Berbagai contoh aplikasi kecerdasan buatan–dari pemenang game Jeopardy dan komputer pemenang permainan Go hingga isu ras pada penargetan iklan–membuat kita merasa memasuki era kecerdasan buatan yang berkembang dengan pesat. Meski demikian, kehadiran makhluk dengan “otak” elektronik yang betul-betul sadar dan dapat melakukan berbagai pekerjaan kognitif yang rumit dan menggunakan penilaian moral yang adil, untuk saat ini, masih belum ada.
Sayangnya, perkembangan saat ini menciptakan sebuah ketakutan dalam masyarakat mengenai kecerdasan buatan pada masa depan. Gambaran dalam budaya pop baru-baru ini menunjukkan betapa hati-hati serta pesimistiknya kita tentang teknologi. Masalahnya, ketakutan dapat menjatuhkan dan bahkan terkadang, memperluas kebodohan.
Mempelajari cara kecerdasan buatan bekerja adalah cara untuk menangkal kekhawatiran ini. Dan pengetahuan ini akan mendorong keterlibatan dengan kecerdasan buatan yang lebih bertanggung jawab dan tanpa banyak masalah.
Aspek utama dari kecerdasan buatan berakar dari pembelajaran mesin (machine learning), sebuah metode yang canggih dan dapat diakses secara luas. Tapi untuk memahami apa yang dimaksud pembelajaran mesin, pertama-tama kita perlu melihat bagaimana potensinya akan membawa keuntungan yang lebih besar dibanding kerugiannya.
Data adalah kunci
Sederhananya, pembelajaran mesin mengacu pada mengajarkan komputer untuk menganalisis data dalam menyelesaikan tugas-tugas tertentu melalui algoritme. Misalnya, untuk mengenali tulisan tangan, algoritme klasifikasi digunakan untuk membedakan huruf berdasarkan tulisan tangan seseorang. Di sisi lain, kumpulan data mengenai perumahan, dapat menggunakan algoritme regresi untuk memprediksi secara kuantitatif harga jual properti suatu rumah.
Jadi inti dari pembelajaran mesin adalah data. Hampir setiap perusahaan menghasilkan data dengan cara-caranya sendiri: misalnya riset pasar, dari media sosial, survei, atau dengan sistem yang otomatis. Pembelajaran mesin mencoba menemukan pola dan hubungan yang tersembunyi dari rumitnya kumpulan data yang besar untuk mengembangkan model yang dapat memprediksi suatu perilaku.
Terdapat dua komponen utama data–sampel dan fitur. Komponen pertama adalah data-data tunggal dari setiap kelompok; komponen terakhir adalah karakteristik yang dimiliki oleh kelompok data tersebut.
Mari kita gunakan media sosial sebagai contoh: pengguna adalah sampel dan perilaku penggunaan dapat dikategorikan sebagai fitur. Facebook, misalnya, memasukkan berbagai aktivitas “menyukai (liking)”, yang berbeda untuk setiap pengguna, sebagai fitur penting, yang akan digunakan sebagai target iklan kepada pengguna.
Data pertemanan di Facebook juga dapat digunakan sebagai sampel, sementara koneksi mereka satu sama lain bertindak sebagai fitur, hal ini membentuk suatu jaringan sehingga penyebaran informasi dapat dipelajari.
Di luar media sosial, sistem otomatis yang digunakan dalam proses industri sebagai alat monitoring mengambil cuplikan dari keseluruhan proses sebagai sampel, dan pengukuran sensor pada waktu tertentu bertindak sebagai fitur. Hal ini memungkinkan sistem untuk mendeteksi anomali dalam proses secara langsung.
Semua teknik yang berbeda ini intinya bergantung bagaimana memberikan data ke mesin dan mengajarkan mesin tersebut untuk mencapai suatu prediksi setelah mereka menganalisis informasi yang diberikan secara strategis. Inilah pembelajaran mesin.
Kecerdasan manusia sebagai titik awal
Setiap data dapat dianalisis ke dalam konsep-konsep sederhana ini dan digunakan di berbagai aplikasi pembelajaran mesin, termasuk juga kecerdasan buatan, dengan menggunakan konsep-konsep ini sebagai pijakan dasarnya.
Setelah data dapat dipahami, selanjutnya adalah memutuskan apa yang akan dilakukan dengan informasi tersebut. Salah satu aplikasi pembelajaran mesin yang paling umum dan dapat dipahami adalah metode klasifikasi. Metode tersebut dapat mempelajari bagaimana mengelompokkan data di setiap kelompok yang berbeda berdasarkan data referensi.
Hal ini mirip dengan berbagai keputusan yang kita buat setiap harinya, seperti mengelompokkan produk yang serupa (seperti barang-barang dapur dan produk-produk kecantikan, misalnya), atau memilih film yang bagus untuk ditonton berdasarkan pengalaman sebelumnya. Walau dua contoh ini mungkin tampak tidak ada hubungannya, keduanya bergantung pada konsep dari metode klasifikasi: prediksi didefinisikan sebagai mengelompokkan pada kategori yang tepat.
Ketika melihat suatu botol pelembab kulit, kita biasanya mempertimbangkan daftar fitur-fitur tertentu (misalnya, bentuk botol, atau aroma produk tersebut) untuk memprediksi–secara akurat–bahwa itu adalah produk kecantikan. Strategi yang sama digunakan untuk memilih film dengan melihat fitur-fitur yang ada (misalnya, sutradara, atau aktor) untuk memprediksi apakah film tersebut berada dalam salah satu dari dua kategori: baik atau buruk.
Dengan memahami hubungan antara fitur-fitur yang berbeda yang saling terkait dengan kelompok sampel, kita dapat memperkirakan apakah sebuah film layak ditonton atau, lebih bagus lagi, kita dapat membuat sebuah program untuk melakukan hal tersebut untuk kita.
Tapi bukankah untuk dapat menganalisis informasi ini, kita perlu menjadi ahli ilmu data, pakar matematika dan statistik, dengan keterampilan pemrograman yang cukup untuk membuat ahli matematika dan komputer Inggris Alan Turing dan ahli komputer Amerika Serikat Margaret Hamilton kagum pada kita? Tidak juga.
Contohnya begini, walau hanya sedikit dari kita yang terlibat kedalam ilmu linguistik dan sastra, kita semua punya pengetahuan yang cukup mengenai bahasa asli kita sehingga kita bisa menjalani kehidupan sehari-hari dengan baik. Matematika juga begitu; kita menggunakan matematika setiap saat, ketika menghitung perbedaan harga saat membeli sesuatu atau menghitung bahan yang dibutuhkan untuk membuat suatu resep. Dan itu tidak sulit. Begitu juga dengan pembelajaran mesin. Menguasai pembelajaran mesin bukan suatu persyaratan untuk dapat menggunakannya secara sadar dan efektif.
Tentu, terdapat ilmuwan data yang sangat berkualitas dan ahli di luar sana, tapi dengan sedikit usaha, siapapun dapat mempelajari dasar-dasarnya dan meningkatkan peluang bagaimana kita melihat dan menggunakan informasi.
Algoritme kita tersendiri
Kembali ke algoritme klasifikasi, mari pikirkan satu contoh yang meniru bagaimana cara kita mengambil keputusan. Karena manusia adalah makhluk sosial, mari kita ambil contoh interaksi sosial. Kesan pertama terhadap seseorang cukup penting. Dan kita semua memiliki perhitungan internal tersendiri untuk mengevaluasi seseorang yang kita temui pertama kali, apakah kita menyukainya atau tidak.
Ada dua hasil yang mungkin: kesan baik atau buruk. Untuk setiap orang, karakteristik yang berbeda (fitur) diperhitungkan (bahkan secara tidak sadar) berdasarkan jumlah pertemuan di masa lalu (sampel). Karakteristik ini bisa berupa apa saja, dimulai dari nada suara hingga tindakan serta sikap secara keseluruhan hingga sopan santun.
Untuk setiap orang baru yang kita temui, perhitungan internal di kepala kita mengevaluasi data masukan tersebut dan menetapkan prediksi. Kita dapat memecah model perhitungan tersebut untuk setiap data masukan, lalu menimbang mereka berdasarkan relevansi hingga sampai pada kesimpulan kita.
Bagi sebagian orang, daya tarik mungkin sangat penting, sedangkan bagi orang lain selera humor yang baik atau menjadi pendengar yang baik lebih penting. Setiap orang akan mengembangkan perhitungan internalnya tersendiri, yang sepenuhnya bergantung pada pengalaman, atau datanya.
Data yang berbeda menghasilkan model perhitungan yang dilatih berbeda, menghasilkan hasil yang berbeda pula. Otak kita mengembangkan suatu mekanisme yang, meski tidak sepenuhnya jelas bagi kita, menetapkan bagaimana kita menimbang faktor-faktor ini.
Yang dilakukan pembelajaran mesin adalah mengembangkan model matematis yang teliti bagi mesin untuk menghitung suatu hasil prediksi, khususnya pada kasus-kasus di mana kita tidak dapat dengan mudah menangani besarnya data. Saat ini, melebihi masa-masa sebelumnya, data yang ada sangat luas dan bertahan dalam waktu yang lama.
Dengan memiliki akses ke program yang secara aktif menggunakan data-data tersebut untuk menyelesaikan masalah praktis, seperti halnya kecerdasan buatan, maka setiap orang harus dan mampu mempelajari serta memanfaatkan hal ini. Kita harus menggunakannya bukan hanya karena untuk menciptakan suatu aplikasi yang bermanfaat, tapi juga untuk menempatkan pembelajaran mesin dan kecerdasan buatan dalam perspektif yang lebih terang dan tidak mengkhawatirkan.
Terdapat beberapa sumber belajar di luar sana untuk mempelajari pembelajaran mesin meski memang membutuhkan beberapa kemampuan pemrograman. Banyak bahasa pemograman populer yang tersedia untuk pembelajaran mesin, mulai dari tutorial dasar hingga kursus lengkap. Hanya butuh waktu sesorean untuk bisa memulai mempelajarinya dan mendapatkan hasil yang jelas.
Semua ini bukan berarti bahwa bagaimana mesin dengan pikiran seperti manusia tidak mengkhawatirkan kita. Tapi dengan mengetahui lebih banyak tentang bagaimana cara berpikir bekerja, maka akan memberi kita kemampuan untuk menjadi agen perubahan yang positif dengan yang membuat kita masih dapat memegang kendali atas kecerdasan buatan, bukan sebaliknya.
Artikel ini diterjemahkan dari bahasa Inggris oleh Muhammad Gaffar.