Kecerdasan buatan hari ini: Apa hype dan apa yang nyata?

Ambil majalah, gulir melalui blog teknologi, atau cukup mengobrol dengan rekan-rekan Anda di konferensi industri. Anda akan segera menyadari bahwa hampir semua yang keluar dari dunia teknologi tampaknya memiliki beberapa elemen kecerdasan buatan atau pembelajaran mesin. Cara pembahasan tentang kecerdasan buatan, mulai terdengar seperti propaganda. Inilah satu-satunya teknologi sejati yang dapat memenuhi semua kebutuhan Anda! AI ada di sini untuk menyelamatkan kita semua!

Meskipun benar bahwa kami dapat melakukan hal-hal luar biasa dengan teknik berbasis AI, pada umumnya kami tidak mewujudkan arti penuh dari istilah "kecerdasan". Kecerdasan menyiratkan sistem yang dengannya manusia dapat melakukan percakapan kreatif — sistem yang memiliki gagasan dan dapat mengembangkan gagasan baru. Yang menjadi masalah adalah terminologi. “Kecerdasan buatan” saat ini umumnya menggambarkan implementasi dari beberapa aspek kemampuan manusia, seperti pengenalan objek atau ucapan, tetapi yang pasti bukan seluruh potensi kecerdasan manusia.

Jadi, "kecerdasan buatan" mungkin bukan cara terbaik untuk mendeskripsikan teknologi pembelajaran mesin "baru" yang kami gunakan saat ini, tetapi kereta api telah meninggalkan stasiun. Bagaimanapun, meskipun pembelajaran mesin belum identik dengan kecerdasan mesin, ini tentunya telah menjadi lebih kuat, lebih mampu, dan lebih mudah digunakan. AI — yang berarti jaringan neural atau pembelajaran mendalam serta pembelajaran mesin "klasik" — akhirnya akan menjadi bagian standar dari perangkat analitik.

Sekarang setelah kita memasuki revolusi AI (atau lebih tepatnya evolusi), penting untuk melihat bagaimana konsep kecerdasan buatan telah dikooptasi, mengapa, dan apa artinya di masa depan. Mari selami lebih dalam untuk menyelidiki mengapa kecerdasan buatan, bahkan beberapa versi yang sedikit disalahartikan, telah menarik perhatian tingkat saat ini.

Janji AI: Mengapa sekarang?

Dalam siklus hype saat ini, kecerdasan buatan atau pembelajaran mesin sering kali digambarkan sebagai teknologi yang relatif baru yang tiba-tiba menjadi matang, baru saja berpindah dari tahap konsep ke integrasi dalam aplikasi. Ada kepercayaan umum bahwa pembuatan produk pembelajaran mesin yang berdiri sendiri hanya terjadi selama beberapa tahun terakhir. Pada kenyataannya, perkembangan penting dalam kecerdasan buatan bukanlah hal baru. AI saat ini adalah kelanjutan dari kemajuan yang dicapai selama beberapa dekade terakhir. Perubahannya, alasan kita melihat kecerdasan buatan muncul di lebih banyak tempat, bukanlah tentang teknologi AI itu sendiri, tetapi teknologi yang mengelilinginya — yaitu, pembuatan data dan kekuatan pemrosesan.

Saya tidak akan membuat Anda bosan dengan mengutip berapa banyak zettabyte data yang akan kami simpan segera (berapa banyak nol yang dimiliki sebuah zettabyte?). Kita semua tahu bahwa kemampuan kita untuk menghasilkan dan mengumpulkan data berkembang secara fenomenal. Pada saat yang sama, kami telah melihat peningkatan luar biasa dalam daya komputasi yang tersedia. Pergeseran dari prosesor inti tunggal ke multi-inti serta pengembangan dan adopsi unit pemrosesan grafis tujuan umum (GPGPU) memberikan daya yang cukup untuk pembelajaran yang mendalam. Kami bahkan tidak perlu lagi menangani komputasi internal. Kami cukup menyewa kekuatan pemrosesan di suatu tempat di cloud.

Dengan begitu banyak data dan banyak sumber daya komputasi, data scientist akhirnya dapat menggunakan metode yang dikembangkan dalam beberapa dekade terakhir pada skala yang sama sekali berbeda. Pada 1990-an, dibutuhkan waktu berhari-hari untuk melatih jaringan saraf untuk mengenali angka pada puluhan ribu contoh dengan angka tulisan tangan. Saat ini, kita dapat melatih jaringan saraf yang jauh lebih kompleks (yaitu "dalam") pada puluhan juta gambar untuk mengenali hewan, wajah, dan objek kompleks lainnya. Dan kami dapat menerapkan model pembelajaran mendalam untuk mengotomatiskan tugas dan keputusan dalam aplikasi bisnis arus utama, seperti mendeteksi dan memperkirakan kematangan produksi atau mengarahkan panggilan masuk.

Ini mungkin terdengar mencurigakan seperti membangun kecerdasan nyata, tetapi penting untuk dicatat bahwa di bawah sistem ini, kami hanya menyetel parameter ketergantungan matematika, meskipun cukup rumit. Metode kecerdasan buatan tidak bagus dalam memperoleh pengetahuan "baru"; mereka hanya belajar dari apa yang disajikan kepada mereka. Dengan kata lain, kecerdasan buatan tidak menanyakan pertanyaan "mengapa". Sistem tidak beroperasi seperti anak-anak yang terus-menerus mempertanyakan orang tua mereka saat mereka mencoba memahami dunia di sekitar mereka. Sistem hanya tahu apa yang diberi makan. Itu tidak akan mengenali apa pun yang sebelumnya tidak disadari.

Dalam skenario pembelajaran mesin "klasik" lainnya, penting untuk mengetahui data kami dan memiliki ide tentang bagaimana kami ingin sistem tersebut menemukan pola. Misalnya, kami tahu bahwa tahun lahir bukanlah fakta yang berguna tentang pelanggan kami, kecuali kami mengonversi angka ini menjadi usia pelanggan. Kami juga tahu tentang pengaruh musim. Kita seharusnya tidak mengharapkan sistem untuk mempelajari pola pembelian mode secara independen dari musim tersebut. Lebih lanjut, kami mungkin ingin memasukkan beberapa hal lain ke dalam sistem untuk mempelajari di atas apa yang sudah diketahui. Tidak seperti pembelajaran mendalam, jenis pembelajaran mesin ini, yang telah digunakan bisnis selama beberapa dekade, telah berkembang lebih pesat dengan kecepatan yang stabil.

Kemajuan terbaru dalam kecerdasan buatan terutama terjadi di area di mana data scientist dapat meniru kemampuan pengenalan manusia, seperti mengenali objek dalam gambar atau kata-kata dalam sinyal akustik. Belajar mengenali pola dalam sinyal kompleks, seperti audio stream atau gambar, sangatlah kuat — cukup kuat sehingga banyak orang bertanya-tanya mengapa kita tidak menggunakan teknik deep learning di mana pun. 

Janji AI: Sekarang apa?

Kepemimpinan organisasi mungkin bertanya kapan mereka harus menggunakan kecerdasan buatan. Nah, penelitian berbasis AI telah membuat kemajuan besar dalam hal pemecahan masalah jaringan saraf yang terkait dengan meniru apa yang dilakukan manusia dengan baik (pengenalan objek dan pengenalan ucapan menjadi dua contoh paling menonjol). Kapanpun seseorang bertanya, "Apa representasi objek yang bagus?" dan tidak dapat menemukan jawaban, maka model pembelajaran mendalam mungkin layak untuk dicoba. Namun, jika data scientist dapat membuat representasi objek yang kaya secara semantik, metode pembelajaran mesin klasik mungkin merupakan pilihan yang lebih baik (dan ya, ada baiknya menginvestasikan sedikit pemikiran serius untuk mencoba menemukan representasi objek yang baik).

Pada akhirnya, seseorang hanya ingin mencoba teknik yang berbeda dalam platform yang sama dan tidak dibatasi oleh pilihan metode atau ketidakmampuan vendor perangkat lunak untuk mengejar kemajuan saat ini di lapangan. Inilah mengapa platform open source adalah pemimpin di pasar ini; mereka memungkinkan praktisi untuk menggabungkan teknologi mutakhir dengan perkembangan mutakhir.

Ke depan, saat tim menjadi selaras dalam tujuan dan metode mereka dalam menggunakan pembelajaran mesin untuk mencapainya, pembelajaran mendalam akan menjadi bagian dari kotak alat setiap data scientist. Untuk banyak tugas, menambahkan metode pembelajaran mendalam ke dalam campuran akan memberikan nilai yang besar. Pikirkan tentang itu. Kami akan dapat memasukkan pengenalan objek ke dalam sistem, menggunakan sistem kecerdasan buatan yang telah dilatih sebelumnya. Kami akan dapat menggabungkan komponen pengenalan suara atau ucapan yang ada karena orang lain telah mengalami masalah dalam mengumpulkan dan membuat anotasi data yang cukup. Namun pada akhirnya, kami akan menyadari bahwa pembelajaran mendalam, seperti pembelajaran mesin klasik sebelumnya, benar-benar hanyalah alat lain untuk digunakan jika memungkinkan.

Janji AI: Apa selanjutnya?

Salah satu penghalang jalan yang akan muncul, seperti yang terjadi dua dekade lalu, adalah kesulitan ekstrim yang dihadapi seseorang ketika mencoba memahami apa yang telah dipelajari oleh sistem kecerdasan buatan dan bagaimana sistem tersebut menghasilkan prediksi. Ini mungkin tidak penting untuk memprediksi apakah pelanggan mungkin menyukai atau tidak menyukai produk tertentu. Tetapi masalah akan muncul ketika menjelaskan mengapa sistem yang berinteraksi dengan manusia berperilaku dengan cara yang tidak terduga. Manusia bersedia menerima "kegagalan manusia" —kita tidak mengharapkan manusia menjadi sempurna. Tetapi kami tidak akan menerima kegagalan dari sistem kecerdasan buatan, terutama jika kami tidak dapat menjelaskan mengapa gagal (dan memperbaikinya).

Saat kita menjadi lebih akrab dengan pembelajaran mendalam, kita akan menyadari — seperti yang kita lakukan untuk pembelajaran mesin dua dekade lalu — bahwa terlepas dari kompleksitas sistem dan volume data yang digunakan untuk melatihnya, memahami pola tidak mungkin tanpa pengetahuan domain. Pengenalan suara manusia bekerja sebaik itu karena kita sering kali dapat mengisi lubang dengan mengetahui konteks percakapan saat ini.

Sistem kecerdasan buatan saat ini tidak memiliki pemahaman yang mendalam. Apa yang kita lihat sekarang adalah kecerdasan yang dangkal, kapasitas untuk meniru kemampuan pengenalan manusia yang terisolasi dan terkadang mengungguli manusia dalam tugas-tugas yang terisolasi tersebut. Melatih sistem dengan miliaran contoh hanyalah masalah memiliki data dan mendapatkan akses ke sumber daya komputasi yang cukup — bukan pemecah masalah lagi.

Kemungkinannya, kegunaan kecerdasan buatan pada akhirnya akan gagal dalam propaganda "selamatkan dunia". Mungkin yang akan kita dapatkan hanyalah alat yang luar biasa untuk digunakan praktisi untuk melakukan pekerjaan mereka dengan lebih cepat dan lebih baik.

Michael Berthold adalah CEO dan salah satu pendiri KNIME, sebuah perusahaan analitik data open source. Dia memiliki lebih dari 25 tahun pengalaman dalam ilmu data, bekerja di akademisi, terakhir sebagai profesor penuh di Konstanz University (Jerman) dan sebelumnya di University of California (Berkeley) dan Carnegie Mellon, dan dalam industri di Intel's Neural Network Group, Utopy, dan Tripos. Michael telah menerbitkan banyak artikel tentang analitik data, pembelajaran mesin, dan kecerdasan buatan. Ikuti Michael di  Twitter , LinkedIn dan blog KNIME .   

-

Forum Teknologi Baru menyediakan tempat untuk mengeksplorasi dan mendiskusikan teknologi perusahaan yang sedang berkembang secara mendalam dan luas. Pemilihan ini subjektif, berdasarkan pilihan teknologi yang kami yakini penting dan paling menarik bagi pembaca. tidak menerima jaminan pemasaran untuk publikasi dan berhak untuk mengedit semua konten yang dikontribusikan. Kirim semua pertanyaan ke  [email protected] .