Mengenal Teknologi Deep Learning dan Machine Learning

Belakangan ini, istilah Deep Learning kerap muncul pada informasi maupun tulisan.

Bagaimana dampak deep learning dalam perusahaan, sekarang kian banyak yang beratensi dan ingin menggunakan dalam usaha mereka, tapi sepertinya masih banyak orang yang belum mengerti apa hakekatnya deep learning itu.

Dalam tulisan ini, akan dibuktikan seputar teknologi Deep Learning secara universal sehingga Anda dapat membayangkan kemudahan apa yang dapat didapatkan dicapai? Lalu apa bedanya dengan kecerdasan buatan (AI) dan pembelajaran mesin (ML), dan di mana saja teknologi ini sudah diterapkan.

Deep Learning merupakan..

Deep Learning (Pembelajaran mendalam) merupakan salah satu metode pembelajaran mesin yang memungkinkan komputer untuk mempelajari tugas-tugas yang disesuaikan dengan sifat manusia.

Ini merupakan teknologi yang mendorong perkembangan kecerdasan buatan (AI) dan kemajuannya sudah memberikan kemajuan di bermacam-macam bidang. Deep Learning juga ialah kunci dalam kendaraan yang memiliki system kemudi otomatis dimana teknologi tersebut sedang dikembangkan dalam sebagian tahun terakhir.

Teknologi deep learning ini mampu mengenali tanda-tanda berhenti serta mampu membedakan antara tiang listrik dan manusia .

Kecuali itu juga, teknik lainnya merupakan memainkan peran penting dalam pengenalan suara pada telpon seluler, tablet, televisi, speaker handsfree, dan sebagainya.

Ada alasan mengapa deep learning begitu menarik perhatian dalam sebagian tahun terakhir merupakan karena teknologi ini sudah mampu menempuh tingkat energi kerja yang tak mungkin dicapai dengan teknologi konvensional.

Benarkah sekarang ini deep learning begitu menarik perhatian?

Deep Learning mulai mencuri perhatian bermacam-macam kalangan sejak tahun 2012, saat Profesor Hinton dari Universitas Toronto memenangkan kompetisi kecerdasan buatan tingkat internasional dengan cara Deep Learning.

Sampai pada saat itupun, “kecerdasan buatan” sudah berkembang sebanyak 2 kali, dan yang terjadi setelah tahun 2013 disebut sebagai book yang ketiga kalinya, maka tak berlebihan kalau kita mengatakan bahwa Deep Learninglah yang menyebabkan perkembangan pesat AI yang ketiga kalinya.

Sejauh ini, apa yang membedakan antara deep learning, kecerdasan buatan, dan pembelajaran mesin?

Mari kita lihat bagaimana deep learning menjadi teknologi yang benar-benar inovatif dan menakjubkan.

Perbedaan antara Deep Learning, Kecerdasan Buatan, dan pembelajaran mesin.

Sejauh ini kata-kata seperti kecerdasan buatan, pembelajaran mesin dan deep learning benar-benar kerap kita dengar, tentunya banyak dari kita yang tak memahami artinya, tapi hakekatnya kita tak perlu berfikir terlalu jauh seputar istilah-istilah tersebut.

Hubungan diantara ketiga kata tersebut secara kasar  dapat kita gambarkan sebagai berikut : Kecerdasan buatan> pembelajaran mesing > deep learning.

Ketiganya bukanlah teknologi yang berbeda, tetapi saat diilustrasikan akan menjadi diagram Venn seperti di bawah ini.

Kesalahpahaman yang perlu diperbaiki, Deep Learning itu sendiri bukan AI, ia merupakan salah satu teknologi yang menjadi faktor dalam kecerdasan buatan.

Kecerdasan buatan (AI)

Kini setelah Anda mengenal struktur kasarnya, mari kita menggali lebih dalam arti dari ketiga kata tersebut.

Kecerdasan Buatan / Artificial Intelligence (AI)

“AI” menjadi kata yang kerap terdengar belakangan ini, tetapi yang cenderung diterapkan di masyarakat merupakan AI, definisinya sendiri berbeda-beda di antara para ahli.

Oleh karena itu, kali ini, saya ingin mengambil posisi yang bertujuan menyimpulkan secara tepat pengertian AI berdasarkan sejumlah besar data yang saya dapatkan.

AI secara garis besar dapat dibagi menjadi 2,

Kecerdasan buatan (AI)

■ AI Lemah

yang dapat menggantikan komponen dari kecerdasan manusia, yang tampaknya dapat mengatasi persoalan intelektual terbatas

AI Terlebih:

Yaitu AI yang diterapkan untuk melakukan tugas konsisten yang sudah ditentukan (seperti AI yang diterapkan pada permainan Igo)

Macam AI biasa:

merupakan AI yang diterapkan tak terbatas pada tugas – tugas tertentu, ia memiliki kemampuan generalisasi yang sama/identik dengan manusia.

AI kuat

Memikirkan kecerdasan manusia dan prinsip-prinsip mental sambil menggabungkan ilmu otak dll, sehingga dapat mewujudkan pemrosesan intelektual generik yang setara dengan fungsi otak manusia. Pengembangan AI ini bahkan dapat memiliki kesadaran diri dan perasaan seperti manusia.

Apa yang kerap muncul di informasi merupakan AI yang bersifat lemah, terlebih AI variasi khusus.

Terpenting realistis dikatakan bahwa mewujudkan AI yang memiliki tujuan biasa saat ini masih sulit.

Pembelajaran Mesin

Menurut Arthur Samuel, salah seorang pelopor pembelajaran mesin, pengertian dari Pembelajaran Mesin merupakan bidang studi yang memberikan komputer kemampuan untuk belajar tanpa diprogram secara eksplisit.

Terpenting khusus, Pembelajaran mesin memiliki ragam metode pembelajaran sebagai berikut.

Pembelajaran mesin (ML)

Pembelajaran disertai pengajar:

Metode mengajarkan pada mesin data dengan jawaban yang iya (output yang iya)

Regresi:

Dikala data dimasukkan, sebagai outputnya merupakan nilai numerik (prediksi)

Pengaplikasian: Prakiraan harga saham, dll.

Klasifikasi:

Dikala data dimasukkan, sebagai outputnya akan menunjukkan atribut atau ragam data (pelabelan).

Pengaplikasian: Mendeteksi spam pada email, dll.

■ Cara Pembelajaran tanpa pengawasan:

Cara pembelajaran mesin dengan menurunkan struktur, tren, hukum, dll. Dari jumlah fitur secara otomatis dihitung dari data yang benar-benar besar tanpa memerlukan jawaban yang iya

Clustering:

Metode dimana saat data dimasukkan, sebagai outputnya akan menunjukkan grup data.

Pembelajaran kuat:

Metode untuk meningkatkan diri untuk menempuh tujuan langsung dengan memberikan penghargaan atas tindakan terbaik yang dikerjakan dan belajar dari kesalahan sendiri.

Deep Learning (DL)

Semacam yang dinyatakan di awal, dengan jumlah data yang cukup, belajar menggunakan neural network dalam (DNN) di mana mesin secara otomatis mengekstraksi fitur dari data tanpa bantuan manusia, berarti salah satu unsur terkenologi ada di dalam kecerdasan buatan.

Meski disebut Deep Learning, algoritma yang dimilikinya beranekaragam dan spesifikasinya pun berbeda-beda, oleh karena itu saat menggunakan teknologi deep learning dalam bisnis, kita perlu mempertimbangkan algoritma mana yang tepat untuk diterapkan.

Kali ini saya cuma akan menyajikan 3 ragam deep learning yang biasa diterapkan, bagi Anda yang ingin tahu lebih banyak, silakan kunjungi Deep Learning Tutorial – NYU Computer Science

Deep Learning

■DNN(Deep Neural Network)

Sebuah struktur algoritma berlapis-lapis dengan model sirkuit saraf kranial manusia dan hewan yang dirancang untuk mengenali pola yang disebut neural network (NN).

■CNN(Convolutional Neural Network)

Algoritma yang menggunakan neural network variasi propagasi maju dengan abstraksi kabar lokal dan universalitas posisi.

Dengan DNN yang disesuaikan dengan data 2 dimensi, memperlihatkan kemampuan pengenalan pola yang tinggi untuk gambar.

Pengaplikasian utama: Pengenalan gambar

■RNN(Recurrent Neural Network)

Algoritma menggunakan neural network di mana sinyal dua arah disebarkan dengan struktur rekursif di lapisan tengah agar dapat menangani variabel data panjang seperti data suara dan gambar bergerak.

Hal ini benar-benar layak dengan data berkelanjutan yang berubah seiring waktu dimana DNN dihubungkan secara horizontal, akan tetapi ini tak layak untuk data lama.

Baru-baru ini,  teknologi ini juga diterapkan untuk pemrosesan bahasa alami seperti yang diterapkan pada Google Translate.

Pengaplikasian utamanya merupakan pada pengenalan suara, pengenalan gambar bergerak, dan pemrosesan bahasa alami

Dikala Anda ingin menggunakan teknologi ini pada bisnis, sebelum mempertimbangkan algoritma Deep Learning dan  hal lainnya, banyak hal mungkin akan berubah seperti apakah pembelajaran mesin lebih tepat atau apakah deep learning yang lebih tepat.

  • Mekanisme sederhana Deep Learning

Mekanisme sederhana Deep Learning

Semacam yang diterangkan pada gambar di atas, Deep Learning meningkatkan transmisi dan pemrosesan kabar interlayers, sehingga memungkinkan untuk meningkatkan ketepatan dan keserbagunaan jumlah fitur dan meningkatkan akurasi prediksi.

Dikala sudah sungguh-sungguh menggunakannya dalam bisnis, kalau Anda menggunakan model yang sudah dipelajari, maka yang perlu dikerjakan merupakan pemrosesan inferensi saja, sehingga sumber energi komputasi yang besar tak diperlukan.

Tetapi, kalau Anda membuatnya dari pembuatan model pembelajaran, Anda tak cuma memerlukan sejumlah besar data, tetapi juga server yang dapat menampung sejumlah besar data, seperti waktu dan energi untuk memproses sejumlah besar data seperti GPU.

Kecuali itu, sebagai kelebihan dari deep learning, akurasinya terus meningkat seiring dengan meningkatnya jumlah data mentah.

Sebaliknya, kelemahan dari Deep Learning merupakan kalau cuma ada sedikit data yang diuji, makan akan sulit untuk menyelaraskan hasil identifikasinya.

Dalam Deep Learning, asal ada sejumlah besar data, kita dimungkinkan untuk memproses data yang kompleks yang tak dapat dikerjakan dengan pembelajaran mesin konvensional dan lainnya.

Hal yang dapat dikerjakan dengan Deep Learning

Berikut ini, mari kita lihat lebih jauh apa saja yang dapat dikerjakan dengan Deep Learning.

Hal-hal tersebut dapat kita klasifikasikan seperti di bawah ini sesuai dengan variasi data input.

 Pengenalan Gambar

Ini merupakan teknologi untuk mengenali dan mendeteksi fitur karakter(huruf) dan wajah dengan memasukkan gambar dan video.

Ia memisahkan dan mengekstrak fitur dari latar belakang, melakukan pencocokan dan konversi, mengidentifikasi dan mengenali fitur target.

Contohnya : Penandaan foto pada Facebook (otentikasi wajah), system kemudi otomatis, analisis emosi, dll.

Pengenalan Suara

Ini merupakan teknologi untuk mengenali suara. Teknologi ini dapat mengenali suara manusia dan mengeluarkannya dalam wujud teks, serta dapat mengidentifikasi orang yang mengobrol berdasarkan karakteristik suara yang dikeluarkannya.

Contohnya : Input suara “Siri” pada Iphone dan lainnya.

Pemrosesan Bahasa Alami

Ini merupakan teknologi dimana komputer dapat memproses dan memahami bahasa alami (bahasa tertulis dan bahasa lisan) yang diterapkan oleh manusia sehari-hari.

Contohnya: Pertanyaan pada call center Bank, kesimpulan dokumen, terjemahan mesin, dll

Deteksi Kelainan/ ketidaknormalan.

Ini merupakan teknologi untuk merasakan tanda-tanda kelainan dari data deret waktu dari sensor yang terpasang pada peralatan industry

Contohnya: Pemantauan di pabrik (deteksi kerusakan atau operasi abnormal pada mesin) dll.

Masa depan Deep Learning

Yang diharapkan dari Deep Learning merupakan untuk memungkinkan pemrosesan data yang kompleks yang tak dapat diproses oleh pembelajaran mesin umum. Membuat pekerjaan menjadi efisien karena teknologi ini dapat menggantikan pekerjaan yang dikerjakan manusia menggunakan mesin.

Tidak cuma itu, teknologi itu sendiri menjadi komoditas, dimana semua orang dapat menggunakan Deep Learning, tergantung pada bagaimana data yang diterapkan, pengalaman baru akan berkembang di semua bidang dan teknologi yang akan mengubah struktur masyarakat itu sendiri. Hal itulah yang diharapkan.

Deep Learning juga akan diterapkan dalam bidang yang lebih luas di masa depan.

Ketika ini kita sudah ada di dunia cloud computing, kemudian dengan berkembangnya deep learning, mungkin saja device itu sendiri akan terkelompokkan dengan cerdas tanpa seharusnya diupload ke cloud dan cukup dengan edge saja, sehingga cloud computing dapat berubah menjadi edge computing.