AI vs machine learning vs pembelajaran mendalam vs neural networks: Apa bedanya?

Istilah ilmu komputer ini sering digunakan secara bergantian, tetapi perbedaan apa yang membuat masing-masing teknologi unik?

Teknologi menjadi semakin tertanam dalam kehidupan kita sehari-hari dari menit ke menit. Untuk mengimbangi laju ekspektasi konsumen, perusahaan semakin mengandalkan machine learning untuk membuat segala sesuatunya menjadi lebih mudah. Anda bisa melihat aplikasinya di media sosial (melalui pengenalan objek di foto) atau berbicara langsung ke perangkat (seperti Alexa atau Siri).

Sementara kecerdasan buatan (AI), machine learning (ML), pembelajaran mendalam, dan neural networks adalah teknologi yang terkait, istilah ini sering digunakan secara bergantian, yang sering menyebabkan kebingungan tentang perbedaannya. Postingan blog ini mengklarifikasi beberapa ketidakjelasan.

Cara termudah untuk berpikir tentang AI, machine learning, pembelajaran mendalam, dan neural networks adalah dengan menganggapnya sebagai serangkaian sistem AI dari yang terbesar hingga terkecil, masing-masing mencakup yang berikutnya.

AI adalah sistem yang luas. Machine learning adalah bagian dari AI. Pembelajaran mendalam adalah subbidang machine learning, dan neural networks merupakan tulang punggung algoritma pembelajaran mendalam. Ini adalah jumlah lapisan node, atau kedalaman, neural networks yang membedakan neural networks tunggal dengan algoritma pembelajaran mendalam, yang harus memiliki lebih dari tiga lapisan.

Kecerdasan buatan atau AI, istilah terluas dari ketiganya, digunakan untuk mengklasifikasikan mesin yang meniru kecerdasan manusia dan fungsi kognitif manusia seperti pemecahan masalah dan pembelajaran. AI menggunakan prediksi dan otomatisasi untuk mengoptimalkan dan menyelesaikan tugas-tugas kompleks yang telah dilakukan manusia secara historis, seperti pengenalan wajah dan ucapan, pengambilan keputusan, dan terjemahan.

Kategori AI

Tiga kategori utama AI adalah:

• Kecerdasan Sempit Buatan (ANI)
• Kecerdasan Umum Buatan (AGI)
• Kecerdasan Super Buatan (ASI)

ANI dianggap sebagai AI "lemah", sedangkan dua jenis lainnya diklasifikasikan sebagai AI "kuat". Kami mendefinisikan AI lemah berdasarkan kemampuannya untuk menyelesaikan tugas tertentu, seperti memenangkan permainan catur atau mengidentifikasi individu tertentu dalam serangkaian foto. Pemrosesan bahasa alami dan visi komputer, yang memungkinkan perusahaan mengotomatiskan tugas dan mendukung chatbot dan asisten virtual seperti Siri dan Alexa, adalah contoh ANI. Visi komputer adalah faktor dalam pengembangan mobil swakemudi.

Bentuk AI yang lebih kuat, seperti AGI dan ASI, menggabungkan perilaku manusia dengan lebih menonjol, seperti kemampuan untuk menafsirkan nada dan emosi. AI kuat ditentukan oleh kemampuannya dibandingkan dengan manusia. AGI akan tampil setara dengan manusia lain, sementara ASI, yang juga dikenal sebagai kecerdasan super, akan melampaui kecerdasan dan kemampuan manusia. Belum ada bentuk AI Kuat, tetapi riset di bidang ini sedang berlangsung.

Menggunakan AI untuk bisnis

Semakin banyak bisnis, sekitar 35% secara global, yang menggunakan AI, dan 42% lainnya sedang menjelajahi teknologi. Pengembangan AI generatif, yang menggunakan model dasar efektif yang melatih data tanpa label dalam jumlah besar, dapat disesuaikan dengan contoh penggunaan baru dan membawa fleksibilitas dan skalabilitas yang kemungkinan akan mempercepat adopsi AI secara signifikan. Dalam pengujian awal, IBM telah melihat AI generatif menghasilkan time to value hingga 70% lebih cepat daripada AI tradisional.

Baik Anda menggunakan aplikasi AI berdasarkan ML atau model dasar, AI dapat memberi bisnis Anda keunggulan kompetitif. Mengintegrasikan model AI yang disesuaikan ke dalam alur kerja dan sistem Anda, dan mengotomatiskan fungsi seperti layanan pelanggan, manajemen rantai pasokan, dan keamanan siber, dapat membantu bisnis memenuhi harapan pelanggan, baik saat ini maupun saat mereka meningkat pada masa depan.

Kuncinya adalah mengidentifikasi kumpulan data yang tepat sejak awal untuk membantu memastikan bahwa Anda menggunakan data yang berkualitas untuk mencapai keunggulan kompetitif yang paling besar. Anda juga perlu membuat arsitektur hybrid siap AI yang dapat berhasil menggunakan data di mana pun ia berada, mainframe, pusat data, cloud pribadi dan cloud publik, dan di tepi.

AI Anda harus dapat dipercaya karena jika tidak, maka akan berisiko merusak reputasi perusahaan dan menimbulkan denda dari pihak berwenang. Model yang menyesatkan dan yang mengandung bias atau yang berhalusinasi dapat merugikan privasi, hak data, dan kepercayaan pelanggan. AI Anda harus dapat dijelaskan, adil, dan transparan.

Machine learning adalah bagian dari AI yang memungkinkan pengoptimalan. Ketika diatur dengan benar, ini membantu Anda membuat prediksi yang meminimalkan kesalahan yang muncul hanya dari menebak. Sebagai contoh, perusahaan seperti Amazon menggunakan machine learning untuk merekomendasikan produk kepada pelanggan tertentu berdasarkan apa yang telah mereka lihat dan beli sebelumnya.

Machine learning klasik atau “tidak mendalam” bergantung pada intervensi manusia untuk memungkinkan sistem komputer mengidentifikasi pola, belajar, melakukan tugas-tugas tertentu dan memberikan hasil. Pakar manusia menentukan hierarki fitur untuk memahami perbedaan antara input data, biasanya membutuhkan data yang lebih terstruktur untuk dipelajari.

Misalnya, katakanlah saya menunjukkan serangkaian gambar berbagai jenis makanan cepat saji: “piza,” “burger,” dan “taco.” Seorang pakar manusia yang bekerja pada gambar tersebut akan menentukan karakteristik yang membedakan setiap gambar sebagai jenis makanan cepat saji tertentu. Roti di setiap jenis makanan mungkin menjadi ciri khasnya. Sebagai alternatif, mereka dapat menggunakan label, seperti "piza", "burger", atau "taco" untuk merampingkan proses pembelajaran melalui pembelajaran diawasi.

Sementara bagian AI yang disebut machine learning dapat memanfaatkan kumpulan data berlabel untuk menginformasikan algoritmanya dalam pembelajaran diawasi, tidak selalu memerlukan kumpulan data berlabel. Model AI ini dapat menyerap data tidak terstruktur dalam bentuk mentah (misalnya, teks, gambar), dan dapat secara otomatis menentukan serangkaian fitur yang membedakan “piza,” “burger”, dan “taco” satu sama lain. Ketika kita menghasilkan lebih banyak big data, ilmuwan data menggunakan lebih banyak machine learning. Untuk menyelami lebih dalam perbedaan antara pendekatan ini, lihat Pembelajaran diawasi versus tanpa pengawasan: Apa bedanya?

Kategori ketiga machine learning adalah pembelajaran penguatan, di mana komputer belajar dengan berinteraksi dengan lingkungannya dan mendapatkan masukan (hadiah atau hukuman) atas tindakannya. Dan pembelajaran online adalah jenis ML di mana ilmuwan data memperbarui model ML saat data baru tersedia.

Untuk mempelajari lebih lanjut tentang machine learning, lihat video berikut:

Seperti yang dijelaskan artikel kami pembelajaran mendalam, pembelajaran mendalam adalah bagian dari machine learning. Perbedaan utama antara machine learning dan pembelajaran mendalam adalah bagaimana setiap algoritma belajar dan berapa banyak data yang digunakan setiap jenis algoritma.

Pembelajaran mendalam mengotomatiskan sebagian besar bagian ekstraksi fitur dari proses, menghilangkan beberapa intervensi manusia manual yang diperlukan. Ini juga memungkinkan penggunaan kumpulan data besar, mendapatkan gelar machine learning yang dapat diskalakan. Kemampuan itu menarik saat kami menjelajahi lebih lanjut penggunaan data tidak terstruktur, terutama karena lebih dari 80% data organisasi diperkirakan tidak terstruktur.

Mengamati pola dalam data memungkinkan model pembelajaran mendalam untuk mengelompokkan input dengan tepat. Mengambil contoh yang sama dari sebelumnya, kita mungkin mengelompokkan gambar piza, burger, dan taco ke dalam kategori masing-masing berdasarkan persamaan atau perbedaan yang diidentifikasi dalam gambar. Model pembelajaran mendalam membutuhkan lebih banyak titik data untuk meningkatkan akurasi, sedangkan model machine learning bergantung pada lebih sedikit data mengingat struktur data yang mendasarinya. Perusahaan umumnya menggunakan pembelajaran mendalam untuk tugas-tugas yang lebih kompleks, seperti asisten virtual atau deteksi penipuan.

Neural networks, disebut juga neural networks buatan atau neural networks simulasi, adalah bagian dari machine learning dan merupakan tulang punggung pembelajaran mendalam algoritma. Mereka disebut “saraf” karena meniru bagaimana neuron di otak memberi sinyal satu sama lain.

Neural networks terdiri dari banyak lapisan node, satu lapisan input, satu atau lebih lapisan tersembunyi, dan satu lapisan output. Setiap node adalah neuron buatan yang terhubung ke neuron berikutnya, dan masing-masing memiliki bobot dan nilai ambang batas. Ketika output dari satu node berada di atas nilai ambang batas, node tersebut akan diaktifkan dan mengirimkan datanya ke lapisan jaringan berikutnya. Jika berada di bawah ambang batas, tidak ada data yang diteruskan.

Data pelatihan mengajarkan neural networks dan membantu meningkatkan akurasinya dari waktu ke waktu. Setelah algoritma pembelajaran disempurnakan, mereka menjadi ilmu komputer dan alat AI yang kuat karena memungkinkan kita untuk dengan cepat mengklasifikasikan dan mengelompokkan data menjadi klaster. Dengan menggunakan neural networks, tugas pengenalan suara dan gambar dapat dilakukan dalam hitungan menit, bukannya berjam-jam seperti ketika dilakukan secara manual. Algoritma pencarian Google adalah contoh terkenal dari neural networks.

Seperti disebutkan dalam penjelasan neural networks di atas, tetapi perlu dicatat lebih eksplisit, “mendalam” dalam pembelajaran mendalam mengacu pada kedalaman lapisan dalam neural networks. Neural networks yang terdiri dari lebih dari tiga lapisan, termasuk input dan output, dapat dianggap sebagai algoritma pembelajaran mendalam. Neural networks dapat ditunjukkan oleh diagram berikut:

Sebagian besar neural networks mendalam bersifat feed-forward, artinya mereka hanya mengalir dalam satu arah dari input ke output. Namun, Anda dapat melatih model Anda melalui propagasi balik, yang berarti bergerak ke arah yang berlawanan, dari output ke input. Propagasi balik memungkinkan kita untuk menghitung dan mengaitkan kesalahan yang terkait dengan setiap neuron, sehingga kita dapat menyesuaikan dan mencocokkan algoritma dengan tepat.

Meskipun semua area AI ini dapat membantu merampingkan area bisnis Anda dan meningkatkan pengalaman pelanggan Anda, mencapai tujuan AI dapat menjadi tantangan karena pertama-tama Anda harus memastikan bahwa Anda memiliki sistem yang tepat untuk membangun algoritma pembelajaran untuk mengelola data Anda. Manajemen data lebih dari sekadar membangun model yang Anda gunakan untuk bisnis Anda. Anda memerlukan tempat untuk menyimpan data dan mekanisme untuk membersihkannya serta mengendalikan bias sebelum Anda dapat mulai membangun apa pun.

Di IBM kami menggabungkan kekuatan machine learning dan AI di studio baru kami untuk model dasar, AI generatif, dan machine learning, IBM watsonx.ai.

Berlangganan Buletin Think