Deep Learning vs. Machine Learning: Memahami Perbedaan Kunci
Pada awalnya komputer, ilmuwan terutama menggunakannya untuk melakukan operasi matematika dan logika sederhana. Kemudian, komputer perlahan berkembang untuk melakukan perhitungan kompleks, pemecahan masalah yang rumit, dan membentuk tulang punggung informasi dunia. Bergerak melampaui cakupan komputasi tradisional berarti komputer membutuhkan kecerdasan.
Peneliti dan insinyur komputer beralih untuk meniru kecerdasan manusia. Kecerdasan buatan (AI) adalah bidang ilmu komputer yang melestarikan pembuatan sistem komputasi yang cerdas seperti manusia. Model AI awal adalah sistem komputasi yang melakukan operasi logika kompleks. Kemudian, teknik yang lebih canggih dikembangkan untuk melakukan tugas yang lebih cerdas atau 'intelijen'.
Dua istilah yang paling banyak digunakan dalam AI adalah pembelajaran mesin dan pembelajaran dalam. Artikel ini melihat asal usul kedua teknik ini, persamaan di antaranya, dan perbedaannya.
Pembelajaran Dalam dan Pembelajaran Mesin
Pembelajaran mesin dan pembelajaran dalam adalah subset dari AI. Di antaranya, pembelajaran dalam adalah subset dari pembelajaran mesin. Ini berarti semua pembelajaran dalam adalah pembelajaran mesin, tetapi tidak semua pembelajaran mesin adalah pembelajaran dalam. Untuk memahami perbedaan di antaranya, istilah pembelajaran mesin tidak termasuk pembelajaran dalam untuk sisa artikel ini.
Pembelajaran Mesin
Pembelajaran mesin menganalisis sejumlah besar data untuk memahami karakteristik dari kumpulan data pelatihan. Apa yang telah dipelajari dari kumpulan data pelatihan diterapkan ke kumpulan data lain untuk membuat keputusan 'intelijen'. Model yang dibuat dengan kumpulan data pelatihan dapat bekerja dengan kumpulan data serupa untuk menghasilkan output yang diinginkan.
Kumpulan data pelatihan untuk model pembelajaran mesin harus diberi label, dan pengembang harus memantau dan menyesuaikan proses pembelajaran saat model baru dilatih. Selain komputasi dasar, model statistik banyak digunakan untuk melatih model pembelajaran mesin.
Membedakan antara kucing dan anjing adalah contoh umum dalam ruang pembelajaran buatan. Berikut adalah ringkasan tentang bagaimana model pembelajaran mesin dilatih dengan data.
Model pelatihan diisi dengan ribuan gambar kucing dan anjing. Setiap gambar tersebut diberi label 'kucing' atau 'anjing'. Model yang sedang dilatih mengidentifikasi karakteristik dari gambar yang membedakan kucing, anjing, dan objek lainnya. Sifat-sifat tersebut diidentifikasi dari gambar menggunakan teknik statistik. Setelah model telah dilatih dengan data yang cukup, ia diisi dengan gambar yang tidak diberi label. Jika model yang telah dilatih dapat dengan sukses membedakan antara gambar kucing dan anjing dengan akurasi yang diinginkan, itu adalah model pembelajaran mesin yang sukses.
Pembelajaran Dalam
Pembelajaran dalam adalah evolusi dari pembelajaran mesin konvensional. Manusia tidak belajar dengan ribuan contoh yang diberi label; mereka belajar secara otomatis tanpa banyak bantuan atau validasi eksternal. Pembelajaran dalam membawa pembelajaran mesin satu langkah lebih dekat ke model pembelajaran cerdas ini.
Model pembelajaran dalam juga harus dilatih dengan volume data yang besar, tetapi model tidak dilatih dengan data yang diberi label. Semua data yang diumpankan ke model pembelajaran dalam tidak diberi label. Model mengidentifikasi berbagai elemen dari data untuk memberikan output yang diperlukan.
Model pembelajaran dalam menggunakan sistem matematika kompleks yang disebut jaringan saraf buatan untuk belajar dari data. Ini berisi banyak lapisan fungsi matematika dengan bobot yang berbeda. 'Dalam' dalam istilah pembelajaran dalam berasal dari lapisan pemrosesan ini.
Mari kita tinjau bagaimana model pembelajaran dalam menangani membedakan kucing dan anjing. Sebuah jaringan saraf diisi dengan banyak gambar kucing dan anjing yang tidak diberi label. Jaringan saraf harus mencari tahu ada dua sekelompok hewan dalam gambar dan kemudian mengidentifikasi cara membedakan antara dua hewan tersebut. Tidak ada data yang diberi label yang diperlukan atau supervisi dari pengembang.
Setelah model berhasil dilatih, ia dapat membedakan sejumlah gambar kucing dan anjing yang mana pun.
Membandingkan Pembelajaran Mesin dan Pembelajaran Dalam
Tabel berikut adalah perbandingan cepat perbedaan antara pembelajaran mesin dan pembelajaran dalam. Perhatikan bahwa pembelajaran dalam tidak termasuk dalam istilah pembelajaran mesin untuk perbandingan ini, meskipun pembelajaran dalam adalah subset dari pembelajaran mesin.
| | Pembelajaran Mesin | Pembelajaran Dalam |
| Data pelatihan | Data yang diberi label | Data yang tidak diberi label |
| Supervisi | Pembelajaran dengan supervisi | Pembelajaran tanpa supervisi |
| Teknik | Teknik statistik sebagian besar | Fungsi matematika canggih |
| Volume data | Relatif lebih sedikit data pelatihan yang diperlukan | Volume data yang sangat besar diperlukan |
| Akurasi | Akurasi relatif rendah | Akurasi lebih tinggi dengan volume data besar |
| Waktu pelatihan | Relatif lebih sedikit | Waktu pelatihan sangat tinggi |
Aplikasi Industri untuk Pembelajaran Dalam
Kedua pembelajaran mesin dan pembelajaran dalam memiliki aplikasi industri. Pembelajaran dalam dapat digunakan dalam semua aplikasi yang dapat dicapai oleh pembelajaran mesin. Namun, pembelajaran dalam memerlukan lebih banyak keahlian, volume data yang jauh lebih besar, daya komputasi yang lebih tinggi, dan waktu. Karena faktor-faktor ini, pilihan di antara kedua teknik melibatkan pertimbangan sejumlah besar faktor.
Ketika akurasi lebih tinggi diperlukan, model pembelajaran dalam lebih disukai. Namun, untuk mencapai akurasi lebih tinggi dengan model pembelajaran dalam, volume data yang sangat besar harus diproses, sehingga melibatkan periode pelatihan yang jauh lebih lama. Algoritma pembelajaran mesin dapat mencapai penggunaan rutin dalam sebagian besar kasus.
Karakteristik umum lain yang perlu dipertimbangkan adalah kompleksitas masalah. Seiring bertambahnya kompleksitas, model pembelajaran dalam bekerja lebih baik daripada model pembelajaran mesin. Namun, tidak ada aturan yang pasti tentang di mana teknik harus digunakan. Misalnya, pembelajaran mesin cukup untuk menganalisis dan memprediksi konsumsi energi di pabrik. Namun, ini tidak cukup untuk membangun sistem kontrol kualitas otomatis—algoritma pembelajaran dalam diperlukan dalam skenario seperti itu.
Hari ini, pembelajaran mesin jauh lebih mudah diakses daripada pembelajaran dalam, bahkan di industri. Namun, seiring waktu, model pembelajaran dalam akan membaik, mengurangi biaya penerapan dan ambang masuk, yang berarti lebih banyak daya komputasi akan tersedia dengan harga yang lebih rendah. Adopsi pembelajaran dalam di industri akan meningkat seiring waktu.
