Apa yang perlu Anda ketahui tentang evolusi kecerdasan buatan
Pembelajaran mendalam adalah bentuk pembelajaran mesin yang kuat (ML) yang membangun struktur matematika kompleks yang disebut jaringan saraf menggunakan data dalam jumlah besar (informasi).
Definisi Pembelajaran Mendalam
Pembelajaran mendalam adalah cara menerapkan ML menggunakan beberapa lapisan jaringan saraf untuk memproses jenis data yang lebih kompleks. Kadang-kadang disebut pembelajaran hierarkis, pembelajaran mendalam menggunakan berbagai jenis jaringan syaraf untuk mempelajari fitur-fitur (juga disebut representasi) dan menemukannya dalam sekumpulan besar data mentah tanpa label (data tidak terstruktur). Salah satu demonstrasi terobosan pertama pembelajaran mendalam adalah program yang berhasil mengambil gambar kucing dari kumpulan video YouTube.
Contoh Pembelajaran Mendalam dalam Kehidupan Sehari-hari
Pembelajaran mendalam tidak hanya digunakan dalam pengenalan gambar, tetapi juga terjemahan bahasa, deteksi penipuan, dan untuk menganalisis data yang dikumpulkan oleh perusahaan tentang pelanggan mereka. Misalnya, Netflix menggunakan pembelajaran mendalam untuk menganalisis kebiasaan menonton Anda dan memprediksi acara dan film mana yang Anda sukai. Begitulah cara Netflix tahu untuk menempatkan film aksi dan dokumenter alam dalam antrean saran Anda. Amazon menggunakan pembelajaran mendalam untuk menganalisis pembelian dan item baru-baru ini yang baru saja Anda telusuri untuk membuat saran untuk album musik country baru yang mungkin Anda minati dan bahwa Anda berada di pasar untuk sepasang tenis abu-abu dan kuning sepatu. Karena pembelajaran mendalam memberikan lebih banyak wawasan dari data yang tidak terstruktur dan mentah, perusahaan dapat lebih mengantisipasi kebutuhan pelanggan mereka saat Anda, pelanggan individu mendapatkan layanan pelanggan yang lebih personal.
Jaringan Saraf Tiruan dan Pembelajaran Mendalam
Untuk membuat pembelajaran mendalam lebih mudah dipahami, mari kita kembali perbandingan kami dari jaringan saraf tiruan (JST). Untuk pembelajaran mendalam, bayangkan gedung kantor 15 lantai kami menempati blok kota dengan lima gedung perkantoran lainnya. Ada tiga gedung di setiap sisi jalan. Bangunan kami membangun A dan berbagi sisi jalan yang sama dengan bangunan B dan C. Di seberang jalan dari gedung A sedang membangun 1, dan di seberang gedung B sedang membangun 2, dan seterusnya. Setiap bangunan memiliki jumlah lantai yang berbeda, terbuat dari bahan yang berbeda dan memiliki gaya arsitektur yang berbeda dari yang lain. Namun, setiap bangunan masih diatur di lantai terpisah (lapisan) dari kantor (node) -jadi setiap bangunan adalah JST yang unik.
Bayangkan bahwa paket digital tiba di gedung A, berisi banyak jenis informasi yang berbeda dari berbagai sumber seperti data berbasis teks, aliran video, aliran audio, panggilan telepon, gelombang radio dan foto-foto - namun, tiba dalam satu campur aduk besar dan tidak diberi label atau disortir dengan cara apa pun yang logis (data tidak terstruktur). Informasi dikirim melalui setiap lantai dari tanggal 1 hingga 15 untuk diproses. Setelah informasi campur aduk mencapai lantai 15 (output), itu dikirim ke lantai 1 (masukan) gedung 3 bersama dengan hasil pemrosesan akhir dari gedung A. Bangunan 3 belajar dari dan menggabungkan hasil yang dikirim oleh gedung A dan kemudian memproses informasi campur aduk melalui setiap lantai dengan cara yang sama. Ketika informasi mencapai lantai atas gedung 3, itu dikirim dari sana dengan hasil bangunan itu ke gedung 1. Bangunan 1 belajar dari dan menggabungkan hasil dari membangun 3 sebelum memproses lantai demi lantai. Building 1 menyampaikan informasi dan hasil dengan cara yang sama untuk membangun C, yang memproses dan mengirim ke gedung 2, yang memproses dan mengirim ke bangunan B.
Setiap JST (bangunan) dalam contoh kami mencari fitur yang berbeda dalam data tidak terstruktur (campur aduk informasi) dan meneruskan hasilnya ke gedung berikutnya. Bangunan berikutnya menggabungkan (belajar) keluaran (hasil) dari yang sebelumnya. Karena data diproses oleh setiap JST (bangunan), ia akan diatur dan diberi label (diklasifikasikan) oleh fitur tertentu sehingga ketika data mencapai hasil akhir (lantai teratas) dari JST terakhir (bangunan), itu diklasifikasikan dan diberi label (lebih terstruktur).
Kecerdasan Buatan, Pembelajaran Mesin, dan Pembelajaran Mendalam
Bagaimana pembelajaran mendalam sesuai dengan gambaran keseluruhan kecerdasan buatan (AI) dan ML? Pembelajaran mendalam meningkatkan kekuatan ML dan meningkatkan berbagai tugas AI mampu melakukan. Karena pembelajaran mendalam bergantung pada penggunaan jaring saraf dan mengenali fitur-fitur dalam kumpulan data, bukan algoritma tugas-spesifik yang lebih sederhana, ia dapat menemukan dan menggunakan detail dari data tidak terstruktur (mentah) tanpa perlu programmer untuk melabelinya secara manual terlebih dahulu - suatu waktu tugas konsumsi yang dapat memperkenalkan kesalahan. Pembelajaran mendalam membantu komputer menjadi lebih baik dan lebih baik dalam menggunakan data untuk membantu baik perusahaan maupun individu.