Artificial Intelligence, Machine Learning dan Deep Learning adalah 3 istilah yang sering digunakan untuk menggambarkan perangkat lunak yang memiliki perilaku cerdas. Jadi ketiga istilah di atas memiliki pengertian yang cukup luas dan masih banyak orang juga yang menyalahpahami definisi dari ketiga istilah di atas karena banyak orang mengira artinya mirip.
Artificial Intelligence, Machine Learning dan Deep Learning memiliki artian yang cukup luas untuk perangkat lunak yang memiliki perilaku yang cerdas. Singkatnya deep learning adalah bagian dari machine learning, dan machine learning adalah bagian dari artificial intelligence yang merupakan istilah umum untuk setiap program komputer yang melakukan sesuatu yang cerdas. Dengan kata lain, semua machine learning adalah artificial intelligence, tetapi tidak semua artificial intelligence adalah machine learning dan sebagainya.
Artificial Intelligence berarti membuat komputer meniru perilaku manusia dalam beberapa cara.
Machine learning adalah bagian dari Artificial Intelligence dan terdiri dari teknik yang memungkinkan komputer untuk mengetahui berbagai hal dari data dan mengirimkan aplikasi Artificial Intelligence.
Deep Learning adalah bagian dari machine learning yang memungkinkan komputer untuk memecahkan masalah yang lebih kompleks.
Untuk memperjelas perbedaan antara Artificial Intelligence, Machine Learning dan Deep Learning kita akan membahasnya satu persatu di bawah ini :
Section Artikel
Artificial Intelligence
Artificial Intelligence diciptakan tahun 1956 sebagai salah satu disiplin akademis yang tujuannya adalah untuk membuat komputer melakukan tugas-tugas yang dianggap sebagai manusia yang unik, yaitu hal-hal yang membutuhkan kecerdasan. Awalnya, peneliti mengerjakan masalah seperti bermain catur dan memecahkan masalah logika.
Jika kamu melihat output dari salah satu program permainan catur, kamu bisa melihat beberapa bentuk “kecerdasan buatan” di balik gerakan itu, terutama ketika komputer mengalahkan kamu . Keberhasilan awal menyebabkan peneliti pertama menunjukkan antusiasme yang hampir tak terbatas untuk kemungkinan AI, hanya cocok dengan sejauh mana mereka salah menilai seberapa sulit beberapa masalah untuk dipecahkan.
Artificial Intelligence kemudian mengacu pada output dari komputer. Komputer yang dapat melakukan sesuatu yang cerdas, sehingga menunjukkan kecerdasan buatan atau yang biasa disebut Artificial Intelligence(AI).
Machine Learning
Alasan mengapa para peneliti awal menemukan beberapa masalah menjadi jauh lebih sulit adalah karena masalah tersebut tidak sesuai dengan teknik awal yang digunakan untuk AI. Algoritme hard-code atau sistem berbasis aturan tetap tidak berfungsi dengan baik untuk hal-hal seperti pengenalan gambar atau mengekstraksi makna dari teks.
Solusinya ternyata tidak hanya meniru perilaku manusia (AI) tetapi meniru cara manusia belajar.
Pikirkan tentang bagaimana Anda belajar membaca. Anda tidak duduk, belajar ejaan dan tata bahasa sebelum mengambil buku pertama Anda. Anda membaca buku-buku sederhana, lulus ke yang lebih kompleks dari waktu ke waktu. Anda benar-benar mempelajari aturan (dan pengecualian) ejaan dan tata bahasa dari bacaan Anda. Dengan kata lain, Anda memproses banyak data dan belajar darinya.
Itulah ide dengan Machine Learning. Algoritme (sebagai lawan dari otak Anda) banyak data dan biarkan ia mencari tahu. Berikan banyak data pada algoritme tentang transaksi keuangan, beri tahu mana yang curang, dan biarkan algoritma tersebut mengetahui apa yang mengindikasikan penipuan sehingga dapat memprediksi penipuan di masa depan. Atau berikan informasi tentang basis pelanggan Anda dan biarkan ia mencari cara terbaik untuk mengelompokkannya. Cari tahu lebih lanjut tentang teknik pembelajaran mesin di sini.
Saat algoritma ini berkembang, mereka dapat mengatasi banyak masalah. Tetapi beberapa hal yang dianggap mudah oleh manusia (seperti pengenalan ucapan atau tulisan tangan) masih sulit dilakukan oleh mesin. Namun, jika pembelajaran mesin adalah tentang meniru cara manusia belajar, mengapa tidak mencoba meniru otak manusia? Itulah ide di balik jaringan saraf.
Gagasan menggunakan neuron buatan (neuron, dihubungkan oleh sinapsis, adalah elemen utama di otak Anda) telah ada untuk sementara waktu. Dan jaringan saraf tiruan yang disimulasikan dalam perangkat lunak mulai digunakan untuk masalah tertentu. Mereka dapat menunjukkan banyak janji dan dapat memecahkan beberapa masalah kompleks yang tidak dapat ditangani oleh algoritma lain.
Tetapi machine learning ini masih terjebak pada banyak hal yang dapat ditangani dengan mudah oleh anak-anak sekolah dasar, seperti berapa banyak anjing dalam gambar ini atau apakah mereka benar-benar serigala? Berjalan ke sana dan bawakan aku pisang matang. Apa yang membuat karakter dalam buku ini menangis begitu banyak?
Ternyata masalahnya bukan pada konsep machine learning atau bahkan dengan ide meniru otak manusia. Jaringan saraf sederhana dengan 100-an atau bahkan 1000-an neuron, terhubung dengan cara yang relatif sederhana, tidak dapat menduplikasi apa yang dapat dilakukan otak manusia. Seharusnya tidak mengejutkan jika Anda memikirkannya; otak manusia memiliki sekitar 86 miliar neuron dan interkonektivitas yang sangat kompleks.
Deep Learning
Deep Learning adalah bagian dari machine learning. Biasanya, ketika orang menggunakan istilah pembelajaran mendalam, mereka mengacu pada jaringan saraf tiruan yang dalam.
Jaringan saraf tiruan dalam adalah seperti seperangkat algoritma yang telah membuat rekor baru dalam akurasi untuk banyak masalah penting, seperti pengenalan gambar, pengenalan suara, sistem rekomendasi, pemrosesan bahasa alami, dll. Misalnya, pembelajaran mendalam adalah bagian dari AlphaGo DeepMind yang terkenal. algoritma, yang mengalahkan mantan juara dunia Lee Sedol di Go pada awal 2016, dan juara dunia saat ini Ke Jie di awal 2017. Penjelasan lebih lengkap tentang kerja saraf ada di sini.
Deep adalah istilah teknis. Hal ini mengacu pada jumlah lapisan dalam jaringan saraf. Jaringan dangkal memiliki satu yang disebut lapisan tersembunyi dan jaringan dalam memiliki lebih dari satu. Beberapa lapisan tersembunyi memungkinkan jaringan saraf dalam untuk mempelajari fitur data dalam apa yang disebut hierarki fitur, karena fitur sederhana (misalnya dua piksel) bergabung kembali dari satu lapisan ke lapisan berikutnya, untuk membentuk fitur yang lebih kompleks (misalnya garis). Jaring dengan banyak lapisan melewatkan data masukan (fitur) melalui lebih banyak operasi matematis daripada jaring dengan sedikit lapisan,dan karena itu lebih intensif secara komputasi untuk dilatih. Intensitas komputasi adalah salah satu keunggulan pembelajaran mendalam, dan ini adalah salah satu alasan mengapa jenis baru GPU panggilan chip dibutuhkan untuk melatih model pembelajaran mendalam.
Hubungan Artificial Intelligence, Machine Learning dan Deep Learning
Seperti yang digambarkan gambar di atas, tiga oval konsentris menggambarkan Deep Learning sebagai subset dari Machine Learning, yang juga merupakan subset dari Artificial Intellegence. Oleh karena itu, Artificial Intellegence adalah konsep menyeluruh yang awalnya muncul. Kemudian diikuti oleh Machine Learning yang berkembang pesat kemudian dan terakhir Deep Learning yang kini menjanjikan untuk meningkatkan kemajuan Artificial Intellegence ke level yang lebih tinggi.
