Artificial intelligence (AI) ada di sekitar Anda, dan semakin meluas. Tetapi jika Anda mulai melihat cara kerjanya, Anda akan segera menemukan beberapa pertanyaan tentang konsep di sekitarnya: Apa itu pembelajaran mendalam vs. pembelajaran mesin? Dan bagaimana kecerdasan buatan, pembelajaran mesin, dan pembelajaran mendalam berhubungan satu sama lain?

Ada jawaban sederhana untuk pertanyaan-pertanyaan ini serta yang kompleks, dan kemudian ada matematika di balik itu semua, yang sangat rumit sehingga mungkin lebih baik untuk menyisihkan untuk saat ini. Pada tingkat pemahaman apa pun, jawaban ini penting—khususnya bagi merek dan pemasar. Bagaimanapun, AI semakin mengatur interaksi dengan pelanggan, seperti yang diilustrasikan oleh munculnya teknologi AI suara.

Di ReadSpeaker, kami menggunakan pembelajaran mendalam untuk membuat ucapan sintetis canggih yang memberikan suara ke titik kontak konsumen seperti voicebots, perangkat rumah pintar, asisten AI, dan platform AI percakapan dari semua deskripsi. Kami akan membahas penggunaan AI dalam sintesis ucapan secara rinci di akhir artikel ini; ini adalah ilustrasi sempurna dari penggunaan praktis untuk pembelajaran mendalam. Tetapi pertama-tama, jika Anda ingin memahami pembelajaran mesin, AI, dan pembelajaran mendalam, mulailah dengan beberapa definisi kunci.

Ingin tahu seberapa dalam pembelajaran dapat membantu merek Anda menonjol di Internet of Voice? Bicaralah dengan pakar neural text-to-speech di ReadSpeaker.

Apa arti kecerdasan buatan, pembelajaran mesin, dan pembelajaran mendalam?

Definisi Wikipedia tentang artificial intelligence diterima secara luas. Menurut situs tersebut, “AI adalah kecerdasan yang ditunjukkan oleh mesin.” Wikipedia membandingkannya dengan "kecerdasan alami yang ditunjukkan oleh manusia dan hewan, yang melibatkan kesadaran dan emosi." Adapun kecerdasan itu sendiri, itu hanyalah kemampuan untuk memperoleh informasi dan menggunakannya secara adaptif.

Pembelajaran Machine learning adalah “studi tentang algoritme komputer yang meningkat secara otomatis melalui pengalaman”, kata ilmuwan komputer Tom Mitchell, yang secara harfiah menulis buku tentang pembelajaran mesin.

Deep learning  adalah bentuk pembelajaran mesin yang dilakukan (sebagian besar) melalui jaringan saraf dalam (DNN). Ada cara lain untuk melakukan pembelajaran mendalam, tetapi DNN adalah yang paling umum digunakan saat ini, jadi mereka akan menjadi fokus kami dalam panduan ini.

Dengan mengingat definisi ini, kita dapat mengajukan pertanyaan utama: Apa hubungan antara pembelajaran mesin, pembelajaran mendalam, dan AI? Pembelajaran mendalam adalah bagian dari pembelajaran mesin, dan pembelajaran mesin adalah bagian dari AI. Namun, pembelajaran mendalam telah menjadi begitu dominan di kalangan AI sehingga, ketika seseorang menyebut AI, kemungkinan besar mereka juga berbicara tentang pembelajaran mendalam; Anda dapat berasumsi bahwa setiap diskusi tentang AI juga merupakan diskusi tentang pembelajaran mendalam (dan karenanya pembelajaran mesin juga).

Apa perbedaan antara Mechine Learning dan Deep Learning?

Sebelum tersedianya Mechine Learning, pemrogram komputer menulis daftar aturan yang rumit untuk melakukan tugas komputasi. Misalnya, katakanlah seorang programmer tradisional ingin menjadi kaya dengan memprediksi harga saham. Untuk merancang program prediksi harga yang efektif, pemrogram itu harus mengetahui semua faktor yang memengaruhi pasar—hanya berdasarkan pengamatan manusia dan pengetahuan sebelumnya. Jika harga minyak naik, harga saham transportasi mungkin turun…dan itu hanya salah satu faktor di antara faktor-faktor lain yang tak terbatas. Programmer kami yang malang akan terjebak mengkode semuanya dengan tangan.

Seperti yang di duga, pemrograman berbasis aturan tidak terlalu efisien. Ini juga tidak terlalu efektif. Pengamatan manusia hanya dapat membawa kita sejauh ini, dan bias bawaan dapat menyebabkan algoritme yang sama sekali tidak mencerminkan realitas tugas yang dirancang untuk mereka lakukan. Programmer hipotetis kami harus menemukan cara lain untuk menjadi kaya.

Mechine Learning menawarkan alternatif untuk menulis aturan Anda sendiri.

Mechine Learning memungkinkan pemrogram untuk mengotomatiskan pembuatan aturan. Itu sangat ampuh untuk memecahkan masalah kompleks—termasuk tantangan yang tidak sepenuhnya dipahami manusia, seperti mengenali emosi berdasarkan ekspresi wajah. Bagaimana seorang programmer bisa menulis aturan ketika mereka tidak tahu aturannya?

Mechine Learning meningkatkan kinerja komputasi dengan menurunkan aturan dari data. Pemrogram yang mengerjakan aplikasi pengenalan emosi tidak harus secara pribadi memahami gradasi senyum yang tak terbatas. Sebagai gantinya, mereka dapat mengekspos algoritme pembelajaran mesin ke jutaan ekspresi, masing-masing diberi label oleh emosi, dan membiarkan sistem mencari tahu yang mana—dan dengan demikian untuk "mengenali" emosi saat terpapar gambar baru dari wajah ekspresif.

Tetapi meskipun Mechine Learning selalu kuat, tidak semua pembelajaran mesin itu "dalam".

Apa itu Deep Learning ?

Untuk memahami pembelajaran yang mendalam, Anda perlu tahu tentang jaringan saraf yang dalam. Ada model pembelajaran mesin lain yang mencapai apa yang kami sebut "Deep Learning ," tetapi jaringan saraf telah melampaui semua yang lain sejauh Anda dapat dengan aman mengasumsikan penyebutan pembelajaran mendalam didasarkan pada model jaringan saraf—sedemikian rupa sehingga definisi pembelajaran mendalam yang efektif (jika tidak akurat secara ilmiah) bisa menjadi "pembelajaran mesin melalui arsitektur jaringan saraf yang dalam."

Model komputasi jaringan saraf terinspirasi oleh koneksi neuron di dalam otak manusia—tetapi itu hanya analogi kasar. Ketika Anda sampai ke detailnya, otak manusia dan jaringan saraf sangat berbeda. Namun, metafora itu berguna untuk memahami garis besar jaringan saraf: Jaringan saraf meniru cara otak manusia bekerja untuk memproses informasi.

Otak kita belajar dengan membangun pola berulang dari koneksi elektrokimia antara neuron. Jaringan saraf melakukan hal serupa. Jaringan saraf, banyak digunakan pada 1990-an, terdiri dari tiga lapisan prosesor jaringan, atau neuron buatan: lapisan input, lapisan tersembunyi, dan lapisan output. Setiap neuron menerima data input, melakukan operasi pada data tersebut, dan mengekspor hasil operasi sebagai input ke lapisan pemrosesan berikutnya.

Jaringan saraf ini juga disebut multi-layered perceptrons (MLP), dan mereka secara efisien memecahkan beberapa masalah paling menjengkelkan di zamannya. Tetapi dengan meningkatnya ketersediaan kumpulan data yang lebih besar, dan serangkaian penelitian panjang yang dipraktikkan, jaringan saraf berkembang seiring dengan munculnya era Big Data.

Beginilah cara jaringan saraf dangkal menjadi jaringan saraf dalam.

Cara ilmuwan komputer mencapai tujuan ini adalah dengan menambahkan lapisan pemrosesan tersembunyi tambahan ke MLP mereka, menciptakan model komputasi baru: Jaringan saraf dalam, atau DNN. Secara teknis, setiap jaringan saraf dengan lebih dari satu lapisan tersembunyi dianggap "dalam", tetapi model yang digunakan ilmuwan komputer saat ini menampilkan lusinan lapisan tersembunyi—dalam banyak kasus sebanyak 30 atau 40.

Tapi kenapa? Mengapa lapisan tersembunyi membuat model ini sangat efektif dalam melakukan komputasi yang kompleks?

Jaringan saraf dalam dapat mengekspresikan fungsi matematika yang sangat kompleks secara lebih efisien daripada jaringan saraf standar. Anda dapat memodelkan fungsi kompleks apa pun dengan MLP tradisional yang hanya berisi satu lapisan tersembunyi (yang dibuktikan dengan Teorema Pendekatan Universal, yang, jika Anda bukan ilmuwan komputer, sebaiknya jangan terlalu memikirkannya). Tetapi jaringan saraf dangkal hampir selalu kurang efisien daripada jaringan dalam yang diisi dengan beberapa lapisan pemrosesan tersembunyi. Inilah alasannya.

Abstraksi fitur lokal memberi DNN kekuatannya.

Jaringan saraf dalam memproses representasi abstrak dari fitur, yang lebih kuat daripada representasi lokal. DNN mengekstrak beberapa representasi abstrak saat data melewati banyak lapisannya—semakin banyak lapisan, semakin banyak representasi abstrak yang dapat diekstraksi oleh sistem.

Misalnya, katakanlah tujuan kami adalah melatih jaringan saraf untuk mengklasifikasikan gambar anjing dan kucing secara akurat