Pembelajaran mendalam dan kecerdasan buatan (AI) adalah bidang yang berkembang pesat dengan teknologi baru yang terus bermunculan. Lima dari tren yang muncul paling menjanjikan di bidang ini meliputi pembelajaran federasi, GAN, XAI, pembelajaran penguatan, dan pembelajaran transfer.
Teknologi ini memiliki potensi untuk merevolusi berbagai aplikasi pembelajaran mesin, mulai dari pengenalan gambar hingga permainan, dan menawarkan peluang baru yang menarik bagi para peneliti dan pengembang.
pembelajaran federasi
Pembelajaran federasi adalah a pendekatan pembelajaran mesin yang memungkinkan banyak perangkat berkolaborasi dalam satu model tanpa berbagi datanya dengan server pusat. Pendekatan ini sangat berguna dalam situasi di mana privasi data menjadi masalah.
Misalnya, Google telah menggunakan federated learning untuk meningkatkan akurasi keyboard teks prediktifnya tanpa mengorbankan privasi pengguna. Model pembelajaran mesin biasanya dikembangkan menggunakan sumber data terpusat, yang mengharuskan berbagi data pengguna dengan server pusat. Meskipun pengguna mungkin merasa tidak nyaman karena data mereka dikumpulkan dan disimpan di satu server, strategi ini dapat menimbulkan masalah privasi.
Pembelajaran federasi memecahkan masalah ini dengan mencegah data dikirim ke server pusat dengan melatih model pada data yang tersisa di perangkat pengguna. Selain itu, karena data pelatihan tetap berada di perangkat pengguna, tidak perlu mengirim data dalam jumlah besar ke server terpusat, yang mengurangi kebutuhan pemrosesan dan penyimpanan sistem.
Terkait: Microsoft sedang mengembangkan chip AI-nya sendiri untuk mendukung ChatGPT: Report
Jaringan Adversarial Generatif (GAN)
Jaringan lawan yang dihasilkan adalah sejenis jaringan syaraf yang dapat digunakan untuk menghasilkan data baru dan realistis berdasarkan data yang ada. Misalnya, GAN telah digunakan untuk menghasilkan gambar manusia, hewan, dan bahkan lanskap yang realistis. GAN bekerja dengan mengadu dua jaringan saraf satu sama lain, dengan satu jaringan menghasilkan data palsu dan jaringan lainnya mencoba mendeteksi apakah data itu nyata atau salah.
Jaringan permusuhan generatif, atau singkatnya GAN, telah dengan cepat muncul sebagai teknologi terdepan untuk menghasilkan data sintetik yang realistis. GAN adalah jenis arsitektur jaringan saraf yang terdiri dari dua jaringan: g… https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
—phil.ai (@phil_ai) 20 April 2023
AI yang Dapat Dijelaskan (XAI)
Pendekatan kecerdasan buatan yang dikenal sebagai AI yang dapat dijelaskan bertujuan untuk meningkatkan transparansi dan pemahaman model pembelajaran mesin. XAI sangat penting karena dapat memastikan bahwa sistem AI membuat keputusan yang tidak memihak dan adil. Berikut adalah contoh bagaimana XAI dapat digunakan:
Pertimbangkan skenario di mana organisasi keuangan menggunakan algoritme pembelajaran mesin untuk memprediksi kemungkinan pemohon pinjaman gagal membayar pinjaman mereka. Dalam kasus konvensional algoritma kotak hitambank tidak akan mengetahui proses pengambilan keputusan algoritme dan mungkin tidak dapat menjelaskannya kepada pemohon pinjaman.
Namun, dengan menggunakan XAI, algoritme dapat menjelaskan pilihannya, memungkinkan bank untuk mengonfirmasi bahwa itu didasarkan pada pertimbangan yang masuk akal daripada informasi yang tidak akurat atau diskriminatif. Algoritme dapat menentukan, misalnya, menghitung skor risiko berdasarkan skor kredit, pendapatan, dan riwayat pekerjaan pelamar. Tingkat transparansi dan penjelasan ini dapat membantu meningkatkan kepercayaan pada sistem AI, meningkatkan akuntabilitas, dan pada akhirnya menghasilkan pengambilan keputusan yang lebih baik.
Pengajaran penguatan
Jenis pembelajaran mesin yang disebut pembelajaran penguatan melibatkan agen pengajaran untuk belajar melalui kritik dan insentif. Banyak aplikasi termasuk robotika, game dan bahkan perbankan, telah memanfaatkan strategi ini. Misalnya, DeepMind’s AlphaGo menggunakan pendekatan ini untuk terus meningkatkan permainannya dan pada akhirnya mengalahkan pemain Go manusia terbaik, menunjukkan keefektifan pembelajaran penguatan dalam tugas pengambilan keputusan yang kompleks.
AI bisa menjadi agen untuk kemajuan kita. Makalah paling menarik yang pernah saya lihat tentang ini adalah studi tentang kinerja pemain pro GO sebelum vs. mengikuti pengenalan Leela, versi open source DeepMind dari AlphaGo. Performa pemain ditingkatkan. pic.twitter.com/Tk6qxwOftz
— Miles Grimshaw (@milesgrimshaw) 15 Januari 2023
Terkait: 7 robot humanoid tercanggih di dunia
Mentransfer pembelajaran
Strategi pembelajaran mesin yang disebut pembelajaran transfer melibatkan penerapan model yang telah dilatih sebelumnya untuk mengatasi masalah baru. Ketika sedikit data tersedia untuk masalah baru, metode ini sangat berguna.
Misalnya, peneliti telah menggunakan pembelajaran transfer untuk mengadaptasi model pengenalan gambar yang dikembangkan untuk satu jenis gambar tertentu (seperti wajah) ke jenis gambar yang berbeda, seperti hewan.
Pendekatan ini memungkinkan penggunaan kembali karakteristik, bobot, dan bias yang dipelajari dari model yang telah dilatih sebelumnya dalam tugas baru, yang dapat meningkatkan kinerja model secara signifikan dan mengurangi jumlah data yang diperlukan untuk pelatihan.