Komputer tidak mengambil alih tetapi mereka semakin pintar setiap hari
Dalam istilah yang paling sederhana, pembelajaran mesin (ML) adalah pemrograman mesin (komputer) sehingga dapat melakukan tugas yang diminta dengan menggunakan dan menganalisis data (informasi) untuk melakukan tugas itu secara mandiri, tanpa masukan khusus tambahan dari pengembang manusia.
Pembelajaran Mesin 101
Istilah "pembelajaran mesin" diciptakan di laboratorium IBM pada tahun 1959 oleh Arthur Samuel, pelopor dalam kecerdasan buatan (AI) dan permainan komputer. Pembelajaran mesin, sebagai hasilnya, adalah cabang dari Artificial Intelligence. Premis Samuel adalah membalik model komputasi dari waktu ke atas dan berhenti memberi komputer hal-hal untuk dipelajari.
Sebaliknya, ia ingin komputer mulai mencari tahu hal-hal sendiri, tanpa manusia harus memasukkan bahkan informasi terkecil sekalipun. Kemudian, dia berpikir, komputer tidak hanya melaksanakan tugas tetapi pada akhirnya dapat memutuskan tugas yang harus dilakukan dan kapan. Mengapa? Sehingga komputer dapat mengurangi jumlah pekerjaan yang dibutuhkan manusia untuk melakukan di area tertentu.
Cara Kerja Mesin Pembelajaran
Pembelajaran mesin bekerja melalui penggunaan algoritma dan data. Algoritme adalah seperangkat instruksi atau pedoman yang memberi tahu komputer atau program bagaimana melakukan suatu tugas. Algoritma yang digunakan dalam ML mengumpulkan data, mengenali pola, dan menggunakan analisis data tersebut untuk menyesuaikan program dan fungsinya sendiri untuk menyelesaikan tugas.
Algoritma ML menggunakan kumpulan aturan, pohon keputusan, model grafis, pemrosesan bahasa alami, dan jaringan syaraf (untuk beberapa nama) untuk mengotomatisasi pemrosesan data untuk membuat keputusan dan melakukan tugas. Meskipun ML dapat menjadi topik yang kompleks, Google Teachable Machine menyediakan demonstrasi langsung tentang cara kerja ML.
Bentuk pembelajaran mesin yang paling kuat yang digunakan saat ini, yang disebut pembelajaran mendalam , membangun struktur matematika kompleks yang disebut jaringan saraf, berdasarkan data dalam jumlah besar. Neural networks adalah set algoritma dalam ML dan AI yang dimodelkan setelah sel-sel saraf di otak manusia dan informasi proses sistem saraf.
Kecerdasan Buatan vs. Pembelajaran Mesin vs. Penambangan Data
Untuk memahami hubungan antara AI, ML, dan penambangan data, ada baiknya untuk memikirkan satu set payung berukuran berbeda. AI adalah payung terbesar. Payung ML adalah ukuran yang lebih kecil dan cocok di bawah payung AI. Payung penambangan data adalah yang terkecil dan cocok di bawah payung ML.
- AI adalah cabang ilmu komputer yang bertujuan untuk memprogram komputer untuk melakukan tugas dengan cara yang lebih "cerdas" dan "mirip manusia", menggunakan teknik penalaran dan pengambilan keputusan yang meniru kecerdasan manusia.
- ML adalah kategori komputasi dalam AI yang difokuskan pada mesin pemrograman (komputer) untuk belajar (mengumpulkan data atau contoh yang diperlukan) untuk membuat keputusan cerdas yang digerakkan oleh data dengan cara yang lebih otomatis.
- Penambangan data menggunakan statistik, ML, AI, dan basis data informasi yang sangat besar untuk menemukan pola, memberikan wawasan, membuat klasifikasi, mengidentifikasi masalah, dan menyampaikan analitik data terperinci.
Apa yang Dapat Dilakukan Pembelajaran Mesin (dan Sudah Dilakukan)
Kapasitas komputer untuk menganalisis sejumlah besar informasi dalam pecahan detik membuat ML berguna dalam sejumlah industri di mana waktu dan ketepatan sangat penting.
- Pengobatan: teknologi ML sedang dilaksanakan dalam berbagai solusi untuk bidang medis, termasuk membantu dokter gawat darurat dengan diagnosis yang lebih cepat dari pasien dengan gejala yang tidak biasa. Dokter dapat memasukkan daftar gejala pasien ke dalam program dan menggunakan ML, program ini dapat menjelajahi trilyunan terabita informasi dari literatur medis dan internet untuk mengembalikan daftar diagnosis potensial dan pengujian atau perawatan yang direkomendasikan dalam waktu singkat.
- Pendidikan: ML digunakan untuk membuat alat pendidikan yang menyesuaikan diri dengan kebutuhan belajar siswa, seperti asisten belajar virtual dan buku teks elektronik yang lebih interaktif. Alat-alat ini menggunakan ML untuk menemukan konsep dan keterampilan apa yang siswa pahami menggunakan kuis dan latihan latihan singkat. Alat kemudian menyediakan video pendek, contoh tambahan, dan materi latar belakang untuk membantu siswa mempelajari keterampilan atau konsep yang dibutuhkan.
- Otomotif: ML juga merupakan komponen kunci dalam bidang yang muncul dari mobil self-driving (juga disebut mobil tanpa pengemudi atau mobil otonom). Perangkat lunak yang mengoperasikan mobil self-driving menggunakan ML selama uji jalan nyata dan simulasi untuk mendeteksi kondisi jalan (seperti jalan licin) atau mengidentifikasi rintangan di jalan dan mempelajari tugas mengemudi yang tepat untuk menavigasi situasi tersebut dengan aman.
Anda mungkin sudah menemukan ML berkali-kali tanpa menyadarinya. Beberapa penggunaan teknologi ML yang lebih umum termasuk pengenalan suara praktis ( Samsung Bixby , Siri Apple, dan banyak program talk-to-text yang sekarang standar pada PC), pemfilteran spam untuk email Anda, pembuatan feed berita, mendeteksi penipuan, personalisasi rekomendasi belanja, dan memberikan hasil pencarian web yang lebih efektif.
ML bahkan terlibat dalam feed Facebook Anda. Bila Anda suka atau mengklik posting teman secara berkala, algoritme dan ML di belakang layar "belajar" dari tindakan Anda dari waktu ke waktu untuk memprioritaskan teman atau halaman tertentu di Umpan Berita Anda.
Apa yang Tidak Dapat Dilakukan Mesin Pembelajaran?
Namun, ada batasan untuk apa yang dapat dilakukan ML. Sebagai contoh, penggunaan teknologi ML dalam industri yang berbeda membutuhkan sejumlah besar pengembangan dan pemrograman oleh manusia untuk mengkhususkan program atau sistem untuk jenis tugas yang diperlukan oleh industri tersebut. Misalnya, dalam contoh medis kami di atas, program ML yang digunakan di departemen darurat dikembangkan khusus untuk pengobatan manusia. Saat ini tidak mungkin untuk mengambil program yang tepat dan langsung menerapkannya di pusat darurat hewan. Transisi seperti itu membutuhkan spesialisasi dan pengembangan ekstensif oleh pemrogram manusia untuk menciptakan versi yang mampu melakukan tugas ini untuk kedokteran hewan atau hewan.
Ini juga membutuhkan data dan contoh yang sangat banyak untuk "mempelajari" informasi yang dibutuhkan untuk membuat keputusan dan melakukan tugas. Program ML juga sangat literal dalam interpretasi data dan perjuangan dengan simbolisme dan juga beberapa jenis hubungan dalam hasil data, seperti sebab dan akibat.
Kemajuan lanjutan, bagaimanapun, membuat ML lebih dari teknologi inti menciptakan komputer yang lebih cerdas setiap hari.