan apa yang Anda pelajari, bangun dari, dan pada akhirnya mengoptimalkan.

Dalam hal desain, pembelajaran mesin juga memiliki keuntungan tidak menjadi bingung dengan desain aslinya. AI biasa mungkin memerlukan pengkodean khusus atau instruksi khusus untuk setiap situasi yang dapat diramalkan pabrikan. Tetapi sistem pembelajaran mesin hanya dapat bekerja pada pohon keputusan, di samping dua atau dua standar pelatihan, serta kemampuan untuk memproses dan kemudian meningkatkan fungsinya.

Pentingnya membedakan sistem pembelajaran mesin adalah bahwa kami sekarang menggunakan standar, AI reguler dari sistem ini untuk tugas dan tugas yang tidak signifikan lainnya. Pada akhirnya, Anda tidak perlu sistem pembelajaran mesin untuk sekadar mengotomatisasi keputusan manajemen file. Dengan cara yang sama, mengkategorikan item kompleks seperti sistem pengenalan ucapan sebagai "AI saja" mungkin tidak tepat, dan karenanya kami menggolongkannya dengan benar.

Pembelajaran mesin dan pembelajaran yang mendalam

Mungkin perbedaan terpenting yang perlu kita pelajari adalah perbedaan antara pembelajaran mesin dan pembelajaran mendalam. Pertama dan terpenting, seperti yang disebutkan di atas, adalah studi mendalam tentang otomatisasi IS yang secara teknis terdiri dari satu jenis atau bagian dari itu. Pembelajaran mesin tidak selalu merupakan studi yang mendalam. Perbedaannya terutama karena cara keduanya dibangun.

Pembelajaran mesin telah dikembangkan selama beberapa dekade terakhir di lingkungan komputer yang sama dengan sebagian besar perangkat lunak kami. Jadi, meskipun dibangun agar seragam, linier, dan bahkan cocok untuk hukum Moore, masih dibatasi oleh pohon keputusan dan algoritma. Pembelajaran mendalam, pada gilirannya, mengintegrasikan semua algoritmanya ke dalam jaringan saraf. Ini dirancang untuk komputasi paralel tingkat tinggi, yang sekarang kita anggap sebagai generasi pembelajaran mesin berikutnya.

Salah satu cara yang dapat diandalkan untuk menentukan apakah sistem pembelajaran yang mendalam digunakan adalah untuk menilai kompleksitas tugas AI. Secara umum, banyak, variabel opsional harus dipertimbangkan, yang lebih cenderung menjadi sistem pembelajaran yang mendalam. Misalnya, rekomendasi Netflix tidak serumit terjemahan bahasa, meskipun mereka belajar dari data yang dikumpulkan di seluruh basis pengguna Internet. Perbedaan ini dapat melayani dua fungsi yang serupa, misalnya, dua sistem kontrol diri yang terpisah. Apa yang kami lebih mengandalkan kompresi data sensor adalah bahwa itu harus menjadi sistem pembelajaran mesin umum, dan pembelajaran yang lebih dalam lebih ramah lingkungan terhadap apa yang sedang dikembangkan Tesla. perlu memperhatikan.

Apakah perbedaannya jelas atau jelas, pembelajaran mendalam adalah masa depan. Tetapi untuk tujuan kami, studi mendalam adalah penting dalam memahami betapa berbedanya sebenarnya dan seberapa canggihnya untuk membedakan AI dari AI pembelajaran mesin sederhana. Meskipun sedang dalam pengembangan saat ini, tidak dapat dibandingkan dengan hampir semua yang terjadi sebelumnya.

Sementara itu mungkin tampak membingungkan bagi pemirsa umum bahwa Barack Obama telah membuat beberapa kalimat pendek dalam latar belakang palsu, bagi mereka yang memahami perbedaannya, kami tahu ini adalah salah satu kemungkinan besar dari teknologi yang mengubah permainan. .

Tantangan Besar AI Vietnam

Ingin tahu lebih banyak tentang kecerdasan buatan? Cambria Vietnam memimpin seri hacker AI Grand Challenge 2019, misinya adalah untuk melatih pengembang muda AI. Bekerja sama dengan pemerintah Vietnam, McKinsey & Company dan VietnamAI, Grand Challenge akan mendukung kemampuan AI terbaik negara tersebut dalam mendukung perusahaan di Vietnam dan merancang asisten AI global.

Cara bergabung: Mendaftar di platform Cambria: https://bounty.kambria.io/ 2. Ikuti halaman Facebook Challenge untuk semua acara mendatang: https: / /www.facebook.com/VietnamAIGC/

Pada hari Sabtu, 1 Juni 2019, sebuah lokakarya berjudul "Buat Asisten AI Virtual" akan diadakan di Da Nang, Kamboja, dan akan memberikan pelatihan dan pendidikan kepada peserta Tantangan AI Vietnam. Klik di sini untuk informasi lebih lanjut tentang lokakarya ini. Ruang terbatas untuk 40 peserta, jadi daftar segera!

Awalnya diterbitkan di Kamboja.