Apa itu jaringan saraf tiruan? Inilah semua yang perlu Anda ketahui

Jika Anda menghabiskan waktu untuk membaca tentangnya kecerdasan buatan, Anda hampir pasti pernah mendengar tentang jaringan saraf tiruan. Tapi apa sebenarnya yang satu itu? Daripada mendaftar di kursus ilmu komputer yang komprehensif atau mempelajari beberapa sumber daya yang lebih mendalam tersedia online, lihat panduan praktis kami untuk orang awam untuk mendapatkan pengenalan yang cepat dan mudah tentang bentuk mesin yang menakjubkan ini sedang belajar.

Apa itu jaringan saraf tiruan?

Jaringan saraf tiruan adalah salah satu alat utama yang digunakan dalam pembelajaran mesin. Seperti yang tersirat dari bagian “neural” pada namanya, sistem ini adalah sistem yang diilhami oleh otak yang dimaksudkan untuk meniru cara kita sebagai manusia belajar. Jaringan saraf terdiri dari lapisan masukan dan keluaran, serta (dalam banyak kasus) lapisan tersembunyi yang terdiri dari unit-unit yang mengubah masukan menjadi sesuatu yang dapat digunakan oleh lapisan keluaran. Mereka adalah alat yang sangat baik untuk menemukan pola yang terlalu rumit atau banyak untuk diekstraksi oleh pemrogram manusia dan diajarkan kepada mesin untuk mengenalinya.

Sementara jaringan saraf (juga disebut “perceptron”) telah ada sejak tahun 1940an, hanya dalam beberapa dekade terakhir mereka telah menjadi bagian utama dari kecerdasan buatan. Hal ini disebabkan oleh hadirnya teknik yang disebut “propagasi balik”, yang memungkinkan jaringan menyesuaikan lapisan neuron tersembunyinya dalam berbagai situasi. ketika hasilnya tidak sesuai dengan harapan pembuatnya — seperti jaringan yang dirancang untuk mengenali anjing, yang salah mengidentifikasi kucing, misalnya contoh.

Kemajuan penting lainnya adalah hadirnya jaringan saraf pembelajaran mendalam, yang berbeda-beda lapisan jaringan multilayer mengekstrak fitur yang berbeda hingga dapat mengenali apa yang dicarinya untuk.

Kedengarannya cukup rumit. Bisakah Anda menjelaskannya seperti saya berumur lima tahun?

Untuk mendapatkan gambaran dasar tentang bagaimana jaringan saraf pembelajaran mendalam belajar, bayangkan sebuah jalur pabrik. Setelah bahan mentah (kumpulan data) dimasukkan, bahan tersebut kemudian diteruskan ke ban berjalan, dengan setiap pemberhentian atau lapisan berikutnya mengekstraksi serangkaian fitur tingkat tinggi yang berbeda. Jika jaringan dimaksudkan untuk mengenali suatu objek, lapisan pertama mungkin menganalisis kecerahan pikselnya.

Lapisan berikutnya kemudian dapat mengidentifikasi tepi mana pun pada gambar, berdasarkan garis piksel serupa. Setelah ini, lapisan lain mungkin mengenali tekstur dan bentuk, dan seterusnya. Pada saat lapisan keempat atau kelima tercapai, jaringan pembelajaran mendalam akan menciptakan pendeteksi fitur yang kompleks. Dapat diketahui bahwa elemen gambar tertentu (seperti sepasang mata, hidung, dan mulut) biasanya ditemukan bersamaan.

Setelah ini selesai, peneliti yang telah melatih jaringan dapat memberi label pada keluarannya, dan kemudian menggunakan propagasi mundur untuk memperbaiki kesalahan yang telah dibuat. Setelah beberapa saat, jaringan dapat menjalankan tugas klasifikasinya sendiri tanpa memerlukan bantuan manusia setiap saat.

Selain itu, ada berbagai jenis pembelajaran, seperti diawasi atau pembelajaran tanpa pengawasan atau pembelajaran penguatan, di mana jaringan belajar sendiri dengan mencoba memaksimalkan skornya — seperti yang sering dilakukan oleh Bot permainan Atari dari Google DeepMind.

Ada berapa jenis jaringan saraf?

Ada beberapa jenis jaringan saraf, yang masing-masing memiliki kasus penggunaan spesifik dan tingkat kompleksitasnya sendiri. Jenis jaringan saraf yang paling dasar disebut a jaringan saraf umpan maju, di mana informasi hanya bergerak dalam satu arah dari masukan ke keluaran.

Jenis jaringan yang lebih banyak digunakan adalah jaringan saraf berulang, di mana data dapat mengalir ke berbagai arah. Jaringan saraf ini memiliki kemampuan belajar yang lebih baik dan digunakan secara luas untuk tugas-tugas yang lebih kompleks seperti belajar tulisan tangan atau pengenalan bahasa.

ada juga jaringan saraf konvolusional, Jaringan mesin Boltzmann, Jaringan Hopfield, dan berbagai lainnya. Memilih jaringan yang tepat untuk tugas Anda bergantung pada data yang Anda miliki untuk melatihnya, dan aplikasi spesifik yang Anda pikirkan. Dalam beberapa kasus, mungkin diinginkan untuk menggunakan beberapa pendekatan, seperti halnya dengan tugas yang menantang seperti pengenalan suara.

Tugas apa saja yang dapat dilakukan oleh jaringan saraf?

Pemindaian cepat terhadap arsip kami menunjukkan bahwa pertanyaan yang tepat di sini adalah “tugas apa tidak bisa jaringan saraf bisa melakukannya?” Dari membuat mobil melaju secara mandiri di jalan raya, ke menghasilkan wajah CGI yang sangat realistis, ke terjemahan mesin, ke deteksi penipuan, hingga membaca pikiran kita, untuk mengenali kapan a kucing ada di taman dan menyalakan alat penyiram; jaringan saraf berada di balik banyak kemajuan terbesar dalam AI.

Namun secara umum, mereka dirancang untuk menemukan pola dalam data. Tugas khusus dapat mencakup klasifikasi (mengklasifikasikan kumpulan data ke dalam kelas yang telah ditentukan), pengelompokan (mengklasifikasikan data ke dalam berbagai kategori yang belum ditentukan), dan prediksi (menggunakan peristiwa masa lalu untuk menebak peristiwa di masa depan, seperti pasar saham atau bioskop kantor).

Bagaimana tepatnya mereka “mempelajari” sesuatu?

Sama seperti kita belajar dari pengalaman dalam hidup kita, jaringan saraf memerlukan data untuk belajar. Dalam kebanyakan kasus, semakin banyak data yang dapat dimasukkan ke jaringan saraf, semakin akurat data tersebut. Anggap saja seperti tugas apa pun yang Anda lakukan berulang kali. Seiring waktu, Anda secara bertahap menjadi lebih efisien dan membuat lebih sedikit kesalahan.

Saat peneliti atau ilmuwan komputer mulai melatih jaringan saraf, mereka biasanya membagi datanya menjadi tiga set. Yang pertama adalah set pelatihan, yang membantu jaringan menetapkan berbagai bobot di antara node-nodenya. Setelah itu, mereka menyempurnakannya menggunakan kumpulan data validasi. Terakhir, mereka akan menggunakan set pengujian untuk melihat apakah perangkat tersebut berhasil mengubah masukan menjadi keluaran yang diinginkan.

Apakah jaringan saraf memiliki keterbatasan?

Pada tingkat teknis, salah satu tantangan terbesarnya adalah jumlah waktu yang diperlukan untuk melatih jaringan, yang memerlukan sejumlah besar daya komputasi untuk tugas-tugas yang lebih kompleks. Namun masalah terbesarnya adalah jaringan saraf adalah “kotak hitam”, tempat pengguna memasukkan data dan menerima jawaban. Mereka dapat menyempurnakan jawabannya, namun mereka tidak memiliki akses terhadap proses pengambilan keputusan yang tepat.

Ini adalah masalah yang dihadapi sejumlah peneliti aktif mengerjakan, namun hal ini akan menjadi semakin mendesak karena jaringan syaraf tiruan memainkan peran yang semakin besar dalam kehidupan kita.

Rekomendasi Editor

• Laptop pengisi daya USB-C: Inilah yang perlu Anda ketahui
• Apa itu GDDR7? Semua yang perlu Anda ketahui tentang VRAM generasi berikutnya
• Penggantian baterai MacBook Pro: semua yang perlu Anda ketahui
• Apa itu Wi-Fi 7: Semua yang perlu Anda ketahui tentang 802.11be
• YouTube meluncurkan pegangan. Inilah yang perlu Anda ketahui