Tes Turing

Alan Turing mengembangkan Tes Turing pada tahun 1950 dan membahasnya dalam makalahnya, "Computing Machinery and Intelligence" (tautan berada di luar ibm.com). Awalnya dikenal sebagai Permainan Imitasi, tes ini mengevaluasi apakah perilaku mesin dapat dibedakan dari manusia. Dalam tes ini, ada seseorang yang dikenal sebagai “interogator” yang berusaha mengidentifikasi perbedaan antara output yang dihasilkan komputer dan output yang dihasilkan manusia melalui serangkaian pertanyaan. Jika interogator tidak dapat membedakan antara mesin dengan manusia, maka mesin tersebut lulus uji. Akan tetapi, jika evaluator dapat mengidentifikasi respons manusia dengan benar, maka ini menghilangkan kategori mesin sebagai mesin cerdas.

Meskipun tidak ada pedoman evaluasi yang ditetapkan untuk Tes Turing, Turing menetapkan bahwa evaluator manusia hanya akan memiliki peluang 70% untuk memprediksi dengan benar percakapan yang dibuat oleh manusia vs komputer setelah 5 menit. Tes Turing memperkenalkan penerimaan umum seputar gagasan kecerdasan mesin.

Namun, Tes Turing asli hanya menguji satu set keterampilan—output teks atau catur sebagai contoh. AI yang kuat perlu melakukan berbagai tugas dengan sama baiknya, yang mengarah pada pengembangan Tes Turing yang Diperluas. Tes ini mengevaluasi kinerja tekstual, visual, dan pendengaran AI dan membandingkannya dengan output yang dihasilkan manusia. Versi ini digunakan dalam kompetisi Loebner Prize yang terkenal, di mana juri manusia menebak apakah output tersebut dibuat oleh manusia atau komputer.

Argumen Chinese Room (CRA)

Argumen Chinese Room dibuat oleh John Searle pada tahun 1980. Dalam makalahnya, ia membahas definisi pemahaman dan pemikiran, menegaskan bahwa komputer tidak akan pernah bisa melakukan hal ini. Kutipan dari makalahnya ini, dari situs web Stanford (tautan berada di luar ibm.com), merangkum argumennya dengan baik,

"Komputasi didefinisikan secara formal atau sintaksis semata, sedangkan pikiran memiliki konten mental atau semantik yang sebenarnya, dan kita tidak dapat berpindah dari sintaksis ke semantik hanya dengan melakukan operasi sintaksis dan tanpa ada yang lain... Sebuah sistem, saya, misalnya, tidak akan mendapatkan pemahaman tentang bahasa Mandarin hanya dengan melewati langkah-langkah program komputer yang mensimulasikan perilaku penutur bahasa Mandarin (hal.17)."

Argumen Chinese Room mengusulkan skenario berikut:

Bayangkan seseorang, yang tidak berbicara bahasa Mandarin, duduk di ruangan tertutup. Di kamar, ada buku dengan aturan, frasa, dan instruksi bahasa Mandarin. Orang lain, yang fasih berbahasa Mandarin, menyampaikan catatan yang ditulis dalam bahasa Mandarin ke dalam ruangan. Dengan bantuan buku frasa bahasa, orang yang berada di dalam ruangan dapat memilih respons yang sesuai dan menyampaikannya kembali kepada penutur bahasa Mandarin.

Meskipun orang yang berada di dalam ruangan tersebut mampu memberikan respons yang benar dengan menggunakan buku frasa bahasa, ia masih belum berbicara atau memahami bahasa Mandarin; ini hanyalah simulasi pemahaman melalui pencocokan pertanyaan atau pernyataan dengan respons yang sesuai. Searle berpendapat bahwa AI yang kuat akan membutuhkan pikiran yang sebenarnya untuk memiliki kesadaran atau pemahaman. Argumen Chinese Room menggambarkan kekurangan dalam Tes Turing, menunjukkan perbedaan definisi kecerdasan buatan.

AI yang lemah, juga dikenal sebagai AI yang sempit, berfokus pada pelaksanaan tugas tertentu, seperti menjawab pertanyaan berdasarkan input pengguna atau bermain catur. AI ini dapat melakukan satu jenis tugas, tetapi tidak keduanya, sedangkan AI yang Kuat dapat melakukan berbagai fungsi, yang pada akhirnya dapat belajar sendiri untuk memecahkan masalah baru. AI yang lemah bergantung pada campur tangan manusia untuk menentukan parameter algoritma pembelajarannya dan menyediakan data pelatihan yang relevan untuk memastikan keakuratannya. Meskipun masukan dari manusia mempercepat fase pertumbuhan AI yang Kuat, input tersebut tidak diperlukan, dan seiring waktu, AI ini akan mengembangkan kesadaran seperti manusia, alih-alih mensimulasikannya, seperti AI yang Lemah. Mobil swakemudi dan asisten virtual, seperti Siri, adalah contoh AI yang lemah.  

Meskipun tidak ada contoh yang jelas tentang kecerdasan buatan yang kuat, bidang AI dengan cepat berinovasi.  Teori AI lain telah muncul, yang dikenal sebagai kecerdasan super buatan (ASI), kecerdasan super, atau AI Super. Jenis AI ini melampaui AI yang kuat dalam kecerdasan dan kemampuan manusia. Namun, AI Super masih murni spekulatif karena kami bahkan belum memiliki contoh AI yang Kuat.

Namun demikian, ada bidang di mana AI memainkan peran yang lebih penting, seperti:

• Keamanan siber: Kecerdasan buatan akan mengambil alih lebih banyak peran dalam langkah-langkah keamanan siber organisasi, termasuk deteksi pelanggaran, pemantauan, intelijen ancaman, respons insiden, dan analisis risiko.
• Hiburan dan pembuatan konten: Program ilmu komputer sudah makin baik dalam memproduksi konten, baik itu copywriting, puisi, video game, atau bahkan film. Aplikasi AI pembuat teks GBT-3 dari OpenAI sudah membuat konten yang hampir tidak mungkin dibedakan dari teks yang ditulis oleh manusia.
• Pengenalan dan prediksi perilaku: Algoritma prediksi akan membuat AI menjadi lebih kuat, mulai dari aplikasi dalam prediksi cuaca dan pasar saham hingga, yang lebih menarik lagi, prediksi perilaku manusia. Ini juga menimbulkan pertanyaan seputar bias implisit dan AI etis. Beberapa peneliti AI dalam komunitas AI mendorong seperangkat aturan anti-diskriminasi, yang sering dikaitkan dengan tagar #responsibleAI.

Istilah kecerdasan buatan, machine learning, dan pembelajaran mendalam sering digunakan dalam konteks yang salah. Istilah-istilah ini sering digunakan untuk menggambarkan AI yang Kuat, jadi ada baiknya kita mendefinisikan masing-masing istilah secara singkat:

Kecerdasan buatan yang didefinisikan oleh John McCarthy (tautan berada di luar ibm.com), adalah "ilmu dan teknik untuk membuat mesin cerdas, terutama program komputer cerdas. Hal ini terkait dengan tugas yang sama yaitu menggunakan komputer untuk memahami kecerdasan manusia, tetapi AI tidak harus membatasi diri pada metode yang dapat diamati secara biologis."

Machine learning adalah sub-bidang kecerdasan buatan. Model machine learning klasik (tidak mendalam) membutuhkan lebih banyak campur tangan manusia untuk mengelompokkan data ke dalam categories (misalnya melalui pembelajaran fitur).

Pembelajaran mendalam juga merupakan sub-bidang machine learning, yang mencoba meniru keterkaitan otak manusia menggunakan neural networks. Jaringan neural networks-nya terdiri dari lapisan-lapisan model, yang mengidentifikasi pola dalam kumpulan data tertentu. Mereka memanfaatkan volume data pelatihan yang tinggi untuk belajar secara akurat, yang kemudian menuntut perangkat keras yang lebih kuat, seperti GPU atau TPU. Algoritma pembelajaran mendalam paling kuat terkait dengan AI tingkat manusia.    

Untuk membaca lebih lanjut tentang perbedaan nuansa antara teknologi ini, baca “AI vs Machine Learning vs Deep Learning vs Neural Networks: What’s the Difference?”

Pembelajaran mendalam dapat menangani masalah kompleks dengan baik, dan oleh karena itu, digunakan dalam banyak teknologi inovatif dan baru saat ini. Algoritma pembelajaran mendalam telah diterapkan di berbagai bidang. Berikut adalah beberapa contohnya:

• Mobil swakemudi: Google dan Elon Musk telah menunjukkan kepada kita bahwa mobil swakemudi itu dapat diwujudkan. Namun, mobil swakemudi membutuhkan lebih banyak data pelatihan dan pengujian karena berbagai aktivitas yang harus diperhitungkan, seperti memberikan hak jalan atau mengidentifikasi benda-benda di jalan. Seiring dengan makin matangnya teknologi ini, teknologi ini harus mengatasi rintangan adopsi manusia karena jajak pendapat menunjukkan bahwa banyak pengemudi yang tidak mau menggunakannya.
• Pengenalan suara: Pengenalan suara, seperti chatbot AI dan agen virtual, adalah bagian besar dari pemrosesan bahasa alami. Input audio jauh lebih sulit untuk diproses oleh AI, karena begitu banyak faktor, seperti kebisingan latar belakang, dialek, hambatan bicara, dan pengaruh lainnya yang dapat mempersulit AI untuk mengubah input menjadi sesuatu yang dapat digunakan oleh komputer.
• Pengenalan pola: Penggunaan neural networks dalam meningkatkan pengenalan pola dalam berbagai aplikasi. Dengan menemukan pola titik data yang berguna, AI dapat menyaring informasi yang tidak relevan, membuat korelasi yang berguna, dan meningkatkan efisiensi komputasi big data yang biasanya terlewatkan oleh manusia.
• Pemrograman komputer: AI yang lemah telah mencapai beberapa keberhasilan dalam menghasilkan teks yang bermakna, yang mengarah pada kemajuan dalam pengkodean. Baru-baru ini, OpenAI merilis GPT-3, perangkat lunak sumber terbuka yang benar-benar dapat menulis kode dan program komputer sederhana dengan instruksi yang sangat terbatas, menghadirkan otomatisasi ke pengembangan program.
• Pengenalan gambar: Mengkategorikan gambar bisa sangat memakan waktu apabila dilakukan secara manual. Namun demikian, adaptasi khusus neural networks, seperti DenseNet, yang menghubungkan setiap lapisan ke setiap lapisan lainnya dalam neural networks, telah membuat pengenalan gambar jauh lebih akurat.
• Rekomendasi kontekstual: Aplikasi pembelajaranmendalam dapat mempertimbangkan lebih banyak konteks saat membuat rekomendasi, termasuk pola pemahaman bahasa dan prediksi perilaku.
• Pemeriksaan fakta: University of Waterloo baru-baru ini merilis sebuah alat yang dapat mendeteksi berita palsu dengan memverifikasi informasi dalam artikel dengan membandingkannya dengan sumber berita lain.