Apa Itu Pembelajaran Mendalam?
Pembelajaran mendalam adalah jenis pembelajaran mesin yang menggunakan jaringan neural buatan untuk memungkinkan sistem digital belajar dan membuat keputusan berdasarkan data tidak terstruktur dan tidak berlabel.
Secara umum, pembelajaran mesin melatih sistem AI untuk belajar dari pengalaman yang diperoleh menggunakan data, mengenali pola, membuat rekomendasi, dan beradaptasi. Dengan pembelajaran mendalam secara khususnya, bukan hanya sekadar merespons serangkaian aturan, sistem digital membangun pengetahuan dari contoh lalu menggunakan pengetahuan tersebut untuk bereaksi, berperilaku, dan melakukan tindakan seperti manusia.
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 penting karena seiring peningkatan volume data dan kapasitas komputasi menjadi lebih kuat dan lebih terjangkau, perusahaan di bidang ritel, layanan kesehatan, transportasi, manufaktur, teknologi, dan bidang lainnya berinvestasi dalam pembelajaran mendalam untuk mendorong inovasi, membuka peluang, 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 pengembang Anda membuat sistem digital yang memiliki sesuatu yang mirip kecerdasan manusia dan mempercepat waktu guna mencapai nilai dengan mempercepat pelatihan model dari hitungan minggu menjadi 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 dengan pengawasan, algoritma dilatih menggunakan 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 dengan pengawasan, data yang dilatih oleh model harus disediakan oleh manusia, yang memberi label data 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.
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.
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.
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.
Kendaraan tanpa pengemudi
Perwakilan tidak resmi untuk AI dan pembelajaran mendalam, mobil otonom menggunakan algoritma pembelajaran mendalam untuk memproses beberapa umpan data dinamis dalam hitungan sepersekian detik, tidak perlu meminta petunjuk arah, dan bereaksi terhadap hal yang tidak terduga— dengan lebih cepat dibandingkan dengan pengemudi manusia.
Banyak bisnis menggunakan perangkat lunak pembelajaran mesin sumber terbuka untuk menghadirkan solusi pembelajaran mendalam ke organisasi mereka.
Apa itu jaringan neural?
Jaringan neural buatan (ANN) adalah arsitektur digital yang meniru proses kognitif manusia untuk membuat model pola kompleks, mengembangkan prediksi, dan bereaksi terhadap rangsangan eksternal dengan tepat. 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 adalah output ke neuron berikutnya untuk pemrosesan selanjutnya, pada akhirnya dan secara instan menghasilkan wawasan bisnis, tertawa kecil, kaki menginjak rem, atau sedikit sukacita. Dalam pembelajaran mesin, jaringan neural memungkinkan sistem digital menafsirkan dan bereaksi terhadap situasi dengan cara yang sama.
ANN seperti otak yang penuh dengan neuron digital, dan walaupun sebagian besar ANN adalah imitasi dasar dari otak yang sebenarnya, ANN masih dapat memproses data nonlinear dalam jumlah besar untuk memecahkan masalah kompleks yang mungkin memerlukan intervensi manusia. Misalnya, analis bank dapat menggunakan ANN untuk memproses pengajuan pinjaman dan memprediksi kemungkinan default pemohon pengajuan.
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 yang memiliki banyak faktor dasar dan sering kali tersembunyi, seperti harga pasar saham. Model jaringan neural pembelajaran mendalam membantu mengekspos hubungan nonlinear yang kompleks dan memodelkan faktor yang tidak terlihat agar bisnis dapat mengembangkan perkiraan yang akurat untuk sebagian besar aktivitas bisnis.
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 saraf konvolusional (CNN)
Pengembang menggunakan CNN untuk membantu sistem AI mengonversi gambar menjadi matriks digital. Digunakan khususnya untuk klasifikasi gambar dan pengenalan objek, CNN cocok untuk pengenalan wajah, deteksi topik, dan analisis sentimen.
Jaringan neural dekonvolusional (DNN)
Jika sinyal jaringan kompleks bervolume tinggi hilang atau terbelit-belit dengan sinyal lain, DNN akan membantu menemukannya. DNN berguna untuk memproses gambar beresolusi tinggi dan perkiraan alur optik.
Jaringan adversarial generatif (GAN)
Teknisi menggunakan GAN untuk melatih model tentang cara menghasilkan informasi atau materi baru yang menyerupai properti data pelatihan tertentu. GAN membantu model menemukan perbedaan kecil antara hal yang asli dan salinan untuk membuat salinan yang lebih autentik. Penerapan GAN termasuk pembuatan gambar dan video dengan fidelitas tinggi, pengenalan wajah tingkat lanjut, dan resolusi super.
Jaringan neural berulang (RNN)
RNN 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. RNN adalah pilihan 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.
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.
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.