Hallo Baliku - Ini dia fenomena psikologis yang umum: ulangi kata apa pun cukup banyak, dan akhirnya kehilangan semua makna, hancur seperti jaringan basah menjadi ketiadaan fonetik. Bagi banyak dari kita, ungkapan "kecerdasan buatan" telah runtuh dengan cara ini sejak lama. AI ada di mana-mana dalam teknologi saat ini, dikatakan memberi daya pada segalanya mulai dari TV hingga sikat gigi Anda, tetapi tidak pernah ada kata-kata itu sendiri yang kurang berarti.
Seharusnya tidak seperti ini.
Sementara ungkapan "kecerdasan buatan" tidak diragukan lagi, tidak diragukan lagi disalahgunakan, teknologinya melakukan lebih dari sebelumnya - baik dan buruk. Itu digunakan dalam perawatan kesehatan dan peperangan ; itu membantu orang membuat musik dan buku ; itu meneliti resume Anda , menilai kelayakan kredit Anda , dan mengubah foto yang Anda ambil di ponsel Anda . Singkatnya, itu membuat keputusan yang mempengaruhi hidup Anda apakah Anda suka atau tidak.
KECERDASAN BUATAN SEDANG DIGUNAKAN UNTUK MEMBUAT KEPUTUSAN TENTANG HIDUP ANDA APAKAH ANDA SUKA ATAU TIDAK
Mungkin sulit untuk menyesuaikan dengan hype dan gertakan yang dibahas AI oleh perusahaan teknologi dan pengiklan. Ambil contoh, sikat gigi Genius X Oral-B, salah satu dari banyak perangkat yang diluncurkan di CES tahun ini yang disebut-sebut memiliki kemampuan “AI” . Tapi gali lebih jauh dari garis atas siaran pers, dan semua ini berarti memberikan umpan balik yang cukup sederhana tentang apakah Anda menyikat gigi untuk jumlah waktu yang tepat dan di tempat yang tepat. Ada beberapa sensor pintar yang terlibat untuk mengetahui di mana letak sikat di mulut Anda, tetapi menyebutnya kecerdasan buatan adalah omong kosong, tidak lebih.
Ketika tidak ada hype yang terlibat, ada kesalahpahaman. Liputan pers dapat melebih-lebihkan penelitian, menempelkan gambar Terminator pada cerita AI yang samar-samar. Sering kali ini datang ke kebingungan tentang apa kecerdasan buatan bahkan adalah . Ini bisa menjadi subjek yang rumit untuk non-ahli, dan orang-orang sering keliru menyamakan AI kontemporer dengan versi yang paling mereka kenal: visi ilmiah dari komputer sadar yang berkali-kali lebih pintar daripada manusia. Para ahli menyebut contoh khusus AI ini sebagai kecerdasan umum buatan , dan jika kita pernah membuat sesuatu seperti ini, kemungkinan akan jauh di masa depan . Sampai saat itu, tidak ada yang terbantu dengan melebih-lebihkan kecerdasan atau kemampuan sistem AI.
Lebih baik berbicara tentang "pembelajaran mesin" daripada AI. Ini adalah subbidang kecerdasan buatan, dan yang mencakup hampir semua metode yang memiliki dampak terbesar di dunia saat ini (termasuk apa yang disebut pembelajaran mendalam ). Sebagai ungkapan, itu tidak memiliki mistik "AI", tetapi lebih membantu dalam menjelaskan apa yang dilakukan teknologi.
Bagaimana cara kerja pembelajaran mesin? Selama beberapa tahun terakhir, saya telah membaca dan melihat lusinan penjelasan, dan perbedaan yang menurut saya paling berguna ada pada namanya: pembelajaran mesin adalah tentang memungkinkan komputer untuk belajar sendiri. Tapi apa yang berarti adalah pertanyaan yang jauh lebih besar.
Mari kita mulai dengan sebuah masalah. Katakanlah Anda ingin membuat program yang dapat mengenali kucing. ( Selalu kucinguntuk beberapa alasan). Anda dapat mencoba dan melakukan ini dengan cara kuno dengan memprogram dalam aturan eksplisit seperti "kucing memiliki telinga runcing" dan "kucing berbulu." Tapi apa yang akan dilakukan program saat Anda menunjukkan gambar harimau? Pemrograman di setiap aturan yang dibutuhkan akan memakan waktu, dan Anda harus mendefinisikan segala macam konsep yang sulit di sepanjang jalan, seperti "berbulu" dan "keruncingan." Lebih baik membiarkan mesin belajar sendiri. Jadi Anda memberinya banyak koleksi foto kucing, dan ia melihat melalui itu untuk menemukan polanya sendiri dalam apa yang dilihatnya. Ini menghubungkan titik-titik, cukup banyak secara acak pada awalnya, tetapi Anda mengujinya berulang-ulang, menjaga versi terbaik. Dan pada waktunya, ia menjadi cukup baik dalam mengatakan apa itu kucing dan bukan kucing.
Sejauh ini, sangat bisa diprediksi. Sebenarnya, Anda mungkin pernah membaca penjelasan seperti ini sebelumnya, dan saya minta maaf untuk itu. Tapi yang penting bukan membaca gloss tetapi benar-benar memikirkan apa yang tersirat dari gloss itu. Apa efek samping dari pembelajaran sistem pengambilan keputusan seperti ini?
Nah, keuntungan terbesar dari metode ini adalah yang paling jelas: Anda tidak perlu memprogramnya. Tentu, Anda melakukan banyak hal, memperbaiki cara sistem memproses data dan menemukan cara yang lebih cerdas untuk menyerap informasi itu, tetapi Anda tidak memberi tahu apa yang harus dicari. Itu berarti ia dapat menemukan pola yang mungkin terlewatkan atau tidak pernah terpikirkan oleh manusia sejak awal. Dan karena semua kebutuhan program adalah data — 1s dan 0s — ada begitu banyak pekerjaan yang dapat Anda latih karena dunia modern hanya dipenuhi dengan data. Dengan palu pembelajaran mesin di tangan Anda, dunia digital penuh dengan paku yang siap untuk dihancurkan.
