Dalam artikel sebelum ini, kita sudah berkenalan sedikit sebanyak dengan kecerdasan buatan atau Artificial Intelligence (AI) — apa itu AI, bagaimana ia digunakan dan mengapa teknologi ini semakin dekat dengan kehidupan kita.
Jika anda belum baca, boleh baca artikel tersebut di sini >> [link]
Tetapi apabila kita mula membaca tentang AI, ada dua istilah yang hampir selalu muncul bersama:
Machine Learning (ML) dan Deep Learning (DL).
Jadi, adakah kedua-duanya benda yang sama?
Jawapan ringkasnya: Tidak.
Tetapi kedua-duanya sangat berkait.
Secara mudahnya, ML ialah sebahagian daripada AI, manakala DL pula ialah salah satu pendekatan dalam ML (lihat gambar dibawah).
Sebelum itu, mari kita lihat semula apa itu AI secara ringkasnya.
Menurut NIST (National Institute of Standards and Technology), AI ialah satu sistem berasaskan mesin yang boleh menghasilkan ramalan, cadangan atau keputusan berdasarkan objektif yang ditetapkan, yang mempengaruhi persekitaran sebenar atau maya.
Contoh-contoh yang kita gunakan setiap hari termasuklah cadangan video di platform penstriman, cadangan produk ketika membeli-belah secara dalam talian, sistem pengecaman wajah, terjemahan automatik, pengesanan spam, chatbot dan sebagainya.
Semua ini melibatkan pelbagai teknik AI.
Jadi, bagaimana komputer ini boleh “belajar” untuk melakukan perkara tersebut?
Di sinilah datangnya ML.
Apa Itu Machine Learning (ML)?
ML ialah pendekatan yang membolehkan sistem komputer belajar daripada “data” untuk meningkatkan prestasi atau ketepatan bagi sesuatu tugasan.
Kata kunci pentingnya adalah:
“Data”.
Bayangkan kita mahu membina satu sistem yang boleh mengenal pasti sama ada sesuatu e-mel itu adalah spam atau bukan spam.
Cara tradisional mungkin memerlukan kita menulis banyak peraturan:
“Kalau ada perkataan tertentu, tandakan sebagai spam.”
“Kalau terlalu banyak pautan, mungkin spam.”
“Kalau datang daripada alamat tertentu, mungkin spam.”
Masalahnya, semakin kompleks situasi, semakin banyak peraturan yang perlu kita tulis!
ML menggunakan pendekatan yang berbeza.
Kita berikan komputer dengan data contoh, dan model akan belajar mengenal pasti corak daripada data tersebut.
Sebagai contoh, kita mungkin mempunyai ribuan e-mel yang telah dilabelkan sebagai:
Spam dan Bukan Spam
Data ini digunakan untuk melatih model.
Selepas dilatih, model ini boleh diberikan e-mel yang baharu dan membuat ramalan:
“Berdasarkan corak yang dipelajari, e-mel ini berkemungkinan spam.”
Inilah idea asas ML.
Bagaimana Komputer Ini Belajar?
Kita pergi dengan lebih mendalam sedikit.
Sebenarnya, komputer tidak belajar seperti manusia membaca buku.
Dalam ML, biasanya kita akan melalui satu proses yang lebih kurang seperti ini:
Data → Features → Training → Model → Testing → Prediction
Pertama, kita kumpulkan data. Daripada data tersebut, kita kenal pasti features, iaitu ciri atau maklumat yang relevan dan boleh membantu model mengenal pasti corak.
Contohnya, untuk mengesan e-mel spam, features mungkin termasuk bilangan pautan, perkataan tertentu atau panjang e-mel.
Kemudian, features tersebut digunakan dalam proses training, di mana algoritma cuba mencari hubungan atau corak yang berguna dalam data.
Selepas itu, model yang telah dilatih diuji menggunakan data yang sesuai untuk melihat bagaimana ia berfungsi terhadap data yang belum digunakan semasa training.
Akhirnya, model boleh digunakan untuk membuat prediction atau classification terhadap data baharu.
Data yang digunakan untuk melatih model biasanya dipanggil training data. Data ini boleh terdiri daripada pelbagai bentuk seperti jadual, teks, imej, video dan sebagainya.
Kualiti data sangat penting kerana data yang mempunyai kesalahan, noise atau bias boleh menjejaskan prestasi model.
Jadi, satu perkara penting yang perlu kita ingat:
AI yang baik bukan hanya bergantung kepada algoritma yang hebat. Ia juga memerlukan data yang sesuai, features yang relevan dan proses training yang baik.
Apa pula Deep Learning (DL)?
Sekarang kita masuk ke bahagian yang lebih menarik, iaitu DL – subset kepada ML.
Perbezaan utama ialah DL menggunakan neural network yang mempunyai banyak lapisan untuk mempelajari corak daripada data.
Neural network ini diinspirasikan daripada cara neuron dalam sistem biologi berhubung.
Secara asas, kita boleh bayangkan sebuah neural network mempunyai:
Input Layer → Hidden Layers → Output Layer
Data masuk melalui input layer. Kemudian, ia diproses melalui satu atau lebih hidden layers.
Akhirnya, output layer menghasilkan keputusan atau prediction.
Setiap sambungan dalam network mempunyai nilai yang dipanggil weight. Neuron pula melakukan pengiraan tertentu dan menggunakan fungsi yang dikenali sebagai activation function untuk menentukan outputnya.
Dan di sinilah perkataan “deep” menjadi penting.
Lebih banyak lapisan pemprosesan yang digunakan, lebih kompleks corak yang boleh dipelajari oleh network tersebut.
Bagaimana Neural Network Ini Belajar?
Ini mungkin kedengaran agak teknikal sedikit, tetapi kita boleh faham secara ringkas.
Bayangkan kita mahu neural network mengenal pasti gambar kucing. Kita berikan gambar kepada model. Model kemudiannya membuat prediction.
Mungkin model kata:
“80% kemungkinan kucing.”
Kemudian kita tahu jawapan sebenar ialah:
“Ya, ini memang kucing.” Bagus!
Tetapi bagaimana jika model kata:
“20% kucing, 80% anjing.”
Maksudnya model prediction masih tidak tepat.
Jadi, model perlu mengetahui berapa besar kesilapannya. Ukuran kesilapan ini biasanya dinyatakan melalui loss function.
Secara mudah:
Prediction → kira error/loss → ubah parameter → cuba lagi
Dalam proses training neural network, teknik seperti backpropagation digunakan untuk mengira bagaimana kesilapan tersebut berkait dengan parameter dalam network. Parameter seperti weight kemudiannya dikemas kini menggunakan kaedah pengoptimuman seperti gradient descent.
Proses ini berlaku berulang kali.
- Prediction.
- Kira kesilapan.
- Kemaskini weight.
- Prediction lagi.
- Kira kesilapan lagi.
- Dan ulang.
Selepas banyak kali pusingan training, model ini diharapkan dapat menghasilkan prediction yang lebih baik melalui data yang sesuai.
ML vs DL: Di Mana Perbezaannya?
Sekarang kita sudah boleh melihat perbezaannya dengan lebih jelas.
Dalam ML tradisional, manusia biasanya lebih banyak terlibat dalam menyediakan atau memilih features yang relevan daripada data.
Dalam DL, neural network boleh mempelajari banyak ciri tersebut secara automatik daripada data mentah atau data yang telah diproses, bergantung pada reka bentuk dan kaedah training.
Contohnya, kita mahu mengenal pasti gambar kucing.
Dalam pendekatan ML tertentu, kita mungkin perlu menghasilkan ciri seperti – bentuk telinga, tekstur, warna dan bentuk badan
Kemudian, ciri tersebut dimasukkan ke dalam model.
Dalam DL pula, neural network boleh belajar representasi ciri secara berperingkat daripada data imej.
Secara konsepnya, lapisan awal mungkin mengenal pasti corak asas seperti garisan dan tepi.
Lapisan seterusnya boleh menggabungkan corak tersebut menjadi bentuk yang lebih kompleks.
Lapisan yang lebih tinggi pula boleh mempelajari representasi yang berkaitan dengan objek yang hendak dikenal pasti.
Ini adalah gambaran mudah sahaja. Proses sebenar bergantung kepada seni bina neural network, data, objektif training dan banyak faktor lain.
AI Bukanlah Sentiasa Betul!
Walaupun AI, ML dan DL semakin canggih, kita perlu berhati-hati dengan satu perkara.
Model AI tidak memahami dunia seperti manusia memahaminya.
Ia mempelajari corak daripada data berdasarkan objektif dan kaedah yang diberikan kepadanya.
Sebab itu data sangat penting!
Jika data latihan tidak sesuai, mempunyai kesilapan, terlalu terhad atau tidak mewakili keadaan sebenar, model boleh menghasilkan keputusan yang kurang baik.
Malah, features yang kita pilih juga boleh memberi kesan kepada model tersebut.
Jika kita memasukkan features yang tidak relevan, terlalu banyak noise atau representasi yang tidak sesuai, model mungkin sukar mempelajari corak yang kita mahukan.
Sebab itu dalam projek ML, kita bukan hanya bercakap tentang:
“Model apa yang kita gunakan?”
Kita juga perlu bercakap tentang:
- Data apa?
- Features apa?
- Bagaimana data diproses?
- Bagaimana model dilatih?
- Bagaimana model diuji?
- Bagaimana prestasi model diukur?
Ini sangat penting, terutamanya dalam penyelidikan.
