Algoritma AI: Semua yang Perlu Anda Ketahui

Telepon Anda mengetahui apa yang akan Anda ketik sebelum Anda melakukannya. Netflix tahu apa yang akan kau lakukan selanjutnya. Bank mengetahui apakah Anda akan melunasi pinjaman. Spotify mengetahui lagu yang akan Anda putar secara berulang.

Tapi bagaimana? Siapa yang diam-diam mengawasi kita semua?

Merpati cenayang? Perkumpulan rahasia yang terdiri dari orang-orang yang bisa membaca pikiran? Atau ibumu - karena entah bagaimana dia selalu tahu?

Tidak. Ini adalah algoritma AI.

Sistem ini membuat prediksi yang sangat akurat dengan membaca banyak sekali data dan menganalisis pola.

Namun, apa sebenarnya algoritma AI itu? Bagaimana cara kerjanya?

Apa saja jenisnya yang berbeda, dan bagaimana penggunaannya dalam aplikasi dunia nyata? Kami adalah segalanya, dan masih banyak lagi di blog hari ini. 

Mari kita mulai dari awal.

Apa Itu Algoritma AI?

Algoritme AI digunakan dalam kehidupan sehari-hari teknologi - Google Penelusuran, Siri, rekomendasi Netflix - tetapi juga digunakan dalam deteksi penipuan, mobil tanpa pengemudi, dan diagnostik medis. 

Akar dari AI berawal dari tahun 1940-an ketika Alan Turing mengajukan sebuah pertanyaan, "Bisakah mesin berpikir?" 

Dia menemukan Mesin Turing pada tahun 1950-an yang kemudian diuji dengan Tes Turing. Hal ini menunjukkan bagaimana mesin dapat mengikuti langkah-langkah logis untuk memecahkan masalah. 

Pada tahun 1950-an dan 60-an, beberapa program (Logic Theorist) dapat membuktikan teorema matematika. 

Namun ada satu masalah - mereka tidak bisa belajar. Setiap aturan harus diprogram secara manual.

Pada intinya, AI adalah hanya satu set instruksi-sebuah algoritme-yang membantu mesin mengambil keputusan.

Beberapa di antaranya sederhana, seperti menyaring email spam. Ada juga yang lebih kompleks, seperti memprediksi risiko penyakit berdasarkan catatan medis.

Tapi mari kita perjelas-AI tidak berpikir sendiri. Itu tergantung pada pemrograman manusia, dan pembelajaran yang konsisten untuk menjadi lebih baik dalam apa yang dilakukannya.

Mari kita pahami hal ini dengan contoh, 

AI membantu dalam keputusan yang lebih besar. Misalnya bank menyetujui pinjaman. Ini mungkin menggunakan sistem Pohon Keputusan (model AI sederhana yang bekerja seperti diagram alir):

• Apakah pemohon memiliki penghasilan yang stabil? Tidak → Tolak pinjaman. Ya → Periksa skor kredit. 
• Skor kredit yang bagus? Tidak → Pertimbangkan kembali. Ya → Periksa pinjaman yang ada.
• Terlalu banyak pinjaman? Berisiko tinggi. Sedikit pinjaman? Risiko lebih rendah. 

Di akhir proses, AI akan menyetujui atau menolak pinjaman berdasarkan logika terstruktur.

Sekarang sampai pada bagian berikutnya... 

Bagaimana Algoritme AI Memungkinkan Pembelajaran & Otomatisasi Mesin

Anggap saja seperti ini. 

Bayangkan mengajari seorang anak tentang cara mengenali anjing.

Seorang guru akan menunjukkan gambar-gambar kepada mereka, menunjukkan fitur-fitur utama, dan seiring berjalannya waktu, mereka akan menjadi lebih baik dalam menemukannya dalam kehidupan nyata. 

Algoritme AI belajar dengan cara yang sama - belajar dari data dalam jumlah besar untuk membuat prediksi dan mengotomatiskan tugas.

1 - Prediksi

Algoritme regresi mempelajari informasi masa lalu untuk membuat prediksi otomatis secara real-time. 

Sebagai contoh, Netflix merekomendasikan acara berdasarkan prediksi. Jika Anda menyukai Stranger Things, itu mungkin menyarankan Dark atau The Umbrella Academy karena orang lain yang menyukai Stranger Things menontonnya juga.

2 - Pembelajaran Mesin

Namun, AI bukan hanya tentang prediksi - AI juga beradaptasi. 

Pembelajaran mesin memungkinkan komputer untuk belajar dan berkembang dari pengalaman tanpa diprogram secara eksplisit. 

Sebagai contoh, Bagaimana jika Anda hanya menyukai Stranger Things karena elemen fiksi ilmiahnya, tetapi membenci horor? Bagaimana jika Anda lebih menyukai acara pendek dan bergerak cepat daripada drama yang berjalan lambat? Algoritme Netflix akan menganalisis aktivitas tingkat dalam Anda dan akan menyesuaikan rekomendasinya. 

3 - Otomatisasi

Lalu ada otomatisasi. 

Otomatisasi adalah proses penggunaan teknologi untuk melakukan tugas dengan campur tangan manusia yang minimal. 

Sebagai contoh, Mobil swakemudi melakukan hal yang serupa, menggunakan visi komputer untuk "melihat" jalan, mengenali rambu berhenti, dan belajar dari setiap mil yang mereka lalui. 

Semakin banyak data yang mereka proses, semakin pintar mereka.

Cara Kerja Algoritme AI (Langkah demi Langkah)

Seperti halnya orang yang mempelajari keterampilan baru, AI juga mempelajari berbagai hal selangkah demi selangkah.

Mari kita uraikan dengan menggunakan fitur pengenalan gambar di mesin pencari Google.

Langkah # 1 - Pengumpulan Data

Semuanya dimulai dengan data. AI membutuhkan ratusan ribu contoh untuk dipelajari. Dalam pengenalan gambar, ini termasuk:

• Jutaan gambar berlabel (misalnya, gambar kucing berlabel "kucing", gambar anjing berlabel "anjing").

• Variasi dalam pencahayaan, sudut, dan kualitas.

• Ukuran, warna, dan bentuk yang berbeda dari objek yang sama. 

• Kasus tepi (gambar buram, objek tersembunyi sebagian, kontras rendah).

Langkah # 2 - Pemrosesan awal

Gambar mentah mengandung banyak informasi yang tidak perlu, seperti gambar yang buram atau berkualitas rendah, objek yang tidak terkait, dan gambar yang berantakan, dll.

Sebelum melatih AI, data harus dibersihkan dan distandarisasi. Hal ini mencakup: 

• Mengubah ukuran gambar ke ukuran yang seragam sehingga dapat diproses secara konsisten.

• Skala abu-abu atau normalisasi warna untuk memastikan kecerahan dan kontras tidak menyesatkan AI. 

• Menghilangkan noise, seperti elemen latar belakang yang tidak perlu, yang tidak berkontribusi pada identifikasi objek.

Langkah # 3 - Pelatihan

AI tidak "lihat" gambar seperti yang dilakukan manusia. Kamera ini melihatnya sebagai angka-angka-ribuan piksel, masing-masing dengan nilai yang mewakili kecerahan dan warna. 

Untuk memahami hal ini, AI menggunakan Convolutional Neural Network (CNN), sebuah tipe khusus dari model pembelajaran mendalam yang dibuat untuk pengenalan gambar.

Berikut ini cara CNN menguraikan sebuah gambar:

• Lapisan Konvolusi: AI memindai gambar menjadi beberapa bagian, pertama-tama mendeteksi bentuk sederhana (garis, kurva) dan kemudian mengenali fitur yang kompleks (mata, telinga, kumis).
  
• Lapisan Penyatuan: Ini mengecilkan gambar, mempertahankan detail penting sekaligus membuang piksel yang tidak perlu.
  
• Lapisan yang Terhubung Sepenuhnya: AI menghubungkan fitur-fitur yang terdeteksi untuk membuat prediksi akhir-jika AI melihat telinga runcing dan kumis, maka AI akan mengidentifikasi seekor kucing.

Proses ini melibatkan zaman. 

Bayangkan Anda sedang belajar mengenali spesies burung yang berbeda. Pertama kali Anda melihat burung pipit dan merpati, Anda mungkin akan mencampuradukkannya. 

Tetapi, setelah melihat gambar, mempelajari fitur-fiturnya, dan mendapatkan umpan balik, Anda menjadi lebih baik.

AI belajar dengan cara yang sama. 

Epoch adalah satu siklus lengkap di mana AI melihat semua data pelatihan, membuat prediksi, memeriksa kesalahan, dan menyesuaikan. 

Hal ini dilakukan berulang-ulang-seperti halnya Anda berlatih berkali-kali untuk menjadi lebih baik dalam suatu keterampilan.

Langkah # 4 - Pengujian

Sebelum AI siap digunakan di dunia nyata, AI perlu diuji. Hal ini melibatkan:

• Memberi makan gambar yang belum pernah dilihat sebelumnya.
  
• Mengukur akurasinya-apakah kamera ini dengan tepat melabeli kucing sebagai kucing?
  
• Memeriksa overfitting, di mana AI menghafal data pelatihan tetapi kesulitan dengan gambar yang baru.
  

Jika AI terlalu sering gagal, maka AI akan kembali berlatih sampai ia dapat mengidentifikasi gambar yang tidak pernah ditemuinya secara andal.

Langkah # 5 - Penerapan

Setelah dilatih dan diuji, model AI digunakan. Saat kita akan memberinya makan dengan sebuah gambar. Ini akan: 

1. Memecahnya menjadi nilai piksel
2. Jalankan melalui semua lapisan yang dipelajari
3. Menghasilkan skor probabilitas untuk setiap label yang mungkin
4. Pilih klasifikasi yang paling mungkin

Hasil tipikal yang mungkin terlihat seperti ini:

• Kucing: Probabilitas 99,7%
• Anjing: probabilitas 0,2%
• Lainnya: Probabilitas 0,1%

Jenis-jenis Algoritma AI & Bagaimana Mereka Digunakan

Seperti halnya manusia yang memiliki cara belajar yang berbeda-beberapa dengan membaca, beberapa dengan melakukan-AI memiliki berbagai jenis algoritme, masing-masing cocok untuk tugas-tugas tertentu.

1 - Pembelajaran Terbimbing

Bayangkan seorang anak yang sedang belajar mengenali apel dan jeruk. Guru memberi label pada gambar-gambar tersebut:

"Ini adalah sebuah apel."

"Ini adalah sebuah jeruk."

Seiring waktu, mereka belajar untuk membedakannya. Itulah pembelajaran yang diawasi-AI dilatih dengan data berlabel dan belajar membuat prediksi.

Sebagai contoh,

Algoritma AI dari filter spam memindai ribuan email berlabel "spam" atau "bukan spam" dan mempelajari polanya. 

• Apakah email mengandung kata kunci tertentu? 
• Apakah berasal dari pengirim yang mencurigakan? 

Seiring berjalannya waktu, aplikasi ini menjadi lebih baik dalam menangkap spam sebelum masuk ke kotak masuk Anda.

Pembelajaran yang terawasi mendukung model regresi, yang memprediksi hal-hal seperti harga rumah, dan model klasifikasi, yang memutuskan apakah sebuah email masuk ke dalam spam atau kotak masuk utama Anda.

2 - Pembelajaran Tanpa Pengawasan

Sekarang bayangkan Anda memberikan sekeranjang buah kepada anak yang sama, tetapi tidak memberi tahu mereka mana yang apel atau jeruk. 

Sebaliknya, mereka mengelompokkannya berdasarkan kemiripan-warna, bentuk, tekstur.

Itulah pembelajaran tanpa pengawasan-AI menemukan pola dalam data tanpa label.

Sebagai contoh,

Bank tidak selalu tahu secara langsung jika suatu transaksi adalah penipuan, tetapi AI dapat membantu mencegah penipuan.

Sistem ini memindai jutaan pembelian, mempelajari apa yang "normal" untuk setiap pelanggan dan apa yang tidak.

Katakanlah Anda membeli bahan makanan dan bensin setiap minggu. Lalu tiba-tiba, Anda ingin membeli mobil mewah seharga $5.000 di negara lain. 

AI akan menandainya sebagai hal yang mencurigakan, dan mungkin akan membekukan kartu Anda atau mengirimi Anda "Apakah ini kamu?" pesan.

3 - Pembelajaran Penguatan

Sekarang, katakanlah Anda memberikan tantangan kepada anak Anda-setiap kali mereka memetik apel dengan benar, mereka akan mendapatkan permen. Jika mereka memilih buah yang salah, mereka akan kehilangan satu. 

Seiring berjalannya waktu, mereka mempelajari cara terbaik untuk mendapatkan permen yang paling banyak.  Itu pembelajaran penguatan. 

AI melakukan hal yang sama-menguji berbagai tindakan, belajar dari kesalahan, dan menyesuaikan berdasarkan penghargaan dan hukuman.

Sebagai contoh,

Mobil yang bisa menyetir sendiri jangan memulai dengan mengetahui cara mengemudi. 

Namun setelah menganalisis jutaan mil data jalan, mereka menjadi lebih baik dalam hal pengereman, menyatu dengan lalu lintas, dan menghindari rintangan. 

Setiap kesalahan adalah pelajaran. Setiap keberhasilan membuat mereka lebih pintar.

4 - Jaringan Saraf Tiruan & Pembelajaran Mendalam

Beberapa masalah terlalu rumit untuk diselesaikan dengan aturan sederhana. Di situlah jaringan syaraf berperan. 

Mereka dirancang untuk bekerja seperti otak manusia, mengenali pola dan membuat keputusan tanpa perlu setiap instruksi kecil yang dijabarkan.

Sebagai contoh,

A komputer tradisional mungkin kesulitan dengan sudut, pencahayaan, atau ekspresi yang berbeda-beda. 

Tetapi model pembelajaran yang mendalam (jaringan saraf dengan banyak lapisan) dapat belajar mengenali wajah, apa pun kondisinya.

Seperti halnya manusia yang memiliki cara belajar yang berbeda-beberapa dengan membaca, beberapa dengan melakukan-AI memiliki berbagai jenis algoritme, masing-masing cocok untuk tugas-tugas tertentu.

Algoritme AI dalam Aplikasi Dunia Nyata

Bagaimana Pendeteksi Gambar AI Menggunakan Algoritme untuk Menemukan Gambar yang Dibuat oleh AI

Gambar yang dihasilkan AI sekarang sangat realistis sehingga orang hampir tidak bisa membedakannya dari foto asli. 

Tetapi, detektor gambar AI dilatih untuk melihat di balik permukaan.

Teknik # 1 - Deteksi Anomali

Prosesnya dimulai dengan deteksi anomali, yang mencari apa pun yang tidak seharusnya.

Jika gambar memiliki tekstur yang tidak wajar, pencahayaan yang tidak konsisten, atau bagian tepi yang buram. Detektor Gambar AI mengibarkan bendera merah.

Teknik # 2 - Jaringan Permusuhan Generatif

Salah satu cara untuk mendeteksi gambar yang dihasilkan AI adalah dengan melihat pola tersembunyi yang ditinggalkan oleh teknologi yang menciptakannya.

Pola-pola ini berasal dari Generative Adversarial Networks (GAN), yang menggerakkan sebagian besar gambar AI.

Sama seperti setiap seniman yang memiliki gaya yang unik, GAN menciptakan pola yang tidak ada dalam foto dunia nyata.

Detektor Gambar AI dilatih untuk mengenali pola-pola ini, yang membantu menentukan apakah suatu gambar dihasilkan oleh Kecerdasan Buatan.

Teknik # 3 - Metadata

Lebih dari sekadar melihat piksel, sebuah Detektor Gambar AI juga memeriksa metadata, yang bertindak seperti sidik jari digital gambar.

Data ini mencakup rincian seperti kapan dan di mana foto diambil dan perangkat mana yang mengambilnya. 

Jika sebuah gambar diklaim berasal dari tahun 2010, tetapi sebenarnya dibuat oleh alat AI minggu lalu, Detektor Gambar AI akan menandainya sebagai hal yang mencurigakan. 

Bias dalam Algoritma AI & Cara Menguranginya

AI seharusnya adil, tetapi terkadang tidak. Bias AI dapat terjadi dalam dua cara:

• Bias Data - Hal ini terjadi ketika kelompok tertentu kurang terwakili dalam data pelatihan.
  
• Model Bias - Ini terjadi ketika AI membuat lebih banyak kesalahan untuk satu kelompok dibandingkan kelompok lainnya, sehingga memperkuat hasil yang tidak adil.
  

Alat Perekrutan Bias Amazon

Pada tahun 2014, Amazon harus membatalkan alat perekrutan AI karena bias terhadap perempuan. 

Sistem ini belajar dari data perekrutan di masa lalu, di mana lebih banyak pria yang dipekerjakan untuk posisi teknologi, sehingga sistem ini mulai mengutamakan kandidat pria dan memberikan sanksi pada resume yang menyertakan kata-kata seperti "wanita" (seperti dalam "klub catur wanita"). 

AI tidak berusaha untuk menjadi tidak adil, tetapi AI belajar dari data yang bias dan meneruskan bias tersebut.

Masalah Privasi dalam Pengumpulan Data AI

Setiap kali Anda menggunakan aplikasi, menjelajahi web, atau melakukan pembelian, data dikumpulkan. 

Beberapa di antaranya sudah jelas - seperti nama, email, atau detail pembayaran Anda. 

Tetapi ada data tersembunyi seperti lokasi GPS, riwayat pembelian, perilaku mengetik, dan kebiasaan menjelajah. 

Perusahaan menggunakan informasi ini untuk mempersonalisasi pengalaman, merekomendasikan produk, dan meningkatkan layanan. 

Dengan banyaknya data yang beredar, risiko tidak dapat dihindari: 

• Pelanggaran data - Peretas dapat mencuri informasi pengguna.

• Identifikasi ulang - Bahkan data yang dianonimkan pun bisa ditautkan kembali ke individu. 

• Penggunaan yang tidak sah - Perusahaan dapat menyalahgunakan data untuk mendapatkan keuntungan atau pengaruh.
  

Bahkan ketika perusahaan mengklaim untuk menganonimkan data, penelitian telah menunjukkan bahwa pola dapat mengungkapkan identitas pengguna dengan informasi yang cukup. 

Untuk melindungi privasi pengguna, perusahaan menggunakan:

• Anonimisasi - Menghapus detail pribadi dari kumpulan data.

• Pembelajaran Federasi - Model AI berlatih di perangkat Anda tanpa mengirim data mentah ke server pusat. (misalnya, Gboard Google).

• Privasi Diferensial - Menambahkan noise acak pada data sebelum pengumpulan untuk mencegah pelacakan (misalnya, sistem iOS Apple).

Apakah Algoritma AI Bisa Sepenuhnya Netral?

AI tidak diciptakan dalam ruang hampa. 

Dibangun oleh manusia, dilatih dengan data manusia, dan digunakan dalam masyarakat manusia. Jadi, bisakah ia benar-benar netral?

Jawaban singkat: Tidak. Setidaknya, belum.

AI belajar dari data dunia nyata, dan data tersebut hadir dengan semua bias, asumsi, dan ketidaksempurnaan manusia yang membuatnya. 

Gunakan alat residivisme COMPAS, misalnya. 

Sistem ini dirancang untuk memprediksi penjahat mana yang paling mungkin mengulangi perbuatannya. 

Kedengarannya mudah, bukan? 

Namun penelitian menunjukkan bahwa algoritma tersebut secara tidak proporsional menandai terdakwa kulit hitam sebagai berisiko tinggi dibandingkan dengan terdakwa kulit putih. 

Hal ini tidak bias karena ada yang memprogramnya, tetapi karena mewarisi pola-pola dari sistem peradilan pidana yang cacat.

Jadi, bisakah AI dibuat adil? 

Beberapa ahli berpendapat demikian. 

Para peneliti telah mengembangkan batasan keadilan-teknik matematika yang dirancang untuk memaksa model AI memperlakukan kelompok-kelompok yang berbeda secara lebih setara. 

Audit bias dan kumpulan data pelatihan yang beragam juga membantu mengurangi hasil yang miring.

Namun, bahkan dengan semua perlindungan ini, netralitas yang sebenarnya adalah hal yang rumit. 

Dan bahkan jika kita bisa membuat AI sepenuhnya "netral" haruskah kita?

AI tidak membuat keputusan dalam gelembung. AI memengaruhi orang-orang nyata dengan cara yang nyata. 

Kenyataannya, AI mencerminkan dunia yang kita berikan kepadanya. 

Jika kita menginginkan AI yang tidak bias, pertama-tama kita harus mengatasi bias dalam sistem kita. 

Jika tidak, kita hanya mengajari mesin untuk merefleksikan kekurangan kita-hanya saja dengan lebih cepat dan dalam skala yang lebih besar.

Tanya Jawab Tentang Algoritma AI

Tingkatkan pengalaman Anda dengan mencoba AI Detector dan Humanizer kami di widget di bawah ini!

Pemikiran Akhir: Masa Depan Algoritma AI

Jadi, apa arti semua ini bagi kita?

AI memengaruhi keputusan kita setiap hari. AI menentukan apa yang kita tonton, apa yang kita beli, dan bahkan seberapa aman rekening bank kita.

Namun, inilah pertanyaannya...

Jika AI belajar dari kita, apa yang kita ajarkan kepadanya?

Apakah kita memastikan bahwa sistem ini adil, tidak bias, dan bermanfaat? Atau apakah kita membiarkannya menangkap kesalahan yang sama dengan yang dilakukan manusia?

Dan jika AI semakin pintar, apa yang akan terjadi selanjutnya? Akankah AI selalu menjadi alat yang kita kendalikan, atau mungkinkah suatu hari nanti AI akan mulai membuat pilihan yang tidak kita pahami sepenuhnya?

Mungkin pertanyaan terbesar bukanlah apa yang dapat dilakukan AI, tetapi apa yang harus kita biarkan AI lakukan.

Bagaimana menurutmu?