Salah satu teknologi paling berpengaruh dalam dekade terakhir adalah jaringan syaraf tiruan. Jaringan Syaraf Tiruan merupakan bagian dasar dari algoritma deep learning dan garis depan teknologi kecerdasan buatan.
Ada banyak aplikasi yang menggunakan jaringan syaraf setiap hari, seperti layanan terjemahan Google, kunci ID Wajah iPhone Apple dan asisten yang didukung Amazon Alexa AI.
Jaringan syaraf juga berada di belakang beberapa terobosan kecerdasan buatan yang penting di bidang lain. Seperti mendiagnosis kulit dan kanker payudara dan mengalihkan perhatian mereka ke mobil yang bisa mengemudi sendiri.
Konsep dan sains di balik jaringan syaraf tiruan telah ada selama beberapa dekade. Tetapi hanya dalam beberapa tahun terakhir janji jaringan syaraf menjadi kenyataan dan membantu industri AI keluar dari zona nyamannya.
Meskipun jaringan syaraf telah membantu AI membuat lompatan, mereka sering disalahpahami. Untuk itu Labkom99 menuliskan artikel ini agar informasi yang perlu Anda ketahui tentang jaringan syaraf dapat anda pahami.
Persamaan Antara Jaringan Syaraf Tiruan Dan Biologis
Visi asli pelopor kecerdasan buatan adalah meniru fungsi otak manusia yang merupakan ciptaan paling cerdas dan paling kompleks yang diketahui di alam. Inilah sebabnya mengapa bidang ini memperoleh sebagian besar istilahnya termasuk istilah kecerdasan buatan dari bentuk dan fungsi pikiran manusia.
Jaringan syaraf tiruan terinspirasi oleh rekan biologis mereka. Banyak fungsi otak masih menjadi misteri. Tetapi yang kita ketahui adalah bahwa jaringan syaraf biologis memungkinkan otak untuk memproses sejumlah besar informasi dengan cara yang kompleks.
Jaringan syaraf biologis otak terdiri dari sekitar 100 miliar neuron yang merupakan unit pemrosesan dasar otak. Neuron menjalankan fungsinya melalui koneksi besar yang disebut sinapsis antara satu sama lain. Otak manusia memiliki sekitar 100 triliun sinapsis dan setiap neuron memiliki sekitar 1.000.
Setiap fungsi otak melibatkan arus listrik dan reaksi kimia yang berlangsung di sejumlah besar neuron ini.
Cara Kerja Jaringan Syaraf Tiruan
Komponen inti dari jaringan syaraf tiruan adalah neuron buatan. Setiap neuron menerima masukan dari beberapa neuron lain. Mengalikannya dengan bobot yang ditetapkan, menambahkannya dan kemudian meneruskan jumlahnya ke satu atau lebih neuron. Beberapa neuron buatan mungkin menerapkan fungsi aktivasi ke output sebelum meneruskan output ke variabel berikutnya.
Intinya, ini terdengar seperti operasi matematika yang sangat sepele. Namun, saat Anda menempatkan dan menumpuk ribuan neuron dalam beberapa lapisan, Anda mendapatkan jaringan syaraf tiruan yang dapat melakukan tugas yang sangat kompleks. Seperti mengklasifikasikan gambar atau mengenali ucapan.
Jaringan syaraf tiruan terdiri dari lapisan masukan dan lapisan keluaran. Lapisan masukan menerima data dari sumber eksternal file data, gambar, sensor perangkat keras, mikrofon dan sebagainya. Satu atau lebih lapisan tersembunyi memproses data dan lapisan keluaran menyediakan satu atau lebih titik data didasarkan pada fungsi jaringan.
Misalnya, jaringan syaraf yang mendeteksi orang, mobil dan hewan akan memiliki lapisan keluaran dengan tiga node. Jaringan yang mengkategorikan transaksi bank antara keamanan dan penipuan hanya akan memiliki satu keluaran.
Melatih Jaringan Syaraf Tiruan
Jaringan syaraf tiruan pertama-tama memberikan nilai acak pada bobot koneksi antar neuron. Kunci agar Jaringan syaraf tiruan melakukan tugasnya dengan benar dan akurat adalah menyesuaikan bobot ini ke angka yang benar. Tetapi menemukan bobot yang tepat bukanlah tugas yang mudah. Terutama ketika Anda berurusan dengan banyak lapisan dan ribuan neuron.
Kalibrasi ini dilakukan dengan melatih jaringan dengan contoh beranotasi. Misalnya, jika Anda ingin melatih pengklasifikasi gambar di atas, Anda dapat memberikan beberapa foto, yang masing-masing diberi label dengan kategori yang sesuai misal orang, mobil, atau hewan.
Saat Anda memberikan lebih banyak contoh pelatihan, jaringan syaraf secara bertahap akan menyesuaikan bobotnya untuk memetakan setiap masukan ke keluaran yang benar.
Pada dasarnya yang terjadi selama pelatihan adalah jaringan menyesuaikan dirinya sendiri untuk mengumpulkan pola tertentu dari data. Demikian pula, untuk jaringan pengklasifikasi gambar. Saat Anda menggunakan contoh kualitas untuk melatih model AI, setiap lapisan akan mendeteksi kategori fitur tertentu.
Misalnya, lapisan pertama dapat mendeteksi tepi horizontal dan vertical. Lapisan kedua dapat mendeteksi sudut dan lingkaran. Lebih dalam di jaringan, level yang lebih dalam akan mulai memilih fitur yang lebih canggih, seperti wajah dan objek. Setiap Lapisan Jaringan syaraf Akan Mengekstrak Fitur Tertentu Dari Gambar Masukan
Saat Anda menjalankan gambar baru melalui jaringan syaraf terlatih, bobot neuron yang disesuaikan akan dapat mengekstrak fitur yang benar dan secara akurat menentukan kategori keluaran gambar tersebut.
Salah satu tantangan dalam melatih jaringan syaraf adalah menemukan jumlah dan kualitas contoh pelatihan yang benar. Selain itu, melatih model AI skala besar membutuhkan banyak sumber daya komputasi.
Untuk mengatasi tantangan ini, banyak peneliti menggunakan “pembelajaran transfer” (teknik pelatihan) di mana Anda dapat mengambil model terlatih dan menyempurnakannya dengan contoh baru untuk domain tertentu. Pembelajaran transfer sangat efektif ketika sudah ada model AI yang dekat dengan kasus penggunaan Anda.
Jaringan Syaraf Dan AI Klasik
Program AI berbasis aturan tradisional didasarkan pada prinsip-prinsip perangkat lunak klasik. Program komputer dirancang untuk melakukan operasi pada data yang disimpan di unit penyimpanan dan menyimpan hasilnya di unit penyimpanan lain. Logika program ini berurutan, deterministik dan berdasarkan aturan yang didefinisikan dengan jelas. Operasi dijalankan oleh satu atau lebih pemroses sentral.
Namun, jaringan syaraf tidak berurutan atau deterministik. Selain itu, terlepas dari perangkat keras yang mendasarinya, tidak ada unit pemrosesan pusat untuk mengontrol logika. Sebaliknya, logika tersebut didistribusikan ke ribuan neuron buatan yang lebih kecil.
Jaringan syaraf tiruan tidak menjalankan instruksi. Sebagai gantinya, mereka melakukan operasi matematika pada input. Tindakan kolektif merekalah yang mengembangkan perilaku model. Baca juga Mengenal Jaringan Saraf Tiruan Dalam Pembelajaran Kecerdasan Buatan.
Jaringan neural tidak mengekspresikan pengetahuan melalui logika yang dikodekan secara manual. Tetapi mengenkode pengetahuan dalam status bobot dan aktivasi secara keseluruhan.
Jaringan Syaraf Dan Teknik Pembelajaran Mesin
Jaringan syaraf tiruan hanyalah salah satu dari beberapa algoritme yang menjalankan pembelajaran mesin. Pembelajaran mesin adalah cabang kecerdasan buatan yang mengembangkan perilaku berdasarkan pengalaman. Ada banyak teknik pembelajaran mesin lain yang dapat menemukan pola dalam data dan melakukan tugas-tugas seperti klasifikasi dan prediksi. Beberapa dari teknik ini termasuk model regresi, mesin vektor pendukung (SVM), metode k-terdekat dan pohon keputusan.
Namun, saat menangani data yang berantakan dan tidak terstruktur seperti gambar, audio, dan teks, jaringan neural bekerja lebih baik daripada teknik pembelajaran mesin lainnya.
Baca Juga : Hubungan Computer Vision Dan Image Processing Pattern Recognition Pembelajaran Mesin Dan Kecerdasan Buatan
Misalnya, jika Anda ingin menggunakan algoritme pembelajaran mesin klasik untuk melakukan tugas klasifikasi gambar. Anda harus melakukan banyak rekayasa fungsional yang rumit. Hal ini merupakan proses rumit dan sulit yang memerlukan upaya bersama dari beberapa peneliti dan pakar domain. Jaringan neural dan algoritme deep learning tidak memerlukan rekayasa fitur. Selama mereka dilatih dengan benar, mereka dapat secara otomatis mengekstrak fitur dari gambar.
Namun, ini tidak berarti bahwa jaringan neural dapat menggantikan teknik pembelajaran mesin lainnya. Jenis algoritma lain memerlukan lebih sedikit sumber daya komputasi dan tidak terlalu rumit. Membuatnya lebih disukai saat mencoba memecahkan masalah yang tidak memerlukan jaringan syaraf.
Teknik pembelajaran mesin lainnya juga dapat ditafsirkan yang berarti lebih mudah untuk mempelajari dan memperbaiki keputusan yang mereka buat. Ini mungkin membuatnya lebih disukai dalam kasus penggunaan di mana interpretabilitas lebih penting daripada akurasi.
Keterbatasan Jaringan Syaraf
Terlepas dari nama jaringan syaraf tiruan, ini sangat berbeda dari jaringan syaraf tiruan manusia. Meskipun jaringan syaraf dan deep learning adalah teknologi AI paling canggih saat ini, mereka masih jauh dari kecerdasan manusia. Oleh karena itu, jaringan syaraf akan gagal pada banyak hal yang ingin Anda pikirkan dari pikiran manusia.
Jaringan Syaraf Memerlukan Banyak Data
Tidak seperti otak manusia yang dapat belajar melakukan berbagai hal dengan sedikit contoh, jaringan syaraf memerlukan ribuan contoh.
Jaringan Syaraf Buruk Dalam Generalisasi
Jaringan syaraf akan bekerja secara akurat pada tugas yang dilatih. Tetapi tidak akan bekerja dengan baik dengan cara lain, meskipun serupa dengan masalah aslinya.
Misalnya, pengklasifikasi kucing yang dilatih pada ribuan gambar kucing tidak akan dapat mendeteksi anjing. Untuk ini, dibutuhkan ribuan gambar baru. Tidak seperti manusia, jaringan syaraf tidak mengembangkan pengetahuan tentang simbol telinga, mata, jenggot, ekor mereka memproses nilai piksel.
Inilah mengapa mereka tidak akan dapat mempelajari objek baru dari fitur lanjutan, jadi mereka perlu dilatih ulang dari awal.
Jaringan Syaraf Tidak Jelas
Karena jaringan syaraf mengekspresikan perilakunya melalui bobot dan aktivasi neuron, sulit untuk menentukan logika di balik keputusan mereka. Inilah mengapa mereka sering disebut kotak hitam. Hal ini membuat sulit untuk menentukan apakah mereka mengambil keputusan berdasarkan faktor yang salah.
Pakar kecerdasan buatan dan ilmuwan saraf Gary Marcus menjelaskan batasan deep learning dan jaringan syaraf dalam makalah penelitian mendalam tahun lalu.
Selain itu, dalam masalah di mana logika dan penalarannya jelas dan dapat diprogram ke dalam aturan yang berbeda. Jaringan syaraf tidak dapat menggantikan AI berbasis aturan yang kuno. Misalnya, saat menyelesaikan persamaan matematika, kinerja jaringan syaraf sangat buruk.
Untuk mengatasi keterbatasan jaringan syaraf tiruan, banyak upaya telah dilakukan. Seperti proyek yang didanai oleh DARPA untuk membuat model AI yang dapat diinterpretasikan. Perkembangan menarik lainnya termasuk pengembangan model hibrida yang menggabungkan jaringan syaraf dan AI berbasis aturan untuk menciptakan sistem AI yang dapat diinterpretasikan yang membutuhkan lebih sedikit data pelatihan.
Meskipun jalan yang harus ditempuh masih panjang untuk mencapai tujuan AI tingkat manusia jaringan syaraf membawa kita lebih dekat. Menarik untuk melihat seperti apa inovasi AI selanjutnya.
