The Building Blocks of AI

Introduction

Dunia sedang berubah; berbagai industri mulai menyadari realitas bagaimana mereka akan terpengaruh oleh Kecerdasan Buatan (AI), dan keamanan siber pun tidak terkecuali. Tidak mengherankan jika Kecerdasan Buatan menjadi inti dari banyak diskusi di industri keamanan siber. Banyak penelitian yang sedang dilakukan untuk menjawab pertanyaan-pertanyaan yang banyak diajukan saat ini. Ruangan ini bertujuan untuk menjawab pertanyaan-pertanyaan tersebut:

Apa itu AI/Pembelajaran Mesin (ML)?
Bagaimana AI dapat digunakan di industri kita?
Bagaimana AI akan memengaruhi peran saya?
Bagaimana AI dimanfaatkan oleh penyerang?

Kita harus memberdayakan tenaga kerja keamanan siber kita untuk memerangi ancaman keamanan AI. Pengetahuan adalah kekuatan, jadi kita mulai dengan membekali Anda dengan pengetahuan dasar tentang AI dan ML. Mari kita mulai dengan membahas bagaimana kita mendefinisikan “Kecerdasan Buatan”. Kecerdasan buatan mengacu pada mesin atau sistem komputer yang mampu melakukan tugas-tugas yang biasanya membutuhkan penalaran, pemahaman, pemecahan masalah, atau kreativitas manusia.

Sejujurnya, istilah ini tidak memiliki satu definisi sederhana karena cakupan aplikasinya yang sangat luas dalam masyarakat saat ini dan potensi aplikasinya di masa depan. Namun, kita dapat menggunakan definisi ini untuk mulai memahami apa itu dan dari mana asalnya. Istilah dan bidang ini berawal dari tahun 1950-an ketika penelitian dimulai untuk mengejar kemampuan mesin melakukan tugas dengan mensimulasikan kecerdasan manusia; namun, ini masih merupakan istilah khusus yang belum dikenal luas.

Machine Learning

Kemajuan signifikan berikutnya dalam pengembangan AI datang dengan munculnya ML. ML adalah subbidang AI yang mengacu pada kemampuan komputer untuk belajar dari data tanpa diberi instruksi dan dapat dibandingkan dengan cara otak manusia belajar. Seiring waktu, dengan lebih banyak data dan waktu, algoritma ini akan menjadi lebih baik dalam akurasi dan pengambilan keputusan.

ML mengikuti siklus hidup terstruktur untuk memastikan pengembangan dan penerapan model yang andal. Proses ini dimulai dengan mendefinisikan masalah, seperti menentukan apakah email tersebut spam atau bukan. Selanjutnya, data dikumpulkan, dibersihkan, dan dipersiapkan melalui rekayasa fitur, memastikan pola yang bermakna diekstrak sambil menghindari overfitting (ketika keakraban model dengan data pelatihan menyebabkan kegagalan untuk membuat generalisasi pada data mentah/yang belum pernah dilihat). Model kemudian dilatih menggunakan algoritma yang dipilih, diikuti oleh evaluasi dan penyetelan untuk mengoptimalkan kinerja. Setelah disempurnakan, model diterapkan ke lingkungan produksi untuk penggunaan di dunia nyata, seperti mengklasifikasikan email secara real-time. Namun, siklus hidup tidak berakhir di situ—pemantauan berkelanjutan memastikan model mempertahankan akurasi dari waktu ke waktu, memicu pelatihan ulang bila diperlukan. Karena model membutuhkan peningkatan berkelanjutan, Siklus Hidup Pembelajaran Mesin tetap merupakan proses iteratif.

Machine Learning Algorithms

Algoritma ML adalah metode matematika yang digunakan untuk mempelajari pola dari data, sedangkan model ML adalah keluaran terlatih yang berasal dari algoritma ini. Algoritma ini terdiri dari tiga komponen utama: proses pengambilan keputusan, yang membuat prediksi atau klasifikasi berdasarkan data masukan; fungsi kesalahan, yang mengevaluasi kinerja dan memberikan umpan balik; dan proses optimasi model, yang menyempurnakan algoritma untuk meminimalkan kesalahan dan meningkatkan akurasi. Proses iteratif ini berlanjut hingga model mencapai tingkat kinerja yang memuaskan.

Algoritma ML terbagi menjadi empat kategori utama: pembelajaran terawasi (supervised learning), pembelajaran tak terawasi (unsupervised learning), pembelajaran semi-terawasi (semi-supervised learning), dan pembelajaran penguatan (reinforcement learning). Pembelajaran terawasi bergantung pada data berlabel untuk melatih model untuk tugas klasifikasi atau regresi, seperti memprediksi harga rumah atau mengidentifikasi email spam. Pembelajaran tak terawasi, di sisi lain, bekerja dengan data tak berlabel untuk menemukan pola tersembunyi, seringkali menggunakan teknik pengelompokan (clustering), asosiasi, atau pengurangan dimensi. Pembelajaran semi-terawasi menggabungkan elemen keduanya, menggunakan sebagian kecil data berlabel untuk memandu proses pembelajaran. Terakhir, pembelajaran penguatan meniru pembelajaran manusia dengan memberi penghargaan pada keputusan yang benar dan menghukum kesalahan, memungkinkan agen untuk memperbaiki tindakannya dari waktu ke waktu untuk mencapai hasil terbaik.

Neural networks and Deep learning

Jika Anda ingat, tujuan utama AI adalah untuk memungkinkan komputer berperilaku seperti manusia. Salah satu metode yang memungkinkan kita melakukan ini adalah melalui penggunaan jaringan saraf. Jika Anda mengingat kembali pelajaran biologi di sekolah menengah, Anda mungkin ingat diajarkan bagaimana otak manusia bekerja. Otak manusia memproses informasi menggunakan neuron yang saling terhubung (sejenis sel yang bertanggung jawab untuk mengirimkan komunikasi antara tubuh dan otak), yang berkomunikasi satu sama lain menggunakan sinapsis. Sinapsis memungkinkan otak untuk mengirimkan sinyal listrik/kimia dari neuron ke neuron; dengan kata lain, sinapsis adalah sebuah koneksi. Jaringan neuron ini belajar dengan menyesuaikan kekuatan koneksi ini ketika kita mengalami sesuatu yang baru berdasarkan pola yang kita temui. Perilaku inilah yang direplikasi dalam jaringan saraf.

Diagram di bawah ini mewakili jaringan saraf. Seperti halnya otak manusia memproses input sensorik, lapisan input menerima data mentah, dengan jumlah node bergantung pada jenis data (misalnya, gambar 4×4 piksel memiliki 16 node). Setiap node mewakili neuron, dan koneksi antar neuron bertindak sebagai sinapsis. Lapisan tersembunyi memproses dan menyempurnakan input, membawa jaringan lebih dekat ke prediksi. Setiap koneksi memiliki bobot, yang menentukan kepentingannya—misalnya, dalam klasifikasi email, teks isi mungkin memiliki bobot lebih besar daripada baris subjek. Lapisan output kemudian menghasilkan prediksi akhir.

Bayangkan sebuah jaringan saraf yang bertugas mengenali angka dari sebuah gambar. Setiap lapisan tersembunyi mengekstrak fitur yang berbeda—lapisan awal mendeteksi tepi dan kurva, sementara lapisan yang lebih dalam menggabungkan pola-pola ini untuk membentuk angka yang lengkap. Misalnya, garis dapat menunjukkan angka 1 atau 7, sementara kurva meningkatkan kemungkinan angka 3, 8, atau 0. Lapisan keluaran, dengan 10 node (satu per digit), memilih angka yang paling mungkin berdasarkan nilai prediksi tertinggi. Proses pembelajaran mandiri ini meniru otak manusia, dan ketika sebuah jaringan memiliki lebih dari tiga lapisan, jaringan tersebut diklasifikasikan sebagai algoritma DL—oleh karena itu disebut “pembelajaran mendalam” (deep learning).

Deep Learning (DL) dan Machine Learning (ML) terkadang bisa membingungkan, tetapi sekarang kita dapat memahami perbedaan utamanya dengan apa yang telah kita bahas sejauh ini. Seperti ML, DL berkaitan dengan menerima data sebagai input dan menghasilkan semacam prediksi atau klasifikasi sebagai output. DL dapat menerima dataset berlabel (seperti yang disebutkan saat membahas supervised learning), tetapi perbedaan utamanya adalah DL tidak memerlukan data yang berlabel. Algoritma DL dapat mengambil data mentah yang tidak berlabel dan tidak terstruktur, lalu menentukan fitur-fitur utamanya yang membedakannya dari kategori lain. Keuntungan penting di sini dibandingkan ML adalah data tidak perlu diberi label; ini berarti DL tidak memerlukan interaksi manusia dan, dengan cara itu, bersifat self-learning. Maka masuk akal bahwa DL dimungkinkan melalui pemanfaatan jaringan saraf.

Karena tidak diperlukan intervensi manusia, dataset yang lebih besar dapat diproses dan oleh karena itu dapat dianggap sebagai “ML yang dapat diskalakan”. Gagasan jaringan saraf telah ada selama beberapa dekade, jadi mengapa potensi sebenarnya dari DL baru meledak dalam dekade terakhir ini? Hal ini sebagian besar disebabkan oleh digitalisasi informasi secara besar-besaran dalam beberapa tahun terakhir; tiba-tiba, sejumlah besar informasi tersedia untuk algoritma pembelajaran, dan dengan demikian, dengan DL, dimulailah era baru AI di mana kita akan membuka lebih banyak potensi dan kemampuan.

Ref : [1]