Apa itu Pembelajaran Mendalam?

Film Arnold Schwarzenegger 1990 Total Recall menggambarkan sebuah cerita pada tahun 2084, hampir satu abad di masa depan. Masa depan akan memiliki mobil self-driving, menurut film tersebut. Ini adalah fiksi ilmiah pada tahun 1990 tetapi kenyataan hari ini. Apple, Alphabet, Nissan, Uber, dan banyak lagi perusahaan sedang mengerjakan mobil otonom. Tesla menjual mobil self-driving fungsional kepada konsumen akhir, yang tampaknya bekerja dengan baik.

Apa yang membuat fiksi ilmiah menjadi kenyataan hanya dalam tiga dekade? Jawabannya adalah pembelajaran mendalam.

Dari Kecerdasan Buatan ke Pembelajaran Mendalam

Hephaestus, Dewa api dan pengerjaan logam Yunani, menciptakan robot dan mesin emas. Pada awal Turki mekanik pada 1770-an, manusia telah mengembangkan alat yang meniru kecerdasan manusia. Meskipun orang Turki mekanik adalah tipuan, komputer kemudian yang mampu mengalahkan manusia dikembangkan pada akhir abad ke-20. Semua itu dalam upaya menciptakan sistem yang bisa meniru otak manusia.

Gambar 1. Bagian melintang dari Turki. Gambar digunakan atas izin Perpustakaan Universitas Humboldt

Kecerdasan buatan (AI) adalah istilah yang diberikan untuk sistem komputasi apa pun yang mencoba meniru otak manusia. Mesin Turing Alan Turing adalah sistem AI primitif yang menggunakan logika untuk mencapai solusi.

Pembelajaran mesin (ML) adalah bagian dari AI yang menggunakan model untuk melakukan tugas. Model-model ini dilatih dengan sejumlah besar data. Deep Blue, komputer yang mengalahkan juara catur dunia Garry Kasparov pada tahun 1997, adalah contoh dari ML.

Pembelajaran mendalam lagi-lagi merupakan bagian dari ML di mana model belajar dari data tanpa pengawasan manusia. Oleh karena itu, sistem pembelajaran yang mendalam mampu melakukan pembelajaran tanpa pengawasan dari data yang tidak terstruktur.

Pembelajaran Mendalam:Bagaimana Cara Kerjanya?

Pembelajaran mendalam terinspirasi oleh struktur otak manusia yang merupakan neuron yang meneruskan dan memproses informasi. Struktur yang digunakan dalam pembelajaran mendalam disebut jaringan saraf tiruan (JST). JST dapat mengidentifikasi dan mengklasifikasikan informasi tanpa pengawasan manusia dan dikatakan mampu belajar tanpa pengawasan. Ini membutuhkan volume data yang jauh lebih besar dibandingkan dengan ML konvensional, yang menggunakan pembelajaran terawasi.

JST terdiri dari beberapa lapisan dari lapisan input ke lapisan output, yang dilalui oleh data. Lapisan yang tersisa selain lapisan input dan output disebut lapisan tersembunyi. Lapisan pertama ANN, atau lapisan input, terbuat dari neuron. Neuron dari JST adalah fungsi matematika yang mewakili neuron manusia.

Gambar 2. Konsep lapisan input dan output JST.

Transmisi informasi melalui lapisan yang berbeda adalah melalui saluran penghubung. Setiap node di lapisan JST terhubung ke setiap node di lapisan berikutnya dengan saluran ini. Setiap saluran memiliki nilai yang melekat padanya, yang disebut sebagai bobotnya; karenanya, saluran disebut saluran berbobot.

Semua neuron di lapisan tersembunyi memiliki nomor unik yang terkait dengannya yang disebut bias. Informasi berpindah dari satu lapisan ke saluran berikutnya, mengambil bobot yang terkait dengan saluran. Ketika mencapai neuron di lapisan berikutnya, bias ditambahkan ke jumlah input yang tertimbang.

Hasil dari operasi matematika ini diumpankan ke fungsi aktivasi. Fungsi aktivasi memutuskan apakah neuron harus aktif atau tidak. Hal ini dilakukan dengan menerapkan fungsi aktivasi nonlinier ke hasil yang diperoleh dengan menambahkan bias ke jumlah tertimbang dari saluran. Fungsi aktivasi menambahkan nonlinier ke output neuron.

Hanya neuron yang aktif setelah penerapan fungsi aktivasi yang dapat mengirimkan informasi ke lapisan berikutnya. Ini berlanjut sampai lapisan terakhir, lapisan keluaran. Bobot saluran neuron dan bias di lapisan tersembunyi secara konstan disesuaikan untuk menerima model yang terlatih dengan baik.

Beberapa kerangka kerja pembelajaran mendalam yang paling populer adalah:

• Tensorflow oleh Google
• PyTorch oleh Facebook
• Caffe oleh UC Berkeley
• Alat Kognitif Microsoft
• OpenAI

Data Untuk Pembelajaran Mendalam

Data adalah bahan mentah untuk pembelajaran yang mendalam. Secara teoritis, sejumlah data meningkatkan model. Tetapi mengingat upaya pengumpulan data, waktu pelatihan yang diperlukan, dan daya komputasi yang diperlukan untuk melatih model, jumlah data untuk pembelajaran mendalam tidak dapat tak terbatas. Sebaliknya, terlalu sedikit data tidak akan menghasilkan model pembelajaran mendalam yang andal.

Tidak ada aturan potong-dan-kering untuk jumlah data yang diperlukan untuk melatih model yang sukses. Hal ini terutama tergantung pada hasil model terlatih. Jika model tidak cukup andal, lebih banyak data diperlukan. Ada beberapa aturan praktis untuk data minimum yang diperlukan untuk melatih model pembelajaran mendalam.

• Setidaknya 20 titik data untuk prediksi dengan analisis regresi
• Setidaknya 1.000 gambar untuk klasifikasi dengan computer vision

Ini adalah dua heuristik untuk aplikasi yang lebih umum ini dengan pembelajaran mendalam. Insinyur data menganjurkan aturan serupa untuk aplikasi yang berbeda. Seperti semua aturan praktis, ini tidak sempurna dan perlu diubah sesuai dengan aplikasi spesifik.

Aplikasi Industri Pembelajaran Mendalam

Ada banyak aplikasi industri untuk pembelajaran mendalam. Mari kita bahas beberapa di antaranya.

Kendaraan Otonom

Mobil self-driving dijual ke konsumen sekarang, tetapi mereka juga memiliki banyak aplikasi industri. Mengemudi otonom dapat dimasukkan ke dalam alat transportasi yang digunakan di pabrik; misalnya, kendaraan berpemandu otonom (AGV) bisa sepenuhnya otonom. Hal ini menghilangkan kebutuhan akan tenaga kerja manual dalam tugas-tugas tersebut sekaligus meningkatkan keselamatan dan efisiensi.

Gambar 3. AGV digunakan di gudang logistik.

Penglihatan Komputer

Komputer mengklasifikasikan dan mengenali objek dari gambar. Kadang-kadang, visi komputer adalah bagian dari kendaraan otonom, tetapi memiliki lebih banyak kegunaan dalam aplikasi industri. Visi komputer dapat mengotomatiskan penyortiran objek. Sistem berbantuan komputer dapat melakukan pemeriksaan kualitas. Ini juga dapat mengotomatiskan pengawasan lokasi pabrik dan proses industri.

Manajemen Rantai Pasokan

Rantai pasokan perusahaan adalah sistem kompleks yang mencakup banyak vendor, pemasok, geografi, dan peraturan. Mengelola volume lalu lintas barang yang besar secara manual adalah tugas yang mustahil. Pembelajaran mendalam dapat digunakan untuk menjaga rantai pasokan yang sehat dengan menganalisis volume besar data yang dihasilkan dengan bantuan perangkat IoT (Internet of Things) dalam rantai pasokan.

Aplikasi Medis

Pembelajaran mendalam juga memiliki banyak aplikasi medis. Ini dapat digunakan untuk mengidentifikasi anomali dari hasil pencitraan medis seperti x-ray, MRI, dll. Ini juga dapat memantau kesehatan pasien dengan perangkat pemantauan yang terpasang sepanjang waktu. Pembelajaran mendalam dapat membantu dalam penemuan obat dengan memberikan kombinasi molekul yang paling mungkin.

Pembelajaran mendalam memiliki lebih banyak aplikasi industri di bidang kedirgantaraan, eksplorasi ruang angkasa, pertambangan, navigasi, sistem pertahanan, keamanan siber, dan masih banyak lagi. Pembelajaran mendalam diadopsi dengan cepat di semua vertikal industri dan akan segera menjadi elemen penting dan tak terhindarkan dari Industri 4.0.