Pendekatan Pembelajaran Artificial Intelligent (AI)
Algoritma sebagai Wadah untuk Pemecahan Masalah
Algoritma adalah semacam wadah yang menyediakan metode untuk menyelesaikan jenis masalah tertentu. Algoritma memproses data melalui serangkaian keadaan yang didefinisikan dengan baik. Keadaan ini tidak selalu harus deterministik, tetapi tetap harus terdefinisi. Tujuan utama algoritma adalah menghasilkan keluaran yang memecahkan masalah. Algoritma menerima masukan yang membantu menentukan keluaran dalam beberapa kasus, tetapi fokus utamanya tetap pada keluaran.
Algoritma harus mengekspresikan transisi antara keadaan menggunakan bahasa yang didefinisikan dengan baik dan formal yang dapat dipahami oleh komputer. Dalam memproses data dan menyelesaikan masalah, algoritma mendefinisikan, menyempurnakan, dan menjalankan fungsi. Fungsi tersebut selalu spesifik terhadap jenis masalah yang sedang dihadapi oleh algoritma.
Setiap dari lima kelompok memiliki teknik dan strategi yang berbeda untuk menyelesaikan masalah tersebut, menghasilkan algoritma unik. Kombinasi dari algoritma ini diharapkan pada akhirnya menghasilkan algoritma utama yang dapat menyelesaikan masalah apapun. Berikut ini adalah gambaran umum tentang lima teknik algoritmik utama.
Logika Simbolik
Salah satu kelompok kuno, Simbolis, percaya bahwa pengetahuan dapat diperoleh dengan mengolah simbol (tanda yang mewakili makna atau peristiwa tertentu) dan menarik aturan dari mereka.
Penalaran Simbolik
Salah satu kelompok pertama, simbolis, percaya bahwa pengetahuan dapat diperoleh dengan mengoperasikan simbol dan menurunkan aturan dari mereka. Dengan menyusun sistem aturan yang kompleks, hasil logis yang diinginkan bisa dicapai; dengan demikian, para simbolis membentuk algoritma mereka untuk menghasilkan aturan dari data. Dalam logika simbolik, deduksi memperluas ruang lingkup pengetahuan manusia, sedangkan induksi meningkatkan tingkat pengetahuan manusia. Induksi biasanya membuka area eksplorasi baru, sementara deduksi mengeksplorasi area tersebut.
Koneksi Berdasarkan Neuron Otak
Kelompok Koneksionis mungkin adalah yang paling terkenal dari lima kelompok. Kelompok ini berusaha meniru fungsi otak dengan menggunakan silikon sebagai pengganti neuron. Setiap neuron (yang dibangun sebagai algoritma yang meniru neuron asli) menyelesaikan sebagian kecil masalah, dan dengan menggunakan banyak neuron secara paralel, masalah dapat diselesaikan secara keseluruhan.
Tujuannya adalah untuk terus mengubah bobot dan bias sampai keluaran aktual sesuai dengan keluaran yang diinginkan. Neuron buatan akan memicu dan mengirimkan solusinya ke neuron berikutnya. Solusi yang dihasilkan oleh satu neuron adalah bagian dari keseluruhan solusi. Setiap neuron mengirimkan informasi ke neuron berikutnya sampai neuron-neuron tersebut membentuk keluaran akhir. Metode ini paling efektif dalam tugas-tugas yang menyerupai manusia seperti mengenali objek, memahami bahasa tertulis dan lisan, serta berinteraksi dengan manusia.
Algoritma Evolusioner yang Menguji Variasi
Kelompok Revolusioner mengandalkan prinsip evolusi untuk menyelesaikan masalah. Strategi ini didasarkan pada keberadaan yang paling fit (menghapus solusi yang tidak sesuai dengan hasil yang diinginkan). Fungsi kebugaran menentukan kelayakan setiap fungsi dalam menyelesaikan masalah. Menggunakan struktur pohon, metode solusi menemukan solusi terbaik berdasarkan keluaran fungsi. Pemenang dari setiap tingkat perkembangan harus membuat tugas untuk tingkat berikutnya.
Idenya adalah bahwa tingkat berikutnya akan lebih mendekati penyelesaian masalah tetapi mungkin tidak menyelesaikannya sepenuhnya, yang berarti diperlukan tingkat lain. Kelompok ini sangat bergantung pada rekursi dan bahasa yang mendukung rekursi kuat untuk menyelesaikan masalah. Hasil menarik dari strategi ini adalah algoritma yang berkembang: satu generasi algoritma menciptakan generasi berikutnya.
Pendekatan Bayesian
Kelompok ilmuwan Bayesian menyadari bahwa ketidakpastian adalah aspek dominan dari pandangan. Pembelajaran tidak dijamin tetapi terjadi sebagai pembaruan kontinu dari asumsi sebelumnya yang menjadi lebih akurat. Gagasan ini menginspirasi kelompok Bayesian untuk mengadopsi metode statistik, terutama turunan dari teorema Bayes, yang membantu menghitung probabilitas dalam situasi tertentu.
Sistem yang Belajar dengan Analogi
Kelompok Analitis menggunakan mesin kernel untuk mengenali pola dalam data. Dengan mengenali pola dari serangkaian masukan dan membandingkannya dengan keluaran yang diketahui, solusi masalah dapat dibuat. Tujuannya adalah menggunakan kesamaan untuk menentukan solusi terbaik untuk suatu masalah. Ini adalah jenis penalaran yang menentukan apakah solusi tertentu telah digunakan dalam situasi tertentu sebelumnya. Menggunakan solusi tersebut untuk situasi serupa seharusnya juga berhasil.
Salah satu keluaran paling dikenal dari kelompok ini adalah sistem rekomendasi. Misalnya, ketika membeli produk di Amazon, sistem rekomendasi akan menyarankan produk terkait lainnya yang mungkin ingin dibeli.
Tujuan akhir dari pembelajaran mesin adalah menggabungkan teknik dan strategi yang diadopsi oleh lima kelompok ini untuk membentuk satu algoritma utama yang dapat mempelajari apa saja. Tentu saja, mencapai tujuan ini masih jauh, tetapi ilmuwan seperti Pedro Domingos saat ini sedang bekerja menuju tujuan tersebut.
Berbagai Pendekatan Kecerdasan Buatan
Ada empat jenis pendekatan kecerdasan buatan berdasarkan bagaimana mesin berperilaku: mesin reaktif, memori terbatas, teori pikiran, dan kesadaran diri.
1. Mesin Reaktif Mesin-mesin ini adalah bentuk paling dasar dari aplikasi AI. Contohnya adalah Deep Blue, superkomputer catur milik IBM, yang mengalahkan grand master dunia saat itu. Tim AI tidak menggunakan set pelatihan untuk memberi makan mesin atau menyimpan data berikutnya untuk referensi di masa depan. Berdasarkan langkah yang dilakukan oleh lawan, mesin memutuskan atau memprediksi langkah berikutnya.
2. Memori Terbatas Mesin-mesin ini termasuk dalam kategori II dari aplikasi AI. Mobil tanpa pengemudi adalah contoh yang sempurna. Seiring waktu, mesin-mesin ini diberi data dan dilatih tentang kecepatan dan arah mobil lain, marka jalan, lampu lalu lintas, kelokan jalan, dan faktor penting lainnya.
3. Teori Pikiran Ini adalah konsep di mana masih ada upaya untuk membuatnya bekerja. Namun, kita belum sampai di sana. Teori pikiran adalah konsep di mana bot akan memahami dan bereaksi terhadap emosi dan pikiran manusia. Jika mesin bertenaga AI selalu berinteraksi dan bergerak di sekitar kita, maka memahami perilaku manusia sangatlah penting. Dan kemudian, mesin tersebut perlu bereaksi sesuai dengan perilaku tersebut.
4. Kesadaran Diri Mesin-mesin ini adalah perpanjangan dari jenis AI kelas III, dan ini adalah langkah lebih jauh dari memahami emosi manusia. Ini adalah tahap di mana tim AI membangun mesin dengan faktor kesadaran diri yang diprogram ke dalamnya. Ketika seseorang membunyikan klakson dari belakang, mesin harus merasakan emosi tersebut, dan hanya dengan demikian mereka akan memahami apa yang dirasakan ketika membunyikan klakson pada seseorang dari belakang.
