Lebih Dekat dengan Kecerdasan Buatan (Artificial Intrelligence)
Data semakin kesini ternyata jumlahnya semakin tak terukur kapasitarnya. Ini menjadi dasar pemikiran John McCarthy memunculkan istilah AI (artificial intelligence). Dosen California Institure of Technology ini belajar bagaimana agar mesin dapat menirukan cara berpikir seperti layaknya manusia. Penetrasi kecerdasan buatan tak terbendung kencangnya, karena data sudah dikonsumsi individu sampai ke ranah kehidupan sehari-hari.
Sebelumnya tidak terlintas difikiran kita bahwa data mobilitas orang per orang itu dicatat rapi. Tak ada satupun lembaga survey yang mampu merekam kebiasan masyarakat. Bahkan sampai gerakan jempol pun “dilacak” dengan rapi. Log data seperti ini semakin mudah dicatat oleh sistem dengan infrastruktur sekarang yang canggih.
Hal ini dipicu akan kecepatan internet dalam menyebarkan data hingga keseluruh penjuru dunia. Ditambah teknologi cloud computing yang dapat melakukan penyimpanan komputasi besar dan handal. Dan satu lagi, algoritma komputer yang berkembang hari demi hari.
Teknologi sudah sangat canggih, muncul teori bahwa teknologi bisa meniru jaringan berfikir otak manusia. Masalah dalam pengambilan keputusan dan segala kerumitan akan suatu hal, ternyata bisa diselesaikan teknologi. Nah, teknologi atau mesin hasil rekayasa itu dikenal dengan istilah kecerdasan buatan.
Machine Learning dan Statistik
Salah satu kemajuan teknologi ini adalah kapasitas untuk mengumpulkan data dalam jumlah besar. Kemajuan kecerdasan buatan memiliki kemampuan matematis dan statistik untuk menyimpulkan pola. Lalu dari data besar tadi menjadi dasar dalam pengambil keputusan yang kebenaran atau kerumitannya bisa mendekati atau bahkan menyamai kecerdasan manusia.
Sejak kemunculan internet, mesin rekayasa hasil kolaborasi ciamik dari pakar programmer dan statistikawan dapat melakukan kemampuan mekanis layaknya tenaga manusia. Dari mulai memasukan dan memproses data dengan cara otomatis, literasi, dan perhitungan dengan cepat.
Machine learning (pembelajaran mesin) adalah kemampuan mesin untuk belajar sendiri tanpa campur tangan manusia. Kemampuan machine learning ini muncul karena sebelumnya telah diajari (training) dengan sekumpulan dataset yang tentunya membutuhkan waktu dan data besar.
Semua proses ini oleh para ahli diklaim, hasilnya lebih baik dibandingkan jika dikerjakan oleh tenaga konvensional. Kenapa? Berhitung misalnya, ada kemungkinan manusia salah hitung kan? Apalagi jika ada perhitungan matematika yang advanced, misal rumus-rumus kimia atau fisika.
Inilah Cara Kerja Kecerdasan Buatan
Di dunia perfimlan, munculnya video film fiksi tentang AI yang membuat pemahaman menyebar tidak hanya di kalangan ilmuwan saja, masyarakat awam mulai sadar dan ikut berfikir lebih dalam lagi. Banyak orang berfikir akan hal mustahil yang sekarang ini, bisa jadi mungkin bisa dilakukan di masa depan. Cara kerja kecerdasan buatan sedikit mirip pada dunia statistik. Ada proses perencanaan analisa data, penggabungan bukti dari kumpulan data, dan membuat keputusan berdasarkan hasil analisis.
Di benak kita, muncul sebenarnya apa sih makluk kecerdasan buatan itu? Apa sih yang dibahas, lebih dalam lagi bagaimana sih belajar AI agar lebih tahu makna di dalamnya. Pertanyaan ini muncul, karena sekedar mengetahui definisi dan pengertian saja tidaklah cukup. Kita mesti faham ilmu tentang apakah AI itu dan bagaimana cara kerja, serta apa saja yang dipelajari.
Mari kita akan kupas satu persatu, agar kita bisa belajar lebih dalam lagi tidak cuma teori tetapi praktik langsung project sederhana bahkan studi kasus penerapan artificial intelligence di dunia nyata.
Contoh gampangnya, Artificial Intelligence atau Kecerdasan Buatan itu …
Jika anda sering melihat pekerjaan yang berhubungan dengan melakukan perekaman data dengan cara manual, input data, data entry dan istilah lainnya. Semua masalah ini sangat logis diselesaikan dengan kemampuan AI. Contoh nyata adalah pencatatan suhu, suara, polusi, iklim bisa dilakukan dengan teknologi IoT (Internet of Things) dimana kita melakukan sambungan perangkat sensor fisik langsung ke teknologi cloud. Data di cloud ini bisa kita analisa untuk prediksi kondisi kedepan. Proses perekaman data ini tidak perlu campur tangan manusia, biarkan sensor dengan konektivitas dan auto input ke sistem, sistem meng-collect dan melakukan agregasi data sampai muncul ke dashboard.
Cara kerja artificial intelligence dalam melakukan pencegahan kecurangan pada proses atau transaksi mewajibkan memiliki data dengan volume besar dan melihat pola-pola yang terjadi pada kecurangan sebelumnya. Algoritma yang umum dijalankan adalah dengan menggunakan prinsip pohon keputusan (decision tree). Pakar machine learning juga kadang menggunakan prinsip regresi untuk prediksi tingkat kerentanan suatu pengajuan kredit atau klaim asuransi. Caranya dengan membagi data yang sudah dilabeli dengan 2 variabel, yaitu curang dan tidak curang.
Kemudian kita jalankan algoritma pembelajaran machine learning, bahkan kalo perlu deep learning (pembelajaran mendalam) untuk melakukan klasifikasi akan suatu data baru yang belum ada label variabel curang dan tidak curang. Komputer dengan kemampuannya akan melihat variabel lain selain label kecurangan, lalu mesin akan mengkalkulasi apakah data baru itu masuk kategori curang atau sebaliknya masuk kategori tidak curang.
Proses yang hampir mirip juga digunakan untuk menyelesaikan masalah yang lebih komplek lagi, misalnya merekomendasikan produk yang disukai konsumen berdasarkan behaviour konsumen yang memiliki kemiripan dengan data konsumen sebelumnya. Dalam dunia kesehatan misalnya dalam mendiagnosa penyakit pasien, mesin akan belajar sendiri bermodal historical data pasien sebelumnya serta variabel kondisi pasien yang baru diperiksa.
Sampai sini mungkin sudah sedikit tergambar, mesin bisa belajar. Ini terjadi karena data yang kita berikan ke mesin. Ini juga sama ketika google maps bisa memprediksi lama perjalanan kita menuju tujuan, estimasi waktu itu diperoleh dari data travelling pengguna akun gmaps. Timeline di social media kita disajikan berdasarkan kebiasaan kita sebelumnya serta profile orang-orang yang mirip dengan perilaku kita, facebook instagram dan twitter bisa memprediksi lini masa yang kita sukai, sehingga user menjadi betah di sosmed.
Siklus sederhana teori tekstual ilmu AI lebih mudah dalam bentuk diagram grafi diatas ini. Alur ini berjalan secara terus-menerus, seperti belajar anak bayi. Mesin kalau dilakukan iterasi atau perulangan, pada awal tidak begitu sempurna. Hasil percobaan pertama biasanya banyak yang tidak akurat, tetapi proses training ini dilakukan berkali-kali bahkan pada metode deep learning bisa ribuan bahkan jutaan kali. Sehingga improvement selalu terjadi. Bahkan ketika data bertambah, proses training akan dilakukan lagi, hal ini untuk memperbaiki hasil sesuai dengan kondisi terkini yang lebih up to date.
Lebih Lanjut tentang Penerapan Ilmu Artificial Intelligence
Kecerdasan buatan terkadang tidak hanya melulu melihat data terstruktur berlabel seperti yang kita bahas diatas. Maksudnya data itu sudah ada kategori terlebih dahulu, contoh sebelumnya seperti dalam menganalisis suatu transaksi itu termasuk berlabel curang atau legal, atau pasien ini sehat atau justeru memiliki peluang sakit. Data yang sudah berlabel seperti ini dikenal dengan istilah supervised learning. Arti supervised learning berarti komputer disupervisi dengan data label, semakin presisi dan akurat, sistem akan memberikan metrics yang dapat kita ukur dalam bentuk nominal atau dalam rentang nilainya. Para pakar machine learning menyebut dengan istilah confusion matrix.
Silabus AI juga berkaitan dengan reinforcement learning, ilmu ini sering dipelajari karena kemampuan kecerdasan algoritma ini bisa bermain game, dan bahkan bisa mengalahkan manusia. Prinsip reinforcement learning adalah mesin diberikan nilai positive jika mampu melewati tahap tertentu, lalu mesin diberikan feeback jika salah dalam melangkah. Proses ini juga perlu perulangan berkali-kali.
Membahas lebih dalam lagi, teori komputer vision atau penglihatan komputer. Seperti namanya, pada teori ini komputer memiliki kemampuan mengenali objek. Entah itu suara, gambar, binatang, kendaraan bahkan barang atau benda apapun. Contoh paling sederhana artificial intelligence dapat membedakan suatu kumpulan gambar cat (kucing) atau dog (anjing), dan menebak dengan result yang pas.
Pada ranah belajar IT, langkah image analysis ini menggunakan teori namanya convolutional neural network. Yaitu proses menganalisa atau mengklasifikasikan (image classification) yang menggunakan teori konvolusi atau tumpukan data berlapis-lapis. Intinya pada suatu gambar dimana pada dasarnya gambar itu terdiri dari warna, ilmu image processing mempelajari intensitas warna yang dtulis dalam bentuk kode, warna dasar adalah red (merah), green (hijau), dan blue (biru) disingkat RGB.
Pixel dari warna suatu objek ini ditulis dalam bentuk matrix pada kode pemrograman, warna awal adalah hitam dan putih diberi kode biner 0 dan 1. Warna selanjutnya adalah grayscale, warna grayscale lebih komplek ada rentang kode 0 sd 255. Dan terakhir RGB tadi, semakin berwarna gambarnya, semakin besar dataset yang kita punya, semakin lama kita proses training dan fittingnya nanti.
Ilmu ini digunakan dalam mengenali seseorang, contoh hasil tag di sosial media yang sangat presisi menebak siapa foto seseorang, di aplikasi gadget bisa menebak umur, search engine bisa mengenali gambar, atau lebih serius lagi misalnya dalam dunia surveillance, bisa mengenali seseorang atau pelaku kriminal, atau face detection untuk membuka lock ponsel. Suara pun bisa dikenali, pola suara ditemukan lewat intensitas sinyal naik turun audio, hampir sama seperti image, teori speech recognition ini bisa kita lakukan dengan menjalankan algoritma machine learning untuk mengolah dan menganalisa.
Dari bahasan semua ini, sebagai dasar fundamental dalam mempelajari, satu hal yang penting, yaitu tentang Etika dan hukum. Kita tidak boleh mengakses data pribadi individu, karena itu berkaitan dengan privacy. Data yang kita publish harus yang bersifat agregasi, kesimpulan atau nilai statistik saja. Hal ini agar profesi AI engineer tidak menyalahi hukum yang berpotensi menyerang hak individu seseorang.
Pembasan yang tak kalah penting adalah NLP (natural language processing) beririsan dengan ilmu bahasa, belajar jaringan saraf tiruan ini memberikan keahlian kepada mesin agar mampu memproses bahasa manusia, lalu menjawab pertanyaan, bahkan memberikan solusi ke penanya, memberikan ringkasan dari percakapan dari suara, termasuk teks atau tulisan yang mengandung bahasa manusia.
Tips Belajar AI atau Kecerdasan Buatan
Ada banyak tempat belajar AI, artikel di internet juga bejibun. Dari medium, youtube sampai linkedln profile juga ada. Anda bisa belajar dari sana jinga ingin autodidak, tanpa perlu bayar. Meskipun kebanyakan berbahasa inggris, tapi sekarang ini sudah banyak tutorial belajar Arificial Intelligence berbahasa Indonesia.
Terulah belajar, buatlah belajar itu kegiatan rutin setiap hari. Anda bisa sisihkan waktu minimal 2 jam per hari untuk sekedar baca-baca, nonton video, pelan-pelan mulai menginstal software yang dibutuhkan, mencoba menganalisa code program, lanjut dengan experiment analisis data.
Sesekali jangan berhenti belajar, misal hari ini belajar dasar python sudah masuk tahap menjalan model. Eh besoknya lupa, pas mulai belajar lagi sudah lupa. Jangan sampai menunggu bisa, tetapi biasakanlah, lama-lama anda akan menjadi bisa.
Tidak ada yang instan, semua butuh ketekunan, mental yang kuat untuk selalu belajar, rajin tanpa putus. Nanti bakal anda dapatkan, semua akan indah pada waktunya.
Contoh Aplikasi Kecerdasan Buatan
- Face detectioin: lock kunci gadget, absen dengan foto wajah di lapangan, verifikasi pendaftaran dengan selfi dan ID card
- Natural language processing: sentiment analysis, sosial media profiling, chatbot
- Clasification: self driving car bisa membedakan rambu lalu lintas
- Regression: tren saham, time series analytics
- Clustering: deteksi penyakit berdasarkan keluhan pasien
- Reinforcement learning: juara esport dikalah AI dalam game alfago