Apa itu komputasi kognitif?

Dibangun di atas kerangka kerja komputasi yang luas dari kecerdasan buatan (AI) dan pemrosesan sinyal, komputasi kognitif menggabungkan berbagai disiplin machine learning (ML) dengan prinsip-prinsip interaksi manusia-komputer, dialog, dan teknik pembuatan naratif untuk menciptakan mesin yang dapat belajar, bernalar, dan mengerti seperti manusia. Sistem komputasi kognitif yang efektif dapat memproses data dalam jumlah besar untuk mengidentifikasi pola dan hubungan di luar kemampuan manusia. 

Meskipun ada banyak area di mana komputer dapat mengungguli manusia, bahkan sistem AI yang canggih pun masih kesulitan dalam beberapa tugas, seperti memahami bahasa alami dan mengenali objek tertentu. Komputasi kognitif berusaha untuk meniru sistem kognitif otak manusia (misalnya, pengenalan pola, pengenalan ucapan, dan sebagainya) untuk meningkatkan pengambilan keputusan. Sistem komputasi kognitif dapat dirancang untuk menggunakan kumpulan data dinamis secara real-time dan berbagai sumber informasi dalam kombinasi, termasuk input sensorik seperti data visual, gestural, pendengaran, atau yang disediakan sensor. 

Beberapa contoh penggunaan dunia nyata untuk komputasi kognitif mencakup analisis sentimen, penilaian risiko, dan bentuk pengenalan gambar, seperti deteksi wajah dan objek . Komputasi kognitif memiliki nilai khusus di bidang robotika, perawatan kesehatan, perbankan, keuangan dan retail. 

Tujuan utama dari komputasi kognitif adalah mengembangkan sistem yang mampu memecahkan masalah yang kompleks dan beberapa langkah yang biasanya membutuhkan kognisi manusia. Jenis masalah ini biasanya melibatkan pengenalan pola tingkat tinggi yang bergantung pada konteks. Dalam hal menafsirkan bahasa atau gambar, manusia sangat baik dalam mengenali petunjuk konteks yang dapat menginformasikan pengambilan keputusan yang akurat. Jenis tugas ini bisa jauh lebih menantang untuk sistem komputer berbasis aturan.

Komputer kognitif, tidak seperti sistem tradisional, dikembangkan untuk menganalisis sejumlah besar data tidak terstruktur dari berbagai sumber dengan tujuan spesifik menghasilkan insight yang akurat dan berharga melalui pengenalan pola yang lebih canggih. Sistem komputasi kognitif yang efektif dapat menafsirkan teks (dalam font biasa dan tidak teratur), gambar, dan ucapan, dan mereka bahkan dapat membuat koneksi di berbagai jenis data yang berbeda. Jenis sistem ini juga mampu meningkat seiring waktu, meniru cara manusia belajar. 

Model komputasi kognitif paling sering didasarkan pada neural networks, jenis AI yang menggunakan lapisan node, atau neuron buatan, yang terinspirasi oleh jalur saraf di otak manusia. Jenis jaringan ini dapat meningkat dari waktu ke waktu dengan secara efektif belajar dari setiap data yang diberikan untuk meningkatkan proses pengambilan keputusan.

Sementara neural networks dapat menjadi kuat untuk jenis tugas tertentu, sistem kognitif juga akan sering menggabungkan jenis teknologi lain yang berbasis AI atau AI yang berdekatan, seperti pemrosesan bahasa alami (NLP) dan machine learning, untuk lebih memahami dan menafsirkan berbagai input dan sinyal. 

Sistem komputasi kognitif dirancang untuk menggabungkan data dalam jumlah besar dari berbagai jenis sumber. Untuk menganalisis dan menimbang input yang berbeda, dan terkadang bertentangan, dan membuat kesimpulan berdasarkan konteks yang dipelajari, sistem kognitif menggunakan berbagai teknologi belajar mandiri yang dirancang untuk meniru kecerdasan manusia. Metode ini mencakup analitik prediktif, analisis data, penambangan data besar, dan berbagai model pengenalan pola untuk mengoptimalkan proses pengambilan keputusan.

Melatih jenis machine learning yang digunakan dalam sistem kognitif membutuhkan data terstruktur dan tidak terstruktur dalam jumlah besar. Selama pelatihan, sistem jenis ini mulai mengidentifikasi pola dan, seiring berjalannya waktu, menyempurnakan teknik pemrosesan datanya untuk membuat koneksi yang lebih cepat dan akurat. 

Misalnya, sistem AI yang dilatih untuk mengidentifikasi berbagai jenis bunga dapat diberi makan basis data yang menyimpan ratusan ribu gambar bunga yang berbeda. Seiring dengan semakin banyaknya data yang disajikan, kemampuan sistem ini untuk mengenali perbedaan dan kesamaan di antara varietas bunga akan meningkat, dan sistem ini akan semakin akurat dan tangkas. 

Namun, sistem yang dilatih untuk mengidentifikasi bunga hanya berdasarkan gambar bunga dapat salah menafsirkan petunjuk konteks tertentu yang tidak dapat disampaikan oleh gambar. Untuk mencapai kemampuan kognitif yang mirip dengan pengambilan keputusan manusia, sistem komputasi kognitif harus menghibridisasi berbagai jenis teknologi dan memiliki atribut spesifik tertentu. Yaitu, untuk dianggap sebagai komputer kognitif, suatu sistem harus memiliki atribut berikut.

Sistem komputasi kognitif dibuat dengan menghubungkan berbagai jenis model komputasi ke dalam sistem hibrida yang dapat memperkirakan proses pemikiran dan kecerdasan manusia dengan lebih baik. Model-model ini mencakup berbagai jenis kecerdasan buatan dan model yang berdekatan dengan AI atau terkait AI, seperti:

• AI Sempit: Meliputi semua bentuk AI yang ada, kecerdasan buatan yang sempit, atau AI yang lemah, adalah satu-satunya jenis AI yang terealisasi yang saat ini tersedia. Meskipun bentuk AI yang lebih kuat dan teoretis telah dihipotesiskan, AI yang sempit hanya dapat dilatih untuk melakukan tugas tunggal, atau tugas yang sempit. Meskipun AI sempit memiliki cakupan yang terbatas, AI biasanya dapat melakukan tugas-tugas tertentu lebih cepat daripada yang dapat dilakukan manusia, dengan akurasi yang semakin meningkat, meskipun tidak sempurna. Namun, AI yang sempit tidak mampu melakukan di luar set tugas yang diprogram. AI sempit dirancang untuk menargetkan subset spesifik dari kemampuan kognitif. Bahkan sistem AI yang tampaknya canggih seperti Siri Apple, Alexa Amazon, atau ChatGPT dianggap sebagai AI yang sempit.

• Sistem pakar: Sistem pakar dirancang untuk berfungsi seperti pengganti AI yang sempit untuk pakar materi pelajaran yang sangat terlatih. Mereka dilatih dengan kumpulan data komprehensif yang berisi informasi faktual dan aturan yang berbeda, dipasangkan dengan mesin inferensi yang disetel untuk menerapkan aturan yang paling akurat. Tujuan dari sistem pakar adalah untuk menawarkan saran atau solusi seperti yang dilakukan oleh seorang pakar manusia. Sistem ini dapat digunakan untuk mengungkap tren dan pola, dan sering kali digunakan untuk membantu bisnis memprediksi kejadian di masa depan atau mendapatkan pemahaman yang lebih baik tentang kejadian di masa lalu. 

• Machine learning: Machine learning (ML) adalah cabang AI yang berfokus pada memungkinkan sistem komputer untuk mempelajari cara-cara yang dilakukan manusia. Algoritma ML membantu sistem komputer melakukan tugas secara mandiri dan meningkatkan kinerja dan akurasi mereka dari waktu ke waktu karena mereka disajikan dengan lebih banyak data dan masukan positif dan negatif.
• Neural networks: Model Neural networks adalah bagian dari model machine learning yang menggunakan pembelajaran penguatan untuk membuat keputusan. Jenis jaringan ini menggunakan lapisan untuk meniru cara neuron biologis bekerja bersama untuk menimbang pilihan dan mengidentifikasi fenomena.

• Pembelajaran mendalam: Pembelajaran mendalam termasuk dalam ranah machine learning, menggunakan deep networks atau jaringan saraf berlapis untuk merepresentasikan proses pengambilan keputusan yang rumit seperti halnya otak manusia. Perbedaan utama antara pembelajaran mendalam dan machine learning adalah peningkatan lapisan kompleksitas dalam arsitektur jaringan. Sementara model machine learning tradisional menggunakan neural networks sederhana dengan satu atau dua lapisan komputasi, model pembelajaran mendalam menggunakan lebih banyak—biasanya ratusan atau ribuan lapisan. 

• Pemrosesan bahasa alami (NLP): Pemrosesan bahasa alami menggabungkan linguistik komputasi, pendekatan pemodelan berbasis aturan untuk bahasa, dengan pemodelan statistik, mesin dan pembelajaran mendalam untuk memungkinkan komputer memahami dan merespons dengan ucapan atau teks alami. NLP juga menggabungkan disiplin subset pemahaman bahasa alami (natural language understanding, NLU) dan pembuatan bahasa alami (natural language generation, NGU) untuk memberikan pengalaman pengguna secara menyeluruh.

• Pengenalan ucapan otomatis (ASR): Pengenalan ucapan, juga dikenal sebagai pengenalan ucapan komputer atau speech-to-text, mengacu pada teknik yang memungkinkan program komputer memproses ucapan manusia menjadi format tertulis. Jangan tertukar dengan pengenalan suara, yang merupakan teknik yang memungkinkan komputer untuk mengidentifikasi suara pengguna dan membedakannya dari suara pengguna lainnya.

• Deteksi objek: Deteksi objek, sebuah komponen dari visi komputer, menggunakan neural networks untuk menemukan dan mengklasifikasikan objek dalam gambar menurut kategori semantik. Deteksi objek adalah alat yang berguna untuk berbagai industri dan aplikasi, termasuk kendaraan otonom berkendara otomatis, pencarian visual, dan pencitraan medis.

• Robotika: Sistem kognitif sering menggabungkan robotika dalam aplikasi. Robot yang dilengkapi dengan sistem kognitif dapat menggunakan AI yang sempit untuk melakukan tugas-tugas yang berulang dan rutin, mulai dari penyedot debu rumah tingkat konsumen hingga asisten bedah tingkat medis. Di bidang pertanian, robotika membantu sistem kognitif melakukan tugas-tugas seperti pemangkasan, pemindahan, penjarangan, penyemaian, dan penyemprotan secara otonom. 

Kemajuan terbaru dalam teknologi AI telah memiliki dampak besar pada aplikasi komputasi kognitif, dari program AI generatif seperti ChatGPT dan MidJourney hingga mobil self-driving dan seterusnya. Beberapa aplikasi dunia nyata yang umum untuk komputasi kognitif mencakup beberapa aspek, seperti:

Asisten AI virtual populer seperti Alexa, Siri, dan Google Assistant mengandalkan komputasi kognitif untuk meningkatkan utilitas mereka melalui otomatisasi dan interaktivitas. Asisten seperti ini menggunakan sistem machine learning untuk memproses bahasa alami dan menyesuaikan saran mereka untuk memberikan Hasil yang lebih baik bagi pengguna individu.      

Sistem komputasi kognitif telah terbukti berharga untuk banyak aplikasi perbankan dan keuangan. Sistem kognitif digunakan untuk memantau kondisi ekonomi seperti variabel rantai pasokan dan tren pasar untuk memprediksi dan memodelkan peluang masa depan dan potensi krisis.

Sistem komputasi kognitif telah terbukti mahir dalam analitik data mendalam dan pengenalan pola. Kemampuan ini telah dimanfaatkan dengan baik terutama di bidang keamanan siber. Di sini, para spesialis menggunakan komputasi kognitif untuk menganalisis perilaku pengguna, seperti transaksi keuangan, untuk menandai pola potensi penipuan dan risiko. 

Sistem kognitif telah berguna dalam aplikasi retail. Pengecer teknologi maju seperti Amazon dan Netflix menggunakan komputasi kognitif untuk mendapatkan insight yang lebih dalam tentang riwayat pembelian pengguna dan memberikan rekomendasi produk yang lebih baik yang ditargetkan untuk kepentingan pribadi individu.

Sistem kognitif juga berguna dalam layanan pelanggan di seluruh industri, memberdayakan chatbot canggih untuk berfungsi sebagai agen virtual. Agen-agen ini memberikan dukungan terperinci dan terinformasi dengan kecepatan dan skala yang lebih besar daripada sebelumnya.

Tentu saja salah satu sistem kognitif yang paling terkenal dan terkenal, IBM® Watson menjadi terkenal saat berkompetisi dalam acara permainan trivia populer Jeopardy, sementara pendahulu Watson, Deep Blue, mengejutkan dunia saat menjadi sistem komputer pertama yang mengalahkan juara catur dunia.

Iterasi hari ini (IBM® watsonx) dan aplikasi bahkan lebih mengesankan. Salah satu contoh penggunaan yang menonjol adalah industri perawatan kesehatan, di mana watsonx telah membantu penyedia dalam meningkatkan diagnosis medis. Watsonx mampu mengumpulkan dan memahami beberapa penelitian terbaru dan riwayat pasien yang rumit, dan telah berhasil mengekstrapolasi rencana perawatan yang disarankan untuk meningkatkan perawatan pasien.