Kecerdasan Buatan (AI) VS Machine Learning VS Deep Learning

KECERDASAN BUATAN VS. MACHINE LEARNING VS. DEEP LEARNING: APA BEDANYA?


Beberapa orang menggunakan buzzwords teknologi populer ini secara bergantian. Inilah mengapa mereka salah.

kecerdasan buatan, mchine learning, dan deep learning adalah istilah teknologi yang sedang tren yang kita dengar di mana-mana akhir-akhir ini, ada kesalahpahaman besar tentang apa arti kata-kata ini sebenarnya. Banyak perusahaan mengklaim memasukkan semacam kecerdasan buatan (AI) dalam aplikasi atau layanan mereka, tetapi apa artinya dalam praktiknya?

 

KECERDASAN BUATAN

Secara luas, AI menggambarkan ketika mesin meniru fungsi kognitif yang terkait dengan pikiran manusia lain, seperti belajar dan memecahkan masalah. Pada tingkat yang lebih dasar, AI hanya dapat menjadi aturan terprogram yang memberi tahu mesin untuk berperilaku dengan cara tertentu dalam situasi tertentu. Dengan kata lain, kecerdasan buatan tidak lebih dari beberapa pernyataan if-else.

 
Pernyataan if-else adalah aturan sederhana yang diprogram oleh manusia. Pertimbangkan robot yang bergerak di jalan. Aturan yang diprogram untuk robot itu bisa:

 if something_is_in_the_way is True:     

   stop_moving()

else:  ​​​​

   continue_moving()


Jadi, ketika kita berbicara tentang kecerdasan buatan, lebih baik mempertimbangkan dua subfields AI yang lebih spesifik: mchine learning dan deep learning.

machine learning VS. deep learning

Sekarang kita lebih memahami apa AI sebenarnya berarti kita dapat melihat lebih dekat pada machine learning dan deep learning untuk menarik perbedaan yang jelas antara keduanya.

AI VS. machine learning VS. deep learning

Kecerdasan Buatan: program yang dapat merasakan, beralasan, bertindak, dan beradaptasi.

Machine Learning: algoritma yang kinerjanya meningkat karena terpapar lebih banyak data dari waktu ke waktu.

deep learning: subkumpulan mchine learning di mana jaringan saraf multilayered belajar dari sejumlah besar data.

MACHINE LEARNING BUKAN TEKNOLOGI BARU

Apa itu machine learning? Kita dapat menganggap machine learning sebagai serangkaian algoritma yang menganalisis data, belajar darinya dan membuat keputusan berdasarkan wawasan yang dipelajari.


machine learning dapat menyebabkan berbagai tugas otomatis. Ini mempengaruhi hampir setiap industri - dari pencarian malware keamanan IT, hingga ramalan cuaca, hingga pialang saham yang mencari perdagangan optimal. mchine learning membutuhkan matematika yang kompleks dan banyak pengkodean untuk mencapai fungsi dan hasil yang diinginkan. mchine learning juga menggabungkan algoritme klasik untuk berbagai jenis tugas seperti pengelompokan, regresi, atau klasifikasi. Kita harus melatih algoritma ini pada sejumlah besar data. Semakin banyak data yang Anda berikan untuk algoritma Anda, semakin baik model Anda.


Ketika seseorang mengatakan mereka bekerja dengan algoritma mchine learning, Anda bisa mendapatkan inti dari nilainya dengan bertanya: Apa fungsi objektifnya?


machine learning adalah bidang yang relatif tua dan menggabungkan metode dan algoritma yang telah ada selama puluhan tahun, beberapa di antaranya sejak 1960-an. Algoritma klasik ini termasuk Naïve Bayes Classifier dan Support Vector Machines, yang keduanya sering digunakan dalam klasifikasi data. Selain klasifikasi, ada juga algoritma analisis klaster seperti K-Means dan pengelompokan berbasis pohon. Untuk mengurangi dimensi data dan mendapatkan lebih banyak wawasan tentang sifatnya, mchine learning menggunakan metode seperti analisis komponen utama dan tSNE.


Komponen pelatihan dari model machine learning berarti model mencoba mengoptimalkan sepanjang dimensi tertentu. Dengan kata lain, model mchine learning mencoba meminimalkan kesalahan antara prediksi mereka dan nilai kebenaran dasar yang sebenarnya.


Untuk ini kita harus mendefinisikan apa yang disebut fungsi kesalahan (juga disebut fungsi kerugian atau fungsi objektif) karena model memiliki tujuan. Tujuan ini dapat untuk mengklasifikasikan data ke dalam kategori yang berbeda (misalnya gambar kucing dan anjing) atau memprediksi harga stok yang diharapkan dalam waktu dekat. Ketika seseorang mengatakan mereka bekerja dengan algoritma mchine learning, Anda bisa mendapatkan inti dari nilainya dengan bertanya: Apa fungsi objektifnya?

BAGAIMANA KITA MEMINIMALKAN KESALAHAN?

Kita dapat membandingkan prediksi model dengan nilai kebenaran dasar dan menyesuaikan parameter model sehingga lain kali kesalahan antara kedua nilai ini lebih kecil. Proses ini diulang jutaan kali sampai parameter model yang menentukan prediksi sangat baik sehingga perbedaan antara prediksi model dan label kebenaran tanah sekecil mungkin.


Singkatnya, model mchine learning adalah algoritma pengoptimalan. Jika Anda menyetelnya dengan benar, mereka meminimalkan kesalahan dengan menebak dan menebak dan menebak lagi.

DEEP LEARNING : HAL BESAR BERIKUTNYA

Tidak seperti mchine learning, deep learning adalah subfield muda kecerdasan buatan berdasarkan jaringan saraf buatan.


Karena algoritme deep learning juga memerlukan data untuk mempelajari dan memecahkan masalah, kita juga dapat menyebutnya sebagai sub bidang mchine learning. Istilah mchine learning dan deep learning sering diperlakukan identik. Namun, sistem ini memiliki kemampuan yang berbeda.


deep learning menggunakan struktur algoritma berlapis yang disebut jaringan saraf.

 



Jaringan saraf buatan memiliki kemampuan unik yang memungkinkan model deep learning untuk menyelesaikan tugas yang tidak pernah bisa dipecahkan oleh model mchine learning.


Semua kemajuan intelijen baru-baru ini adalah karena deep learning. Tanpa deep learning, kami tidak akan memiliki mobil swakemudi, chatbot, atau asisten pribadi seperti Alexa dan Siri. Google Translate akan tetap primitif dan Netflix tidak akan tahu film atau serial TV mana yang akan disarankan.


Kita bahkan dapat pergi sejauh untuk mengatakan bahwa revolusi industri baru didorong oleh jaringan saraf buatan dan deep learning. Ini adalah pendekatan terbaik dan terdekat dengan kecerdasan mesin sejati yang kami miliki sejauh ini karena deep learning memiliki dua keuntungan utama daripada mchine learning.

MENGAPA DEEP LEARNING LEBIH BAIK DARIPADA MACHINE LEARNING?


Tidak Ada Ekstraksi Fitur

Keuntungan pertama dari deep learning atas mchine learning adalah redundansi ekstraksi fitur.


Jauh sebelum kami menggunakan deep learning, metode mchine learning tradisional (pohon keputusan, SVM, pengklasifikasi Naïve Bayes dan regresi logistik) paling populer. Ini dikenal sebagai algoritma datar. Dalam konteks ini "datar" berarti algoritme ini biasanya tidak dapat diterapkan langsung ke data mentah (seperti .csv, gambar, teks, dll.). Sebaliknya kita memerlukan langkah praprosesi yang disebut ekstraksi fitur.


Dalam ekstraksi fitur, kami memberikan representasi abstrak dari data mentah yang dapat digunakan algoritme mchine learning klasik untuk melakukan tugas (yaitu klasifikasi data ke dalam beberapa kategori atau kelas). Ekstraksi fitur biasanya cukup rumit dan membutuhkan pengetahuan terperinci tentang domain masalah. Langkah ini harus disesuaikan, diuji, dan disempurnakan selama beberapa iterasi untuk hasil yang optimal. Model deep learning tidak memerlukan ekstraksi fitur.
 

Ketika datang ke model deep learning, kami memiliki jaringan saraf buatan, yang tidak memerlukan ekstraksi fitur. Lapisan-lapisan mampu mempelajari representasi implisit dari data mentah sendiri.


Model deep learning menghasilkan representasi data mentah yang abstrak dan terkompresi selama beberapa lapisan jaringan saraf buatan. Kami kemudian menggunakan representasi terkompresi dari data input untuk menghasilkan hasilnya. Hasilnya bisa, misalnya, klasifikasi data input ke kelas yang berbeda.


Selama proses pelatihan, jaringan saraf mengoptimalkan langkah ini untuk mendapatkan representasi abstrak terbaik dari data input. Model deep learning membutuhkan sedikit atau tidak ada upaya manual untuk melakukan dan mengoptimalkan proses ekstraksi fitur. Dengan kata lain, ekstraksi fitur dibangun ke dalam proses yang terjadi dalam jaringan saraf buatan tanpa input manusia.


Jika Anda ingin menggunakan model mchine learning untuk menentukan apakah gambar tertentu menunjukkan mobil atau tidak, pertama-tama kita manusia perlu mengidentifikasi fitur unik mobil (bentuk, ukuran, jendela, roda, dll.), ekstrak fitur-fitur ini dan berikan kepada algoritma sebagai data input. Algoritma mchine learning kemudian akan melakukan klasifikasi gambar. Artinya, dalam mchine learning, seorang programmer harus mengintervensi langsung dalam proses klasifikasi.

 


Ini berlaku untuk setiap tugas lain yang pernah Anda lakukan dengan jaringan saraf. Berikan data mentah ke jaringan saraf dan biarkan model melakukan sisanya.


The Era of Big Data

Keuntungan utama lainnya dari deep learning, dan bagian penting dalam memahami mengapa itu menjadi sangat populer, adalah bahwa itu didukung oleh sejumlah besar data. Era teknologi big data akan memberikan sejumlah besar peluang untuk inovasi baru dalam deep learning.

 


ai vs machine learning vs deep learning

Model deep learning cenderung meningkatkan akurasi mereka dengan meningkatnya jumlah data pelatihan, sedangkan model mchine learning tradisional seperti SVM dan Naïve Bayes classifier berhenti membaik setelah titik jenuh.


Model deep learning lebih baik dengan jumlah data yang lebih besar. Untuk memparafrasekan Andrew Ng, kepala ilmuwan mesin pencari utama China Baidu, salah satu pendiri Coursera, dan salah satu pemimpin Proyek Otak Google, jika algoritma deep learning adalah mesin roket, data adalah bahan bakar.

 

Tidak ada komentar untuk "Kecerdasan Buatan (AI) VS Machine Learning VS Deep Learning"

close