Machine learning (ML) mendukung beberapa teknologi terpenting 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 yang kompleks, dan membuat konten baru. ML dapat memprediksi cuaca, memperkirakan waktu perjalanan, merekomendasikan lagu, melengkapi otomatis kalimat, meringkas artikel, dan membuat gambar yang belum pernah dilihat sebelumnya.
Secara mendasar, ML adalah proses melatih software, yang disebut model, untuk membuat prediksi yang berguna atau menghasilkan konten 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 atmosfer dan permukaan Bumi berbasis fisika, yang menghitung persamaan dinamika fluida dalam jumlah besar. Hal ini sangat sulit.
Dengan menggunakan pendekatan ML, kita akan memberikan data cuaca dalam jumlah besar kepada model ML hingga model ML akhirnya mempelajari hubungan matematika antara pola cuaca yang menghasilkan jumlah hujan yang berbeda. Kemudian, kita akan memberikan data cuaca saat ini ke model, dan model akan memprediksi jumlah hujan.
Memeriksa 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 pembelajaran dengan pengawasan 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 melakukan latihan pada cukup banyak ujian lama, siswa akan siap untuk mengikuti ujian baru. Sistem ML ini "diawasi" dalam arti bahwa manusia memberikan data sistem ML dengan hasil yang diketahui benar.
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 contoh model regresi lainnya:
| Skenario | Kemungkinan data input | Prediksi numerik |
|---|---|---|
| Harga rumah mendatang | Luas dalam meter atau kaki persegi, kode pos, jumlah kamar tidur dan kamar mandi, ukuran lahan, 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 kategori. Tidak seperti model regresi, yang output-nya berupa angka, model klasifikasi menghasilkan nilai yang menyatakan apakah sesuatu termasuk dalam kategori tertentu atau tidak. Misalnya, model klasifikasi digunakan untuk memprediksi apakah email adalah spam atau apakah foto berisi kucing.
Model klasifikasi dibagi menjadi dua grup: klasifikasi biner dan
klasifikasi multi-kelas. Model klasifikasi biner menghasilkan nilai dari
class yang hanya berisi dua nilai, misalnya, model yang menghasilkan
rain atau no rain. Model klasifikasi multi-class menghasilkan nilai dari
class yang berisi lebih dari dua nilai, misalnya, model yang dapat menghasilkan
rain, hail, snow, atau sleet.
Memeriksa Pemahaman Anda
Pembelajaran yang tidak diawasi
Model pembelajaran tanpa pengawasan membuat prediksi dengan diberi data yang tidak berisi jawaban yang benar. Tujuan model pembelajaran tanpa pengawasan adalah mengidentifikasi pola yang bermakna di antara 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 menggunakan teknik yang disebut pengelompokan. Model ini menemukan titik data yang menandai pengelompokan alami.
Gambar 1. Model ML yang mengelompokkan titik data serupa.
Gambar 2. Grup cluster dengan demarkasi 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 yang mengelompokkan pola cuaca yang serupa.
Gambar 4. Cluster pola cuaca yang diberi label sebagai salju, hujan es, hujan, dan tidak ada hujan.
Memeriksa Pemahaman Anda
Reinforcement learning
Model Reinforcement learning membuat prediksi dengan mendapatkan reward atau penalti berdasarkan tindakan yang dilakukan dalam lingkungan. Sistem reinforcement learning menghasilkan kebijakan yang menentukan strategi terbaik untuk mendapatkan reward terbanyak.
Reinforcement learning digunakan untuk melatih robot agar dapat melakukan tugas, seperti berjalan di sekitar ruangan, dan program software seperti AlphaGo untuk bermain game Go.
AI Generatif
AI Generatif adalah class model yang membuat konten dari input pengguna. Misalnya, AI generatif dapat membuat gambar, komposisi musik, dan lelucon yang unik; AI generatif dapat merangkum artikel, menjelaskan cara melakukan tugas, atau mengedit foto.
AI generatif dapat mengambil berbagai input dan membuat berbagai output, seperti teks, gambar, audio, dan video. Model ini juga dapat mengambil dan membuat kombinasi darinya. Misalnya, model dapat mengambil gambar sebagai input dan membuat gambar serta 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 daftar sebagian beberapa input dan output untuk model generatif:
- Teks ke teks
- Teks ke gambar
- Teks ke video
- Teks ke kode
- Text-to-speech
- Gambar dan teks ke gambar
Tabel berikut mencantumkan contoh model generatif, inputnya, dan contoh kemungkinan outputnya:
| Model | Input | Contoh output |
|---|---|---|
| Teks ke teks | Siapa yang menemukan balapan Le Mans? |
24 Hours of Le Mans didirikan oleh Automobile Club de l'Ouest
(ACO), organisasi otomotif yang didirikan pada tahun 1906. Perlombaan pertama diadakan
pada 26 dan 27 Mei 1923 di Sirkuit Sarthe, sirkuit jalan sepanjang 13,426 kilometer
(8,345 mil) yang terletak di dekat kota Le Mans di Prancis.
Awalnya, perlombaan ini 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. Teddy bear terus berenang di bawah air dengan 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 flamingo. Ikan ini dapat ditemukan di Karibia. Sumber: Google DeepMind |
Bagaimana cara kerja AI generatif? Pada tingkat tinggi, model generatif mempelajari pola dalam data dengan tujuan menghasilkan data baru, tetapi serupa. Model generatif seperti berikut:
- Komedian yang belajar meniru orang lain dengan mengamati perilaku dan gaya bicara orang
- Seniman yang belajar melukis dengan gaya tertentu dengan mempelajari banyak lukisan dalam gaya tersebut
- Band 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, yaitu model belajar meniru data yang digunakan untuk melatihnya. Model ini terkadang dilatih lebih lanjut menggunakan pembelajaran dengan pengawasan 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 dengan cepat dengan kasus penggunaan baru yang terus-menerus ditemukan. Misalnya, model generatif membantu bisnis meningkatkan kualitas gambar produk e-commerce mereka dengan otomatis menghapus latar belakang yang mengganggu atau meningkatkan kualitas gambar beresolusi rendah.