Mengenal Teknologi Deep Learning dan Machine Learning.

   
      Manusia telah lama memimpikan mesin yang dapat "berfikir", bahkan sejak zaman Yunani kuno, seperti Talos dalam mitos Yunani kuno. Talos digambarkan sebagai automation ( semacam robot) yang terbuat dari perunggu yang diciptakan untuk melindungi Eropa. Keingintahuan manusia terus berlanjut sampai komputer pertama kali ditemukan, para insinyur dan ilmuan bertanya-tanya apakah komputer suatu hari mampu "berfikir". Rasa ingin tahu tersebut telah melahirkan salah satu bidang ilmu komputer yang disebut kecerdasan buatan ( Artificial Intelligence ). Kecerdasan buatan adalah studi tentang teori dan pengembangan sistem komputer agar mampu melakukan tugas-tugas yang dahulu hanya dapat dilakukan oleh manusia.

Deep Learning

      Pada tahun 2006, Geoffrey Hinton memperkenalkan salah satu varian jaringan saraf tiruan yang disebut deep belief nets, ide untuk men-train model jaringan saraf tiruan ini adalah dengan men-train dua layer kemudian tambahkan satu layer diatasnya, kemudian train hanya layer teratas dan begitu seterusnya. Dengan strategi ini kita dapat men-train model jaringan saraf tiruan dengan layer lebih banyak dari model-model sebelumnya. Paper ini merupakan awal populernya istilah deep learning untuk membedakan arsitektur jaringan saraf tiruan dengen banyak layer.

      Setelah istilah deep learning populer, deep learning belum menjadi daya tarik yang besar bagi para peneliti karena jaringan saraf tiruan dengan banyak layermemiliki kompleksitas algoritma yang besar, sehingga membutuhkan komputer dengan spesifikasi tinggi, dan tidak efisien secara komputasi saat itu. Hingga pada tahun 2009 Andrew ng dkk memperkenalkan penggunaan GPU untuk deep learning melalui paper yang berjudul Large-scale Deep Unsupervised Learning using Graphics Processors. Dengan menggunakan GPU jaringan saraf tiruan dapat berjalan lebih cepat dibanding dengan menggunakan CPU. Dengan tersedianya hardware yang memadai perkembangan deep learning mulai pesat, dan menghasilkan produk-produk yang dapat kita nikmati saat ini seperti pengenal wajah, self-driving car, pengenal suara, dan lain lain.

Machine Learning

     Dengan berkembangnya teknologi kecerdasan buatan, muncul salah satu cabang kecerdasan buatan yang memperoleh banyak perhatian dari para peneliti yang disebut machine learning. Machine Learning mempelajari teori agar komputer mampu "belajar" dari data, machine learning melibatkan berbagai disiplin ilmu seperti statistika, ilmu komputer, matematika dan bahkan neurologi. Salah satu algoritma machine learning yang menarik adalah jaringan saraf tiruan, seperti namanya jaringan saraf tiruan terinspirasi dari cara kerja otak manusia ( yang disederhanakan ). Secara intuisi mencari inspirasi untuk membuat mesin mampu "berfikir" dari cara kerja otak adalah langkah yang bagus sama halnya seperti ingin membuat alat yang mampu terbang dengan melihat cara kerja burung terbang.

      Dalam salah satu model jaringan saraf tiruan yang disebut MLP ( multi layer perceptron ) dikenal istilah layer, beberapa neuron tiruan dikelompokan menjadi satu layer kemudian layer satu menjadi input bagi layer yang lain, MLP sebenarnya adalah model ( matematika ) yang terdiri dari komposisi-komposisi fungsi dari vektor ke vektor, model ini biasanya di-train menggunakan algortima optimisasi berbasis gradien seperti gradient descent, berbagai masalah muncul ketika model jaringan saraf tiruan memiliki banyak layer, salah satu masalah yang terkenal disebut the vanishing gradient, masalah ini muncul karena jaringan saraf tiruan dengan banyak layer sebenarnya adalah fungsi yang terdiri dari banyak komposisi fungsi sehingga ketika menghitung gradien terhadap parameter dari fungsi tersebut, kita harus menggukan aturan rantai yang menyebabkan gradien parameternya bernilai kecil sehingga algoritma gradient descent berjalan lambat.

     Contoh penerapannya :

1.      Hasil Pencarian Search Engine

Google dan mesin pencari lainnya seperti Bing dan Yandex sudah dari dulu menerapkan machine learning untuk melakukan perangkingan laman suatu website. Setiap mesin pencari mempunyai resep tersendiri pada algoritma pencarian yang digunakannya. Dalam praktiknya ketika kita mengetik kata kunci, Google akan menampilkan hasil pencarian yang paling mendekati kata kunci tersebut. Apabila kita memilih suatu halaman dan menghabiskan banyak waktu pada halaman tersebut, Google akan mendeteksi bahwa halaman tersebut sesuai dengan kata kunci yang kita masukkan. Begitu pula, saat kita melihat halaman pencarian berikutnya misalnya halaman 2, 3, dan seterusnya. Google akan mendeteksi adanya ketidak sesuaian kata kunci dengan hasil pencarian yang dihasilkan. Begitulah data tersebut terkumpul dan diakumulasikan menggunakan machine learning oleh Google Search Engine, untuk menghasilkan hasil pencarian yang dinamis dan berkualitas.

2.     Rekomendasi Produk Marketplace

Perkembangan teknologi menyebabkan penggunaan marketplace semakin diminati baik dari sisi penjual dan pembeli. Hampir semua orang menggunakan markerplace, misalnya Tokopedia, Bukalapak, dan Shopee. Tiap detiknya, bisa dipastikan terjadi transaksi antar pedagang dan pembeli. Untuk meningkatkan pengalaman pengguna, setiap akun perlu menampilkan rekomendasi produk yang sesuai dengan minat pembelian pembeli. Untuk melakukan ini secara otomatis dan realtime, tentunya machine learning sangat menentukan keakuratan rekomendasi produk tiap pembeli di akunnya.

3.      Pengalaman Pengguna Sosial Media

Tidak bisa dipungkiri, walaupun tidak dapat mengalahkan mesin pencari sebagai situs terpopuler. Sosial media merupakan situs yang paling lama diakses oleh penggunanya berdasarkan data Alexa. Sosial media seperti Facebook dan Twitter menggunakan machine learning sehingga penggunanya betah untuk terus melihat layar gadgetnya. Berikut beberapa optimalisasi pengalaman pengguna yang merupakan aplikasi dari machine learning.

a.      Orang yang Mungkin Anda kenal

Facebook mengumpulkan informasi pengguna, baik dari informasi umum seperti tempat tinggal, alamat sekolah, alamat kerja, dan kesukaan hingga log aktivitas seperti data percakapan, posting, dan profil yang sering dilihat (stalking). Sehingga bisa dilakukan prediksi teman yang mungkin sama di dunia nyata.

b.      Pengenalan Wajah

Facebook dapat mengetahui bahwa suatu gambar yang diunggah memuat wajah orang-orang. Sehingga pengguna dapat memberikan tag wajah pada area wajah di gambar. Seiring berjalannya waktu dengan banyaknya foto yang diunggah, facebook akan mengenali wajah-wajah penggunanya. Ini memungkinkan facebook melakukan tag secara otomotasi wajah orang-orang pada gambar baru yang diunggah.

c.      Pos pada Beranda

Facebook akan mengumpulkan aktivitas tiap penggunanya, orang yang sering diajak berkomunaksi, posting yang sering disukai, hingga grup yang sering dilihat. Hal ini digunakan untuk menampilkan prioritas postingan yang ditampilkan pada beranda akun penggunanya. Sehingga peluang terjadinya interaksi terhadap pos yang tampil semakin tinggi.

4.      Konten yang Ditampilkan Periklanan Digital

Google Adword adalah media periklanan digital terpopuler di dunia. Adword menampilkan iklan-iklan pada situs web yang menjadi publiser di Google Adsense. Iklan yang ditampilkan adalah iklan yang bersifat dinamis atau berubah-ubah. Google Adword mengumpulkan data situs berdasarkan topiknya, kemudian menampilkan iklan-iklan yang relevan dengan topik tersebut. Disamping itu Google Adword juga menggunakan cookies, sebagai referensi aktivitas pengunjung suatu website terkait situs-situs yang dikunjungi sebelumnya. Adword melakukan akumulasi terhadap 2 faktor tersebut, sehingga dapat ditampilkan iklan yang sesuai dengan pengunjung website.

5.      Asisten Pribadi Virtual

Gadget telah dilengkapi dengan asisten pribadi virtual, baik laptop maupun smartphone, misalnya: Cortana di Microsoft Windows, Siri di Iphone, dan Google Now di Android. Asisten virtual ini dapat membantu penggunanya untuk melakukan pencarian di internet, menanyakan jalan, cuaca, melakukan panggilan telepon, hingga membuka aplikasi. Di Windows, cortana bahkan mempelajari penggunanya untuk memberikan rekomendasi perintah yang akan dilakukan.

6.      Penyaring Pesan Spam

Machine learning memegang andil yang sangat besar untuk melakukan penyaringan (filter) spam baik di email, website, hingga media komunikasi berbasis software terinstall. Algoritma pohon keputusan (decision tree) merupakan cikal bakal dari algoritma spam filtering, untuk mentukan suatu pesan termasuk spam atau bukan.

7.      Online Fraud Detection

Online fraud detection adalah metode yang digunakan untuk mendeteksi suatu transaksi digital sah atau tidak. Online fraud detection digunakan oleh semua bank baik bank umum maupun bank virtual seperti paypal. Online fraud detection menggunakan machine learning untuk melakukan perlindungan (cybersecurity) terhadap pencucian uang, pendeteksian taransaksi palsu, hingga deteksi pembobolan akun bank digital.

8.      Videos Surveillance

Videos surveillance atau pengawasan video merupakan teknologi baru yang merupakan penerapan dari machine learning yang disematkan pada CCTV untuk mendetaksi suatu tindak kejahatan atau kecelakaan. Di negara-negara maju, CCTV sudah digunakan untuk melakukan pencarian penjahat yang masih buron.

9.      Diagnosa Medis

Di negara Inggris, diagnosa medis menggunakan bantuan chatbots sudah marak dilakukan. Chatbots ini bernama Babylon Health. Ini dilengkapi dengan speech recognition untuk mempermudah berbicara dengan penggunanya. Dalam perkembangan selanjutnya, analisis diagnosa medis dengan kontak fisik mulai dikembangkan dengandeep learning.

10.   Mobil Kendali Otomatis

Mobil kendali otomatis merupakan penerapan serta pengembangan dari machine learning yaitu machine vision. Mobil kendali otomatis merupakan penerapan machine learning yang kompleks dan dengan resiko langsung yang tinggi. Banyak hal yang harus dipelajari oleh mobil, mulai dari rambu-rambu lalulintas, arah dan tujuan, kondisi jalan, traffic light, kondisi manusia sekitarnya, dan sensor lainnya yang terintegrasi.