Ada banyak hal yang dapat dilakukan komputer lebih baik daripada manusia — menghitung akar kuadrat atau mengambil halaman web secara instan — tetapi otak kita yang luar biasa masih selangkah lebih maju dalam hal akal sehat, inspirasi, dan imajinasi. Terinspirasi oleh struktur otak, jaringan syaraf tiruan (JST) adalah jawaban untuk membuat komputer lebih manusiawi dan membantu mesin lebih masuk akal seperti manusia.
Jaringan saraf tiruan (JST) Artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.
Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Menurut suatu teorema yang disebut "teorema penaksiran universal", JST dengan minimal sebuah lapis tersembunyi dengan fungsi aktivasi non-linear dapat memodelkan seluruh fungsi terukur Boreal apapun dari suatu dimensi ke dimensi lainnya
Apa itu jaringan saraf tiruan?
Jaringan saraf tiruan adalah salah satu alat utama yang digunakan dalam pembelajaran mesin. Seperti yang ditunjukkan oleh bagian "saraf" dari nama mereka, mereka adalah sistem yang diilhami otak yang dimaksudkan untuk meniru cara kita manusia belajar. Jaringan saraf terdiri dari lapisan input dan output, serta (dalam kebanyakan kasus) lapisan tersembunyi yang terdiri dari unit-unit yang mengubah input menjadi sesuatu yang dapat digunakan oleh lapisan output. Mereka adalah alat yang sangat baik untuk menemukan pola yang terlalu rumit atau banyak bagi programmer manusia untuk mengekstraksi dan mengajarkan mesin untuk mengenali.
Sementara jaringan saraf (juga disebut "perceptrons") telah ada sejak tahun 1940-an , hanya dalam beberapa dekade terakhir di mana mereka telah menjadi bagian utama dari kecerdasan buatan. Hal ini disebabkan oleh kedatangan teknik yang disebut "backpropagation," yang memungkinkan jaringan untuk menyesuaikan lapisan neuron tersembunyi mereka dalam situasi di mana hasilnya tidak sesuai dengan harapan pencipta - seperti jaringan yang dirancang untuk mengenali anjing, yang salah mengidentifikasi kucing, misalnya.
Kemajuan penting lainnya adalah kedatangan jaringan syaraf pembelajaran yang mendalam, di mana lapisan yang berbeda dari jaringan multilayer mengekstraksi fitur yang berbeda hingga dapat mengenali apa yang dicari.
Kedengarannya cukup rumit. Bisakah Anda menjelaskannya Kenapa saya berumur lima tahun?
Untuk ide dasar tentang bagaimana jaringan saraf belajar yang dalam belajar, bayangkan garis pabrik. Setelah bahan baku (kumpulan data) dimasukkan, mereka kemudian diturunkan melalui sabuk konveyor, dengan setiap pemberhentian berikutnya atau lapisan mengekstraksi serangkaian fitur tingkat tinggi yang berbeda. Jika jaringan dimaksudkan untuk mengenali objek, lapisan pertama mungkin menganalisis kecerahan pikselnya.
Lapisan selanjutnya dapat mengidentifikasi setiap tepi dalam gambar, berdasarkan garis piksel yang sama. Setelah ini, layer lain mungkin mengenali tekstur dan bentuk, dan seterusnya. Pada saat lapisan keempat atau kelima tercapai, jaring pembelajaran yang dalam akan menciptakan detektor fitur yang kompleks. Dapat diketahui bahwa elemen gambar tertentu (seperti sepasang mata, hidung, dan mulut) umumnya ditemukan bersama.
Setelah ini dilakukan, para peneliti yang telah melatih jaringan dapat memberikan label ke output, dan kemudian menggunakan backpropagation untuk memperbaiki kesalahan yang telah dibuat. Setelah beberapa saat, jaringan dapat melakukan tugas klasifikasi sendiri tanpa memerlukan manusia untuk membantu setiap saat.
Di luar ini, ada berbagai jenis pembelajaran, seperti supervised or unsupervised learning or reinforcement learning, di mana jaringan belajar untuk dirinya sendiri dengan mencoba untuk memaksimalkan skor nya - sebagai dikenang dilakukan oleh Google DeepMind ini Atari permainan-bermain bot .
Berapa banyak jenis jaringan saraf yang ada?
Ada beberapa jenis jaringan saraf, yang masing-masing dilengkapi dengan kasus penggunaan spesifik dan tingkat kerumitan. Jenis jaringan syaraf yang paling dasar adalah sesuatu yang disebut Feedforward neural network
Di luar ini, ada berbagai jenis pembelajaran, seperti diawasi atau belajar tanpa pengawasan atau belajar penguatan , di mana jaringan belajar untuk dirinya sendiri dengan mencoba untuk memaksimalkan skor nya - sebagai yang dilakukan oleh Google DeepMind ini Atari permainan-bermain bot .
Apa jenis tugas yang bisa dilakukan oleh jaringan saraf?
Pemindaian cepat arsip kami menyarankan pertanyaan yang tepat di sini adalah “tugas apa yang tidak bisa dilakukan oleh jaringan saraf?” Dari membuat mobil dikendarai secara mandiri di jalan , hingga menghasilkan wajah CGI yang sangat realistis , hingga terjemahan mesin, hingga deteksi penipuan, hingga membaca pikiran kita , mengenali kapan kucing ada di taman dan menyalakan alat penyiram ; jaring saraf berada di belakang banyak kemajuan terbesar dalam AI
Namun secara umum, mereka dirancang untuk menemukan pola dalam data. Tugas khusus dapat mencakup klasifikasi (mengklasifikasikan kumpulan data ke dalam kelas yang telah ditentukan), pengelompokan (mengklasifikasikan data ke dalam berbagai kategori yang tidak ditentukan), dan prediksi (menggunakan peristiwa masa lalu untuk menebak yang akan datang, seperti pasar saham atau film box office).
Bagaimana tepatnya mereka "belajar" hal-hal?
Dengan cara yang sama kita belajar dari pengalaman dalam hidup kita, jaringan saraf membutuhkan data untuk belajar. Dalam kebanyakan kasus, semakin banyak data yang dapat dilemparkan ke jaringan saraf, semakin akurat jadinya. Anggap saja seperti tugas yang Anda lakukan berulang kali. Seiring waktu, Anda secara bertahap menjadi lebih efisien dan membuat lebih sedikit kesalahan.
Ketika peneliti atau ilmuwan komputer berangkat untuk melatih jaringan saraf, mereka biasanya membagi data mereka menjadi tiga set. Pertama adalah satu set pelatihan, yang membantu jaringan membangun berbagai bobot antara node-nya. Setelah ini, mereka menyempurnakannya menggunakan set data validasi. Akhirnya, mereka akan menggunakan set tes untuk melihat apakah itu dapat berhasil mengubah input menjadi output yang diinginkan.
Apakah jaringan saraf memiliki batasan?
Pada tingkat teknis, salah satu tantangan yang lebih besar adalah jumlah waktu yang diperlukan untuk melatih jaringan, yang dapat membutuhkan sejumlah besar daya komputasi untuk tugas-tugas yang lebih kompleks. Masalah terbesar, bagaimanapun, adalah bahwa jaringan saraf adalah "kotak hitam," di mana pengguna memasukkan data dan menerima jawaban. Mereka dapat menyempurnakan jawaban, tetapi mereka tidak memiliki akses ke proses pengambilan keputusan yang tepat.
Ini adalah masalah yang dilakukan sejumlah peneliti secara aktif , tetapi itu hanya akan menjadi lebih mendesak karena jaringan saraf tiruan memainkan peran yang lebih besar dan lebih besar dalam kehidupan kita.