[ Ai ] Artificial Intelligence
Kecerdasan Buatan (AI) adalah
bidang ilmu komputer yang dikhususkan untuk memecahkan masalah kognitif yang
umumnya terkait dengan kecerdasan manusia, seperti pembelajaran, penciptaan,
dan pengenalan gambar.
A.
Bagaimana
teknologi kecerdasan buatan berkembang?
Dalam makalah penting Alan Turing
dari tahun 1950, “Computing Machinery and Intelligence,” ia mempertimbangkan
apakah mesin bisa berpikir. Dalam makalah ini, Turing pertama kali menciptakan
istilah kecerdasan buatan dan menyajikannya sebagai konsep teoritis
dan filosofis.
Antara 1957 dan 1974,
perkembangan dalam komputasi memungkinkan komputer untuk menyimpan lebih banyak
data dan memproses lebih cepat. Selama periode ini, para ilmuwan mengembangkan
lebih lanjut algoritma machine learning (ML). Kemajuan di bidang ini
mendorong badang seperti Defense Advanced Research Projects Agency (DARPA)
untuk menyediakan dana bagi penelitian AI. Pada awalnya, tujuan utama dari
penelitian ini adalah untuk menemukan apakah komputer dapat menyalin dan
menerjemahkan bahasa lisan.
Selama tahun 1980-an, peningkatan
dana yang tersedia dan perangkat algoritmik yang digunakan oleh para ilmuwan
dalam pengembangan AI membuat pengembangan menjadi lebih efisien. David
Rumelhart dan John Hopfield menerbitkan makalah tentang teknik deep
learning, yang menunjukkan bahwa komputer dapat belajar dari pengalaman.
Dari tahun 1990 hingga awal
2000-an, para ilmuwan mencapai banyak tujuan inti AI, seperti mengalahkan juara
dunia catur. Dengan lebih banyak data komputasi dan kekuatan pemrosesan di era
modern dibandingkan dekade sebelumnya, penelitian AI sekarang lebih umum dan
mudah diakses. AI berkembang pesat menjadi kecerdasan umum
buatan sehingga perangkat lunak dapat melakukan tugas-tugas yang kompleks.
Perangkat lunak dapat membuat, mengambil keputusan, dan belajar sendiri,
tugas-tugas yang sebelumnya hanya dapat dilakukan oleh manusia.
B.
Mengapa
kecerdasan buatan penting?
ü
AI mengautomasi pembelajaran dan penemuan berulang
melalui data. Tetapi AI berbeda dengan
automasi robotik yang digerakkan oleh perangkat keras. Alih-alih mengautomasi
tugas manual, AI melakukan tugas-tugas yang sering, bervolume tinggi,
terkomputerisasi dengan andal dan tanpa mengalami kelelahan. Untuk jenis
automasi ini, penyelidikan manusia masih penting untuk mengatur sistem dan
mengajukan pertanyaan yang tepat.
ü
AI menambahkan kecerdasan pada
produk-produk yang ada. Di sebagian besar kasus, AI tidak dijual sebagai
aplikasi individu. Akan tetapi, produk yang sudah Anda gunakan akan
ditingkatkan dengan kemampuan AI, mirip seperti Siri yang ditambahkan sebagai
fitur pada generasi baru produk Apple. Automasi, platform percakapan, bot, dan
mesin pintar dapat dikombinasikan dengan sejumlah besar data untuk meningkatkan
banyak teknologi di rumah dan di tempat kerja, mulai dari intelijen keamanan
hingga analisis investasi.
ü
AI beradaptasi melalui algoritme pembelajaran
progresif guna memungkinkan data melakukan pemrograman. AI
menemukan struktur dan keteraturan dalam data sehingga algoritme memperoleh
keterampilan: Algoritme menjadi pengklasifikasi atau prediktor. Jadi, sama
seperti algoritme yang dapat mengajarkan dirinya sendiri cara bermain catur, AI
dapat mengajarkan sendiri produk apa yang akan direkomendasikan berikutnya
secara online. Dan model-model beradaptasi saat memberikan data baru. Propagasi
belakang merupakan teknik AI yang memungkinkan model untuk beradaptasi, melalui
pelatihan dan data yang ditambahkan, saat jawaban pertama tidak terlalu tepat.
ü AI menganalisis data lebih banyak dan lebih dalam menggunakan jaringan neural yang memiliki banyak lapisan tersembunyi. Membangun sistem deteksi penipuan dengan lima lapisan tersembunyi hampir tidak mungkin beberapa tahun yang lalu. Semuanya berubah dengan kekuatan komputer yang luar biasa dan big data. Anda memerlukan banyak data untuk melatih model pembelajaran mendalam karena model tersebut belajar langsung dari data. Semakin banyak data yang Anda umpankan kepada model, semakin akurat model tersebut.
ü
AI mencapai keakuratan mengagumkan melalui
jaringan neural mendalam – yang sebelumnya tidak dimungkinkan. Misalnya,
interaksi Anda dengan Alexa, Google Search, dan Google Photos semuanya
didasarkan pada pembelajaran yang mendalam – dan ketiganya terus menjadi
semakin akurat karena kita semakin sering menggunakannya. Di bidang medis,
teknik AI dari pembelajaran mendalam, klasifikasi citra, dan pengenalan objek
sekarang dapat digunakan untuk menemukan kanker pada MRI dengan akurasi yang
sama seperti ahli radiologi yang terlatih.
ü
AI memanfaatkan sebagain besar data. Jika
algoritme merupakan pembelajaran mandiri, data itu sendiri dapat menjadi
kekayaan intelektual. Jawabannya ada dalam data; Anda hanya perlu menerapkan AI
untuk mendapatkannya. Karena peran data kini semakin penting dari sebelumnya,
data dapat menciptakan keunggulan kompetitif. Jika Anda memiliki data terbaik
dalam industri kompetitif, bahkan jika seseorang menerapkan teknik serupa, data
terbaiklah yang akan menang.
C.
Apa
saja manfaat kecerdasan buatan?
ü Memecahkan
masalah yang kompleks
Teknologi AI dapat menggunakan ML dan jaringan deep
learning untuk memecahkan masalah kompleks dengan kecerdasan layaknya
manusia. AI dapat memproses informasi dalam skala besar, termasuk menemukan
pola, mengidentifikasi informasi, dan memberikan jawaban. Anda dapat
menggunakan AI untuk memecahkan masalah di berbagai bidang, seperti deteksi
penipuan, diagnosis medis, dan analitik bisnis.
ü Meningkatkan
efisiensi bisnis
Tidak seperti manusia, teknologi AI dapat bekerja 24/7 tanpa
mengurangi tingkat performa. Dengan kata lain, AI dapat melakukan tugas manual
tanpa kesalahan. Anda dapat memungkinkan AI untuk fokus pada tugas-tugas yang
berulang dan menjemukan sehingga Anda dapat menggunakan sumber daya manusia di
bidang bisnis lainnya. AI dapat mengurangi beban kerja karyawan sekaligus
menyederhanakan semua tugas terkait bisnis.
ü Membuat
keputusan yang lebih pintar
AI dapat menggunakan ML untuk menganalisis data dalam jumlah besar
dengan lebih cepat daripada yang bisa dilakukan oleh manusia. Platform AI dapat
melihat tren, menganalisis data, dan memberikan panduan. Dengan prakiraan data,
AI dapat membantu menyarankan tindakan terbaik untuk masa depan.
ü Mengotomatiskan
proses bisnis
Anda dapat melatih AI dengan ML untuk melakukan tugas dengan tepat
dan cepat. Hal ini dapat meningkatkan efisiensi operasional dengan
mengotomatiskan bagian bisnis yang sulit dilakukan oleh karyawan atau dianggap
membosankan. Selain itu, Anda juga dapat menggunakan otomatisasi AI agar sumber
daya karyawan dapat digunakan untuk pekerjaan yang lebih kompleks dan
kreatif.
D.
Aplikasi
praktis kecerdasan buatan?
Kecerdasan buatan memiliki berbagai aplikasi. Meski bukan
merupakan daftar yang lengkap, berikut ini adalah beberapa contoh yang menyoroti
beragam kasus penggunaan AI.
ü Pemrosesan
dokumen cerdas
Pemrosesan dokumen cerdas (IDP) menerjemahkan format dokumen yang
tidak terstruktur menjadi data yang dapat digunakan. Misalnya, mengubah dokumen
bisnis, seperti email, gambar, dan PDF menjadi informasi terstruktur. IDP
menggunakan teknologi AI, seperti pemrosesan bahasa alami (NLP), deep
learning, dan penglihatan komputer untuk mengekstraksi, mengklasifikasikan, dan
memvalidasi data.
Sebagai contoh, HM Land Registry (HMLR) menangani sertifikat
properti untuk lebih dari 87 persen wilayah Inggris dan Wales. Para pekerja
kasus HMLR membandingkan dan meninjau dokumen-dokumen hukum yang kompleks yang
terkait dengan transaksi properti. Organisasi ini
melakukan deployment aplikasi AI untuk mengotomatiskan perbandingan
dokumen, yang memangkas waktu peninjauan hingga 50 persen dan melampaui proses
persetujuan transfer properti.
ü Pemantauan
performa aplikasi
Pemantauan performa aplikasi (APM) adalah proses penggunaan alat
perangkat lunak dan data telemetri untuk memantau performa aplikasi yang
penting bagi bisnis. Alat APM berbasis AI menggunakan data historis untuk
memprediksi masalah sebelum terjadi. Alat-alat tersebut juga dapat
menyelesaikan masalah secara waktu nyata dengan menyarankan solusi yang efektif
untuk developer Anda. Strategi ini membuat aplikasi berjalan secara efektif dan
mengatasi kemacetan.
Misalnya, Atlassian membuat produk untuk menyederhanakan kerja tim dan organisasi. Atlassian menggunakan alat AI APM untuk terus memantau aplikasi, mendeteksi potensi masalah, dan memprioritaskan tingkat keparahan. Dengan fungsi ini, tim dapat dengan cepat merespons rekomendasi yang ditenagai ML dan mengatasi penurunan performa.
ü Pemeliharaan
prediktif
Pemeliharaan prediktif yang ditingkatkan AI adalah proses
menggunakan volume data yang besar untuk mengidentifikasi masalah yang dapat
menyebabkan waktu henti dalam operasi, sistem, atau layanan. Pemeliharaan
prediktif memungkinkan bisnis untuk mengatasi potensi masalah sebelum terjadi,
yang mengurangi waktu henti dan mencegah gangguan.
Misalnya, Baxter menggunakan 70 lokasi manufaktur di seluruh dunia
dan beroperasi 24/7 untuk menghadirkan teknologi medis. Baxter menggunakan
pemeliharaan prediktif untuk mendeteksi kondisi abnormal pada peralatan
industri secara otomatis. Pengguna dapat menerapkan solusi efektif sebelumnya
untuk mengurangi waktu henti dan meningkatkan efisiensi operasional.
ü Penelitian
medis
Penelitian medis menggunakan AI untuk menyederhanakan proses,
mengotomatiskan tugas berulang, dan memproses data dalam jumlah besar. Anda
dapat menggunakan teknologi AI dalam penelitian medis untuk memfasilitasi
penemuan dan pengembangan farmasi menyeluruh, menyalin catatan medis, dan
meningkatkan waktu ke pasar untuk produk baru.
Sebagai contoh dunia nyata, C2i Genomics menggunakan kecerdasan
buatan untuk menjalankan alur genomika skala tinggi yang dapat disesuaikan
serta pemeriksaan klinis. Dengan mencakup solusi komputasi, peneliti dapat
fokus pada performa klinis dan pengembangan metode. Tim rekayasa juga
menggunakan AI untuk mengurangi permintaan sumber daya, pemeliharaan rekayasa,
dan biaya NRE.
ü Analitik
bisnis
Analitik bisnis menggunakan AI untuk mengumpulkan, memproses, dan
menganalisis set data yang kompleks. Anda dapat menggunakan analitik AI untuk
memprakirakan nilai masa depan, memahami akar penyebab data, dan mengurangi
proses yang memakan waktu.
Misalnya, Foxconn menggunakan analitik bisnis yang disempurnakan AI untuk meningkatkan akurasi prakiraan. Mereka mencapai peningkatan 8 persen dalam akurasi prakiraan, yang menghasilkan penghematan tahunan sebesar 533.000 USD di pabrik mereka. Mereka juga menggunakan analitik bisnis untuk mengurangi tenaga kerja yang terbuang dan meningkatkan kepuasan pelanggan melalui pengambilan keputusan berbasis data
E.
Apa
saja teknologi kecerdasan buatan utama?
Jaringan neural deep learning membentuk inti dari
teknologi kecerdasan buatan. Jaringan tersebut mencerminkan pemrosesan yang
terjadi di dalam otak manusia. Otak mengandung jutaan neuron yang bekerja sama
untuk memproses dan menganalisis informasi. Jaringan neural deep
learning menggunakan neuron buatan yang memproses informasi bersama-sama.
Setiap neuron buatan, atau simpul, menggunakan perhitungan matematis untuk
memproses informasi dan memecahkan masalah yang kompleks. Pendekatan deep
learning ini dapat memecahkan masalah atau mengotomatiskan tugas yang
biasanya membutuhkan kecerdasan manusia.
Teknologi utama berbasis jaringan neural.
ü Pemrosesan
bahasa alami
NLP menggunakan algoritma deep learning untuk
menafsirkan, memahami, dan mengumpulkan makna dari data teks. NLP dapat
memproses teks yang dibuat oleh manusia sehingga berguna untuk meringkas
dokumen, mengotomatiskan chatbot, dan melakukan analisis sentimen.
ü Penglihatan
komputer
Penglihatan komputer menggunakan teknik deep
learning untuk mengekstraksi informasi dan wawasan dari video dan gambar.
Menggunakan penglihatan komputer, komputer dapat memahami gambar seperti halnya
manusia. Anda dapat menggunakan penglihatan komputer untuk memantau
konten online dari gambar yang tidak pantas, mengenali wajah, dan
mengklasifikasikan detail gambar. Pemantauan lingkungan dan pengambilan keputusan
sepersekian detik merupakan kemampuan yang sangat penting dalam mobil dan truk
otonom.
ü AI
Generatif
AI generatif merupakan sistem
kecerdasan buatan yang dapat membuat konten dan artefak baru, seperti gambar,
video, teks, dan audio dari prompt teks sederhana. Tidak seperti AI
sebelumnya yang terbatas pada analisis data, AI generatif
memanfaatkan deep learning dan set data yang sangat besar untuk
menghasilkan output kreatif berkualitas tinggi seperti buatan
manusia. Meski mendukung aplikasi kreatif yang menarik, tetapi ada kekhawatiran
seputar bias, konten berbahaya, dan kekayaan intelektual. Secara keseluruhan,
AI generatif mewakili evolusi besar dalam kemampuan AI untuk menghasilkan
konten dan artefak baru dengan cara layaknya yang dilakukan oleh manusia.
ü Pengenalan
suara
Perangkat lunak pengenalan ucapan menggunakan model deep
learning untuk menafsirkan ucapan manusia, mengidentifikasi kata-kata, dan
mendeteksi makna. Jaringan neural dapat mentranskripsikan ucapan ke teks dan
menunjukkan sentimen vokal. Anda dapat menggunakan pengenalan suara dalam
teknologi, seperti asisten virtual dan perangkat lunak pusat panggilan untuk
mengidentifikasi makna dan melakukan tugas terkait.
F.
Apa
saja tantangan implementasi AI?
AI memiliki sejumlah tantangan yang membuat implementasi lebih
sulit. Hambatan berikut ini adalah beberapa tantangan yang paling umum dalam
implementasi dan penggunaan AI.
ü Tata
kelola data
Kebijakan tata kelola data harus mematuhi batasan peraturan dan
undang-undang privasi. Untuk menerapkan AI, Anda harus mengelola kualitas data,
privasi, dan keamanan. Anda bertanggung jawab atas perlindungan data dan
privasi pelanggan. Untuk mengelola keamanan data, organisasi Anda harus
memiliki pemahaman yang jelas tentang cara model AI menggunakan dan
berinteraksi dengan data pelanggan di setiap lapisan.
ü Kesulitan
teknis
Pelatihan AI dengan machine learning menghabiskan banyak
sumber daya. Ambang batas daya pemrosesan yang tinggi sangat penting agar
teknologi deep learning dapat berfungsi. Anda harus memiliki
infrastruktur komputasi yang kuat untuk menjalankan aplikasi AI dan melatih
model Anda. Daya pemrosesan bisa jadi mahal dan membatasi skalabilitas sistem
AI Anda.
ü Keterbatasan
data
Untuk melatih sistem AI yang tidak bias, Anda perlu memasukkan
data dalam jumlah besar. Anda harus memiliki kapasitas penyimpanan yang cukup
untuk menangani dan memproses data pelatihan. Selain itu, Anda juga harus
memiliki proses manajemen dan kualitas data yang efektif untuk memastikan
keakuratan data yang Anda gunakan untuk pelatihan.
G. Komponen utama dari arsitektur aplikasi AI?
Arsitektur kecerdasan buatan terdiri dari empat lapisan inti.
Masing-masing lapisan ini menggunakan teknologi yang berbeda untuk melakukan
peran tertentu. Berikutnya adalah penjelasan tentang apa yang terjadi pada
setiap lapisan.
ü Lapisan
1: lapisan data
AI dibangun di atas berbagai teknologi, seperti machine
learning, pemrosesan bahasa alami, dan pengenalan
gambar. Inti dari teknologi ini adalah data, yang membentuk lapisan dasar AI.
Lapisan ini terutama berfokus pada persiapan data untuk aplikasi AI. Algoritma
modern, terutama deep learning, membutuhkan sumber daya komputasi
yang besar. Jadi, lapisan ini mencakup perangkat keras yang bertindak sebagai
sublapisan, yang menyediakan infrastruktur penting untuk melatih model AI. Anda
dapat mengakses lapisan ini sebagai layanan terkelola penuh penyedia cloud pihak
ketiga.
ü Lapisan
2: Kerangka kerja ML dan lapisan algoritma
Kerangka kerja ML dibuat oleh para insinyur yang bekerja sama
dengan para ilmuwan data untuk memenuhi persyaratan kasus penggunaan bisnis
tertentu. Developer kemudian dapat menggunakan fungsi dan kelas bawaan untuk
membangun dan melatih model dengan mudah. Contoh kerangka
kerja ini termasuk TensorFlow, PyTorch, dan scikit-learn. Kerangka kerja ini
merupakan komponen penting dari arsitektur aplikasi dan menawarkan
fungsionalitas penting untuk membangun dan melatih model AI dengan mudah.
ü Lapisan
3: lapisan model
Pada lapisan model, developer aplikasi mengimplementasikan model
AI dan melatihnya menggunakan data dan algoritma
dari lapisan sebelumnya. Lapisan ini sangat penting untuk kemampuan pengambilan
keputusan sistem AI.
Komponen utama dari lapisan
ini.
· Struktur model
Struktur ini menentukan kapasitas model, yang terdiri dari
lapisan, neuron, dan fungsi aktivasi. Seseorang dapat memilih dari jaringan
neural feedforward, jaringan neural konvolusional (CNN), atau yang lainnya,
tergantung dari masalah dan sumber daya yang dimiliki.
· Parameter dan fungsi model
Nilai-nilai yang dipelajari selama pelatihan, seperti bobot dan
bias jaringan neural, sangat penting untuk prediksi. Fungsi
kerugian mengevaluasi performa model dan bertujuan untuk meminimalkan perbedaan
antara output yang diprediksi dan benar.
· Pengoptimal
Komponen ini menyesuaikan parameter model untuk mengurangi
fungsi kerugian. Berbagai pengoptimal, seperti gradient
descent dan Adaptive Gradient Algorithm (AdaGrad) memiliki
tujuan yang berbeda.
ü Lapisan
4:lapisan aplikasi
Lapisan keempat adalah
lapisan aplikasi, yang merupakan bagian arsitektur AI yang berhadapan langsung
dengan pelanggan. Anda dapat meminta sistem AI untuk menyelesaikan tugas-tugas
tertentu, menghasilkan informasi,
memberikan informasi, atau membuat keputusan berbasis data. Lapisan aplikasi
ini memungkinkan pengguna akhir untuk berinteraksi dengan sistem AI.
Tidak ada komentar