Apa itu Pembelajaran Mesin? | teknologi ekstrim

Sistem pengetahuan AI telah melewati dunia bisnis, dan meningkatnya gelombang hype terkadang dapat dibenarkan. Jika bagus, berarti benar-benar bagus, ambil contoh, jaringan saraf yang dirancang untuk membantu pelanggan toko roti Jepang menyelesaikan pembayaran lebih cepat, yang merupakan legenda dalam deteksi kanker kulit. Kemampuan menggunakan pengenalan gambar untuk membedakan bentuk individu dari makanan yang dipanggang dengan baik telah menjadi sebuah transfer seni, karena kanker kulit memiliki bentuk dan ciri spesifik yang berubah seiring waktu.

Masalah dengan kontrol ini adalah saya belum bisa melakukannya dengan benar. Bayangkan sebuah mobil berpenggerak roda belakang dengan V8 melaju melewati salju. Pendekatannya seperti sistem yang mati, dan jika tidak ada kepala, AI dapat membuat jalannya. Kemampuan untuk belajar secara otomatis tidak termasuk dalam kerangka jaringan saraf; dan manfaat belajar sangat besar dalam mencapai hasil yang baik.

Pembelajaran Mesin 101

Jadi, apa sebenarnya pembelajaran mesin itu? Dan jika mesin begitu pintar, kenapa kamu masih bodoh?

Inti dari belajar adalah untuk mendapatkan hasil yang lebih baik. Untuk hasil terbaik, sampel harus kuat dan akurat. Pembelajaran mesin adalah bidang studi kecerdasan buatan yang berfokus pada pembuatan algoritma yang dapat belajar dari pengalaman dan dengan demikian meningkatkan kinerjanya.

Tom M. Mitchell, pakar pembelajaran mesin dari Universitas Carnegie Mellon, menyatakannya sebagai berikut: “Sebuah program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa jenis tugas T dan mengukur P—jika menyelesaikan tugas di T. Dari P, rasakan lebih baik E.”

Pembelajaran mesin memiliki dua tugas penting: pengenalan pola dan prediksi. Pengajaran yang efektif menggunakan pengalaman masa lalu untuk berhasil menggeneralisasi, memprediksi, atau memproyeksikan hasil dari suatu peristiwa baru. Untuk membuat tebakan yang akurat, AI perlu mengetahui apa arti dari bagian-bagian pertanyaan tersebut, dan apa hubungan di antara bagian-bagian tersebut. Baru setelah itu musyawarah bisa dimulai.

Jaringan saraf harus memilih melalui bidang pilihan, memilih jalur yang sesuai dengan hubungan mana yang memiliki bobot paling besar. Proses ini dilakukan dengan menggunakan nama turun. Hal ini seperti kerja air: air selalu mengalir menuruni lereng. perbukitan terjal mengalirkan air lebih cepat, dan lembah yang dalam menampungnya. Banyak orang, termasuk nama besar seperti ChatGPT, Copilot, dan Vertex AI Google, melakukan navigasi ini dalam bahasa matematika vektor dan tensor, yang menggambarkan dan membandingkan gerakan antar koordinat dalam ruang n-dimensi. Pembelajaran mesin memungkinkan AI mengubah topografi lanskap keputusan.

Alat AI adalah perangkat lunak: suatu algoritma atau model logis, yang ditulis dalam bahasa pemrograman. (Seringkali Python atau sepupunya, seperti PyTorch.) Contoh-contoh tersebut menggabungkan proses redundan dan berulang dengan ekspansi raksasa yang disebut matriks. Namun pembelajaran mesin lebih dari sekadar menyimpan file. Saat AI belajar, ia mengubah asumsi atau bahkan prosesnya.

Algoritme pelatihan paling umum untuk jaringan saraf (setidaknya, pada tahun 2024) disebut propagasi balik. Informasi yang disebarkan kembali diperlambat dari tahap akhir proses ke tahap awal, karena informasi tersebut memberikan pengaruh hilir.

Pendekatan Pembelajaran Mesin

Melatih jaringan saraf adalah proses mengajarkan cara melakukan tugasnya. Yang terpenting adalah; kumpulan data yang lebih besar biasanya lebih baik. AI yang kuat seperti Copilot dan ChatGPT sangat fleksibel sehingga mereka mengandalkan arketipe logis untuk memahami keseluruhan bahasa untuk masalah yang diberikan. Bahasa, pada gilirannya, ditentukan oleh hubungan antar elemen dalam suatu sistem, seperti kata dan tata bahasa. Kata-kata yang lebih umum digunakan memiliki hubungan yang menurut jaring tidak terlalu penting atau berbobot.

Thomas Malone | MIT Sloan Lihat: Gambar 2.
Kredit: Thomas Malone, Laura Wentzel/MIT Sloan

Secara umum ada tiga jenis pembelajaran mesin, masing-masing memiliki sudut pendekatan dan kasus penggunaan terbaiknya sendiri. Sebelum dapat melakukan tugasnya, jaringan saraf harus dilatih agar mampu memperluas masalah dalam konteks apa pun, yang umumnya memungkinkan hal tersebut. Jika program ini diselenggarakan, diperlukan cara untuk menentukan apakah standar keluaran yang tepat telah terpenuhi agar dapat memberikan hasil terbaik di waktu berikutnya. Terkadang permasalahan terlalu rumit untuk ditangani tanpa mempersempitnya sedikit pun.

Perlakuan

Saat AI sedang dalam pelatihan, AI perlu menemukan pola arahannya dalam data pelatihannya. Ketika proses tersebut mempunyai kendali (seperti oleh orang-orang yang diberi label berguna dan informasi yang tidak dipertimbangkan), maka proses tersebut disebut mereka bertugas mengajar. Lebih-lebih lagi, doktrin diabaikan AI mengandalkan kumpulan data untuk menarik kesimpulannya sendiri.

Terkait kumpulan data, lebih besar biasanya lebih baik, namun berhati-hatilah: banyak data belum tentu lebih baik daripada kumpulan data kecil dan terorganisir dengan baik. Studi tentang melihat ke belakang memiliki kekuatan yang unik: menemukan pola-pola halus yang bahkan belum dipahami, apalagi dijelaskan oleh manusia. Namun, algoritme yang dirancang murni dapat dengan cepat berubah menjadi kekacauan. Itu sebabnya banyak AI meraih kesuksesan dengan pendekatan campuran.

Kesederhanaan

Masalah di dunia nyata mungkin sulit dipecahkan karena data di dunia nyata biasanya berantakan. Tidak ada kehidupan atau hanya harta benda di dalamnya. Data kompleks dengan banyak kedalaman terkadang digambarkan memiliki “dimensi tinggi” karena memiliki banyak variabel, yang terkadang disebut dimensi.

Untuk menyelesaikan masalah dalam waktu yang wajar, orang sering kali menyederhanakan model kami. Misalnya, banyak soal matematika dan fisika tentang benda yang bergerak mengandung kalimat “tidak tahu hambatan angin”. (Dengan bercanda, ilmuwan yang terkena dampak mencatat bahwa para ilmuwan sering “mengasumsikan banteng itu bulat.”

Seniman pembuat James Bridle “menjebak” mobil self-driving ini di tengah lingkaran garam “jangan melewati segel”.
Kredit: James Bridle

Pengurangan dimensi dapat membuat permasalahan menjadi lebih mudah, namun kesederhanaan tersebut ada konsekuensinya. Misalnya, mobil self-driving menggunakan software yang membuat mereka lebih sadar terhadap lingkungan sekitar. Namun AI masih terjebak dalam segitiga besi – antara bagus, cepat, atau murah, pilih dua. Menggunakan asumsi singkat, ini seperti mencoba menonton video dengan resolusi tahunan: mengorbankan akurasi demi kecepatan, yang biasanya baik-baik saja.

Pada dasarnya

Suplemen

Kecerdasan buatan sangat kuat sehingga ketika gagal, terkadang mengejutkan melihat bagaimana akarnya mendekat ke permukaan. Namun jika AI melakukan kesalahan, hasil yang lebih baik akan membosankan dan terkadang tidak akurat; super terkutuk, atau bahkan berbahaya. Masalahnya lebih buruk pada AI generatif dibandingkan dengan AI generik yang hanya mengenali pola atau memecahkan persamaan. Misalnya, resep yang dihasilkan AI terkenal buruk.

Ini adalah kutukan liberal.
Kredit: Keanehan AI

Baca Juga  Pemerintah Respons Kudeta di Munaslub Kadin, Menhumkam Katakan Ini

Tidakkah Anda suka, dengan pemahaman yang lebih dalam, bahwa ini bagus? Tapi dia butuh bantuan, dan mungkin a ex post facto pemeriksaan kesehatan Di sinilah pembelajaran tambahan diperlukan.

Lebih Baik, Lebih Cepat, Lebih Kuat

Kecerdasan buatan adalah studi tentang sistem yang meniru beberapa aspek kecerdasan atau perilaku manusia. Setelah AI target menentukan pilihannya, AI target dapat menerapkan umpan balik untuk meningkatkan hasilnya pada iterasi berikutnya. Masyarakat adalah unit dasar studi. Di satu sisi, hal ini meniru kondisi sederhana, seperti Pavlov dan anjingnya. Dan analogi ini berlaku bahkan dalam kegagalan. Manusia mungkin merupakan makhluk paling cerdas di muka bumi ini, namun kita mampu melakukan kebodohan yang sungguh mencengangkan.

Generator gambar AI mengandalkan kemampuan generatif AI untuk berhalusinasi. Kadang enak, kadang makanan asing.
Kredit: Extremetech / Krayon

AI didasarkan pada model bahasa besar (LLM), yang beroperasi pada data dari sejumlah besar sumber Internet seperti Wikipedia dan interaksi bahasa alami antar poster di Forum Bantuan Ubuntu. Itu sebabnya chatbot AI dapat menulis dengan nuansa tata bahasa yang sama seperti manusia—tetapi prosanya kaku dan berulang-ulang. Gambar generasi AI terlalu sering salah dalam jumlah jari dan jumlah gigi. Deepfake dan gangguan otomatis memang luar biasa, tetapi dengan semua kecanggihan AI, kami telah berupaya untuk “Hitung jari Anda bahwa Anda tidak tahu FAE.

Pada akhirnya, algoritma yang lebih baik saling membangun. Chatbot AI ini masih merasakan tiga rakun dalam mantel lembah, berusaha mati-matian untuk mendinginkannya. Namun hal ini juga menunjukkan betapa kita berdiri di atas bahu para raksasa.