IP Anda: Tidak diketahui · Status Anda: DilindungiTidak DilindungiTidak diketahui

Apa itu Machine Learning?

Machine learning adalah teknik kecerdasan buatan yang mensimulasikan pembelajaran manusia dengan memeriksa data dan mengembangkan prediksi yang dapat digunakan dalam konteks lain. Pembelajaran mesin adalah teknologi yang mendasari layanan seperti apa itu IoT, penerjemahan bahasa, layanan streaming, chatbots, dan mesin pencari. Berikut ini akan dijelaskan apa itu machine learning secara lengkap.

Ugnė Zieniūtė

Ugnė Zieniūtė

Apa itu Machine Learning?

Apa itu machine learning?

Istilah machine learning dipopulerkan oleh Adrien Marie Legendre. Salah satu aspek terpenting dari kecerdasan buatan adalah bidang pembelajaran mesin (AI). Tanpa perlu pemrograman eksplisit, perangkat lunak pembelajaran mesin dapat belajar dari pengalaman (atau, lebih tepatnya data) dengan cara yang sama seperti yang dilakukan manusia. Aplikasi-aplikasi ini dapat belajar, tumbuh, berubah, dan berkembang dengan sendirinya ketika mereka disajikan dengan data baru.

Dengan kata lain, pengertian machine learning adalah proses komputer menemukan pengetahuan yang berguna tanpa diarahkan ke arah mana yang harus dicari. Sebaliknya, mereka mencapai ini melalui pemanfaatan algoritma yang melalui proses berulang, belajar dari data. Pada tingkat yang paling mendasar, pembelajaran mesin mengacu pada kemampuan beradaptasi dengan data baru secara independen dan berulang.

Bagaimana cara kerja machine learning?

Machine Learning mencapai inti dari pembelajaran mesin dengan memberikan input yang sangat khusus kepada mesin. Sangat penting untuk memiliki pemahaman yang kuat tentang komponen-komponen yang masuk ke dalam operasi pembelajaran mesin dan, selanjutnya, bagaimana teknologi ini dapat diterapkan di masa depan. Langkah pertama dari proses Machine learning adalah memilih algoritma dan kemudian memasukkan data pelatihan ke dalam algoritma tersebut.

Data pelatihan dapat berupa informasi yang diketahui atau tidak diketahui, dan digunakan untuk membangun algoritma akhir untuk pembelajaran mesin. Data pelatihan yang dimasukkan dapat berpengaruh pada algoritma, yang merupakan topik yang akan dibahas lebih mendalam di bawah ini. Machine learning mampu mengubah pemanfaatan ilmu statistika. Algoritma pembelajaran mesin diberikan data input baru untuk memverifikasi bahwa algoritma tersebut melakukan fungsi yang dimaksudkan dengan benar. Setelah itu, baik prediksi maupun hasilnya dibandingkan satu sama lain.

Jika prediksi dan hasilnya tidak sesuai, algoritma dilatih ulang beberapa kali sampai ilmuwan data memperoleh hasil yang diinginkan. Hal ini memungkinkan algoritma pembelajaran mesin untuk terus melatih dirinya sendiri dan memberikan respons terbaik, terus meningkatkan akurasinya seiring berjalannya waktu. Meski demikian, pembelajaran mesin masih terbatas dalam bidang medis. Machine learning tidak dapat digunakan untuk mendiagnosa penyakit kanker dan memberikan terapi yang sesuai dengan jenis kankernya.

Jenis-jenis machine learning

Supervised learning

Bayangkan seorang guru mengawasi sekelompok siswa di dalam kelas. Ketika guru memberikan respons yang sesuai, para siswa juga akan memperoleh pengetahuan ini agar proses pembelajaran dianggap lengkap. Algoritma supervised learning bermuara pada hal ini sebagai konsep inti. Pembelajaran mesin yang banyak digunakan pada mesin game adalah tipe ini.

Pada langkah ini, algoritma memperoleh pengetahuan dari dataset yang digunakan untuk pelatihan dan kemudian membuat prediksi, yang kemudian dikontraskan dengan nilai output yang sebenarnya. Jika prediksi ternyata tidak benar, algoritma akan disesuaikan sampai dapat menghasilkan hasil yang memuaskan. Proses pembelajaran ini akan terus berlangsung sampai algoritma mencapai tingkat kinerja yang dibutuhkan.

Unsupervised learning

Dalam contoh machine learning ini, tidak ada guru dalam kelas, sehingga siswa berada pada posisi mencari tahu sendiri bagaimana mempelajari materi. Oleh karena itu, ketika berbicara tentang unsupervised learning, tidak ada pertanyaan khusus atau instruksi untuk diajarkan. Pembelajaran mesin dapat memperoleh data menggunakan perintahnya sendiri. ML dapat belajar dari data yang sudah ada dan data baru untuk menjalankan tugas.

Dengan cara ini, algoritma tidak menentukan output apa pun untuk input yang diberikan; sebaliknya, algoritma mengeksplorasi data. Agar algoritma dapat menemukan struktur yang mendasari data dan dengan demikian belajar lebih banyak tentang data itu sendiri, algoritma diperbolehkan untuk bekerja tanpa pengawasan. Salah satu aplikasi sistem pembelajaran mesin dalam bidang sosial adalah tipe ini dengan diciptakannya robot.

Semi-supervised learning

Dalam semi-supervised machine learning, murid-murid memperoleh pengetahuan tidak hanya dari instruktur mereka tetapi juga dari diri mereka sendiri. Dan Anda pasti sudah bisa menebaknya hanya dengan melihat namanya! Teknik ini adalah gabungan dari supervised machine learning dan unsupervised machine learning. Untuk melatih algoritma, teknik ini menggunakan sejumlah kecil data berlabel, mirip dengan supervised machine learning, dan jumlah data tak berlabel yang jauh lebih besar, mirip dengan unsupervised machine learning.

Pertama, data berlabel digunakan untuk melatih sebagian algoritma pembelajaran mesin, dan kemudian model yang dilatih sebagian ini digunakan untuk memberi label semu pada sisa data yang tidak berlabel. Terakhir, data yang tidak berlabel digunakan untuk memvalidasi hasil dari algoritma machine learning. Pada akhirnya, algoritma machine learning dilatih sepenuhnya dengan menggunakan campuran data berlabel dan berlabel semu dalam proses pelatihan.

Reinforcement learning

Sekarang, mari kita andaikan seorang siswa yang, seiring berjalannya waktu, mendapatkan pelajaran melalui pengalaman trial and error mereka sendiri (seperti dalam kehidupan!). Demikianlah algoritma reinforcement learning menemukan tindakan terbaik melalui proses coba-coba. Hal ini menunjukkan bahwa algoritma menentukan tindakan berikutnya dengan mempelajari perilaku yang didasarkan pada keadaan saat ini dan yang akan memaksimalkan hadiah di masa depan.

Perilaku-perilaku ini akan memaksimalkan hadiah karena mereka akan memaksimalkan potensi masa depan untuk algoritma. Hal ini dicapai melalui penggunaan umpan balik berupa hadiah, yang memungkinkan algoritma reinforcement learning untuk memperoleh pengetahuan mengenai perilaku optimal yang menghasilkan hadiah setinggi mungkin. Sinyal penguatan adalah nama lain untuk jenis umpan balik yang bermanfaat ini.

AI vs. deep learning vs machine learning

Meskipun istilah “machine learning” dan “artificial intelligence” kadang-kadang digunakan secara bergantian,terdapat perbedaan antara machine learning dan deep learning. Istilah “artificial intelligence” (AI) mengacu pada kemampuan mesin untuk meniru proses berpikir dan perilaku manusia. Subbidang kecerdasan buatan yang dikenal sebagai pembelajaran mesin mengajarkan komputer untuk mengenali pola dan menemukan solusi untuk masalah.

Pembelajaran mesin mengotomatisasi pembuatan model analitis. AI didasarkan pada premis bahwa sistem dapat belajar dari data, menemukan pola, dan membuat keputusan tanpa campur tangan manusia. Pemelajaran dalam atau deep learning adalah pendekatan pembelajaran mesin yang berusaha untuk memodelkan jaringan neuron yang ditemukan di otak manusia untuk menciptakan sistem pengambilan keputusan yang sangat kompleks dan otonom. Bidang pembelajaran mesin mencakup subbidang yang dikenal sebagai pemelajaran dalam. Di sisi lain, ini dianggap sebagai metode yang lebih maju.

Pemelajaran dalam dapat meninjau hasilnya sendiri dan menentukan apakah hasilnya memuaskan atau tidak, berbeda dengan pembelajaran mesin, yang membutuhkan partisipasi manusia. Pemelajaran dalam terkadang dibandingkan dengan otak manusia karena kemampuannya untuk memperbaiki kesalahannya sendiri dan belajar darinya. Pembelajaran mesin membantu mengubah banyak bidang di berbagai industri. Melalui pembelajaran mesin, VPN dapat memerangi ancaman yang dibawa kecerdasan buatan terhadap privasi data.

Tantangan etika dalam machine learning

Pengawasan

Semakin banyak kota yang mengadopsi penggunaan perangkat lunak pengenalan wajah untuk berpatroli di area publik dan menangkap para pelanggar. Di sisi lain, para pendukung privasi telah menyuarakan keprihatinan tentang kebenarannya dan mempertanyakan apakah memata-matai orang itu etis atau tidak.

Tidak adanya keterbukaan dan kejujuran

Saat ini ada kekurangan regulasi dan peraturan internasional yang berkaitan dengan AI. Kita tidak memiliki cara untuk mengetahui siapa yang mengumpulkan informasi pribadi kita atau bagaimana teknologi AI digunakan. AI bahkan mampu melayani tujuan yang berbahaya dan memberikan manfaat bagi berbagai orang yang menimbulkan ancaman.

Kurangnya keseimbangan dalam alokasi kekuasaan

Bisnis besar memiliki akses ke lebih banyak sumber daya, yang memungkinkan mereka untuk lebih mudah menerapkan AI dan mendorong saingan mereka yang lebih kecil keluar dari bisnis. Para ahli dalam komputasi sepakat bahwa individu yang memiliki teknologi AI memiliki keunggulan kompetitif dibandingkan populasi lainnya.

Privasi

Penting untuk diingat bahwa bisnis mengumpulkan banyak informasi tentang kita, mulai dari kebiasaan browsing hingga keberadaan kita. Pembelajaran mesin (ML) memungkinkan mesin untuk belajar tanpa input pengguna. Meskipun mereka mengatakan bahwa memiliki informasi ini diperlukan untuk memberikan pengalaman terbaik kepada pengguna, namun hal ini menimbulkan sejumlah pertanyaan etis. Tidak ada cara bagi kita untuk mengetahui secara pasti bagaimana data biometrik kita disimpan atau siapa yang memiliki akses ke sana. Akumulasi data membuat kita semua rentan terhadap serangan karena pelanggaran data terjadi setiap hari. Meski demikian, Anda dapat menambah lapisan keamanan internet dengan memanfaatkan NordVPN.

Keamanan online dimulai dengan satu klik.

Tetap aman dengan VPN terkemuka di dunia

Juga tersedia dalam: Deutsch, English, dan bahasa lainnya.

Ugnė Zieniūtė
Ugnė Zieniūtė Ugnė Zieniūtė
Ugnė Zieniūtė adalah manajer konten di NordVPN yang senang meneliti tren-tren cybersecurity terbaru. Ia meyakini bahwa semua orang harus menjaga keamanan online mereka. Jadi, ia ingin membagikan informasi berharga kepada para pembaca.