Artificial Intelligence merupakan suatu cabang teknologi yang kini sedang diperbincangkan penggunaan nya. Teknologi yang satu ini dalam beberapa tahun kebelakang sudah cukup membantu hidup manusia dalam berbagai aspek. Produk yang mengaplikasikan Artificial Intelligence sendiri pun juga sudah banyak kita temui di sekitar kita. Mulai dari kesehatan, mobilisasi, interaksi dengan manusia lain, atau interaksi robot dengan manusia. Namun dalam pengaplikasian nya, Artificial Intelligence terbagi menjadi beberapa cabang lho. Apa saja sih cabang dari Artificial Intelligence dan bagaimana cabang-cabang tersebut menghasilkan prototype atau bahkan produk siap pakai bagi kemudahan hidup manusia ? Mari kita bahas selengkap nya dibawah ini.
Artificial Intelligence sebagai ilmu teknologi terbagi menjadi tujuh cabang. Cabang tersebut adalah Machine Learning (ML), Natural Languange Processing (NLP), Expert System, Vision, Speech, Planning, dan Robotic. Dalam artikel kali ini, kita akan membahas Machine Learning atau biasa disebut ML. Machine Learning merupakan cabang dari Artificial Intelligence dengan kemampuan mesin untuk mengakses data yang ada dengan perintah mereka sendiri. Machine Learning juga mampu mempelajari data yang ada dan melakukan tugas-tugas tertentu. Machine Learning mampu melakukan ini dengan metode mempelajari algoritma dan model statistik yang ada.
Sebelum membahas lebih dalam dunia Machine Learning, mari kita telisik sedikit sejarah perkembangan Machine Learning. ML pertama kali diperkenalkan oleh beberapa ilmuwan matematika terkenal seperti Thomas Bayes, Adrien-Marie Legendre, dan Andrey Markov pada sekitaran tahun 1920. Mereka memperkenalkan fundamental dan dasar-dasar Machine Learning. Perkembangan Machine Learning kemudian berkembang seiring waktu, salah satu contoh nya adalah Deep Blue karya IBM pada 1996. Dengan menggunakan konsep Machine Learning IBM menciptakan alat yang mampu mengalahkan pemain catur professional. Mereka menggunakan algoritma alpha-beta. Beberapa karya lain terus berkembang seperti Google DeepMind AI dan AlphaGo.
Tugas-tugas yang dilakukan oleh Machine Learning ini pun beragam. Tergantung pada jenis pembelajaran apa yang akan dilakukan oleh Machine Learning. Contoh nya, ada program yang tugas nya adalah menemukan pola-pola tertentu dari sumber data yang besar, ada pula yang tugas nya mengklasifikasi grup dan objek berdasarkan kesamaan pola. Software Machine Learning bekerja dengan memetakan input X ke output Y, dengan tujuan agar dataset dapat melakukan tindakan sesuai yang kita inginkan. Biasanya hal ini dilakukan tanpa instruksi khusus sehingga program ML dalam hal ini mampu menemukan hubungan antara satu data dengan data lain nya secara mandiri.
Model dari Machine Learning ini sendiri tidak begitu saja terstruktur. Dalam hal ini disebut validation data, validasi data ini kemudian di masukkan kedalam sebuah model untuk menguji akurasi dan melakukan penyesuaian. Dari sinilah Machine ‘Learning’ atau belajar dimulai. Ketika metrik yang di inginkan tercapai dan model dapat menyelesaikan tugas dengan sukses secara sendirinya, hal ini biasa disebut sebagai Supervised Learning. Metode dari Supervised Learning ini biasa disebut sebagai classification. Dalam klasifikasi, target variabel memiliki beberapa kategori. Contohnya, fitur spam filter yang ada di website-website email. Machine Learning mempelajari elemen apa yang menjadikan suatu email termasuk kedalam kategori spam dan bukan. Metode lain dari Supervised Learning ada juga yang disebut sebagai Regression. Proses dari regresi bersifat berkelanjutan. Sebagai contoh adalah fluktuasi harga rumah dan penghitungan efek dari diet. Dua contoh tersebut termasuk kedalam regresi (regression). Supervised Learning adalah salah satu contoh tipe Machine Learning yang paling umum hingga hari ini. Beberapa produk yang mengaplikasikan Supervised Learning pun cukup berpengaruh dalam membantu aktifitas manusia.
Selain Supervised Learning, juga terdapat Unsupervised Learning sebagai tipe lain nya dari Machine Learning. Berbeda dari Supervised Learning, Unsupervised Learning tidak memiliki data atau hasil, karena tipe ini cenderung mempelajari pola dari data ketimbang output dari olahan data. Salah satu metodenya bernama Clustering (pengelompokan). Dalam clustering, data yang ada akan di kumpulkan berdasarkan kemiripan nya satu sama lain. Aspek atau metode ini biasa digunakan oleh perusahaan dengan data yang besar. Banyak juga digunakan untuk riset pasar ketimbang untuk pelanggan (output produk). Metode selanjutnya dalam Unsupervised Learning adalah Anomaly Detection (deteksi anomal / keanehan). Pada metode ini, Machine Learning akan melihat aktivitas yang mencurigakan dari sekumpulan data yang ada. Metode ini sering digunakan untuk mencegah kasus penggelapan dan penipuan. Anomaly Detection juga digunakan untuk mengontrol dan maintenance peralatan dan melihat apakah ada keanehan dalam program. Metode ini juga biasa digunakan oleh perusahaan dan bukan dalam bentuk produk bagi konsumen.
Tipe ketiga dari Machine Learning adalah Reinforcement Learning. Tipe ini mengajarkan Machine Learning untuk menyelesaikan tugas-tugas yang ada dengan cara positif maupun negatif. Sebagai perumpamaan, Seorang murid yang mendapat nilai bagus di kelas nya akan mendapat hadiah atas kesuksesan nya. Sebalik nya ketika sang murid mendapat nilai buruk, ia akan terkena efek negatif berupa berdiri didepan kelas. Dalam hal reinforcement learning ini biasa digunakan dalam programming robot. Robot akan dipaksa untuk memilih dan mempelajari segala kemungkinan yang ada dan tahu apa yang akan terjadi ketika ia memilih melakukan A daripada B maupun sebaliknya.
Selain Supervised dan Unsupervised Learning, juga terdapat Deep Learning. Deep Learning menggunakan Artificial Neural Network yang memiliki banyak lapisan tersembunyi untuk memproses data yang masih mentah. Neural Network ini lah yang memisahkan Machine Learning biasa dan Deep Learning. Neural Network dalam Deep Learning di desain untuk meniru otak manusia dan fungsi nya. Neural network memiliki banyak lapisan neuron yang mana membuat mesin dapat belajar sendiri dan membuat sejumlah keputusan sendiri. Deep Learning sendiri membutuhkan banyak histori data untuk mempelajari standar suatu model. Hal ini yang mengakibatkan Deep Learning membutuhkan jutaan gambar, kata, atau mungkin jutaan footage video agar ia dapat belajar dari data yang ada.
Deep Learning dalam penggunaan nya banyak digunakan oleh perusahaan yang memiliki data besar sehingga mampu melakukan keputusan akan data tersebut. Deep Learning yang ada saat ini adalah salah satu teknologi utama yang digunakan oleh banyak speech recognition di smartphone, analisa video dan gambar, serta masih banyak lagi.
