Teknologi masa hadapan: Mesin yang boleh belajar seperti manusia

Chappie dan Ava (ex-Machina) adalah antara watak yang diterapkan elemen “machine learning” sepanjang jalan ceritanya. Kalau kita buat direct translation, machine learning bermakna “pembelajaran mesin / mesin yang belajar“. Pembelajaran mesin adalah bidang tambahan kepada kecerdasan buatan (AI). Ia menitikberatkan kepada algoritma yang membenarkan pembelajaran berlaku terhadap mesin. Tidak semua orang meminati cerita sains fiksyen sedemikian, kerana tidak semua faham pun. Jadi, penerangan yang sedikit ini diharap mampu menanam sedikit fahaman dan minat masyarakat terhadap bidang ini. Bila dah minat, baru rasa seronok nak belajar lebih banyak lagi kan? OK.

Mesin yang bodoh menjadi pandai

Mesin sebenarnya tidak boleh belajar sendiri. Ia bodoh, dungu dan bebal. Sebagai contoh, mesin pembersih vakum, manalah dia pandai nak bergerak sendiri sedut habuk betul x? Apa yang manusia boleh buat untuk bagi dia pandai adalah dengan menanam algoritma yang membolehkan mesin tersebut belajar supaya dia mampu melaksanakan kerja vakum dengan berkesan seperti smart vacuum cleaner. Apa pula algoritma? Algoritma pula adalah set arahan yang dipasang pada mesin untuk mengolah data dari sesuatu maklumat supaya boleh membuat anggaran/ramalan/keputusan pada masa hadapan. Ini boleh dilakukan dengan lebih baik berbanding tukang ramal manusia kerana:

Setiap maklumat mesti mempunyai corak (patterns) data tertentu.
Corak-corak tersebut digunakan oleh mesin utk membuat generalisasi.
Sebelum membuat generalisasi, satu model pembelajaran akan dibina untuk mengenalpasti corak data supaya mesin mampu membuat anggaran/ramalan situasi pada masa hadapan.

Dumb Vacuum Cleaner

Sebagai contoh mudah, anda sebagai seorang manusia mampu untuk mengenalpasti gaya penyampaian kuliah DUKE atau DrMaza. Ini kerana, terdapat corak penyampaian tertentu yang ada pada mereka sudah lekat dalam minda anda untuk aktiviti pengecaman. Mesin pada asalnya, tidak mampu untuk melakukan perkara sedemikian.

Mesin perlu dibantu oleh manusia untuk membuat analisa tersebut. Hanya dengan selepas beberapa contoh corak kuliah diperkenalkan kepada mesin, barulah ia mampu untuk mengenalpasti kuliah DUKE atau DrMaza. Setelah menjalani proses pembelajaran, barulah mesin mampu membuat ramalan pada masa hadapan dalam mengenalpasti siapakah yang memberi kuliah tanpa perlu melalui proses pembelajaran lagi.

DUKE dan DrMaza

Algoritma

Terdapat banyak algoritma untuk pembelajaran mesin. Kesemuanya mempunyai kelebihan dan kekurangan tertentu sesuai dengan keunikan setiap masalah. Ada yang kita mampu fahami kenapa mesin memilih keputusan tertentu sebagai contoh menggunakan decision trees (keputusan berpokok), dan ada yang sukar untuk kita fahami mengapa mesin memilih keputusan tertentu menggunakan neural networks (rangkaian saraf).

Ini kerana kebanyakan algoritma pembelajaran mesin bergantung harap kepada perkiraan matematik dan statistik. Dari semudah-mudah statistik sehinggalah sekompleks-kompleks pengiraan. Tiada algoritma one size fit all untuk semua aplikasi. Senang cakap, tak bolehlah main tonyoh je algoritma ini untuk selesaikan semua masalah. No. No. No.

Decision Tree (kiri) dan Neural Network (kanan)

Kemampuan Pembelajaran Mesin yang Terhad

Pembelajaran mesin tidaklah sesempurna mana. Setiap algoritma mempunyai keupayaan yang berbeza-beza ke atas set corak data yang semakin besar. Kekurangan set corak untuk pembelajaran juga boleh mengurangkan kecekapan algoritma. Corak yang sama tidak semestinya dilihat dengan cara yang sama oleh algoritma yang lain.

Ini menyebabkan salah tafsir data boleh berlaku. Manusia mempunyai pengetahuan, pengalaman yang luas, serta kemampuan yang luar biasa untuk mengenali situasi baru sebelum membuat sebarang keputusan, manakala mesin mengeluarkan keputusan hanya berdasarkan data yang telah dipelajari, itupun dengan perspektif yang sangat terhad.

Ustaz Azhar Idrus(UAI)

Berdasarkan contoh DUKE dan DrMaza, pembelajaran mesin tidak mungkin dengan secara tiba-tiba mampu mengenali UAI. Ini kerana corak yang telah didedahkan masih tidak lagi mempelajari corak penyampaian kuliah UAI. Habis kuat pun, mesin hanya mampu menyatakan unknown/not-classified/unidentified. Mesin perlu melalui proses pembelajaran semula. Oleh yang demikian, keupayaan robot untuk menguasai dunia seperti mana yang digambarkan SkyNet dalam filem Terminator bolehlah dikatakan jauh panggang dari api.

Begitu juga Chappie yang berjaya memindahkan corak pemikiran Deon dan Yolandi ke pendrive dan ke sebuah robot untuk meneruskan survivalnya, masih bergantung harap kepada bateri. Tidak terkecuali juga Ava yang berjaya keluar dari makmal, habislah riwayat mesin tersebut apabila tidak sempat tiba ke charging station. Cumanya, sifat semulajadi kebanyakan algoritma pembelajaran mesin adalah, dia akan terus belajar selagi mana maklumat baru terus diterima.

Rujukan:
Segaran, T. (2007). Programming Collective Intelligence: Building Smart Web 2.0 Applications. Book (Vol. 120–121). http://ift.tt/2hucYGP

Sumber: RootOfSience

LAYARI