Artificial Intelligence (AI) vs. Machine Learning vs. Deep Learning

Artificial Intelligence (AI) vs. Machine Learning vs. Deep Learning

Anda dapat menganggap deep learning, machine learning, dan artificial intelligence sebagai satu set boneka Rusia yang bersarang satu sama lain, dimulai dengan yang terkecil hingga terbesar. Deep learning adalah subset machine learning, dan machine learning adalah subset AI, yang merupakan istilah umum untuk setiap program komputer yang melakukan sesuatu yang cerdas. Dengan kata lain, semua machine learning adalah AI, tetapi tidak semua AI adalah machine learning.

Artificial Intelligence, Symbolic AI and GOFAI

John McCarthy, yang dikenal sebagai salah satu bapak AI, mendefinisikan AI sebagai “ilmu dan teknik pembuatan mesin cerdas.”

Berikut adalah beberapa definisi lain dari artificial intelligence:

• Cabang ilmu komputer berhubungan dengan simulasi perilaku cerdas di komputer.
• Kemampuan mesin meniru perilaku manusia yang cerdas.
• Sistem computer yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia, seperti persepsi visual, pengenalan ucapan, pengambilan keputusan, dan terjemahan antar bahasa.

AI dapat berupa tumpukan pernyataan if-then, atau model statistik kompleks yang memetakan data sensorik mentah ke kategori simbolik. Pernyataan if-then hanyalah aturan yang diprogram secara eksplisit oleh tangan manusia. Secara bersama-sama, pernyataan if-then ini kadang-kadang disebut  rules engines, expert systems, knowledge graphs atau symbolic AI. Secara kolektif, ini dikenal sebagai Good Old Fashion Artificial Intelligence (GOFAI). GOFAI bersandar pada gagasan bahwa kognisi dapat dipahami dalam istilah komputasi: proses mekanis yang dapat dihitung atau ditentukan.

Kecerdasan yang mengatur mesin mampu meniru seorang akuntan yang memiliki pengetahuan tentang kode pajak, yang mengambil informasi yang Anda berikan, menjalankan informasi melalui serangkaian aturan statis, dan sebagai hasilnya, Anda menghasilkan jumlah pajak yang harus Anda bayar. Di AS, terdapat sebuah aplikasi TurboTax yang menjalankan peranan sebagai “seorang akuntan” pajak.

Acap kali, ketika sebuah program komputer yang dirancang menggunakan AI benar-benar berhasil – seperti menang dalam catur – banyak orang mengatakan bahwa program “tidak benar-benar cerdas”, karena internal algoritma dipahami dengan baik. Para kritikus berpikir kecerdasan harus menjadi sesuatu yang tidak berwujud, dan hanya dimiliki manusia. Wag mengatakan bahwa AI sejati adalah apa pun yang belum bisa dilakukan oleh komputer.

Machine Learning: Programs That Alter Themselves

Machine learning adalah bagian dari AI. Semua machine learning merupakan AI, tetapi tidak semua AI dianggap sebagai machine learning. Sebagai contoh, logika simbolik – mesin aturan, sistem pakar dan grafik pengetahuan – semua bisa digambarkan sebagai AI, dan tidak dapat dikatagorikan sebagai machine learning.

Salah satu aspek yang memisahkan machine learning dari grafik pengetahuan dan sistem pakar adalah kemampuannya untuk memodifikasi sendiri ketika terpapar pada lebih banyak data; misalkan machine learning bersifat dinamis dan tidak memerlukan campur tangan manusia untuk membuat perubahan tertentu. Hal tersebut membuatnya kurang rapuh, dan kurang bergantung pada ahli manusia.

Pada tahun 1959, Arthur Samuel, salah satu pelopor machine learning, mendefinisikan machine learning sebagai bidang studi yang memberikan komputer kemampuan untuk belajar tanpa diprogram secara eksplisit. Yaitu, program machine learning belum secara eksplisit dimasukkan ke dalam komputer, seperti pernyataan if-then di atas. Program machine learning, dalam arti tertentu, menyesuaikan diri mereka sendiri dalam menanggapi data yang mereka ketahui (seperti anak yang dilahirkan tanpa mengetahui apa pun menyesuaikan pemahamannya tentang dunia dalam menanggapi pengalaman).

Samuel mengajar sebuah komputer program untuk bermain catur. Tujuannya adalah mengajarinya bermain catur lebih baik daripada dirinya sendiri, yang jelas bukan sesuatu yang bisa dia program secara eksplisit. Dia berhasil, dan pada tahun 1962 programnya mengalahkan juara catur dari negara bagian Connecticut.

Bagian “belajar” dari machine learning berarti bahwa algoritma ML berupaya untuk mengoptimalkan sepanjang dimensi tertentu; yaitu mereka biasanya mencoba meminimalkan kesalahan atau memaksimalkan kemungkinan prediksi mereka benar. Hal ini memuat tiga fitur: fungsi kesalahan, fungsi kehilangan, atau fungsi tujuan, karena algoritme memiliki tujuan … Ketika seseorang mengatakan mereka bekerja dengan algoritma machine learning, Anda bisa mendapatkan intinya dari nilainya dengan bertanya: Apa fungsi objektifnya?

Bagaimana cara meminimalkan kesalahan? Nah, salah satu caranya adalah membangun kerangka kerja yang mengalikan input untuk membuat tebakan tentang sifat input tersebut. Output  yang berbeda adalah produk dari input dan algoritma. Biasanya, tebakan awal cukup salah, dan jika Anda cukup beruntung memiliki label ground-truth yang berkaitan dengan input, Anda dapat mengukur seberapa salah tebakan Anda dengan membandingkannya dengan kebenaran, dan kemudian menggunakan kesalahan itu untuk memodifikasi algoritme Anda. Itulah yang dilakukan jaringan saraf. Mereka terus mengukur kesalahan dan memodifikasi parameter mereka sampai mereka tidak dapat mencapai kesalahan yang lebih sedikit.

Singkatnya, machine learning adalah algoritma pengoptimalan. Jika Anda menyetelnya dengan benar, mereka meminimalkan kesalahan mereka dengan menebak dan menebak dan menebak lagi.

Deep Learning: More Accuracy, More Math & More Compute

Deep learning adalah bagian dari pembelajaran mesin. Biasanya, ketika orang menggunakan istilah deep learning, mereka merujuk pada jaringan saraf tiruan yang dalam, dan agak jarang ke dalam penguatan pembelajaran yang mendalam.

Jaringan saraf tiruan yang dalam adalah seperangkat algoritma yang telah menetapkan rekor baru dalam akurasi untuk banyak masalah penting, seperti pengenalan gambar, pengenalan suara, sistem rekomendasi, pemrosesan bahasa alami, dan lain-lain. Misalnya, deep learning adalah bagian dari AlphaGo DeepMind yang terkenal Algoritma, yang mengalahkan mantan juara dunia Lee Sedol di Go pada awal 2016, dan juara dunia saat ini Ke Jie pada awal 2017.

Deep adalah istilah teknis. Deep mengacu pada jumlah lapisan dalam jaringan saraf. Jaringan yang dangkal memiliki satu yang disebut lapisan tersembunyi, dan jaringan yang dalam memiliki lebih dari satu. Beberapa lapisan tersembunyi memungkinkan jaringan saraf dalam untuk mempelajari fitur data dalam apa yang disebut hirarki fitur, karena fitur sederhana (misal Dua piksel) bergabung kembali dari satu lapisan ke lapisan berikutnya, untuk membentuk fitur yang lebih kompleks (misalnya garis). Jaring dengan banyak lapisan melewatkan data input (fitur) melalui operasi matematis lebih banyak dari jaring dengan sedikit lapisan, dan karenanya lebih intensif secara komputasi untuk dilatih. Intensitas komputasi adalah salah satu keunggulan dari pembelajaran yang mendalam, dan itu adalah salah satu alasan mengapa GPU chip panggilan jenis baru diminta untuk melatih model pembelajaran dalam.

Jadi Anda dapat menerapkan definisi yang sama untuk deep learning yang dilakukan Arthur Samuel pada machine learing – “bidang studi yang memberikan komputer kemampuan untuk belajar tanpa diprogram secara eksplisit” – sambil menambahkan bahwa terdapat kecenderungan menghasilkan akurasi yang lebih tinggi, membutuhkan lebih banyak perangkat keras atau waktu pelatihan, dan berkinerja sangat baik pada tugas persepsi mesin yang melibatkan data yang tidak terstruktur seperti gumpalan piksel atau teks.

Sumber: https://pathmind.com/wiki/ai-vs-machine-learning-vs-deep-learning