Mengenal 3 Konsep Dasar Kecerdasan Buatan (Artificial Intelligence)

Mengenal 3 Konsep Dasar Kecerdasan Buatan (Artificial Intelligence) - Kemajuan yang di hasilkan dari Artificial Intelligence atau lebih di kenal dengan kecerdasan buatan sangat mengejutkan. Upaya untuk memajukan konsep AI selama 20 tahun terakhir telah menghasilkan beberapa inovasi yang benar-benar luar biasa. Hasil inovasi yang mungkin sudah di kenal oleh banyak orang misalnya Big Data, penelitian medis, dan kendaraan otonom. Teknologi tadi hanyalah beberapa dari banyaknya aplikasi luar biasa yang muncul dari pengembangan AI.

Untuk memahami beberapa konsep yang lebih dalam, seperti pengelolaan data, pemrosesan bahasa alami (NLP), dan pengelolaan perangkat lunak, Anda perlu mengetahui tiga konsep dasar dari AI yaitu pembelajaran mesin (Machine Learning), pembelajaran mendalam (Deep Learning), dan jaringan saraf tiruan (Neural Network). AI biasanya dianggap sebagai istilah yang lebih luas, sedangkan pembelajaran mesin dan dua konsep AI lainnya merupakan bagian dari itu.

Pembelajaran Mesin (Machine Learning)

Saat ini mungkin tanpa sadar kita sudah berinteraksi dengan beberapa bentuk kecerdasan buatan dalam aktivitas sehari-hari. Misalnya saja jika Anda menggunakan Gmail, Anda dapat menikmati fitur penyaringan email otomatis atau jika Anda memiliki ponsel cerdas, Anda mungkin bisa mengisi kalender dengan bantuan Siri. Meskipun perangkat lunak ini sangat membantu, perangkat tersebut tidak memiliki kemampuan untuk belajar secara mandiri. Hal itu dikarenakan perangkat tadi tidak bisa berpikir di luar kode yang sudah diberikan kepada mereka.

Pembelajara mesin adalah cabang dari AI yang bertujuan untuk memberikan mesin kemampuan dalam mempelajari tugas tanpa kode yang sudah ada. Dalam istilah yang paling sederhana, mesin tersebut akan diberikan contoh uji coba dalam jumlah yang besar untuk tugas tertentu. Ketika mesin tadi menjalani uji coba, mesin itu akan belajar dan mengadaptasi strategi yang sesuai untuk mencapai tujuan yang diinginkan. Misalnya, mesin pengenal gambar dapat diberikan jutaan gambar untuk dianalisis. Setelah melalui permutasian yang panjang, mesin akan memperoleh kemampuan untuk mengenali pola, bentuk, wajah, dan masih banyak lagi.

Pembelajaran Mendalam (Deep Learning) 

Pembelajaran mendalam adalah teknik pembelajaran mesin yang mengajarkan komputer untuk melakukan apa yang secara alami terjadi pada manusia: belajar dengan cara mencontoh. Pembelajaran mendalam adalah teknologi utama di balik mobil tanpa kemudi (driveless car). Itu memungkinkan mereka untuk mengenali tanda berhenti, atau untuk membedakan pejalan kaki dengan tiang lampu. Ini adalah kunci dari kontrol suara di perangkat konsumen seperti ponsel, tablet, TV, dan speaker hands-free. Pembelajaran mendalam mendapatkan banyak perhatian belakangan ini karena dapat mencapai hasil yang sebelumnya tidak mungkin. Dalam deep learning, model komputer belajar untuk melakukan tugas klasifikasi langsung dari gambar, teks, atau suara. Model pembelajaran yang mendalam dapat mencapai akurasi yang canggih, terkadang melebihi kinerja tingkat manusia. Model dilatih dengan menggunakan set besar data berlabel dan arsitektur jaringan saraf yang berisi banyak lapisan.

Jaringan Saraf Tiruan (Neural Network)

Neural Network atau juga disebut sebagai jaringan saraf tiruan adalah berbagai teknologi pembelajaran yang mendalam, yang juga berada di bawah naungan kecerdasan buatan atau AI. Neural Network adalah paradigma pemrosesan informasi yang terinspirasi dari cara sistem saraf biologis, seperti otak yang memproses informasi. Kunci elemen dari paradigma ini adalah struktur novel dari sistem pemrosesan informasi. 

Neural Network dikonfigurasikan untuk aplikasi tertentu, seperti pengenalan pola atau klasifikasi data melalui proses pembelajaran. Jaringan ini terdiri dari sejumlah besar elemen pemrosesan yang sangat saling berhubungan (neuron) yang bekerja bersama untuk memecahkan masalah tertentu. Aplikasi komersial dari teknologi ini umumnya berfokus pada penyelesaian pemrosesan sinyal yang kompleks atau masalah pengenalan pola. Contoh aplikasi komersial yang signifikan sejak tahun 2000 meliputi pengenalan tulisan tangan untuk pemrosesan cek, transkripsi ucapan menjadi sebuah teks, analisis data, dan prediksi cuaca dan pengenalan wajah.

Jaringan saraf tiruan ini terinspirasi oleh hal-hal yang kita temukan dalam biologi kita sebagai manusia. Cara Neural Network memahami sesuatu sama seperti manusia yaitu belajar dengan cara mencontoh. Model jaringan saraf menggunakan prinsip matematika dan ilmu komputer untuk meniru proses otak manusia. Jaringan saraf tiruan mencoba mensimulasikan proses sel-sel otak yang saling berhubungan erat, tetapi bukannya dibangun dari biologi, neuron-neuron ini dibangun dari kode atau biasa disebut node.

Ketiga konsep AI ini dapat memungkinkan robot hardware dan software untuk berpikir dan bertindak secara dinamis di luar dari kode yang sudah diberikan. Dengan memahami konsep dasar diatas maka akan membawa AI menuju masa depan yang lebih cerdas dari yang terbayangkan.