Apa Itu Machine Learning?
Pembelajaran mesin (machine learning) adalah bagian dari AI, yang merupakan cabang ilmu komputer yang luas untuk membuat mesin yang dapat melakukan tugas manusia. Deep learning sendiri merupakan subdomain dari machine learning.
Pembelajaran mesin adalah bagian dari bidang ilmu komputer yang lebih luas yang dikenal sebagai kecerdasan buatan (AI).
AI adalah tentang membangun mesin yang dapat melakukan tugas yang biasanya dilakukan manusia. Dalam budaya modern, AI muncul dalam film atau karya fiksi. Anda mungkin ingat beberapa AI dalam film fiksi ilmiah atau acara TV yang mengendalikan dunia masa depan.
AI fiksi lainnya lebih jinak atau positif: mereka melakukan pekerjaan yang lebih baik bekerja dengan manusia, tetapi mereka juga memiliki tujuan yang lebih umum. Jenis AI umum ini adalah contoh Artificial Intelligence (AGI). Mereka memiliki kemampuan untuk mempelajari atau memahami tugas apa pun yang dapat dipahami oleh manusia.
Masalah AI biasanya mencakup banyak bidang penelitian: pemrosesan bahasa alami, penalaran, representasi pengetahuan, pembelajaran, persepsi, dan interaksi lingkungan fisik. AI belum menjadi kenyataan, kecuali jika Anda hidup dalam simulasi.
Anda mungkin juga pernah membaca atau melihat komentar tentang etika dalam menciptakan AI. Tidak semua pandangan positif, mungkin sebagian karena ketakutan akan AI fiksi, yang menghancurkan manusia atau menggunakannya sebagai sumber kekuatan. Beberapa mungkin juga mempertimbangkan risiko pengangguran massal karena mesin cerdas dapat bekerja terus menerus tanpa henti.
Machine Learning Flow
Pembelajaran mesin adalah studi ilmiah tentang algoritme dan model statistik untuk melakukan tugas dengan menggunakan inferensi, bukan instruksi. Untuk membantu Anda lebih memahami ide ini, pertimbangkan contoh konkret berikut.
Misalkan Anda harus menulis sebuah aplikasi yang menentukan apakah sebuah pesan email adalah spam atau bukan. Tanpa pembelajaran mesin, Anda menulis serangkaian pernyataan keputusan yang rumit (pikirkan pernyataan if/else). Mungkin Anda menggunakan kata-kata di subjek atau isi, jumlah tautan, dan panjang email untuk menentukan apakah suatu pesan email adalah spam. Akan sulit dan melelahkan untuk menyusun seperangkat aturan yang begitu besar untuk mencakup setiap kemungkinan. Namun, dengan pembelajaran mesin, Anda dapat menggunakan daftar pesan email yang ditandai sebagai spam atau bukan spam untuk melatih model pembelajaran mesin. Model tersebut akan mempelajari pola kata, panjang, dan indikator lain mana yang merupakan prediktor yang baik untuk pesan email spam. Saat Anda mempresentasikan model dengan pesan email yang tidak dilihatnya sebelumnya, model akan memprediksi apakah itu spam atau bukan spam.
Deep Learning
Pembelajaran mendalam (Deep Learning) merupakan lompatan maju yang signifikan dalam kemampuan AI dan ML. Teori di balik pembelajaran mendalam diciptakan dari cara kerja otak manusia. Jaringan saraf tiruan (JST) terinspirasi dari neuron biologis di otak, meskipun implementasinya berbeda.
Neuron buatan memiliki satu atau lebih input dan satu output. Jaringan saraf terdiri dari lapisan-lapisan neuron buatan ini, dengan koneksi antar lapisan. Biasanya, jaringan memiliki input, output, dan lapisan tersembunyi (hidden layers).
Output dari satu neuron terhubung ke input dari semua neuron di lapisan berikutnya. Jaringan kemudian diminta untuk memecahkan masalah. Lapisan input diisi dari data training. Neuron aktif di seluruh lapisan sampai jawaban disajikan di lapisan keluaran. Keakuratan output kemudian diukur. Jika output belum memenuhi ambang batas, training diulangi kembali, tetapi dengan sedikit perubahan pada bobot koneksi antar neuron. Itu terus mengulangi proses ini. Setiap saat, itu memperkuat koneksi yang mengarah pada kesuksesan, dan mengurangi koneksi yang mengarah pada kegagalan.
Machine learning menghabiskan banyak waktu untuk mengoptimalkan model ML. Mereka memilih fitur data terbaik untuk dilatih, dan mereka memilih model dengan hasil terbaik. Praktisi deep learning hampir tidak menghabiskan waktu untuk tugas-tugas itu. Sebaliknya, mereka menghabiskan waktu untuk memodelkan data dengan arsitektur JST yang berbeda.
Meskipun teori pembelajaran mendalam telah ada sejak beberapa dekade lalu, perangkat keras yang diperlukan untuk menjalankan masalah pembelajaran mendalam umumnya tidak dapat diakses hingga saat ini. Sekarang setelah tersedia, Anda dapat menggunakan deep learning untuk mengatasi masalah yang lebih kompleks daripada masalah yang Anda tangani sebelumnya.
Pembelajaran mesin arus utama adalah kejadian yang cukup baru. Pertengahan 2000-an menandai awal kemajuan pesat dalam machine learning dan deep learning, sebagian karena hukum Moore dan munculnya komputasi awan. Hasilnya adalah akses yang lebih mudah ke kemampuan komputasi dan penyimpanan yang lebih besar, lebih cepat, dan lebih murah. Sekarang dapat menyewa daya komputasi selama beberapa jam dengan harga murah, dibandingkan dengan investasi besar yang diperlukan untuk membeli dan mengoperasikan kluster komputasi berskala besar.
Pada tahun 2012, penggunaan jaringan saraf dimulai pada ImageNet Large Scale Visual Recognition Challenge, sebuah kompetisi pembelajaran mesin untuk pengenalan gambar. Tingkat akurasi melonjak menjadi sekitar 82 persen, dan terus meningkat sejak saat itu. Ini melebihi kinerja manusia pada tahun 2015.