Bagaimana Sistem Kecerdasan Buatan Atau AI Bekerja

Robot Menggunakan Kecerdasan AI

Saat ini kecerdasan buatan membantu dokter mendiagnosis pasien, pilot menerbangkan pesawat, dan perencana tata kota memprediksi kemacetan. Tetapi terlepas dari apa yang dilakukan AI ini, ilmuwan yang merancangnya cenderung tidak tahu bagaimana alat itu melakukannya.

Hal ini dikarenakan kecerdasan buatan seringkali belajar secara otodidak, mempelajari sebuah set instruksi yang sederhana untuk menciptakan susunan peraturan dan strategi.

Jadi bagaimana cara AI bekerja?

Ada banyak cara untuk membuat program yang belajar otodidak. Tetapi semuanya bergantung pada tiga tipe dasar pembelajaran mesin pembelajaran tanpa pengawasan, dengan pengawasan, dan penguatan. Untuk melihat contohnya, bayangkan para peneliti mencoba menarik informasi dari kumpulan data medis berisi ribuan profil pasien.

Pertama, pembelajaran tanpa pengawasan. Pendekatan ini cocok untuk menganalisis semua profil untuk menemukan persamaan umum dan pola yang berguna. Mungkin pasien tertentu memiliki penyakit yang mirip, atau mungkin sebuah pengobatan menghasilkan sejumlah efek samping. Pendekatan yang mencari pola umum ini bisa digunakan untuk menemukan persamaan antara profil pasien dan pola yang muncul, dan semua itu dilakukan tanpa bantuan manusia.

Namun, bayangkan jika dokter ingin mencari hal yang lebih spesifik. Mereka ingin menciptakan algoritma untuk mendiagnosa kondisi tertentu. Mereka memulai dengan mengumpulkan dua kumpulan data gambar medis dan hasil tes baik dari pasien sehat dan dari pasien dengan kondisi tertentu.

Lalu, mereka memasukkan data ini ke dalam program yang dirancang untuk mengidentifikasi fitur yang ada pada pasien sakit tetapi tidak ada pada pasien sehat. Berdasarkan seringnya ia melihat fitur tertentu, program itu akan memberikan nilai pada kepentingan diagnostik fitur itu,yang menghasilkan algoritma untuk mendiagnosis pasien di masa depan.

Namun, tidak seperti pembelajaran tanpa pengawasan, dokter dan ilmuwan komputer berperan aktif pada proses selanjutnya. Dokter akan membuat diagnosis terakhir dan memeriksa ketepatan dari prediksi algoritma. Lalu, ilmuwan bisa menggunakan kumpulan data yang terbaru untuk menyesuaikan parameter program dan meningkatkan akurasinya.

Pendekatan langsung ini disebut pembelajaran dengan pengawasan. Sekarang, misalnya para dokter ini ingin mendesain algoritma lain untuk merekomendasikan pengobatan. Karena pengobatan itu akan dilaksanakan secara bertahap, dan mungkin akan berubah tergantung pada respon individu terhadap pengobatan itu, dokter memutuskan untuk menggunakan pembelajaran penguatan.

Program ini memakai pendekatan berulang untuk mengumpulkan masukan mengenai medikasi, dosis, dan pengobatan apa yang paling efektif. Lalu, membandingkan data dengan profil setiap pasien untuk membuat pengobatan mereka secara unik dan optimal. Selagi progres pengobatan dan program itu menerima lebih banyak masukan,program itu bisa terus memperbarui rencana untuk setiap pasien.

Tidak satupun dari ketiga teknik itu yang lebih cerdas dari lainnya. Meskipun beberapa memerlukan campur tangan manusia, mereka memiliki kekuatan dan kelemahan tersendiri, membuat mereka sangat cocok pada tugas tertentu.

Namun, dengan menggunakan mereka semua, para ilmuwan bisa membuat sistem program AI yang kompleks, di mana program individu dapat mengawasi dan mengajar satu sama lain. Sebagai contoh, ketika program pembelajaran tanpa pengawasan menemukan sekelompok pasien yang serupa, program itu bisa mengirim data ke pembelajaran dengan pengawasan.

Program itu bisa menggabungkan informasi ini menjadi sebuah prediksi. Atau mungkin sejumlah program pembelajaran penguatan dapat mensimulasikan hasil pasien yang muncul untuk mengumpulkan masukan pengobatan yang berbeda. Ada sejumlah cara untuk membuat sistem pembelajaran mesin ini, dan model yang paling menjanjikan adalah yang bisa meniru hubungan antara neuron di dalam otak.

Jaringan saraf buatan ini dapat menggunakan jutaan koneksi untuk mengatasi tugas yang sulit seperti pengenalan gambar, pengenalan suara, dan bahkan penerjemahan bahasa. Namun, semakin model ini menjadi mandiri, semakin sulit bagi ilmuwan komputer untuk menentukan bagaimana algoritma otodidak ini sampai pada solusi mereka.

Peneliti sudah mencari cara untuk membuat pembelajaran mesin lebih transparan. Tetapi karena AI menjadi lebih terlibat dalam keseharian kita, keputusan ini memiliki dampak yang semakin besar dalam pekerjaan, kesehatan, dan keamanan kita. Selagi mesin terus belajar menyelidiki, bernegosiasi, dan berkomunikasi, kita juga harus memikirkan cara untuk mengajarkan mereka beroperasi secara etis.