Machine learning (ML) mendukung beberapa teknologi paling penting yang kita gunakan, mulai dari aplikasi terjemahan hingga kendaraan otonom. Kursus ini menjelaskan konsep inti di balik ML.
ML menawarkan cara baru untuk memecahkan masalah, menjawab pertanyaan kompleks, dan membuat konten baru. ML dapat memprediksi cuaca, memperkirakan waktu perjalanan, merekomendasikan lagu, melengkapi kalimat secara otomatis, meringkas artikel, dan membuat gambar yang belum pernah dilihat sebelumnya.
Secara sederhana, ML adalah proses melatih sebuah software, yang disebut model, untuk membuat prediksi yang berguna atau membuat konten (seperti teks, gambar, audio, atau video) dari data.
Misalnya, kita ingin membuat aplikasi untuk memprediksi curah hujan. Kita dapat menggunakan pendekatan tradisional atau pendekatan ML. Dengan menggunakan pendekatan tradisional, kita akan membuat representasi berbasis fisika dari atmosfer dan permukaan Bumi, dengan menghitung persamaan dinamika fluida dalam jumlah besar. Ini sangat sulit.
Dengan menggunakan pendekatan ML, kami akan memberikan data cuaca dalam jumlah besar kepada model ML hingga model ML tersebut akhirnya mempelajari hubungan matematika antara pola cuaca yang menghasilkan jumlah hujan yang berbeda-beda. Kemudian, kami akan memberikan data cuaca saat ini kepada model, dan model akan memprediksi jumlah hujan.
Periksa Pemahaman Anda
Jenis Sistem ML
Sistem ML termasuk dalam satu atau beberapa kategori berikut berdasarkan cara sistem tersebut belajar membuat prediksi atau menghasilkan konten:
- Supervised learning
- Pembelajaran yang tidak diawasi
- Reinforcement learning
- AI Generatif
Supervised learning
Model supervised learning dapat membuat prediksi setelah melihat banyak data dengan jawaban yang benar, lalu menemukan hubungan antara elemen dalam data yang menghasilkan jawaban yang benar. Hal ini seperti siswa yang mempelajari materi baru dengan mempelajari ujian lama yang berisi pertanyaan dan jawaban. Setelah siswa berlatih mengerjakan cukup banyak ujian lama, siswa akan siap mengerjakan ujian baru. Sistem ML ini "diawasi" dalam arti bahwa manusia memberikan data dengan hasil benar yang diketahui kepada sistem ML.
Dua kasus penggunaan paling umum untuk supervised learning adalah regresi dan klasifikasi.
Regresi
Model regresi memprediksi nilai numerik. Misalnya, model cuaca yang memprediksi jumlah hujan, dalam inci atau milimeter, adalah model regresi.
Lihat tabel di bawah untuk mengetahui contoh model regresi lainnya:
| Skenario | Kemungkinan data input | Prediksi numerik |
|---|---|---|
| Harga rumah pada masa mendatang | Luas dalam meter atau kaki persegi, kode pos, jumlah kamar tidur dan kamar mandi, luas tanah, tingkat suku bunga hipotek, tarif pajak properti, biaya konstruksi, dan jumlah rumah yang dijual di area tersebut. | Harga rumah. |
| Waktu perjalanan mendatang | Kondisi lalu lintas historis (dikumpulkan dari smartphone, sensor lalu lintas, aplikasi transportasi online, dan aplikasi navigasi lainnya), jarak dari tujuan, dan kondisi cuaca. | Waktu dalam menit dan detik untuk tiba di tujuan. |
Klasifikasi
Model klasifikasi memprediksi kemungkinan bahwa sesuatu termasuk dalam suatu kategori. Tidak seperti model regresi, yang outputnya berupa angka, model klasifikasi menghasilkan nilai yang menyatakan apakah sesuatu termasuk dalam kategori tertentu atau tidak. Misalnya, model klasifikasi digunakan untuk memprediksi apakah suatu email adalah spam atau apakah suatu foto berisi kucing.
Model klasifikasi dibagi menjadi dua grup: klasifikasi biner dan
klasifikasi multikelas. Model klasifikasi biner menghasilkan nilai dari
kelas yang hanya berisi dua nilai, misalnya, model yang menghasilkan rain atau no rain. Model klasifikasi multikelas menghasilkan nilai dari
kelas yang berisi lebih dari dua nilai, misalnya, model yang dapat menghasilkan
rain, hail, snow, atau sleet.
Periksa Pemahaman Anda
Pembelajaran yang tidak diawasi
Model unsupervised learning membuat prediksi dengan diberi data yang tidak berisi jawaban yang benar. Tujuan model unsupervised learning adalah mengidentifikasi pola yang bermakna dalam data. Dengan kata lain, model tidak memiliki petunjuk tentang cara mengategorikan setiap bagian data, tetapi harus menyimpulkan aturannya sendiri.
Model unsupervised learning yang umum digunakan menerapkan teknik yang disebut pengelompokan. Model menemukan titik data yang membatasi pengelompokan alami.
Gambar 1. Model ML mengelompokkan titik data serupa.
Gambar 2. Grup cluster dengan pembatasan alami.
Pengelompokan berbeda dengan klasifikasi karena kategori tidak ditentukan oleh Anda. Misalnya, model tanpa pengawasan dapat mengelompokkan set data cuaca berdasarkan suhu, sehingga mengungkapkan segmentasi yang menentukan musim. Kemudian, Anda dapat mencoba memberi nama cluster tersebut berdasarkan pemahaman Anda tentang set data.
Gambar 3. Model ML mengelompokkan pola cuaca yang serupa.
Gambar 4. Kelompok pola cuaca yang diberi label salju, hujan es, hujan, dan tidak hujan.
Periksa Pemahaman Anda
Reinforcement learning
Model reinforcement learning membuat prediksi dengan mendapatkan reward atau penalti berdasarkan tindakan yang dilakukan dalam suatu lingkungan. Sistem reinforcement learning membuat kebijakan yang menentukan strategi terbaik untuk mendapatkan reward terbanyak.
Reinforcement learning digunakan untuk melatih robot melakukan tugas, seperti berjalan di dalam ruangan, dan program software seperti AlphaGo untuk bermain game Go.
AI Generatif
AI generatif adalah kelas model yang membuat konten dari input pengguna. Misalnya, AI generatif dapat membuat gambar, komposisi musik, dan lelucon yang unik; AI ini dapat merangkum artikel, menjelaskan cara melakukan tugas, atau mengedit foto.
AI generatif dapat menerima berbagai input dan membuat berbagai output, seperti teks, gambar, audio, dan video. Model ini juga dapat mengambil dan membuat kombinasi dari keduanya. Misalnya, model dapat mengambil gambar sebagai input dan membuat gambar dan teks sebagai output, atau mengambil gambar dan teks sebagai input dan membuat video sebagai output.
Kita dapat membahas model generatif berdasarkan input dan outputnya, yang biasanya ditulis sebagai "jenis input"-ke-"jenis output". Misalnya, berikut adalah sebagian daftar beberapa input dan output untuk model generatif:
- Teks ke teks
- Teks ke gambar
- Teks ke video
- Teks ke kode
- Text-to-speech
- Gambar dan text-to-image
Tabel berikut berisi contoh model generatif, inputnya, dan kemungkinan outputnya:
| Model | Input | Contoh output |
|---|---|---|
| Teks ke teks | Siapa yang menciptakan balapan Le Mans? |
Balapan 24 Hours of Le Mans didirikan oleh Automobile Club de l'Ouest
(ACO), sebuah organisasi otomotif yang didirikan pada tahun 1906. Balapan pertama diadakan
pada 26 dan 27 Mei 1923 di Sarthe Circuit, sirkuit jalan sepanjang 13,426 kilometer
(8,345 mil) yang terletak di dekat kota Le Mans di Prancis.
Balapan ini awalnya dirancang sebagai cara untuk mempromosikan ACO dan wilayah Sarthe. Sumber: Bard |
| Teks ke gambar | Gurita alien mengapung melalui portal sambil membaca koran. |
 Sumber: Imagen |
| Teks ke video | Boneka teddy bear fotorealistik sedang berenang di laut di San Francisco. Boneka beruang masuk ke dalam air. Beruang teddy terus berenang di bawah air bersama ikan warna-warni. Seekor beruang panda sedang berenang di bawah air. |
 Sumber: Phenaki |
| Teks ke kode | Tulis loop Python yang melakukan loop pada daftar angka dan mencetak bilangan prima. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) Sumber: Bard |
| Gambar ke teks |  |
Ini adalah burung flamingo. Mereka ditemukan di Karibia. Sumber: Google DeepMind |
Bagaimana cara kerja AI generatif? Secara umum, model generatif mempelajari pola dalam data dengan tujuan menghasilkan data baru yang serupa. Model generatif seperti berikut:
- Komedian yang belajar meniru orang lain dengan mengamati perilaku dan gaya bicara orang
- Artis yang belajar melukis dengan gaya tertentu dengan mempelajari banyak lukisan dengan gaya tersebut
- Grup musik cover yang belajar untuk terdengar seperti grup musik tertentu dengan mendengarkan banyak musik dari grup tersebut
Untuk menghasilkan output yang unik dan kreatif, model generatif awalnya dilatih menggunakan pendekatan tanpa pengawasan, di mana model belajar meniru data yang digunakan untuk melatihnya. Model terkadang dilatih lebih lanjut menggunakan pembelajaran yang diawasi atau pembelajaran penguatan pada data tertentu yang terkait dengan tugas yang mungkin diminta untuk dilakukan model, misalnya, meringkas artikel atau mengedit foto.
AI generatif adalah teknologi yang berkembang pesat dengan kasus penggunaan baru yang terus ditemukan. Misalnya, model generatif membantu bisnis menyempurnakan gambar produk e-commerce mereka dengan menghapus latar belakang yang mengganggu atau meningkatkan kualitas gambar beresolusi rendah secara otomatis.