Pembelajaran Mesin (Machine Learning), Kecerdasan Artifisial (Artificial Intelligence), dan Pembelajaran Mendalam (Deep Learning) telah menjadi topik yang muncul di artikel-artikel dalam beberapa tahun belakangan. Penggunaan istilah-istilah di atas juga seringkali dibarengi dengan gambaran tentang masa depan yang boombastis layaknya film-film fiksi ilmiah. Maka dari itu, perlu kiranya kita memahami istilah-istilah tersebut, termasuk apa persamaan dan perbedaan antara ketiganya?
Kecerdasan Artifisial (Artificial Intelligence / AI)
Pada tahun 1950-an, sejumlah ilmuwan di bidang Ilmu Komputer mulai memikirkan apakah sebuah komputer dapat dibuat berfikir. Istilah AI sendiri mulai dikenal sebagai bidang penelitian pada tahun 1956 ketika John McCarthy mengorganisir suatu workshop dengan proposal berikut:
"The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it. An attempt will be made to find how to make machines use language, form abstractions and concepts, solve kinds of problems now reserved for humans, and improve themselves. We think that a significant advance can be made in one or more of these problems if a carefully selected group of scientists work on it together for a summer."
Singkatnya, AI bisa dideskripsikan sebagai "Usaha untuk mengotomasi aktivitas intelektual yang normalnya dikerjakan oleh manusia". Di dalam AI tercakup pula Pembelajaran Mesin (Machine Learning) dan Pembelajaran Mendalam (Deep Learning), namun di dalamnya juga tercakup pendekatan yang tidak mencakup proses learning. Hingga tahun 80-an, mayoritas AI tidak menggunakan learning melainkan berupa rules yang didefinisikan manual oleh manusia. Pendekatan ini dikenal dengan Symbolic AI yang dominan dari kurun waktu 50-an hingga 80-an.
Pembelajaran Mesin (Machine Learning / ML)
Jika biasanya komputer bekerja berdasarkan rules yang telah dituliskan secara eksplisit oleh seorang programer. ML melakukan sebaliknya, di sini mesin melihat data masukan dan output yang ada kemudian mencari rules yang tersembunyi di dalamnya. Suatu sistem ML tidak diprogram secara eksplisit melainkan dilatih. Sebagai contoh, untuk melakukan klasifikasi pada suatu gambar, kita memberikan sistem banyak contoh gambar yang sebelumnya telah diberikan label secara manual oleh manusia, kemudian sistem akan mempelajari rules secara statistik untuk mengasosiasikan suatu gambar dengan labelnya.
Meskipun baru dikembangkan pada tahun 90-an. Tren yang didorong oleh ketersediaan data dan perangkat keras yang memadai menyebabkan ML dengan cepat menjadi subbidang AI yang paling sukses dan populer.
Learning Rules dan Representasi dari Data
Sebelum masuk ke Deep Learning, kita perlu memahami apa yang dilakukan oleh algoritma ML. Setidaknya ada 3 hal yang diperlukan:
Data input,
Contoh dari output yang diinginkan,
Metode untuk menentukan apakah algoritma berjalan dengan baik.
Model ML memberikan output dari input yang diberikan pada model, suatu proses dipelajari (learned) dari rangkaian contoh input dan output yang diberikan. Maka, tujuan dari ML dan DL sendiri adalah untuk mempelajari representasi yang baik dari data input sehingga dapat memberikan output yang baik dan mendekati aslinya.
Representasi sendiri merupakan cara-cara yang ada untuk melihat data, sebagai contoh suatu gambar bisa direpresentasikan ke dalam format RGB (red-green-blue) ataupun HSV (hue-saturation-value). Contoh lainnya kita bisa melihat data yang direpresentasikan dalam gambar di bawah ini:
Kita punya beberapa data berwarna putih dan hitam. Maka pada kasus ini bisa dilihat:
Input adalah koordinat dari data
Output adalah warna dari data
Cara untuk mengukur untuk mengukur apakah algoritma berjalan baik atau tidak, contohnya adalah melihat persentasi data yang diklasifikasi dengan benar.
Ringkasnya, yang dilakukan ML adalah mencari representasi dan rules yang sesuai untuk mentransformasikan input ke dalam output. Ide sederhana inilah yang pada pengembangannya mampu memberikan pada permasalahan kompleks dari speech recognition hingga autonomous driving.
"Deep" dalam "Deep Learning"
Kata 'Deep' di dalam Deep Learning merujuk kepada cakupan lapisan representasi yang ada. Berapa banyak lapisan yang berkontribusi ke sebuah model, arsitektur-arsitektur modern seringkali melibatkan puluhan hingga ratusan layer.
Bagaimana representasi yang dipelajari oleh Deep Learning itu? Kita bisa membayangkannya seperti lapisan pemecahan informasi, dimana di tiap tahapan informasi yang diterima akan semakin 'murni'.
Secara teknis seperti itulah Deep Learning, mempelajari data secara bertingkat. Mungkin secara mekanisme terlihat sederhana, namun pada prakteknya bisa dikembangkan sedemikian rupa hingga bisa melakukan tugas-tugas yang menakjubkan.
Sumber: Chollet, Francois. Deep Learning with Python. 2nd ed. Manning Publications, 2021.