Machine learning / Pembelajaran mesin adalah disiplin ilmu yang mencakup perancangan dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku. Yang didasarkan pada basis data yang dimilikinya, mengenali secara otomatis pola kompleks dan membuat keputusan cerdas berdasarkan data.
Ini merupakan studi tentang algoritma komputer yang meningkat secara otomatis melalui pengalaman. Dan bagian dari kecerdasan buatan /artificial intelligence . Algoritma pembelajaran mesin membuat model berdasarkan data sampel untuk membuat prediksi atau keputusan tanpa diprogram secara eksplisit untuk melakukannya. Algoritma pembelajaran mesin digunakan dalam berbagai macam aplikasi, seperti pemfilteran email dan visi komputer. Di mana sulit atau tidak mungkin untuk mengembangkan algoritma konvensional untuk melakukan tugas yang diperlukan.
Kesulitannya adalah terlalu besarnya masukan dan kemungkinan untuk diamati dan disimpulkan. Karena itu machine learning harus melakukan generalisasi perilaku / data yang masuk untuk menghasilkan keluaran yang berguna.
Sejarah
Tahun 1951, John McCarthy meyakinkan Minsky, Claude Shannon, dan Nathaniel Rochester untuk membantunya mengumpulkan peneliti Amerika Serikat. Yang memiliki ketertarikan pada teori automata, jaring syaraf, dan kecerdasan. Mereka mengorganisir sebuah lokakarya di Dartmouth College di Hanover, New Hampshire pada tahun 1956.
Arthur Samuel, seorang pelopor Amerika di bidang game komputer dan kecerdasan buatan, machine learning memberi kemampuan komputer untuk belajar tanpa diprogram secara eksplisit. Dia menciptakan istilah “machine learning” pada tahun 1959 saat di IBM. Sampai pada tahun 1974, kecerdasan buatan kurang diminati. Tahun 1980, ketertarikan terhadap kecerdasan buatan sebagai bidang penelitian mulai bangkit kembali.
Tahun 1995, Yarowsky melakukan percobaan menggunakan maching learning dan hasilnya 96% akurat. Menurut siklus hype Gartner tahun 2016, terjadi puncak peningkatan ekspektasi machine learning. Pertanyaan tentang apa perbedaan Machine Learning (ML) dan Artificial Intellegence (AI) dijawab oleh Yudea Pearl dalam The Book of Why. Dikatakan, ML belajar dan memprediksi berdasarkan pengamatan pasif, sedangkan AI menyiratkan agen yang berinteraksi dengan lingkungan untuk belajar dan mengambil tindakan yang memaksimalkan peluangnya untuk berhasil mencapai tujuannya.
Pembelajaran mesin melibatkan komputer untuk menemukan bagaimana mereka dapat melakukan tugas, tanpa diprogram secara eksplisit untuk melakukannya.
Ini melibatkan komputer yang belajar dari data yang disediakan sehingga mereka melakukan tugas-tugas tertentu. Untuk tugas sederhana yang diberikan ke komputer, dimungkinkan untuk memprogram algoritma yang memberi tahu mesin bagaimana cara menjalankan semua langkah yang diperlukan untuk memecahkan masalah yang dihadapi. Untuk tugas yang lebih maju, mungkin sulit bagi manusia untuk membuat algoritma yang diperlukan secara manual. Lebih efektif jika kita membantu mesin mengembangkan algoritmanya sendiri, daripada meminta programmer menentukan setiap langkah yang diperlukan.
Hal ini sangat erat kaitannya dengan statistik komputasi, optimasi matematis, pengumpulan data, analisis data eksploratif dan prediksi melalui penggunaan komputer. Dalam bidang analisis data, digunakan untuk merancang model dan algoritma yang kompleks yang sesuai dengan prediksi. Model analisis ini memungkinkan peneliti, ilmuwan data, insinyur, dan analis untuk menghasilkan keputusan. Dan juga hasil yang dapat diandalkan dari historis dan kecenderungan data.
Beberapa algoritma machine learning adalah :
- Pohon keputusan
- Pengklasifikasi probabilistik dengan asumsi independen yang kuat
- Regresi Kuadrat dengan jarak terdekat
- Regresi logistik kumulatif
- Klasifikasi biner untuk menemukan garis lurus.
Pendekatan pembelajaran mesin secara tradisional dibagi menjadi 3 kategori, bergantung pada umpan balik:
- Pembelajaran yang diawasi : Komputer disajikan dengan contoh masukan dan keluaran yang diinginkan, yang diberikan programmer, untuk mempelajari aturan umum yang memetakan masukan ke keluaran.
- Tanpa pengawasan : Tidak ada label yang diberikan pada algoritma pembelajaran, membiarkannya sendiri untuk menemukan struktur dalam masukannya. Pembelajaran tanpa pengawasan dapat menjadi tujuan itu sendiri (menemukan pola tersembunyi dalam data) atau sarana untuk mencapai tujuan (pembelajaran fitur).
- Pembelajaran penguatan : Program komputer berinteraksi dengan lingkungan dinamis di mana ia harus melakukan tujuan tertentu (seperti mengendarai kendaraan atau bermain game melawan lawan). Saat ia menavigasi ruang masalahnya, program ini memberikan umpan balik yang serupa dengan penghargaan, yang coba dimaksimalkan.
Penggunaan Machine Learning
Contoh aplikasinya adalah penyaringan email, deteksi penyusup jaringan terhadap pelanggaran data, pengenalan karakter optik (OCR), memberi peringkat, menemukan anomali yang berarti, bioinformatika, cheminformatika, klasifikasi sekuens DNA, anatomi komputasional, pengenalan objek, mendeteksi kecurangan kartu kredit, aplikasi games, gerak robot, rekayasa perangkat lunak, pengenalan suara & tulisan tangan, analisis pasar keuangan, pemantauan kesehatan, pengenalan pola sintaksis, analisis perilaku pengguna dan menerjemahkan bahasa.
Pada tahun 2006, penyedia layanan media Netflix mengadakan kompetisi untuk menemukan program yang dapat memprediksi preferensi pengguna dengan lebih baik dan meningkatkan keakuratan algoritme rekomendasi film Cinematch setidaknya 10%. Sebuah tim gabungan peneliti dari AT&T Labs Research, tim Big Chaos dan Pragmatic Theory membangun model ansambel untuk memenangkan Grand Prize pada tahun 2009 sebesar $ 1 juta. Tak lama setelah hadiah diberikan, Netflix menyadari bahwa peringkat pemirsa bukanlah indikator terbaik dari pola menonton mereka (“semuanya adalah rekomendasi”) dan mereka mengubah mesin rekomendasi sesuai dengan itu.
Pada tahun 2010 The Wall Street Journal menulis tentang perusahaan Rebellion Research dan penggunaan pembelajaran mesin mereka untuk memprediksi krisis keuangan. Tahun 2012, salah satu pendiri Sun Microsystems , Vinod Khosla , meramalkan bahwa 80% pekerjaan dokter medis akan hilang dalam dua dekade mendatang karena perangkat lunak diagnostik medis pembelajaran mesin otomatis. Lalu 2014, dilaporkan bahwa algoritma pembelajaran mesin telah diterapkan di bidang sejarah seni untuk mempelajari lukisan seni rupa dan mungkin telah mengungkap pengaruh yang sebelumnya tidak dikenal di kalangan seniman. Pada 2019 Springer Nature menerbitkan buku penelitian pertama yang dibuat menggunakan pembelajaran mesin.
contoh lainnya
1. Computer Vision
Aplikasi yang dapat mengenali wajah seseorang. Diterapkan dalam media sosial, CCTV, dan smartphone. Juga mengubah tulisan tangan menjadi teks.
2. Informasi Retrival
Menerjemahkan bahasa dengan mengubah suara menjadi teks. Aplikasi filter anti spam dalam platform email.
3. Bidang Kedokteran
Mendeteksi penyakit pasien dengan mempelajari data-data yang berhubungan dengan gejala yang ditunjukan. Mendeteksi kondisi jantung dari hasil rekaman elektrokardiogram.
4. Speech Understanding
Machine Learning akan mengingat dan memproses suara Anda, sehingga Anda cukup mengucapkan apa yang dibutuhkan. Lalu hal yang dicari akan muncul di layar smartphone / monitor.
5. Recommendation Search
Saat Anda mengetik sesuatu di dalam kolom pencarian internet, maka akan tampil rekomendasi dari hal yang sedang / pernah Anda cari. Contohnya pada pencarian Google, Facebook maupun marketplace.
Kekurangannya
Meskipun telah berkembang, program pembelajaran mesin kadang gagal memberikan hasil yang diharapkan. Penyebabnya adalah kurangnya data (yang sesuai), kurangnya akses ke data, bias data, masalah privasi, tugas dan algoritma yang dipilih dengan buruk, alat dan orang yang salah, kurangnya sumber daya, dan masalah evaluasi.
Pada tahun 2018, sebuah mobil otomatis tanpa pengemudi gagal mendeteksi seorang pejalan kaki, yang tewas setelah tabrakan. Upaya untuk menggunakan pembelajaran mesin dalam perawatan kesehatan juga gagal dilakukan bahkan setelah bertahun-tahun waktu dan miliaran dolar diinvestasikan.
Pada tahun 2015, pembelajaran mesin sering menandai orang kulit hitam sebagai gorila, dan pada tahun 2018 masih belum terselesaikan dengan baik. Tetapi solusi tersebut masih digunakan untuk menghapus semua gorila dari data sampel sehingga tidak bisa mengenali gorila asli. Masalah serupa dalam mengenali orang non-kulit putih telah ditemukan di banyak sistem lain. Pada tahun 2016, diadakan pengujian chatbot yang belajar dari media sosial, dan dengan cepat menggunakan bahasa rasis dan seksis.
Leave a Reply