Kita akan mengeksplorasi bagaimana machine learning dan data memainkan peran penting dalam kebangkitan kecerdasan buatan (AI). Harapannya, Anda akan memiliki pemahaman yang lebih baik tentang bagaimana AI dapat diterapkan ke berbagai industri dan perusahaan.
Memahami Machine Learning
Machine Learning adalah komponen fundamental AI. Itu memungkinkan komputer mempelajari pola, dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit untuk setiap skenario tertentu.
Jenis machine learning yang paling umum digunakan disebut supervised learning, yang melibatkan pembelajaran (learning) pemetaan (mapping) input ke output.
Implementasi Supervised Learning
Pada artikel sebelumnya bisa Anda ketahui bahwa supervised learning telah banyak diaplikasikan di berbagai bidang. Berikut saya ulang lagi beberapa contohnya:
- Filter spam
Input email dan tentukan apakah itu spam atau bukan (0 atau 1). - Pengenalan ucapan (speech recognition)
Input klip audio dan hasilkan transkrip teks. - Mesin terjemahan
Input teks dalam satu bahasa, seperti bahasa Inggris, dan keluarkan teks yang diterjemahkan dalam bahasa lain, seperti Indonesia atau Arab. - Iklan online
Memprediksi apakah pengguna akan mengklik iklan berdasarkan informasi tentang iklan dan pengguna. - Mobil self-driving
Analisis gambar dan data sensor untuk menentukan posisi mobil lain di jalan. - Inspeksi visual di pabrik
Input gambar produk dan deteksi cacat apa pun seperti goresan atau penyok.
Supervised learning berfokus pada pembelajaran pemetaan input ke output (input-to-output mappings), yang itu terbukti sangat berharga dalam berbagai skenario di dunia nyata.
Pertumbuhan Supervised Learning
Supervised learning telah ada selama beberapa dekade, tetapi peningkatan popularitasnya pada beberapa waktu ini bisa dikaitkan dengan 2 faktor utama:
- Ketersediaan data
Dengan munculnya komputer dan internet, telah terjadi peningkatan eksponensial dalam jumlah data yang tersedia untuk melatih model machine learning. - Peningkatan kinerja dengan lebih banyak data
Sistem AI tradisional telah mencapai titik balik, di mana peningkatan data tidak lagi meningkatkan kinerja secara signifikan. Namun, AI modern, khususnya neural network dan deep learning, terus menunjukkan peningkatan kinerja karena lebih banyak data dimasukkan ke dalamnya.
Visualisasi Pertumbuhan Kinerja
Pada grafik di bawah, di sumbu horizontal, kita memplot jumlah data yang dibutuhkan untuk suatu tugas, di sumbu vertikal adalah kinerja sistem AI. Saat Anda membandingkan sistem AI tradisional dengan yang modern, Anda akan melihat tren berikut:
- Sistem AI tradisional
Pada jumlah data tertentu, tingkat kinerja tidak naik, dan justru menunjukkan hasil yang semakin berkurang. - Sistem AI modern
Memanfaatkan neural network dan deep learning, kinerja terus meningkat seiring semakin banyaknya data yang dimasukkan ke dalam sistem. - Large Neural Network, memiliki potensi untuk merevolusi pengenalan ucapan (speech recognition), iklan online, mobil self-driving, dan banyak aplikasi lainnya.
Memiliki lebih banyak data hampir selalu bermanfaat dalam machine learning.
Kemampuan untuk melatih neural network yang besar sangat penting untuk mencapai kinerja yang sangat baik. Munculnya komputer cepat (Moore’s law), dan prosesor khusus seperti unit pemrosesan grafis (GPU), telah memungkinkan kita untuk melatih large neural network pada dataset yang lebih luas, dan menghasilkan peningkatan kinerja yang signifikan.
Pentingnya Data Dalam Machine Learning
Inti dari machine learning terletak pada supervised learning, yang melibatkan pemetaan input ke output. Data adalah “bahan bakar” yang memungkinkan machine learning berfungsi secara efektif. Ketersediaan dataset berkualitas tinggi dan beragam, sangat penting dalam melatih model yang akurat dan andal.
Saat kita terus mengumpulkan dan memanfaatkan data, potensi AI dan machine learning untuk membentuk kembali dunia kita, menjadi tidak terbatas. Data adalah kunci untuk membuka potensi sebenarnya dari AI!
Jadi, apa itu sebenarnya data?
Pada tulisan selanjutnya akan kita pelajari bersama, insyaAllah.
