Jaringan saraf: tempat lahirnya AI masa depan atau sekadar tren teknologi lainnya?

Dalam materi di JavaRush, kami telah menyentuh topik kecerdasan buatan (AI), pembelajaran mesin, dan teknologi lain yang terkait dengan AI dalam satu atau lain cara. Secara khusus, kami telah membicarakan tentang bagaimana kecerdasan buatan terkait dengan pemrograman di Java , membahas mitos dan cerita horor tentang AI , dan dalam sejumlah artikel kami menyebutkan teknologi utama yang digunakan di bidang ini. Oleh karena itu, kami memutuskan bahwa sekarang adalah saat yang tepat untuk mempelajari lebih dalam bidang AI, dan melihat lebih dekat teknologi yang sebenarnya mendasari AI modern dan pembelajaran mesin – jaringan saraf. Yaitu: bagaimana konsep jaringan syaraf tiruan awalnya berasal dan bagaimana teknologi ini diubah menjadi kondisi saat ini, bagaimana jaringan syaraf tiruan berbeda dari neuron di otak manusia, apakah mereka benar-benar tahu cara belajar, dan apa yang benar-benar mampu mereka lakukan saat ini.

Jaringan saraf tiruan dan otak manusia. Sama?

Awalnya, jaringan saraf komputer mendapat nama ini karena prinsip desainnya menyerupai sistem neuron di otak manusia. Jadi, rata-rata otak manusia mencakup lebih dari 100 juta sel kecil yang disebut neuron. Kenyataannya, tidak ada seorang pun yang mengetahui secara pasti berapa banyak sel-sel seperti itu yang ada di otak manusia - perkiraannya berkisar antara 50 hingga 500 miliar.Setiap neuron terdiri dari badan sel dengan banyak dendrit (input sel - mengirimkan informasi ke sel). ) dan satu akson ( keluaran sel - mengirimkan informasi dari sel). Neuron sangat kecil sehingga sekitar seratus sel ini dapat ditempatkan di area seluas satu milimeter persegi. Di dalam komputer, yang setara dengan neuron adalah perangkat switching kecil yang disebut transistor. Mikroprosesor modern terkini (komputer chip tunggal) mengandung lebih dari 30 miliar transistor. Bahkan mikroprosesor Pentium pertama, yang dibuat sekitar 20 tahun lalu, memiliki sekitar 50 juta transistor yang dikemas dalam satu sirkuit terintegrasi dengan luas hanya 25 mm. Faktanya, kata para ahli, di sinilah hubungan antara prosesor komputer dan neuron di otak manusia berakhir, karena jika tidak, keduanya sangat berbeda satu sama lain dan bekerja dengan cara yang sangat berbeda. Transistor komputer dihubungkan dalam rangkaian seri yang relatif sederhana, yang masing-masing dapat dihubungkan ke dua atau tiga rangkaian lainnya, sedangkan neuron di otak terhubung erat dengan cara paralel yang kompleks. Dengan demikian, para ilmuwan telah menghitung bahwa setiap neuron dapat terhubung ke lebih dari 10 ribu tetangganya.

Apa itu jaringan saraf tiruan?

Jadi, perbedaan struktural paling signifikan antara komputer dan neuron di otak adalah cara kerjanya. Ide dasar di balik jaringan saraf adalah untuk mensimulasikan, atau, jika Anda mau, memodelkan, dalam bentuk yang disederhanakan, pengoperasian banyak neuron yang saling berhubungan di otak. Hal inilah yang memungkinkan jaringan saraf dapat melakukan hal-hal yang tidak dapat dilakukan oleh mikroprosesor biasa, yaitu mempelajari, mengenali pola, dan mengambil keputusan dengan prinsip yang mirip dengan otak manusia. Namun, penting untuk ditekankan bahwa saat ini, jaringan saraf adalah emulasi perangkat lunak sederhana dari kerja neuron di otak. Jaringan saraf tipikal berisi beberapa puluh hingga ratusan, ribuan, atau bahkan jutaan neuron buatan, yang disebut unit, yang tersusun dalam beberapa lapisan. Beberapa dari unit ini, yang disebut unit masukan, bertanggung jawab untuk menerima berbagai bentuk informasi dari dunia luar, yang kemudian akan dipelajari, diingat, dan diproses oleh jaringan saraf dengan cara lain. Unit lain, yang disebut unit keluaran, terletak di sisi berlawanan dari jaringan, bertanggung jawab atas bagaimana jaringan berinteraksi dengan informasi ini. Di antara kedua lapisan ini terdapat unit lain yang melakukan komputasi dan membentuk sebagian besar jaringan saraf. Sebagian besar jaringan saraf saling berhubungan, artinya setiap unit terhubung ke unit lain dalam lapisan di kedua sisi. Hubungan antar satuan direpresentasikan dengan suatu bilangan yang disebut bobot. Bobot dalam jaringan saraf bisa positif (jika satu unit mengaktifkan unit lainnya) atau negatif (jika satu unit menekan atau melemahkan unit lainnya). Semakin tinggi bobotnya, semakin besar pengaruh suatu unit terhadap unit lainnya. Jaringan saraf sederhana yang dirancang untuk memecahkan masalah sederhana mungkin hanya mencakup tiga lapisan dasar, seperti yang ditunjukkan pada gambar. Namun, antara lapisan masukan dan keluaran dapat terdapat sejumlah lapisan berbeda yang menjalankan fungsi berbeda. Jaringan saraf dengan struktur yang lebih kompleks (daripada ilustrasi di atas) disebut jaringan saraf dalam dan biasanya digunakan untuk memecahkan masalah yang kompleks. Secara teori, penggunaan struktur dalam memungkinkan jaringan saraf memetakan semua jenis data masukan ke semua jenis data keluaran, sehingga mampu memecahkan masalah apa pun. Namun, untuk melakukan hal ini, jaringan saraf memerlukan “pelatihan” yang serius dan panjang, yang terdiri dari pemrosesan jutaan bahkan miliaran contoh informasi yang perlu digunakan oleh jaringan.

Jaringan saraf: sedikit sejarah

Baiklah, kita sudah memilah penjelasan dasar tentang apa sebenarnya jaringan saraf, sekarang kita bisa mundur sedikit tentang teorinya dan berbicara tentang sejarah teknologi ini dan kapan teknologi itu muncul. Ini mungkin mengejutkan banyak orang, tetapi jaringan saraf muncul dalam sains lebih dari 70 tahun yang lalu. Konsep ini pertama kali dikemukakan pada tahun 1944 oleh Warren McCullough dan Walter Pitts, dua peneliti di Universitas Chicago yang pindah ke Institut Teknologi Massachusetts pada tahun 1952, di mana mereka mendirikan kelompok penelitian ilmu kognitif pertama. Jaringan saraf sebenarnya merupakan bidang penelitian utama di bidang ilmu saraf dan ilmu komputer hingga tahun 1969. Artinya, teknologi ini, yang mendasari sistem kecerdasan buatan modern, dalam istilah modern telah menjadi hype selama lebih dari satu dekade penuh - dari sekitar pertengahan tahun lima puluhan hingga akhir tahun enam puluhan. Dipercayai bahwa "pembunuh" hype ini adalah sebuah buku yang ditulis oleh dua ilmuwan komputer - Marvin Minsky dan Seymour Papert - yang dalam karyanya mengungkapkan semua keterbatasan jaringan saraf. Faktanya adalah jaringan saraf awal hanya memiliki satu atau dua lapisan yang dapat dilatih. Minsky dan Papert menunjukkan bahwa jaringan sederhana seperti itu secara matematis tidak mampu memodelkan fenomena kompleks di dunia nyata. Akibatnya, minat terhadap jaringan saraf sebagai sebuah teknologi hilang selama bertahun-tahun - sepanjang tahun tujuh puluhan dan paruh pertama tahun delapan puluhan, secara obyektif hanya sedikit perhatian yang diberikan kepada jaringan tersebut. Minat baru muncul kembali pada tahun 1986, dengan diterbitkannya makalah yang memperkenalkan konsep propagasi mundur, sebuah metode praktis untuk melatih jaringan saraf dalam. Berkat propagasi mundur, jaringan saraf dalam menjadi lebih ramah komputasi, namun masih memerlukan sumber daya komputasi yang besar untuk beroperasi. Dan penelitian pada tahun 1990-an dan 2000-an sering kali menunjukkan bahwa jaringan saraf yang kompleks tidak memberikan hasil yang diinginkan dalam hal efisiensi. Akibatnya, jaringan saraf tidak lagi populer untuk sementara waktu dan baru muncul kembali pada dekade kedua tahun 2000-an, sebagian besar disebabkan oleh peningkatan daya komputasi chip grafis, yang memungkinkan jaringan saraf dalam bekerja lebih efisien daripada sebelumnya. Fenomena siklus seperti itu dalam sains secara umum dapat dijelaskan dengan baikTomaso Poggio, profesor di Massachusetts Institute of Technology: “Ada penjelasan bahwa ide-ide dalam sains menyebar dengan cara yang sama seperti virus. Misalnya, ada lima atau enam jenis utama virus influenza, dan masing-masing jenis ini muncul kembali setiap 25 tahun sekali. Orang terinfeksi, mengembangkan kekebalan, dan terlindungi dari infeksi selama 25 tahun ke depan. Dan kemudian generasi baru datang dan kembali terinfeksi jenis virus yang sama. Dalam sains, orang-orang jatuh cinta pada ide-ide dan mengerjakannya sampai kelelahan, sehingga mereka mengembangkan kekebalan dalam bentuk kelelahan ide. Dan kemudian ide tersebut muncul kembali pada generasi ilmuwan lainnya.” Mengingat fakta bahwa jaringan saraf dan teknologi kecerdasan buatan masih merupakan teknologi yang cukup baru dan terbelakang, ada kemungkinan bahwa hype seputar teknologi ini akan segera mulai berkurang lagi, dan akan kembali lagi dalam beberapa dekade berikutnya.

Bagaimana jaringan saraf belajar?

Biasanya, informasi melewati jaringan saraf dengan dua cara. Ketika jaringan baru belajar atau sudah berjalan setelah pelatihan, pola informasi masuk melalui unit masukan, yang meluncurkan lapisan unit tersembunyi, yang kemudian masuk ke unit keluaran. Struktur keseluruhan ini disebut jaringan feedforward. Tidak semua unit bekerja pada waktu yang sama. Setiap unit menerima data yang masuk dari unit di sebelah kiri dan mengalikannya dengan bobot koneksi yang dilewatinya. Setiap unit menjumlahkan semua data yang diterimanya dengan cara ini dan, dalam jenis jaringan yang paling sederhana, jika jumlahnya melebihi ambang batas tertentu, unit tersebut akan mengaktifkan unit lain yang terhubung dengannya (yang ada di sebelah kanan). Salah satu poin penting yang memungkinkan jaringan saraf mana pun untuk belajar adalah umpan balik. Sama seperti seorang anak yang perlu dibesarkan oleh orang dewasa yang akan memberitahunya apa yang baik dan apa yang buruk, jaringan saraf juga memerlukan umpan balik dan bimbingan. Mereka menggunakan pendekatan untuk pelatihan yang disebut backpropagation . Dalam metode ini, jaringan membandingkan keluaran yang dihasilkannya dengan keluaran yang seharusnya dihasilkan, dan menggunakan selisih antara kedua faktor tersebut untuk mengubah bobot hubungan antar unit dalam jaringan, dari unit keluaran, melalui unit perantara ke unit masukan - yaitu sebaliknya. Seiring waktu, propagasi mundur memaksa jaringan untuk belajar, mengurangi perbedaan antara keluaran aktual dan perkiraan ke titik di mana keduanya sama persis.

Bagaimana cara kerja jaringan saraf dan di mana digunakan?

Dan terakhir, mari kita lihat contoh cara kerja jaringan saraf tersebut. Setelah jaringan saraf memiliki cukup contoh data untuk dilatih, jaringan tersebut mencapai titik di mana pengguna dapat memasukkan data yang benar-benar baru yang belum pernah diproses oleh jaringan sebelumnya dan mendapatkan hasil yang diinginkan darinya. Misalnya, Anda melatih jaringan saraf Anda untuk mendeteksi senjata ketika senjata itu muncul di suatu tempat dalam pandangan kamera keamanan. Anda melatih jaringan dengan menampilkan ratusan, ribuan, dan puluhan ribu gambar berbagai jenis senjata, seperti pistol dan senapan. Suatu saat, Anda mengunggah gambar senjata jenis baru yang belum pernah diperlihatkan kepadanya sebelumnya, misalnya pistol. Hasilnya, jaringan berhasil mengidentifikasi objek tersebut sebagai senjata berdasarkan sejumlah kriteria dasar, seperti bentuk umum, keberadaan pegangan dan pantat, keberadaan pemicu, dan sebagainya. Artinya, jaringan saraf menentukan senjata dalam gambar berdasarkan sejumlah pola yang “dipelajari”. Namun, tentu saja, ini tidak berarti bahwa jaringan saraf dapat melihat data baru dan mengambil keputusan secara mandiri, seperti yang dilakukan manusia. Ia menerima semua informasi dalam bentuk kode biner, dan masing-masing unit input (informasi ke dalam jaringan) hanya dapat berada di dua posisi: hidup atau mati. Oleh karena itu, jika Anda, dengan menggunakan contoh yang sama, melatih jaringan saraf untuk menemukan senjata, informasi tersebut akan melewati serangkaian unit masukan yang menjawab pertanyaan dasar “ya/tidak”. Misalnya seperti: apakah objek tersebut mempunyai trigger?; apakah ada moncongnya?; apakah benda tersebut terbuat dari logam?; apakah bentuknya cocok dengan pistol? Oleh karena itu, untuk senjata, respons jaringan adalah: “ya, ya, ya, tidak” atau “1110” dalam kode biner. Tentu saja, dalam sistem nyata akan ada lebih banyak pertanyaan seperti itu, tetapi intinya tetap sama: jaringan saraf menerima data dalam bentuk kode biner, dan dengan bantuannya belajar membedakan informasi yang diperlukan dari informasi yang tidak perlu. Sekarang, dengan mengetahui mekanisme dasar jaringan saraf, mudah untuk membayangkan bagaimana teknologi ini digunakan untuk memecahkan berbagai masalah saat ini. Misalnya, contoh klasiknya adalah penggunaan jaringan saraf untuk mencegah penipuan bank - ketika sistem belajar menemukan secara mandiri dan langsung memblokir transfer yang karena satu dan lain hal tampak mencurigakan. Atau, misalnya, penggunaan jaringan saraf untuk autopilot dasar mobil atau pesawat terbang: ketika unit masukan menerima informasi dari sistem kontrol yang berbeda, dan unit keluaran menyesuaikan mode uji coba sesuai dengan jalur yang diberikan.

kesimpulan

Sekarang Anda melihat bahwa jaringan saraf adalah teknologi yang secara keseluruhan relatif tidak rumit dan benar-benar menggerakkan komputer dan sistem komputer selangkah lebih maju, lebih dekat dengan manusia. Di sisi lain, jelas juga bahwa jaringan saraf masih belum serumit dan seefisien otak manusia. Jadi mari kita bersyukur bahwa kita semua dilahirkan dengan jaringan saraf canggih yang tertanam langsung di otak kita, dan mari kita gunakan kekayaan alam ini lebih sering, misalnya untuk pembelajaran dan pengembangan diri.