How does artificial intelligence learn? - Briana Brownell

Translator: Farah Krisna Dewi Reviewer: Maria Nainggolan

Today, artificial intelligence helps doctors diagnose patients,

Saat ini kecerdasan buatan membantu dokter mendiagnosis pasien,

pilots fly commercial aircraft, and city planners predict traffic.

pilot menerbangkan pesawat, dan perencana tata kota memprediksi kemacetan.

But no matter what these AIs are doing, the computer scientists who designed them

Tetapi terlepas dari apa yang dilakukan AI ini, ilmuwan yang merancangnya

likely don’t know exactly how they’re doing it.

cenderung tidak tahu bagaimana alat itu melakukannya.

This is because artificial intelligence is often self-taught,

Hal ini dikarenakan kecerdasan buatan seringkali belajar secara otodidak,

working off a simple set of instructions

mempelajari sebuah set instruksi yang sederhana

to create a unique array of rules and strategies.

untuk menciptakan susunan peraturan dan strategi.

So how exactly does a machine learn?

Jadi bagaimana cara mesin belajar?

There are many different ways to build self-teaching programs.

Ada banyak cara untuk membuat program yang belajar otodidak.

But they all rely on the three basic types of machine learning:

Tetapi semuanya bergantung pada tiga tipe dasar pembelajaran mesin:

unsupervised learning, supervised learning, and reinforcement learning.

pembelajaran tanpa pengawasan, dengan pengawasan, dan penguatan.

To see these in action,

Untuk melihat contohnya,

let’s imagine researchers are trying to pull information

bayangkan para peneliti mencoba menarik informasi

from a set of medical data containing thousands of patient profiles.

dari kumpulan data medis berisi ribuan profil pasien.

First up, unsupervised learning.

Pertama, pembelajaran tanpa pengawasan.

This approach would be ideal for analyzing all the profiles

Pendekatan ini cocok untuk menganalisis semua profil

to find general similarities and useful patterns.

untuk menemukan persamaan umum dan pola yang berguna.

Maybe certain patients have similar disease presentations,

Mungkin pasien tertentu memiliki penyakit yang mirip,

or perhaps a treatment produces specific sets of side effects.

atau mungkin sebuah pengobatan menghasilkan sejumlah efek samping.

This broad pattern-seeking approach can be used to identify similarities

Pendekatan yang mencari pola umum ini bisa digunakan untuk menemukan persamaan

between patient profiles and find emerging patterns,

antara profil pasien dan pola yang muncul,

all without human guidance.

dan semua itu dilakukan tanpa bantuan manusia.

But let's imagine doctors are looking for something more specific.

Namun, bayangkan jika dokter ingin mencari hal yang lebih spesifik.

These physicians want to create an algorithm

Mereka ingin menciptakan algoritma

for diagnosing a particular condition.

untuk mendiagnosa kondisi tertentu.

They begin by collecting two sets of data—

Mereka memulai dengan mengumpulkan dua kumpulan data—

medical images and test results from both healthy patients

gambar medis dan hasil tes baik dari pasien sehat

and those diagnosed with the condition.

dan dari pasien dengan kondisi tertentu.

Then, they input this data into a program

Lalu, mereka memasukkan data ini ke dalam program

designed to identify features shared by the sick patients

yang dirancang untuk mengidentifikasi fitur yang ada pada pasien sakit

but not the healthy patients.

tetapi tidak ada pada pasien sehat.

Based on how frequently it sees certain features,

Berdasarkan seringnya ia melihat fitur tertentu,

the program will assign values to those features’ diagnostic significance,

program itu akan memberikan nilai pada kepentingan diagnostik fitur itu,

generating an algorithm for diagnosing future patients.

yang menghasilkan algoritma untuk mendiagnosis pasien di masa depan.

However, unlike unsupervised learning,

Namun, tidak seperti pembelajaran tanpa pengawasan,

doctors and computer scientists have an active role in what happens next.

dokter dan ilmuwan komputer berperan aktif pada proses selanjutnya.

Doctors will make the final diagnosis

Dokter akan membuat diagnosis terakhir

and check the accuracy of the algorithm’s prediction.

dan memeriksa ketepatan dari prediksi algoritma.

Then computer scientists can use the updated datasets

Lalu, ilmuwan bisa menggunakan kumpulan data yang terbaru

to adjust the program’s parameters and improve its accuracy.

untuk menyesuaikan parameter program dan meningkatkan akurasinya.

This hands-on approach is called supervised learning.

Pendekatan langsung ini disebut pembelajaran dengan pengawasan.

Now, let’s say these doctors want to design another algorithm

Sekarang, misalnya para dokter ini ingin mendesain algoritma lain

to recommend treatment plans.

untuk merekomendasikan pengobatan.

Since these plans will be implemented in stages,

Karena pengobatan itu akan dilaksanakan secara bertahap,

and they may change depending on each individual's response to treatments,

dan mungkin akan berubah tergantung pada respon individu terhadap pengobatan itu,

the doctors decide to use reinforcement learning.

dokter memutuskan untuk menggunakan pembelajaran penguatan.

This program uses an iterative approach to gather feedback

Program ini memakai pendekatan berulang untuk mengumpulkan masukan

about which medications, dosages and treatments are most effective.

mengenai medikasi, dosis, dan pengobatan apa yang paling efektif.

Then, it compares that data against each patient’s profile

Lalu, membandingkan data dengan profil setiap pasien

to create their unique, optimal treatment plan.

untuk membuat pengobatan mereka secara unik dan optimal.

As the treatments progress and the program receives more feedback,

Selagi progres pengobatan dan program itu menerima lebih banyak masukan,

it can constantly update the plan for each patient.

program itu bisa terus memperbarui rencana untuk setiap pasien.

None of these three techniques are inherently smarter than any other.

Tidak satupun dari ketiga teknik itu yang lebih cerdas dari lainnya.

While some require more or less human intervention,

Meskipun beberapa memerlukan campur tangan manusia,

they all have their own strengths and weaknesses

mereka memiliki kekuatan dan kelemahan tersendiri,

which makes them best suited for certain tasks.

membuat mereka sangat cocok pada tugas tertentu.

However, by using them together,

Namun, dengan menggunakan mereka semua,

researchers can build complex AI systems,

para ilmuwan bisa membuat sistem program AI yang kompleks,

where individual programs can supervise and teach each other.

di mana program individu dapat mengawasi dan mengajar satu sama lain.

For example, when our unsupervised learning program

Sebagai contoh, ketika program pembelajaran tanpa pengawasan

finds groups of patients that are similar,

menemukan sekelompok pasien yang serupa,

it could send that data to a connected supervised learning program.

program itu bisa mengirim data ke pembelajaran dengan pengawasan.

That program could then incorporate this information into its predictions.

Program itu bisa menggabungkan informasi ini menjadi sebuah prediksi.

Or perhaps dozens of reinforcement learning programs

Atau mungkin sejumlah program pembelajaran penguatan

might simulate potential patient outcomes

dapat mensimulasikan hasil pasien yang muncul

to collect feedback about different treatment plans.

untuk mengumpulkan masukan pengobatan yang berbeda.

There are numerous ways to create these machine-learning systems,

Ada sejumlah cara untuk membuat sistem pembelajaran mesin ini,

and perhaps the most promising models

dan model yang paling menjanjikan

are those that mimic the relationship between neurons in the brain.

adalah yang bisa meniru hubungan antara neuron di dalam otak.

These artificial neural networks can use millions of connections

Jaringan saraf buatan ini dapat menggunakan jutaan koneksi

to tackle difficult tasks like image recognition, speech recognition,

untuk mengatasi tugas yang sulit seperti pengenalan gambar, pengenalan suara,

and even language translation.

dan bahkan penerjemahan bahasa.

However, the more self-directed these models become,

Namun, semakin model ini menjadi mandiri,

the harder it is for computer scientists

semakin sulit bagi ilmuwan komputer

to determine how these self-taught algorithms arrive at their solution.

untuk menentukan bagaimana algoritma otodidak ini sampai pada solusi mereka.

Researchers are already looking at ways to make machine learning more transparent.

Peneliti sudah mencari cara untuk membuat pembelajaran mesin lebih transparan.

But as AI becomes more involved in our everyday lives,

Tetapi karena AI menjadi lebih terlibat dalam keseharian kita,

these enigmatic decisions have increasingly large impacts

keputusan ini memiliki dampak yang semakin besar

on our work, health, and safety.

dalam pekerjaan, kesehatan, dan keamanan kita.

So as machines continue learning to investigate, negotiate and communicate,

Selagi mesin terus belajar menyelidiki, bernegosiasi, dan berkomunikasi,

we must also consider how to teach them to teach each other to operate ethically.

kita juga harus memikirkan cara untuk mengajarkan mereka beroperasi secara etis.