Deep Learning Dijelaskan: Kunci AI Modern
Film Arnold Schwarzenegger tahun 1990 Total Recall menggambarkan cerita pada tahun 2084, hampir satu abad ke depan. Masa depan akan memiliki mobil tanpa sopir, menurut film. Ini adalah science fiction pada tahun 1990 tetapi kenyataan saat ini. Apple, Alphabet, Nissan, Uber, dan banyak perusahaan lainnya sedang mengerjakan mobil otonom. Tesla menjual mobil tanpa sopir yang fungsional kepada konsumen akhir, yang tampaknya bekerja dengan baik.
Apa yang membuat science fiction menjadi kenyataan dalam waktu tiga dekade? Jawabannya adalah pembelajaran dalam.
Dari Kecerdasan Buatan ke Pembelajaran Dalam
Hephaestus, dewa api dan logam Yunani, menciptakan robot emas dan mesin. SejakTurk mekanis pada tahun 1770-an, manusia telah mengembangkan alat yang meniru kecerdasan manusia. Meskipun Turk mekanis adalah penipuan, komputer yang nanti mampu mengalahkan manusia dikembangkan pada akhir abad ke-20. Semua itu dalam upaya untuk menciptakan sistem yang dapat meniru otak manusia.
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 subset dari AI yang menggunakan model untuk melakukan tugas. Model ini dilatih dengan sejumlah besar data. Deep Blue, komputer yang mengalahkan juara dunia catur Garry Kasparov pada tahun 1997, adalah contoh ML.
Pembelajaran dalam adalah subset lagi dari ML di mana model belajar dari data tanpa supervisi manusia. Sistem pembelajaran dalam therefore mampu belajar tanpa supervisi dari data terstruktur.
Pembelajaran Dalam: Bagaimana Cara Kerjanya?
Pembelajaran dalam terinspirasi dari struktur otak manusia yang terdiri dari neuron yang meneruskan dan memproses informasi. Struktur yang digunakan dalam pembelajaran dalam disebut jaringan saraf buatan (ANN). ANN dapat mengidentifikasi dan mengklasifikasikan informasi tanpa supervisi manusia dan dikatakan mampu belajar tanpa supervisi. Ini memerlukan volume data yang jauh lebih besar dibandingkan ML konvensional, yang menggunakan pembelajaran dengan supervisi.
ANN terdiri dari banyak lapisan dari lapisan input hingga lapisan output, melalui mana data melewati. Lapisan yang tersisa selain lapisan input dan output disebut lapisan tersembunyi. Lapisan pertama ANN, atau lapisan input, terdiri dari neuron. Neuron ANN adalah fungsi matematika yang mewakili neuron manusia dengan dekat.
Transmisi informasi melalui berbagai lapisan melalui saluran koneksi. Setiap simpul dalam lapisan ANN terhubung ke setiap simpul dalam lapisan berikutnya dengan saluran ini. Setiap saluran memiliki nilai yang disebut bobot; oleh karena itu, saluran disebut saluran berbobot.
Semua neuron dalam lapisan tersembunyi memiliki angka unik yang disebut bias. Informasi melewati satu lapisan ke saluran berikutnya, dengan mengambil bobot yang terkait dengan saluran. Ketika mencapai neuron dalam lapisan berikutnya, bias ditambahkan ke jumlah berbobot dari input.
Hasil operasi matematika ini diumpankan ke fungsi aktivasi. Fungsi aktivasi memutuskan apakah neuron harus aktif atau tidak. Ini dilakukan dengan menerapkan fungsi aktivasi nonlinier ke hasil yang diperoleh dengan menambahkan bias ke jumlah berbobot dari saluran. Fungsi aktivasi menambahkan nonlinieritas pada output dari neuron.
Hanya neuron yang aktif setelah penerapan fungsi aktivasi yang dapat mengirim informasi ke lapisan berikutnya. Ini berlanjut hingga lapisan akhir, lapisan output. Bobot saluran dan bias neuron dalam lapisan tersembunyi selalu disesuaikan untuk mendapatkan model yang terlatih dengan baik.
Beberapa kerangka kerja pembelajaran dalam yang paling populer adalah:
- Tensorflow oleh Google
- PyTorch oleh Facebook
- Caffe oleh UC Berkeley
- Microsoft Cognitive Toolset
- OpenAI
Data untuk Pembelajaran Dalam
Data adalah bahan baku untuk pembelajaran dalam. Secara teori, sejumlah data apapun meningkatkan model. Namun, mempertimbangkan usaha pengumpulan data, waktu pelatihan yang diperlukan, dan daya komputasi yang diperlukan untuk melatih model, jumlah data untuk pembelajaran dalam tidak dapat tak terbatas. Sebaliknya, terlalu sedikit data tidak akan menghasilkan model pembelajaran dalam yang andal.
Tidak ada aturan pasti untuk jumlah data yang diperlukan untuk melatih model yang sukses. Ini tergantung terutama pada hasil dari model yang terlatih. Jika model tidak cukup andal, lebih banyak data diperlukan. Ada beberapa aturan praktis untuk jumlah data minimum yang diperlukan untuk melatih model pembelajaran dalam.
- Setidaknya 20 titik data untuk prediksi dengan analisis regresi
- Setidaknya 1.000 gambar untuk klasifikasi dengan penglihatan komputer
Ini adalah dua heuristik untuk aplikasi yang lebih umum dengan pembelajaran dalam. Insinyur data mengadvokasi aturan serupa untuk aplikasi yang berbeda. Seperti semua aturan praktis, ini tidak sempurna dan perlu diubah sesuai dengan aplikasi spesifik.
Aplikasi Industri Pembelajaran Dalam
Ada banyak aplikasi industri untuk pembelajaran dalam. Mari kita melalui beberapa di antaranya.
Kendaraan Otonom
Mobil tanpa sopir sekarang dijual kepada konsumen, tetapi mereka juga memiliki banyak aplikasi industri. Pengemudi otonom dapat diintegrasikan ke dalam perangkat pengangkut yang digunakan di pabrik; misalnya, kendaraan terpandu otonom (AGV) dapat sepenuhnya otonom. Ini menghilangkan kebutuhan akan tenaga kerja manual dalam tugas-tugas tersebut sambil meningkatkan keselamatan dan efisiensi.
Penglihatan Komputer
Komputer mengklasifikasi dan mengenali objek dari gambar. Kadang-kadang, penglihatan komputer adalah bagian dari kendaraan otonom, tetapi memiliki banyak penggunaan lainnya dalam aplikasi industri. Penglihatan komputer dapat mengotomatisasi pengurutan objek. Sistem yang dibantu penglihatan komputer dapat melakukan inspeksi kualitas. Ini juga dapat mengotomatisasi pengawasan lokasi pabrik dan proses industri.
Manajemen Rantai Pasok
Rantai pasok perusahaan adalah sistem kompleks yang meliputi banyak vendor, pemasok, geografis, dan regulasi. Mengelola lalu lintas barang yang besar secara manual adalah tugas yang mustahil. Pembelajaran dalam dapat dipekerjakan untuk menjaga rantai pasok yang sehat dengan menganalisis volume data besar yang dihasilkan dengan bantuan perangkat IoT (Internet of Things) dalam rantai pasok.
Aplikasi Medis
Pembelajaran dalam juga memiliki banyak aplikasi medis. Ini dapat digunakan untuk mengidentifikasi anomali dari hasil pemitraan medis seperti x-ray, MRI, dll. Ini juga dapat memantau kesehatan pasien dengan perangkat pemantauan yang dipasang 24 jam sehari. Pembelajaran dalam dapat membantu penemuan obat dengan memberikan kombinasi molekul yang paling mungkin.
Pembelajaran dalam memiliki banyak aplikasi industri lainnya di penerbangan, eksplorasi luar angkasa, pertambangan, navigasi, sistem pertahanan, keamanan siber, dan daftarnya masih panjang. Pembelajaran dalam sedang diadopsi dengan cepat di semua vertikal industri dan akan segera menjadi elemen kritis dan tak terhindarkan dari Industri 4.0.