Apa itu jaringan saraf?

Definisi jaringan saraf

Jaringan saraf (NN), juga dikenal sebagai jaringan saraf tiruan (ANN), adalah jenis pembelajaran mesin yang memproses data dengan cara yang mirip dengan otak manusia. Jaringan saraf tiruan atau jaringan saraf adalah sistem adaptif yang terdiri dari lapisan-lapisan neuron buatan yang saling berhubungan. Neuron ini, juga disebut node, memproses sinyal masukan dan menghasilkan sinyal keluaran yang dikirimkan ke node lain dalam jaringan. JST dilatih untuk mengenali pola dan hubungan dalam data, menjadikannya alat yang ampuh untuk klasifikasi data, pengenalan ucapan dan gambar, serta analitik prediktif.

Bagaimana cara kerja jaringan saraf?

Jaringan saraf tiruan adalah struktur berlapis dari node yang saling berhubungan yang mengirimkan informasi. Setiap jaringan saraf memiliki lapisan input, lapisan output, dan satu atau lebih lapisan tersembunyi di antaranya. Masing-masing node ini terdiri dari input, output, dan node tersembunyi. Sebuah node menerima input, melakukan perhitungan sederhana, dan menghasilkan output yang diteruskan ke node lain di level berikutnya.

Pertama, data mentah, juga dikenal sebagai data masukan, dimasukkan ke dalam jaringan dalam bentuk teks, gambar, atau angka. Node input menerima data input, menyandikannya, dan meneruskannya ke node tersembunyi. Ini, pada gilirannya, melakukan serangkaian perhitungan matematis pada data dan meneruskannya ke node keluaran. Node keluaran menghasilkan nilai keluaran akhir atau kumpulan nilai yang mewakili prediksi atau keputusan jaringan berdasarkan masukan mentah.

Cara melatih jaringan saraf

Ilmuwan data melatih jaringan saraf dengan memberi mereka kumpulan data besar berlabel yang memberikan jawaban yang tepat sebelumnya. Setelah meninjau contoh-contoh ini, jaringan saraf dapat memproses masukan yang tidak diketahui dengan lebih akurat. Misalnya, saat jaringan pembelajaran mendalam dilatih untuk mengenali wajah, jaringan tersebut memproses ratusan ribu gambar wajah manusia dengan deskripsi ras, etnis, emosi, dan karakteristik lainnya.

Jaringan saraf tiruan dengan banyak lapisan tersembunyi antara lapisan input dan output disebut jaringan saraf dalam. Mereka membentuk inti dari pembelajaran mendalam dan kecerdasan buatan. Jaringan ini menggunakan bentuk pembelajaran terawasi yang disebut backpropagation. Ilmuwan data menyesuaikan bobot dan bias neuron dalam jaringan berdasarkan perbedaan antara keluarannya dan keluaran yang diinginkan. Selama pelatihan, jaringan saraf belajar menggeneralisasi data pelatihan dan membuat prediksi akurat berdasarkan data baru. Jaringan saraf dalam digunakan dalam pembelajaran mendalam, subbidang pembelajaran mesin.

Untuk apa jaringan saraf?

Jaringan saraf berguna dalam berbagai bidang dan industri, dari kedokteran hingga keuangan. Berikut adalah daftar aplikasi utama jaringan saraf:

visi komputer

Visi komputer adalah kemampuan komputer untuk menginterpretasikan dan memahami data visual. Mereka memproses dan menganalisis gambar dan video untuk mengekstrak informasi darinya. Dengan bantuan jaringan saraf, komputer dapat membedakan dan mengenali gambar dengan cara yang mirip dengan manusia. Anda dapat menggunakan visi komputer di area berikut:

• moderasi konten. Komputer mendeteksi dan menghapus konten visual yang tidak pantas.
• Pengenalan wajah. Ini digunakan di bidang kepolisian dan keamanan.
• Kendaraan Otonom. Kendaraan otonom menggunakan visi komputer untuk mengenali rambu lalu lintas, jalur, dan pengguna jalan lainnya.
• Robotika. Robot belajar mengenali objek dan hubungan di antara mereka, memahami sekelilingnya, membuat peta, dan mengontrol gerakan mereka berdasarkan umpan balik visual.

pengenalan suara

Jaringan saraf menganalisis ucapan manusia dan mengidentifikasi pola yang sesuai dengan kata-kata. Mereka beradaptasi dengan pola bicara, nada, nada atau aksen yang berbeda. Teknologi ini digunakan untuk:

• Mengklasifikasikan panggilan di call center.
• Transkripsi – ubah percakapan menjadi dokumen.
• Subtitling video dan rekaman.
• Memproses perintah lisan ke asisten virtual dan sistem yang diaktifkan suara di mobil dan rumah.

Pemrosesan Bahasa Alami (NLP)

Jaringan saraf memungkinkan komputer untuk memahami, menafsirkan, dan menghasilkan ucapan manusia. NLP digunakan untuk:

• analisis sentimen.
• terjemahan bahasa.
• ringkasan teks.
• chatbots.
• Pengenalan bahasa lisan.

mesin rekomendasi

Jaringan saraf dapat digunakan untuk melacak aktivitas pengguna untuk rekomendasi khusus. Mereka juga dapat menganalisis perilaku pengguna, lalu menemukan dan menawarkan produk dan layanan tertentu yang mungkin menarik bagi mereka.

Sejarah Neural Networks

Sejarah jaringan syaraf tiruan dimulai pada tahun 1940-an. Saat itulah para ilmuwan pertama kali menemukan ide tentang mesin berpikir yang terinspirasi oleh struktur dan fungsi otak manusia. Mereka mulai meneliti bagaimana menguraikan jaringan saraf kompleks otak menjadi struktur logika biner dengan koneksi benar/salah.

Pada 1950-an dan 1960-an, para peneliti mengembangkan model matematika jaringan saraf dan mendemonstrasikan bagaimana mereka dapat mengenali gambar dan membuat kesimpulan. Tahun 1980-an membawa penelitian lebih lanjut ke backpropagation dan algoritma baru untuk melatih jaringan saraf.

Pada awal 1990-an, jaringan saraf digunakan untuk pengenalan ucapan dan gambar, pemrosesan ucapan, dan prediksi hasil. Namun, kinerja mereka dibatasi oleh kurangnya sumber daya komputasi yang memadai.

Pada tahun 2000-an dan 2010-an, kumpulan data besar dan sumber daya komputasi menyebabkan kemajuan signifikan dalam teknologi jaringan saraf. Pengembangan algoritme pembelajaran mendalam untuk melatih jaringan syaraf dalam menghasilkan teknologi seperti kendaraan tanpa pengemudi dan asisten virtual.

Jenis Jaringan Neural

Ada banyak jenis jaringan saraf, masing-masing dirancang untuk tugas dan aplikasi tertentu. Berikut adalah enam contoh jenis jaringan saraf yang paling umum:

Jaringan saraf umpan maju

Jaringan saraf feedforward adalah jenis jaringan saraf yang paling dasar. Mereka terdiri dari lapisan masukan, satu atau lebih lapisan tersembunyi, dan lapisan keluaran. Dalam jaringan feedforward, informasi mengalir hanya dalam satu arah—dari lapisan masukan, melalui lapisan tersembunyi, ke lapisan keluaran. Namun, mereka dapat dilatih untuk bergerak ke arah yang berlawanan – dari keluaran ke masukan. Jaringan saraf umpan maju sering digunakan untuk tugas klasifikasi dan regresi.

Jaringan saraf berulang

Tidak seperti jaringan feedforward, jaringan saraf berulang (RNN) menunjukkan loop dalam strukturnya. Ini berarti mereka dapat menyimpan informasi dari input sebelumnya. Mereka biasanya digunakan untuk pemrosesan bahasa alami dan tugas pengenalan suara.

Jaringan Syaraf Konvolusional

Jaringan saraf convolutional (CNNs) adalah jenis jaringan saraf umpan maju yang digunakan untuk mengidentifikasi fitur dalam gambar dan mengklasifikasikannya dengan memproses area kecil gambar pada satu waktu. Jaringan saraf convolutional umumnya digunakan dalam tugas pengenalan gambar dan video.

Jaringan Syaraf Dekonvolusional

Jaringan saraf dekonvolusional adalah jaringan saraf konvolusional yang bekerja secara terbalik. Mereka berusaha keras untuk menemukan fitur-fitur yang sebelumnya hilang karena dianggap tidak penting selama tugas CNN. Jaringan ini terutama digunakan untuk sintesis dan analisis gambar.

Jaringan Syaraf Modular

Jaringan saraf modular adalah sekumpulan jaringan saraf tiruan yang dimoderatori oleh arbiter. Setiap jaringan saraf independen bertindak sebagai modul dan memproses input terpisah. Dengan cara ini, setiap orang melakukan subtugas dari tugas yang lebih besar yang coba diselesaikan oleh seluruh jaringan.

Jaringan Neural Autoencoder

Jaringan saraf autoencoder digunakan untuk kompresi data dan tugas pengurangan dimensi. Pertama, mereka menyandikan data input ke representasi dimensi yang lebih rendah dan kemudian mendekodekannya kembali ke format aslinya.

Pro dan kontra dari jaringan saraf

Seefisien jaringan saraf dalam menangani tugas-tugas kompleks, masih ada ruang untuk perbaikan. Berikut adalah pro dan kontra utama dari model pembelajaran mesin ini.

Keuntungan dari jaringan saraf

• Neural network lebih efisien daripada manusia.
• Mereka belajar dari hasil masa lalu dan dapat dilatih untuk membuat prediksi dan memprediksi hasil masa depan untuk input baru.
• Anda dapat memproses pola dan hubungan kompleks dan nonlinier dalam data dengan banyak variabel.
• Saat diterapkan di cloud, mereka dapat memitigasi risiko dibandingkan dengan sistem yang sangat bergantung pada perangkat keras saja.
• Mereka dapat berfungsi bahkan jika beberapa node rusak atau gagal.

Kerugian dari jaringan saraf

• Mereka membutuhkan banyak waktu dan sumber daya untuk melatih dan menyesuaikan, misalnya untuk membuat algoritme untuk tugas tertentu.
• Jika mereka disajikan dengan data yang tidak lengkap atau salah, mereka dapat menghasilkan hasil yang tidak akurat atau terdistorsi.
• Komponen perangkat keras masih diperlukan, yang rumit untuk diatur dan memerlukan perawatan fisik.
• Mereka sulit untuk diperiksa dan dipahami, membuat kesalahan dan bias sulit untuk didiagnosis dan diperbaiki. Sulit untuk menganalisis kelemahannya ketika jaringan kurang transparan tentang cara belajarnya.
• Seperti perangkat lunak lainnya, mereka dapat diretas. Keracunan data, serangan pintu belakang, dan kebocoran data pribadi adalah kerentanan keamanan umum.

Jaringan Neural vs. Pembelajaran Mendalam

Istilah “jaringan saraf” dan “pembelajaran mendalam” terkadang digunakan secara bergantian, meskipun keduanya tidak sama. Kata “dalam” mengacu pada jumlah lapisan tersembunyi di jaringan saraf, atau kedalamannya. Neural network dengan lebih dari tiga layer disebut deep neural network atau deep learning network. Mereka digunakan dalam pembelajaran mendalam.

Pembelajaran mendalam adalah inti dari kecerdasan buatan, dan meskipun umum di berbagai industri, penerapannya menimbulkan masalah etika. Karena kurangnya regulasi dan hukum internasional, AI masih dapat digunakan tanpa banyak tanggung jawab dan kemungkinan untuk tujuan jahat. Misalnya, kota-kota di seluruh dunia menggunakan pembelajaran mesin untuk pengawasan massal dan pengenalan wajah berdasarkan data biometrik. Penggunaan AI dalam manufaktur dan personalisasi juga memberi keuntungan bagi perusahaan dibandingkan perusahaan kecil yang tidak mampu membeli teknologi ini.

Namun, yang paling mengkhawatirkan adalah masalah privasi. ISP, pemerintah, dan bisnis melacak penggunanya dan mengumpulkan datanya, tetapi tidak selalu mengungkapkan cara mereka menyimpan atau menggunakannya. Ini membuat keamanan dan privasi online kami menjadi lebih penting.