Apa itu Pembelajaran Mendalam?

Pembelajaran mendalam adalah bagian tertentu dari pembelajaran mesin (mekanisme kecerdasan buatan). Meskipun cabang pemrograman ini bisa menjadi sangat kompleks, hal ini dimulai dengan pertanyaan yang sangat sederhana: “Jika kita ingin sistem komputer bertindak secara cerdas, mengapa kita tidak memodelkannya seperti otak manusia?”

Pemikiran tersebut melahirkan banyak upaya dalam beberapa dekade terakhir untuk menciptakan algoritma yang meniru cara kerja otak manusia—dan dapat memecahkan masalah dengan cara yang sama seperti yang dilakukan manusia. Upaya-upaya tersebut telah menghasilkan alat analisis yang berharga dan semakin kompeten yang digunakan di berbagai bidang.

Jaringan saraf dan cara penggunaannya

Pembelajaran mendalam mendapatkan namanya dari cara data tersebut digunakan untuk menganalisis data "tidak terstruktur", atau data yang belum pernah diberi label oleh sumber lain dan mungkin memerlukan definisi. Hal ini memerlukan analisis yang cermat terhadap data tersebut, dan pengujian berulang terhadap data tersebut untuk menghasilkan kesimpulan akhir yang dapat digunakan. Komputer secara tradisional tidak pandai menganalisis data tidak terstruktur seperti ini.

Bayangkan saja dalam hal penulisan: Jika Anda memiliki sepuluh orang yang menulis kata yang sama, kata tersebut akan terlihat sangat berbeda dari setiap orang, dari tidak rapi ke rapi, dan dari kursif ke cetakan. Otak manusia tidak mempunyai masalah dalam memahami bahwa itu semua adalah kata yang sama, karena ia mengetahui cara kerja kata-kata, tulisan, kertas, tinta, dan kebiasaan pribadi. Namun, sistem komputer normal tidak akan mengetahui bahwa kata-kata tersebut sama, karena semuanya terlihat sangat berbeda.

Itu membawa kita ke via jaringan saraf, algoritme yang dibuat khusus untuk meniru cara neuron di otak berinteraksi. Jaringan saraf berupaya mengurai data dengan cara yang bisa dilakukan oleh pikiran: Tujuannya adalah menangani data yang berantakan—seperti tulisan—dan menarik kesimpulan yang berguna, seperti kata-kata yang ingin ditunjukkan oleh tulisan. Ini paling mudah untuk dipahami jaringan saraf jika kita membaginya menjadi tiga bagian penting:

Lapisan masukan: Pada lapisan masukan, jaringan saraf menyerap semua data tidak terklasifikasi yang diberikan. Ini berarti memecah informasi menjadi angka-angka dan mengubahnya menjadi data ya-atau-tidak, atau “neuron”. Jika Anda ingin mengajarkan jaringan saraf untuk mengenali kata-kata, maka lapisan masukannya adalah secara matematis mendefinisikan bentuk setiap huruf, memecahnya menjadi bahasa digital sehingga jaringan dapat dimulai bekerja. Lapisan masukan bisa sangat sederhana atau sangat kompleks, bergantung pada betapa mudahnya merepresentasikan sesuatu secara matematis.

Lapisan yang tersembunyi: Di pusat jaringan saraf terdapat lapisan tersembunyi—mulai dari satu hingga banyak. Lapisan-lapisan ini terbuat dari neuron digitalnya sendiri, yang dirancang untuk aktif atau tidak aktif berdasarkan lapisan neuron yang mendahuluinya. Sebuah neuron tunggal adalah dasar “jika ini, maka itu“ model, namun lapisan terbuat dari rantai panjang neuron, dan banyak lapisan berbeda dapat saling mempengaruhi, sehingga menciptakan hasil yang sangat kompleks. Tujuannya adalah memungkinkan jaringan saraf mengenali banyak fitur berbeda dan menggabungkannya menjadi satu realisasi, seperti anak-anak belajar mengenal setiap huruf kemudian membentuknya bersama-sama untuk mengenali satu kata secara utuh, meskipun kata itu ditulis sedikit ceroboh.

Lapisan tersembunyi juga merupakan tempat berlangsungnya banyak pelatihan pembelajaran mendalam. Misalnya, jika algoritme gagal mengenali sebuah kata secara akurat, pemrogram mengirimkan balasan, “Maaf, itu tidak benar,” dan algoritme akan menyesuaikan cara menimbang data hingga menemukan data yang tepat jawaban. Mengulangi proses ini (pemrogram juga dapat menyesuaikan bobot secara manual) memungkinkan jaringan saraf membangun lapisan tersembunyi yang kuat mahir dalam mencari jawaban yang benar melalui banyak percobaan dan kesalahan ditambah, beberapa instruksi dari luar — sekali lagi, seperti bagaimana otak manusia bekerja. Seperti yang ditunjukkan gambar di atas, lapisan tersembunyi bisa menjadi sangat kompleks!

Lapisan keluaran: Lapisan keluaran memiliki “neuron” yang relatif sedikit karena di sinilah keputusan akhir dibuat. Di sini jaringan saraf menerapkan analisis akhir, menentukan definisi data, dan menarik kesimpulan terprogram berdasarkan definisi tersebut. Misalnya, “Data yang cukup untuk menyatakan bahwa kata ini adalah danau, bukan jalur.” Pada akhirnya semua data yang melewati jaringan dipersempit ke neuron tertentu di lapisan keluaran. Karena di sinilah tujuan diwujudkan, sering kali ini merupakan salah satu bagian pertama dari jaringan yang dibuat.

Aplikasi

Jika Anda menggunakan teknologi modern, kemungkinan besar algoritme pembelajaran mendalam akan bekerja di sekitar Anda, setiap hari. Bagaimana menurut Anda Alexa atau Asisten Google memahami perintah suara Anda? Mereka menggunakan jaringan saraf yang dibangun untuk memahami ucapan. Bagaimana Google mengetahui apa yang Anda cari sebelum Anda selesai mengetik? Pembelajaran yang lebih mendalam di tempat kerja. Bagaimana kamera keamanan Anda mengabaikan hewan peliharaan tetapi mengenali pergerakan manusia? Pembelajaran mendalam sekali lagi.

Kapan pun perangkat lunak tersebut mengenali masukan manusia, dari pengenalan wajah bagi asisten suara, pembelajaran mendalam mungkin sedang bekerja di bawahnya. Namun, bidang ini juga memiliki banyak aplikasi bermanfaat lainnya. Kedokteran adalah bidang yang sangat menjanjikan, di mana pembelajaran mendalam tingkat lanjut digunakan untuk menganalisis kelemahan DNA atau senyawa molekuler untuk mendapatkan potensi manfaat kesehatan. Dalam bidang fisik, pembelajaran mendalam digunakan di semakin banyak mesin dan kendaraan untuk memprediksi kapan peralatan memerlukan pemeliharaan sebelum terjadi kesalahan serius.

Masa depan pembelajaran mendalam

Masa depan pembelajaran mendalam sangat cerah! Hal hebat tentang jaringan saraf adalah ia unggul dalam menangani sejumlah besar data yang berbeda (pikirkan segala hal yang harus ditangani oleh otak kita, setiap saat). Hal ini sangat relevan di era sensor pintar yang canggih, yang dapat mengumpulkan informasi dalam jumlah yang sangat banyak. Solusi komputer tradisional mulai kesulitan dalam menyortir, memberi label, dan menarik kesimpulan dari begitu banyak data.

Pembelajaran mendalam, di sisi lain, dapat menangani tumpukan data digital yang kami kumpulkan. Faktanya, semakin besar jumlah datanya, pembelajaran mendalam menjadi lebih efisien dibandingkan metode analisis lainnya. Inilah sebabnya mengapa organisasi seperti Google berinvestasi begitu banyak dalam algoritma pembelajaran mendalam, dan mengapa hal ini cenderung menjadi lebih umum di masa depan.

Dan, tentu saja, robotnya. Jangan pernah lupakan robot.

Rekomendasi Editor

• A.I. pembelajaran mendalam membantu para arkeolog menerjemahkan tablet kuno
• Pembelajaran mendalam A.I. dapat meniru efek distorsi dewa gitar ikonik
• A.I. menganalisis gelombang otak Anda untuk menebak video apa yang Anda tonton
• Aplikasi bertenaga AI ini dapat mendeteksi kanker kulit dengan akurasi 95 persen
• A.I. peneliti menciptakan sistem pengenalan wajah untuk simpanse