Selayang Pandang tentang Kecerdasan Buatan (Artificial Intelligent)

Definisi Kecerdasan Buatan:

Oxford Reference:
“teori dan pengembangan sistem komputer yang mampu melakukan tugas yang umumnya membutuhkan kecerdasan manusia, seperti persepsi visual, pengenalan suara, pengambilan keputusan, dan terjemahan antar bahasa.”

Britannica:
“kemampuan komputer digital atau robot yang dikendalikan komputer untuk melakukan tugas yang umumnya diasosiasikan dengan kecerdasan manusia..”

Sejak tahun 1940an, para ahli berusaha untuk menciptakan mesin yang bisa belajar dan beradaptasi seperti manusia. Meskipun cara pandang manusia tentang pembelajaran dan adaptasi masih jauh lebih kompleks. Meski sudah banyak digunakan, teknologi ini masih terus berkembang (yang baru-baru ini ramai tentu saja ChatGPT dan Midjourney) dan menghadapi tantangan dalam hal etika dan regulasi.

Sejarah Singkat Kecerdasan Buatan

• 1943: McCulloch dan Pitts membuat model matematis dari neuron
• 1956: Konferensi Dartmouth mengawali pembahasan tentang AI
• 1957–1974: Perkembangan metode-metode kecerdasan buatan seperti mengimitasi cara kerja neuron (Jaringan Saraf Tiruan/JST) dan pengembangan sistem pakar
• 1980an: Munculnya pendekatan Machine Learning, seperti Decision Tree dan Support Vector Machine
• 2010an: Munculnya pendekatan Deep Learning yang membuat kemajuan besar pada pengenalan gambar, suara, dan teks.

Sejarah Perkembangan Jaringan Saraf Tiruan/Neural Networks (sumber: Analytics Vidhya)

Perbedaan AI, Machine Learning, dan Deep Learning

Machine Learning (ML) dan Deep Learning (DL) merupakan bagian dari Kecerdasan Buatan. Singkatnya, Machine Learning merupakan Kecerdasan Buatan yang dapat secara otomatis beradaptasi dengan interfensi manusia yang minim (supervised). ML dapat dilatih dengan jumlah data latih yang kecil dan masih membutuhkan interfensi manusia untuk memeriksa hasil belajarnya. Dari sisi penggunaan perangkat keras, ML masih dapat dilatih pada CPU.

Sementara itu, Deep Learning merupakan bagian dari ML yang menggunakan Jaringan Saraf Tiruan (JST) untuk meniru proses belajar dari otak manusia. DL membutuhkan data yang sangat besar dan banyak (big data). Umumnya, algoritma DL dirancang agar bisa belajar sendiri dari data yang ada (unsupervised) ataupun kesalahan sebelumnya (reinforcement). Karena itu, biasanya proses latihan pada DL membutuhkan waktu yang lama namun memiliki akurasi yang tinggi. Karena itu juga, membutuhkan perangkat keras seperti GPU untuk tempat melatihnya.

Ilustrasi tentang AI, ML, dan DL (sumber: Coursera)

JST terinspirasi dari sistem saraf/neuron manusia. Terdiri dari unit pemrosesan (neuron) yang menerima input dan menghasilkan output dengan melakukan operasi matematika. Neuron-neuron ini dihubungkan satu sama lain melalui koneksi (synapse), dan masing-masing synapse memiliki bobot (weight) yang menentukan seberapa penting input tersebut untuk menghasilkan output.

Ilustrasi Jaringan Saraf Manusia yang menjadi inspirasi JST (sumber: adatis)

Contoh penerapan ML/DL

• prediksi (cth: market basket analysis, machine translation)

Market Basket Analysis (sumber: Analytics Vidhya)

Google Terjemahan (sumber: Google)

• klasifikasi (cth: sentiment analysis, spam filtering, animal detection)

Analisis Sentimen (sumber: Dribble/Leshchenko)

Deteksi Gambar (sumber: Towards Data Science)

• klasterisasi (cth: customer segmentation), dll

Segmentasi Pelanggan (sumber: Gameball)