Apa Itu Pembelajaran Mendalam?

Pembelajaran mendalam ditentukan

Pembelajaran mendalam adalah tipe pembelajaran mesin yang menggunakan jaringan neural buatan untuk memungkinkan sistem digital mempelajari dan membuat keputusan berdasarkan data yang tidak terstruktur dan tidak berlabel.

Pembelajaran mesin melatih sistem AI untuk belajar dari pengalaman yang diperoleh dengan data, mengenali pola, membuat rekomendasi, dan beradaptasi. Daripada hanya merespons seperangkat aturan, sistem pembelajaran mendalam membangun pengetahuan dari contoh-contoh, lalu menggunakan pengetahuan tersebut untuk bereaksi, berperilaku, dan bertindak seperti manusia.

Poin-poin utama

Pembelajaran mendalam adalah tipe pembelajaran mesin yang memfasilitasi pembelajaran dan pengambilan keputusan dalam sistem digital.

Pembelajaran mendalam bergantung pada arsitektur jaringan neural yang meniru fungsionalitas otak manusia.

Pengembang mengandalkan kerangka kerja pembelajaran mendalam seperti TensorFlow atau PyTorch untuk membuat model pembelajaran mesin yang kompleks lebih mudah diterapkan.

Industri menggunakan pembelajaran mendalam dalam berbagai cara. Chatbot, mobil tanpa pengemudi, dan asisten digital adalah semua contoh teknologi yang menggunakan pembelajaran mendalam.

Perusahaan di berbagai industri berinvestasi dalam pembelajaran mendalam untuk mendorong inovasi, mengungkap peluang baru, dan mengungkapkan wawasan dari himpunan data yang luas.

Mengapa pembelajaran mendalam itu penting

Ilmuwan data dan pengembang menggunakan perangkat lunak pembelajaran mendalam untuk melatih komputer untuk menganalisis himpunan data berukuran besar dan kompleks, menyelesaikan tugas yang rumit dan non-linear, serta merespons terhadap teks, suara, atau gambar, sering kali lebih cepat dan lebih akurat daripada manusia. Kemampuan ini memiliki banyak penerapan praktis dan telah memungkinkan banyak inovasi modern. Misalnya, pembelajaran mendalam digunakan mobil tanpa pengemudi untuk memproses gambar dan membedakan pejalan kaki dari objek lain di jalan atau digunakan perangkat rumah pintar Anda untuk memahami perintah suara.

Pembelajaran mendalam menjadi penting karena, seiring dengan peningkatan volume data dan kapasitas komputasi menjadi lebih kuat dan terjangkau, perusahaan-perusahaan di berbagai sektor seperti ritel, layanan kesehatan, transportasi, manufaktur, teknologi, dan sektor lainnya mulai berinvestasi dalam pembelajaran mendalam untuk mendorong inovasi dan tetap relevan.

Cara kerja pembelajaran mendalam

Pembelajaran mendalam bekerja dengan mengandalkan arsitektur jaringan neural dalam beberapa lapisan, unit pemrosesan grafis berkinerja tinggi yang disebarkan di cloud atau di kluster, dan data berlabel dalam volume besar untuk mencapai tingkat akurasi pengenalan teks, ucapan, dan gambar yang sangat tinggi. Semua kekuatan tersebut dapat membantu para pengembang Anda menciptakan sistem digital yang meniru kecerdasan manusia dan mempercepat pencapaian nilai dengan memangkas waktu pelatihan model dari hitungan minggu menjadi hanya beberapa jam.

Misalnya, pelatihan model mobil tanpa pengemudi mungkin memerlukan ribuan jam video dan jutaan gambar. Tanpa pembelajaran mendalam, tingkat pelatihan ini tidak dapat dilakukan dalam skala besar.

Apa itu kerangka kerja pembelajaran mendalam?

Agar model pembelajaran mesin yang kompleks lebih mudah diterapkan, pengembang beralih ke kerangka kerja pembelajaran mendalam seperti TensorFlow atau PyTorch. Kerangka kerja ini membantu mempermudah proses pengumpulan data yang kemudian dapat digunakan untuk melatih jaringan neural. Selain itu, akselerator seperti ONNX Runtime dapat digunakan dengan kerangka kerja ini untuk mempercepat pelatihan dan melakukan inferensi model.

Melatih model pembelajaran mendalam

Ada berbagai strategi dan metode untuk melatih model pembelajaran mendalam. Mari kita lihat lebih dekat pada beberapa hal.

Pembelajaran dengan pengawasan

Dengan pembelajaran yang diawasi, algoritma dilatih pada himpunan data yang diberi label. Ini berarti ketika algoritma membuat tujuan mengenai sebagian informasi, algoritma dapat menggunakan label yang disertakan dengan data untuk memeriksa apakah tujuan tersebut benar. Dengan pembelajaran yang diawasi, data yang dilatih oleh model harus disediakan oleh manusia, yang memberi label pada data tersebut sebelum menggunakannya untuk melatih algoritma.

Pembelajaran tanpa pengawasan

Dengan pembelajaran tanpa pengawasan, algoritma dilatih menggunakan data yang tidak berisi label atau informasi yang dapat digunakan algoritma untuk memeriksa tujuannya. Sebagai gantinya, sistem mengurutkan dan mengklasifikasikan data berdasarkan pola yang dikenalinya sendiri.

Pembelajaran penguatan

Dengan pembelajaran penguatan, sistem memecahkan tugas dengan menggunakan pengujian dan pencarian kesalahan untuk membuat serangkaian keputusan secara berurutan dan mendapatkan hasil yang dimaksud bahkan di dalam lingkungan yang tidak langsung. Dengan pembelajaran penguatan, algoritma tidak menggunakan himpunan data untuk membuat tujuan, tetapi menggunakan informasi yang dikumpulkannya dari lingkungan.

Pembelajaran penguatan mendalam

Ketika teknik pembelajaran mendalam dan penguatan digabungkan, kedua teknik ini menciptakan jenis pembelajaran mesin yang disebut pembelajaran penguatan mendalam. Pembelajaran penguatan mendalam menggunakan pengambilan keputusan pengujian dan pencarian kesalahan yang sama serta pencapaian tujuan yang kompleks sebagai pembelajaran penguatan, tetapi bergantung juga kepada kemampuan pembelajaran mendalam untuk memproses dan memahami data tidak terstruktur dalam jumlah besar.

Pembelajaran mendalam digunakan untuk apa?

Pembelajaran mendalam digunakan oleh perusahaan dalam berbagai industri untuk berbagai kasus penggunaan. Berikut adalah beberapa contoh bagaimana pembelajaran mendalam biasanya digunakan:

Pengenalan gambar, ucapan, dan emosi

Perangkat lunak pembelajaran mendalam digunakan untuk meningkatkan akurasi pengenalan gambar, ucapan, dan emosi serta untuk memungkinkan pencarian foto, asisten digital pribadi, kendaraan tanpa pengemudi, keamanan publik, keamanan digital, dan teknologi cerdas lainnya.

Chatbot

Bisnis cerdas menggunakan pembelajaran mendalam untuk mendukung chatbot online yang diaktifkan dengan teks atau suara untuk tanya jawab umum, transaksi rutin, dan khususnya untuk dukungan pelanggan. Bisnis tersebut mengganti tim agen layanan dan antrean tunggu pelanggan dengan respons otomatis, sesuai kontekstual, dan berguna.

Kendaraan tanpa pengemudi

Mobil otonom menggunakan algoritma pembelajaran mendalam untuk memproses berbagai aliran data dinamis dalam hitungan detik dan bereaksi terhadap hal-hal tak terduga lebih cepat daripada pengemudi manusia.

Pengalaman yang disesuaikan

Layanan streaming, retailer e-niaga, dan bisnis lainnya menggunakan model pembelajaran mendalam untuk mendorong rekomendasi otomatis bagi produk, film, musik, atau layanan lainnya dan untuk menyempurnakan pengalaman pelanggan berdasarkan riwayat pembelian, perilaku sebelumnya, dan data lainnya.

Asisten digital pribadi

Asisten digital pribadi yang diaktifkan suara menggunakan pembelajaran mendalam untuk memahami ucapan, menanggapi kueri dan perintah dalam bahasa alami dengan tepat, dan bahkan sesekali mengeluarkan lelucon.

Memahami jaringan neural

Jaringan neural adalah arsitektur digital yang dirancang untuk meniru aktivitas otak manusia. Node tersebut terdiri dari node yang saling terhubung yang memproses dan belajar dari data, mengaktifkan tugas seperti pengenalan pola dan pengambilan keputusan dalam pembelajaran mesin. Bisnis dan lembaga lain mengandalkan model ini untuk prakiraan keuangan, strategi penjualan, dan keputusan bisnis lainnya.

Apa itu jaringan neural?

Jaringan neural buatan adalah arsitektur digital yang meniru proses kognitif manusia untuk mencontoh pola kompleks, mengembangkan prediksi, dan bereaksi dengan tepat terhadap rangsangan eksternal. Data terstruktur diperlukan berbagai jenis pembelajaran mesin, dibandingkan dengan jaringan neural, yang mampu menginterpretasikan kejadian di seluruh dunia sebagai data yang dapat diproses.

Setiap kali Anda membaca laporan, menonton film, mengendarai mobil, atau mencium aroma bunga, miliaran neuron di otak Anda memproses informasi melalui sinyal listrik kecil. Setiap neuron memproses input, dan hasilnya dikirimkan ke neuron berikutnya untuk diproses lebih lanjut, yang pada akhirnya—dan secara instan—menghasilkan sebuah wawasan bisnis, tawa kecil, pijakan pada rem, atau sekelumit kebahagiaan. Dalam pembelajaran mesin, jaringan neural memungkinkan sistem digital untuk menafsirkan dan bereaksi terhadap situasi dengan cara yang sama.

Jaringan neural buatan seperti otak yang penuh dengan neuron digital. Meskipun sebagian besar merupakan imitasi dasar dari hal yang sebenarnya, mereka masih dapat memproses data nonlinear bervolume besar untuk menyelesaikan masalah kompleks yang mungkin memerlukan intervensi manusia. Misalnya, analis bank dapat menggunakan jaringan neural buatan untuk memproses aplikasi pinjaman dan memprediksi kemungkinan default pemohon’.

Berikut yang dapat Anda lakukan dengan jaringan neural

Dalam pembelajaran mesin, jaringan neural digunakan untuk pembelajaran dan pemodelan input dan output yang kompleks dan tidak stabil, menyimpulkan hubungan yang tidak terlihat, dan membuat prediksi tanpa batasan distribusi data. Model jaringan neural adalah dasar bagi banyak aplikasi pembelajaran mendalam, seperti pemrosesan bahasa alami dan visual komputer, yang dapat membantu mendukung perlindungan terhadap penipuan, pengenalan wajah, atau kendaraan otonom.

Sebagian besar bisnis mengandalkan prakiraan untuk menginformasikan keputusan bisnis, strategi penjualan, kebijakan keuangan, dan penggunaan sumber daya. Namun, keterbatasan prakiraan tradisional sering kali menyulitkan untuk memprediksi proses yang kompleks dan dinamis dengan beberapa faktor dasar dan sering tersembunyi, seperti harga pasar saham. Model jaringan neural pembelajaran mendalam membantu mengekspos hubungan nonlinear yang kompleks dan faktor yang tidak terlihat sehingga bisnis dapat mengembangkan prakiraan yang lebih akurat.

Jaringan neural umum

Ada puluhan tipe jaringan neural AI yang berbeda-beda, dan masing-masing cocok untuk berbagai penerapan pembelajaran mendalam. Gunakan ANN yang sesuai dengan persyaratan bisnis dan teknologi Anda. Berikut adalah beberapa contoh jaringan neural AI umum:

Jaringan neural konvolusional
Pengembang menggunakan jaringan neural konvolusional untuk membantu sistem AI mengonversi gambar ke matriks digital. Digunakan khususnya untuk klasifikasi gambar dan pengenalan objek, CNN cocok untuk pengenalan wajah, deteksi topik, dan analisis sentimen.

Jaringan neural dekonvolusional
Jika sinyal jaringan yang kompleks atau berjumlah besar hilang atau tercampur dengan sinyal lain, jaringan saraf dekonvolusional akan membantu menemukannya. Jaringan neural dekonvolusional berguna untuk memproses gambar beresolusi tinggi dan perkiraan aliran optik.

Jaringan iklan generatif
Teknisi menggunakan jaringan musuh generatif untuk melatih model cara menghasilkan informasi atau materi baru yang meniru properti tertentu dari data pelatihan. Jaringan iklan generatif membantu model membedakan perbedaan halus antara asli dan salinan untuk membuat salinan yang lebih autentik. Aplikasi jaringan iklan generatif mencakup pembuatan gambar dan video dengan fidelitas tinggi, pengenalan wajah tingkat lanjut, dan resolusi super.

Jaringan neural berulang
Jaringan neural berulang memasukkan data ke lapisan tersembunyi dengan penundaan waktu tertentu. Komputasi jaringan memperhitungkan informasi historis di dalam status saat ini, dan input yang lebih tinggi tidak mengubah ukuran model. Jaringan neural berulang adalah pilihan yang tepat untuk pengenalan ucapan, prakiraan tingkat lanjut, robotika, dan beban kerja pembelajaran mendalam kompleks lainnya.

Transformator
Transformator dirancang untuk menangani data input berurutan. Namun, layanan ini tidak terbatas hanya untuk memproses data tersebut dalam urutan berurutan. Namun, transformator menggunakan atensi—teknik yang memungkinkan model menetapkan berbagai tingkat pengaruh ke berbagai bagian data input dan mengidentifikasi konteks untuk setiap bagian data dalam urutan input. Hal ini memungkinkan peningkatan tingkat paralelisasi, yang dapat mengurangi waktu pelatihan model.

Pembelajaran mesin vs. jaringan neural

Walaupun jaringan neural dianggap sebagai subset pembelajaran mesin, ada beberapa perbedaan signifikan antara jaringan neural dan model pembelajaran mesin reguler.

Salah satunya, jaringan neural biasanya lebih kompleks dan mampu beroperasi lebih independen daripada model pembelajaran mesin reguler. Untuk contoh, jaringan neural dapat menentukan sendiri apakah prediksi dan hasilnya akurat, sementara model pembelajaran mesin memerlukan input teknisi manusia untuk membuat perbedaan tersebut.

Selain itu, jaringan neural dibangun sehingga jaringan neural dapat terus belajar dan membuat keputusan cerdas sendiri. Di sisi lain, model pembelajaran mesin terbatas pada pembuatan keputusan yang hanya berdasarkan apa yang telah dilatih secara khusus.

SUMBER DAYA

Selami manfaat pembelajaran mendalam

Seorang wanita mengenakan kemeja putih duduk di komputer.

Produk

Mulai menggunakan pembelajaran mendalam di Azure

Dukung pengenalan gambar dengan jaringan neural atau optimalkan pemrosesan bahasa alami dengan model BERT NLP yang cepat, mudah, dan akurat. Jelajahi cara untuk membangun, melatih, dan menyebarkan semua jenis model pembelajaran mendalam dengan Azure Machine Learning.

Pelajari selengkapnya

Seorang pria dengan tangan mengarah ke wajahnya melihat laptop.

Solusi

Jelajahi pembelajaran mesin untuk ilmuwan data

Pelajari cara untuk membangun solusi pembelajaran mesin skala cloud di Azure dan jelajahi alat pembelajaran mesin untuk ilmuwan data dan teknisi pembelajaran mesin.

Baca selengkapnya

Acara

Acara dan seminar web Azure

Pelajari keterampilan baru, jelajahi teknologi yang muncul, dan terhubung dengan rekan—secara digital atau secara langsung.