Pembelajaran Mendalam, kecerdasan buatan, dan pembelajaran mesin untuk boneka: dijelaskan dengan sebuah contoh

Apakah Anda ingin menonjolkan kecerdasan Anda bersama rekan kerja atau memukau teman Anda dalam percakapan tentang topik teknis terkini? Sebutkan “Kecerdasan Buatan” atau “Pembelajaran Mesin” dalam percakapan dan selesai. Istilah “Kecerdasan Buatan” kini santer terdengar. Pemrogram ingin mempelajari AI. Para pemimpin ingin menerapkan AI dalam layanan mereka. Namun dalam praktiknya, bahkan para profesional pun tidak selalu memahami apa itu “AI”. Artikel ini dimaksudkan untuk membantu Anda memahami istilah “kecerdasan buatan” dan “pembelajaran mesin”. Anda juga akan mempelajari cara kerja Deep Learning, jenis pembelajaran mesin yang paling populer. Dan yang penting, instruksi ini ditulis dalam bahasa yang cukup mudah dipahami. Matematika di sini tidak akan terlalu sulit untuk dipahami.

Dasar-dasar

Langkah pertama untuk memahami apa itu Pembelajaran Mendalam adalah memahami perbedaan antara istilah-istilah kuncinya. Gambar: Datanami

Kecerdasan Buatan vs Pembelajaran Mesin

Kecerdasan buatan (AI atau AI agnl.) adalah upaya meniru proses berpikir manusia oleh komputer. Ketika penelitian di bidang Kecerdasan Buatan baru dimulai, para ilmuwan mencoba meniru perilaku kecerdasan manusia secara ketat dalam kondisi tertentu, yaitu mempertajamnya untuk memecahkan masalah tertentu. Misalnya agar mesin bisa memainkan game. Mereka menetapkan sejumlah aturan yang harus dipatuhi oleh mesin komputasi. Komputer memiliki daftar tindakan yang mungkin dilakukan, dan membuat keputusan berdasarkan aturan dan batasan yang ditetapkan selama tahap desain. ML memungkinkan komputer untuk belajar sendiri. Jenis pembelajaran ini memanfaatkan teknologi komputasi modern, yang dapat dengan mudah memproses data dalam jumlah besar.

Pembelajaran yang diawasi vs Pembelajaran tanpa pengawasan

Pembelajaran yang diawasi menggunakan kumpulan data berlabel yang terdiri dari masukan dan keluaran yang diharapkan. Saat Anda melatih kecerdasan buatan menggunakan pembelajaran yang diawasi, Anda memberikan data sebagai masukan dan menentukan keluaran yang seharusnya. Jika hasil yang dihasilkan AI berbeda dengan yang diharapkan, maka AI harus memperbaiki perhitungannya. Proses ini diulangi berkali-kali pada susunan data selama AI melakukan kesalahan. Contoh pembelajaran yang diawasi adalah Kecerdasan Buatan yang memprediksi cuaca. Ia belajar memprediksi cuaca menggunakan data historis. Data masukannya adalah tekanan, kelembaban dan kecepatan angin, dan sebagai hasilnya kita harus mendapatkan suhu. Pembelajaran tanpa pengawasan adalah tugas yang terdiri dari pelatihan AI menggunakan data tidak terstruktur. Saat Anda melatih kecerdasan buatan menggunakan pembelajaran tanpa pengawasan, Anda mengaktifkan AI untuk membuat klasifikasi data yang logis. Contoh kecerdasan buatan yang menggunakan pembelajaran mesin tanpa pengawasan adalah robot prediktor perilaku pelanggan di toko online. Ia belajar tanpa menggunakan masukan dan keluaran yang telah diketahui sebelumnya. Sebaliknya, ia harus mengklasifikasikan data masukan itu sendiri. Algoritme harus mengidentifikasi dan memberi tahu Anda tipe pengguna mana yang lebih menyukai produk mana.

Cara kerja pembelajaran mesin

Jadi, Deep Learning adalah salah satu pendekatan pembelajaran mesin. Ini memungkinkan Anda untuk memprediksi hasil dari data masukan yang diberikan. Untuk melatih AI, Anda dapat menggunakan kedua opsi di atas: pembelajaran yang diawasi dan tanpa pengawasan. Kita akan memahami cara kerja Deep Learning menggunakan contoh yang jelas: katakanlah kita perlu mengembangkan layanan untuk memprediksi harga perjalanan udara. Kami akan melatih algoritme kami menggunakan metode yang diawasi. Kami ingin layanan prediksi harga perjalanan udara kami memprediksi harga berdasarkan input data berikut (kami tidak memperhitungkan penerbangan pulang untuk kemudahan presentasi):

• Bandara keberangkatan;
• bandara kedatangan;
• tanggal keberangkatan yang direncanakan;
• perusahaan penerbangan.

Jaringan Syaraf Mari kita lihat otak dari kecerdasan buatan. Seperti halnya makhluk hidup biologis, prediktor kita memiliki neuron di “kepalanya”. Dalam gambar tersebut disajikan dalam bentuk lingkaran. Neuron terhubung satu sama lain. Pada gambar, neuron digabungkan menjadi tiga kelompok lapisan:

• lapisan masukan;
• lapisan tersembunyi 1 (lapisan tersembunyi 1) dan lapisan tersembunyi 2 (lapisan tersembunyi 2);
• lapisan keluaran.

Beberapa data masuk ke lapisan input. Dalam kasus kami, kami memiliki empat neuron pada lapisan masukan: bandara keberangkatan, bandara kedatangan, tanggal keberangkatan, maskapai penerbangan. Lapisan masukan meneruskan data ke lapisan tersembunyi pertama. Lapisan tersembunyi melakukan perhitungan matematis berdasarkan data masukan yang diterima. Salah satu permasalahan utama dalam membangun jaringan saraf adalah pemilihan jumlah lapisan tersembunyi dan jumlah neuron di setiap lapisan. Lapisan keluaran mengembalikan informasi yang dihasilkan kepada kita. Dalam kasus kami, harga penerbangan yang diharapkan. Kami telah melewatkan hal yang paling menarik sejauh ini: bagaimana tepatnya harga yang diharapkan dihitung? Di sinilah keajaiban Pembelajaran Mendalam dimulai. Setiap koneksi antar neuron diberi bobot (koefisien) tertentu. Bobot ini menentukan pentingnya nilai masukan. Bobot awal ditetapkan secara acak. Saat memperkirakan biaya perjalanan udara, tanggal keberangkatan paling mempengaruhi harga. Oleh karena itu, koneksi neuron “tanggal keberangkatan” memiliki bobot lebih. Setiap neuron memiliki fungsi aktivasi yang melekat padanya. Sulit untuk memahami fungsi ini tanpa pengetahuan matematika. Jadi mari kita buat penyederhanaan: inti dari fungsi aktivasi adalah untuk “menstandarkan” keluaran dari neuron. Setelah kumpulan data melewati semua lapisan jaringan saraf, ia mengembalikan hasilnya melalui lapisan keluaran. Sejauh ini semuanya jelas, bukan?

Pelatihan jaringan saraf

Melatih jaringan saraf adalah bagian tersulit dari Pembelajaran Mendalam! Mengapa? Karena Anda membutuhkan data dalam jumlah besar. Karena Anda membutuhkan lebih banyak daya komputasi. Untuk proyek kami, kami perlu menemukan data historis tiket pesawat. Selain itu, untuk semua kemungkinan kombinasi bandara keberangkatan dan tujuan, tanggal keberangkatan dan maskapai penerbangan yang berbeda. Kami membutuhkan data harga tiket dalam jumlah yang sangat besar. Kita harus memasukkan data masukan dari kumpulan kita ke masukan jaringan saraf kita dan memeriksa apakah data tersebut cocok dengan hasil yang sudah kita miliki. Jika hasil yang diperoleh kecerdasan buatan berbeda dari yang diharapkan, berarti kecerdasan buatan tersebut belum cukup terlatih. Setelah kami menjalankan seluruh data melalui jaringan saraf, kami dapat membangun fungsi yang akan menunjukkan betapa berbedanya hasil AI dari hasil sebenarnya dalam kumpulan data kami. Fungsi seperti ini disebut fungsi biaya . Dalam kasus ideal yang kita perjuangkan dengan sekuat tenaga, nilai fungsi biaya kita sama dengan nol. Artinya, hasil biaya yang dipilih oleh jaringan saraf tidak berbeda dengan biaya tiket sebenarnya dalam kumpulan data kami.

Bagaimana cara mengurangi nilai fungsi biaya?

Kami mengubah bobot koneksi antar neuron. Hal ini dapat dilakukan secara acak, namun pendekatan ini tidak efisien. Sebagai gantinya, kita akan menggunakan metode yang disebut Gradient Descent . Algoritme ini bekerja dengan meningkatkan bobot secara bertahap setelah setiap iterasi baru dalam memproses kumpulan data kami. Dengan menghitung turunan (atau gradien) fungsi biaya untuk kumpulan bobot tertentu, kita dapat melihat ke arah mana letak nilai minimumnya. Dalam gambar: Bobot awal - bobot awal, Biaya minimum global - minimum global dari fungsi biaya. Untuk meminimalkan fungsi biaya, kita harus melakukan penghitungan pada kumpulan data kita berkali-kali. Inilah sebabnya mengapa Anda memerlukan banyak daya komputasi. Bobot diperbarui secara otomatis menggunakan metode penurunan gradien. Inilah keajaiban Pembelajaran Mendalam! Setelah kami melatih layanan prediksi harga penerbangan AI, kami dapat menggunakannya dengan aman untuk memprediksi harga dalam kenyataan.

Mari kita simpulkan...

• Pembelajaran mendalam menggunakan jaringan saraf untuk mensimulasikan kecerdasan.
• Ada tiga jenis neuron dalam jaringan saraf: lapisan masukan, lapisan tersembunyi, lapisan keluaran.
• Setiap koneksi antar neuron memiliki bobotnya masing-masing, yang menunjukkan pentingnya masukan tersebut.
• Neuron menggunakan fungsi aktivasi untuk “menstandarkan” keluaran dari neuron.
• Untuk melatih jaringan saraf, Anda memerlukan data dalam jumlah besar.
• Jika kita memproses array data menggunakan jaringan saraf dan membandingkan data keluaran dengan data sebenarnya, kita akan mendapatkan fungsi biaya yang menunjukkan seberapa besar kesalahan AI.
• Setelah setiap pemrosesan data, bobot antar neuron disesuaikan menggunakan metode penurunan gradien untuk mencapai pengurangan fungsi biaya.

Tautan ke asli