Dari Fiksi Ilmiah ke Realitas: Melacak Perjalanan AI ke Perusahaan Modern

Katakan kata “kecerdasan buatan,” dan sebagian besar orang memikirkan Alexa dan Siri. Orang lain mungkin memikirkan film seperti The Terminator atau 2001: A Space Odyssey.

Kenyataannya adalah kecerdasan buatan (AI) bukan merupakan konsep fiksi ilmiah yang jauh. Faktanya, ada di mana-mana di sekitar kita—bayangkan Netflix merekomendasikan acara TV berikutnya Anda atau Uber mengoptimalkan rute terbaik pulang ke rumah.

AI adalah ekosistem canggih dari teknologi modern yang saling terhubung yang telah berevolusi selama beberapa dekade—dan terus berevolusi hingga sekarang. Jadi tidak mengherankan jika sejarah AI juga kompleks dan berlapis-lapis. Ini adalah sejarah yang menampilkan berbagai macam alat dan kemampuan yang berubah yang telah membangun AI seperti yang kita kenal hingga keadaan saat ini.

Untuk memahami pentingnya AI saat ini—dan untuk mempersiapkan besi—membantu untuk memahami di mana AI memulai dan bagaimana telah berevolusi menjadi teknologi pengubah permainan yang ada saat ini.

AI Abad ke-20: Sebuah bukti konsep yang ambisius

AI modern lahir di ruang akademik departemen penelitian universitas elit, di mana para insiden memikirkan secara mendalam tentang masa depan komputasi. Namun, tahun awalnya tetap terbatas di ruang-ruang ini, terpuruk karena kurangnya data dan daya komputasi.

Pada 1956, Dartmouth College mengadakan Dartmouth Summer Research Project on Artificial Intelligence—sebuah bengkel yang kemudian dikenal sebagai langkah awal kritis ke dalam penelitian akademik AI. Selama bengkel, 20 peneliti bertujuan untuk membuktikan hipotesis bahwa pembelajaran dapat dijelaskan dengan begitu tepat “sampai mesin dapat dibuat untuk mensimulasikannya.”

Setahun kemudian, pada 1957, psikolog Amerika Frank Rosenblatt memperluas penelitian Dartmouth dengan perceptron, sebuah algoritma yang dapat dengan sukses melakukan klasifikasi biner. Inilah tempat kita mulai melihat bukti yang menjanjikan tentang bagaimana neuron buatan dapat belajar dari data.

Dan setahun lagi kemudian, John McCarthy, seorang peserta Dartmouth Summer Research Project on Artificial Intelligence, dan banyak mahasiswa dari MIT, mengembangkan Lisp (bahasa pemrograman baru). Beberapa dekade kemudian, penelitian McCarthy akan membantu membawa proyek-proyek baru dan bahkan lebih menarik ke kehidupan, termasuk program bahasa alami SHRDLU, sistem aljabar Macsyma, dan sistem logika ACL2.

Sumber

Saat kita melihat kembali ke eksperimen-eksperimen awal ini, kita dapat melihat AI melakukan langkah-langkah awalnya yang goyah dari dunia penelitian yang luhur ke dunia komputasi praktis.

Tahun 1960 menyaksikan debut Simulmatics, sebuah perusahaan yang klaim dapat memprediksi bagaimana orang akan memilih berdasarkan demografi mereka.

Pada 1965, peneliti mengembangkan yang disebut “sistem pakar.” Sistem ini memungkinkan AI untuk memecahkan masalah spesifik dalam sistem komputer dengan menggabungkan kumpulan fakta dan mesin inferensi untuk menafsirkan dan mengevaluasi data.

Kemudian, setahun kemudian, pada 1966, profesor MIT Joseph Weizenbaum merancang program pencocokan pola yang disebut Eliza yang menunjukkan kepada pengguna bahwa AI cerdas. Pengguna dapat memberikan informasi ke program, dan Eliza, bertindak sebagai psikoterapeut, akan melayani mereka dengan pertanyaan terbuka sebagai respons.

Pada pertengahan tahun 1970-an, pemerintah dan perusahaan kehilangan kepercayaan pada AI. Pendanaan kering, dan periode yang diikuti dikenal sebagai “musim dingin AI.” Meskipun ada kebangkitan kecil pada tahun 1980-an dan 1990-an, AI sebagian besar dikesampingkan ke ranah fiksi ilmiah dan istilahnya dihindari oleh ilmuwan komputer yang serius.

Pada akhir tahun 1990-an hingga awal tahun 2000-an, kita melihat aplikasi berskala besar dari teknik pembelajaran mesin seperti metode Bayesian untuk penyaringan spam oleh Microsoft dan penyaringan kolaboratif untuk rekomendasi Amazon.

AI Abad ke-21: Program percoba yang sangat sukses

Pada tahun 2000-an, daya komputasi, kumpulan data yang lebih besar, dan munculnya perangkat lunak sumber terbuka memungkinkan pengembang untuk menciptakan algoritma canggih yang akan merevolusi komunitas ilmiah, konsumen, manufaktur, dan bisnis dalam waktu yang relatif singkat. AI telah menjadi kenyataan untuk banyak bisnis saat ini. McKinsey, misalnya, telah menemukan 400 contoh di mana perusahaan saat ini menggunakan AI untuk mengatasi masalah bisnis.

Web menawarkan cara baru untuk mengorganisir data

Revolusi web yang menyapu dunia pada awal hingga pertengahan tahun 2000-an meninggalkan dunia penelitian AI dengan beberapa perubahan penting. Teknologi dasar seperti Extensible Markup Language (XML) dan PageRank mengorganisir data dengan cara baru yang dapat digunakan AI.

XML adalah prasyarat untuk web semantik dan untuk mesin pencari. PageRank, inovasi awal dari Google, lebih jauh mengorganisir web. Kemajuan ini membuat web lebih dapat digunakan dan membuat sebagian besar data lebih dapat diakses oleh AI.

Pada saat yang sama, basis data menjadi lebih baik dalam menyimpan dan mengambil data, sementara pengembang bekerja pada bahasa pemrograman fungsional yang memudahkan untuk mengoperasikan data tersebut. Alat-alat hadir bagi peneliti dan pengembang untuk mengembangkan teknologi AI lebih lanjut.

Jaringan saraf dan pembelajaran mendalam menunjukkan potensi AI

Ada mimpi besar untuk AI pada abad ke-20, tetapi daya komputasi telah membuatnya hampir tidak dapat dibangun. Namun, pada abad ke-21, komputer menjadi eksponensial lebih kuat dalam menyimpan, memproses, dan menganalisis volume data yang besar. Ini berarti tujuan-tujuan yang luar biasa dari jaringan saraf dan pembelajaran mendalam dapat menjadi kenyataan.

Peneliti mengembangkan kumpulan data yang secara khusus disesuaikan untuk pelatihan mesin, menghasilkan jaringan saraf seperti AlexNet. Sebelumnya, pelatihan mesin bergantung pada kumpulan data yang berjumlah puluhan ribu, tetapi kemajuan unit pemrosesan grafis (GPU) berarti kumpulan data baru dapat berjumlah puluhan juta.

Produsen chip komputer Nvidia meluncurkan platform komputasi paralel mereka, CUDA, pada 2006. Di dalam platform ini, Nvidia menggunakan GPU untuk membuat komputasi mereka lebih cepat. Peningkatan kinerja ini membantu lebih banyak orang menjalankan model pembelajaran mesin besar dan kompleks yang ditulis dalam pustaka pembelajaran mesin seperti TensorFlow dan PyTorch.

Sumber

Selanjutnya, pustaka-pustaka ini akan menjadi sumber terbuka dan menginspirasi eksperimen yang luas seiring teknologi menjadi lebih dapat diakses. Demokratisasi AI ini akan membantu alat-alat baru yang menarik seperti AlphaGo, Google DeepMind, dan IBM Deep Blue terbang.

Penglihatan komputer membuka pintu ke aplikasi industri baru

Sampai tahun 2000-an, AI hanya benar-benar berguna jika Anda memproses teks. Namun, pada awal abad ini, kemajuan dalam penglihatan komputer, yang memungkinkan komputer untuk mengenali dan menafsirkan gambar, mendorong kasus penggunaan AI ke ketinggian baru.

Kali ini, pionir kami bukan akademisi. Sebaliknya, mereka tinggal di dalam rumah Anda dan membuat pembersihan (Roomba) dan gaming (XBox Kinect) lebih mudah dari sebelumnya dan menempatkan penglihatan komputer di rumah-rumah di seluruh dunia.

Kami juga melihat penglihatan komputer digunakan dalam mobil tanpa sopir yang berkembang dan di rumah sakit untuk secara otomatis mendeteksi kondisi seperti lesi dan pneumonia.

Di luar kasus penggunaan yang spesifik industri, variasi penglihatan komputer juga membantu menyalakan kemajuan otomasi proses robotik (RPA). 🎉 Ditenagai dengan pengakuan karakter optik (OCR), robot RPA dapat memproses data terstruktur dan tidak terstruktur, yang telah mengubah dunia analisis data seperti yang kita ketahui.

Analitik data meningkatkan aplikasi bisnis AI

Dua dekade terakhir telah menunjukkan kepada kita bahwa otomatisasi dan AI dapat bersaing dengan kasus penggunaan bisnis yang kompleks. Dan seiring AI menjadi lebih baik dalam menganalisis data, perusahaan dapat memanfaatkan AI lebih banyak lagi untuk membantu mereka bekerja lebih cerdas dan lebih efisien.

Bank menggunakan AI untuk mengklasifikasikan kueri pelanggan ke dalam kategori yang berbeda dari volume besar email tidak terstruktur yang diterima setiap tahun. Proses ini intensif secara manual atau menghasilkan hasil buruk saat menggunakan klasifikasi kata kunci berbasis aturan. AI memungkinkan bank untuk mengklasifikasikan email ini dengan tingkat akurasi tinggi dan mengurangi waktu penanganan rata-rata (AHT).

AI dan otomatisasi tidak hanya membantu perusahaan jasa keuangan. Penerbit perawatan kesehatan mempercepat identifikasi kehamilan berisiko tinggi. Robot perangkat lunak memuat data pasien yang diverifikasi dan mengakses model prediktif untuk memberikan skor risiko pada pasien, menentukan rencana manajemen perawatan yang sesuai. Hasilnya adalah peningkatan 24% jumlah kehamilan berberat lahir rendah yang diidentifikasi dengan akurat sambil menghindari 44% kehamilan berberat lahir rendah—menghemat $11 juta secara keseluruhan setiap tahun. Baca cerita lengkap.

Pemrosesan bahasa alami dan pengenalan suara meningkatkan kegunaan AI

Meskipun AI dimulai dengan analisis teks, tidak berarti telah menguasainya. Sampai akhir-akhir ini, teks—bahkan dengan OCR—perlu distruktur dalam format yang dapat dibaca mesin. Bidang pemrosesan bahasa alami (NLP) telah mendorong batas canggih pada kemampuan untuk memrogram komputer untuk memahami bahasa alami.

Salah satu contoh yang lebih dikenal dari NLP adalah Generative Pre-trained Transformer 3 (lebih dikenal sebagai GPT-3). GPT-3, diperkenalkan pada Mei 2020, menggunakan pembelajaran mendalam untuk menghasilkan teks yang sangat mirip dengan teks yang dibuat manusia. Sekarang, aplikasi yang menarik untuk GPT-3 telah muncul, seperti menulis artikel (The Guardian, misalnya, menyerahkan GPT-3 untuk menulis artikel tentang kemanisan robot) dan menghasilkan program komputer.

Aplikasi NLP melampaui GPT-3. NLP dapat digunakan untuk membuat teks dari ucapan, meringkas makna sebuah span teks secara otomatis, menerjemahkan teks di seluruh bahasa, dan lainnya.

Meskipun NLP sering ada di tepi canggih, ini juga telah masuk ke dalam rumah kita. Asisten virtual seperti Alexa dan Google, misalnya, dapat memproses permintaan bahasa alami dan menterjemahkannya menjadi perintah yang dapat dieksekusi. Dengan permintaan suara sederhana, asisten AI ini dapat mencari informasi; mengarahkan perintah ke perangkat pintar, seperti lampu atau kunci; dan lainnya.

Masa depan AI: Pengubah permainan perusahaan

Saat kita bergerak ke dekade berikutnya dari kematangan teknologi, kasus penggunaan perusahaan untuk AI hanya akan terus berkembang. Alat-alat di masa lalu telah menempatkan fondasi untuk apa yang mungkin dengan AI, tetapi masih banyak tanah yang harus digemborkan dengan membawa alat-alat ini ke skala.

Seiring AI maju lebih jauh lagi, kita akan melihat perusahaan memanfaatkan RPA, pembelajaran mesin, penambangan proses, dan analitik data untuk menciptakan suite otomatisasi end-to-end yang kuat seiring teknologi ini menjadi lebih dan lebih dapat diakses oleh perusahaan di semua tahap kematangan. AI tidak lagi akan menjadi ranah eksklusif dari peneliti dan pengembang; pengguna sehari-hari, didukung oleh alat modern, akan dapat menciptakan solusi berbasis AI untuk masalah yang mereka identifikasi.

Seiring teknologi menjadi lebih dapat diakses bagi pengguna bisnis, kita akan melihat roda gigi otomatisasi berputar untuk memberikan perusahaan dengan lebih dan lebih ide dan kemungkinan untuk aplikasi AI. Kemungkinan ini akan didukung oleh platform dan alat otomatisasi canggih yang akan memulai ulang dan merevolusi cara kita bekerja.

UiPath AI Fabric memudahkan pengguna untuk meluncurkan model, memompa data ke dalamnya, mendapatkan wawasan, dan mengevaluasi kegunaannya.

Catatan Editor: Seiring pasar otomatisasi terus berkembang, Platform UiPath juga diperbarui untuk melayani kebutuhan otomatisasi pelanggan kami dengan baik. Karena itu, nama produk AI Fabric telah berevolusi sejak artikel ini awalnya diterbitkan. Untuk informasi terbaru, silakan kunjungi halaman AI Center kami.

AI saat ini: Waktu yang tepat untuk memulai

Saatnya untuk mengotomatisasi. Kami telah mencapai tahap dalam evolusi AI di mana tidak lagi teoritis—ini adalah keharusan dan diprediksi akan membuka ratusan miliar dolar nilai untuk perusahaan yang mengadopsinya.

Temukan bagaimana organisasi terkemuka menggunakan otomatisasi dan AI untuk mengubah visi menjadi perusahaan terotomatisasi sepenuhnya™ menjadi kenyataan: