Segala Hal Tentang AI (Artificial Intelligent)

Tahukah kamu pada saat ini salah satu perkembangan teknologi yaitu kecerdasan buatan atau istilah lainnya AI (Artificial Intelligence) sudah banyak bertebaran dan diterapkan di berbagai bidang kehidupan. Bahkan AI bisa kamu temui dalam kehidupan sehari-hari, seperti asisten virtual Google dan Siri. Kecerdasan buatan memang bukan hal yang baru, namun mengikuti perkembangannya selalu menjadi sesuatu hal yang menarik untuk diikuti.

Dalam perkembangan Teknologi AI selain karena perannya yang sangat membantu manusia, AI juga didukung banyaknya kehadiran film fiksi ilmiah yang berkaitan dengan AI. Sehingga semakin menarik perhatian orang-orang terhadap AI. Perlu kamu ketahui juga, AI tidak selalu berupa asisten virtual seperti teknologi Jarvis pada film Iron Man atau dalam bentuk robot. Namun AI bisa lebih luas dari hal tersebut, AI juga bisa diterapkan dalam berbagai hal dengan memfokuskan pada kecerdasan mesin yang dapat memberikan respon layaknya seorang manusia. Segala Hal Tentang AI akan dijelaskan dalam artikel berikut ini.




Apa Itu AI?

Can Artificial Intelligence ethically improve society?

Can Artificial Intelligence ethically improve society? |innovationnewsnetwork.com

Artificial Intelligence (AI) atau Kecerdasan Buatan adalah simulasi dari kecerdasan yang dimiliki oleh manusia yang dimodelkan di dalam mesin dan diprogram agar bisa berpikir seperti halnya manusia. Menurut Mc Leod dan Schell,  kecerdasan buatan adalah aktivitas penyediaan suatu mesin seperti komputer dengan kemampuan untuk menampilkan perilaku yang dianggap cerdas sama dengan jika kemampuan tersebut ditampilkan oleh manusia.

Dengan kata lain AI merupakan sistem komputer yang bisa melakukan pekerjaan-pekerjaan yang umumnya  dilakukan oleh manusia atau memerlukan tenaga manusia dan kecerdasan manusia untuk menyelesaikan pekerjaan tersebut. Sama halnya seperti manusia, AI itu sendiri merupakan teknologi yang membutuhkan informasi dari informasi. AI membutuhkan pengalaman dan data untuk membuat kecerdasannya menjadi lebih baik. Poin penting dalam proses AI adalah pembelajaran, penalaran, dan koreksi diri. AI harus belajar untuk memperkaya pengetahuan mereka. Pembelajaran AI tidak selalu ditentukan oleh manusia, AI akan mempelajarinya sendiri berdasarkan pengalaman ketika AI digunakan manusia.

Sejarah AI

Kecerdasan Buatan atau Artificial Intelligence (AI) bukanlah sebuah kata yang baru dan bukan teknologi masa depan bagi seorang peneliti. Teknologi AI juga lebih tua dari yang kita bayangkan. Bahkan ada mitos Mechanical Men di dalam mitologi Yunani dan Mesir Kuno. Berikut ini ada beberapa sejarah AI yang mendefinisikan perjalanan dari generasi AI hingga pengembangannya saat ini.

Pada tahun 1943 McMulloh dan Pitts mengusulkan model matematis bernama perceptron dari neuron di dalam otak. Mereka juga memperlihatkan bagaimana neuron menjadi aktif seperti saklar on-off dan juga neuron tersebut mampu untuk belajar dan memberikan aksi berbeda terhadap waktu dari input yang diberikan. Lalu pada tahun 1949-an Donald Hebb mendemonstrasikan aturan pembaruan untuk memodifikasi kekuatan koneksi antar neuron. Aturan atau metodenya sekarang dikenal sebagai Hebbian Learning.

Alan Turing Biography

Alan Turing Biography | thecrazyprogrammer.com

Sumbangan terbesar di bidang AI diawali oleh Alan Turing, Alan Turing adalah seorang ahli matematika Inggris dan orang yang mempelopori Machine Learning pada tahun 1950-an. Lalu Alan Turing menerbitkan “Computing Machinery and Intelligence” dimana ia mengusulkan sebuah tes. Tes tersebut dapat memeriksa kemampuan mesin dalam menunjukan perilaku cerdas yang setara dengan kecerdasan manusia, yang disebut sebagai Turing Test.

Pada akhir 1955, Newell dan Simon menciptakan “The first Artificial Intelligence program” yang kemudian diberi nama “Logic Theorist”. Program ini telah membuktikan 36 dari 52 prinsip atau teorema matematika, dan menemukan bukti baru yang lebih elegan untuk beberapa prinsip atau teorema. Program ini berdampak besar dan menjadi batu loncatan penting dalam pengembangan di bidang AI. Pada tahun 1956 Kata “Artificial Intelligence” pertama kali dikemukakan oleh ilmuwan komputer Amerika John McCarthy dari Massacuhetts Institute of Technology didalam “The Dartmouth summer research project on artificial intelligence.” atau konferensi Dartmouth untuk menarik para ahli komputer bertemu. Dan untuk pertama kalinya AI dihitung sebagai bidang akademis.

The Birthplace of AI. An essay about the 1956 “Dartmouth… | by Jørgen Veisdal | Cantor's Paradise

The Birthplace of AI. An essay about the 1956 “Dartmouth… | by Jørgen Veisdal | Cantor’s Paradise

Pada tahun 1960 hingga 1970, muncul berbagai dikusi bagaimana komputer dapat meniru sedetail mungkin pada kemampuan otak manusia, dimana saat itu dapat dikategorikan sebagai “classical AI”. Pada tahun 1980, dimana komputer yang semakin mudah diperoleh dengan harga yang lebih murah menjadikan berbagai riset di bidang kecerdasan buatan berkembang sangat pesat pada berbagai universitas.

Saat ini AI telah dikembangkan ke dalam tingkat yang luar biasa. Hampir semua perangkat komputer dan perangkat elektronika menerapkan kecerdasan buatan untuk membuat sistem yang lebih handal. Konsep dari Deep Learning, Big Data, dan Data Science menjadi salah satu tren yang sedang ramai dibicarakan. Perusahaan seperti Google, Facebook, IBM, dan Amazon bekerja dengan AI dan membuat perangkat teknologi yang luar biasa. Di masa yang akan datang, diperkirakan semua perangkat komputer dan elektronika akan menjadi jauh lebih cerdas karena telah ditanamkan berbagai metode kecerdasan buatan atau AI.

Di Indonesia itu sendiri terdapat sebuah perusahaan yang juga menggunakan pengembangan dari teknologi AI yaitu PT Widya Robotics. Salah satu produk dari PT Widya Robotics adalah Widya Load Scanner yang dapat menghitung volume muatan truk dengan menggunakan teknologi LiDAR (light detection and ranging) dan AI sehingga proses penghitungan dapat dilakukan dengan cepat dan bisa dibilang sangat akurat. Salah satu tujuan dibuatnya produk tersebut adalah untuk membantu industri-industri layaknya industri batu bara, semen, konstruksi, dan lain sebagainya agar menjadi lebih efisien dan dapat memanajemen material dengan baik.

Tujuan AI

Pengertian Artificial Intelligence dan Contoh Penerapannya

Pengertian Artificial Intelligence dan Contoh Penerapannya | logique.co.id

  1. Membentuk teknologi atau mesin yang lebih pintar

Tujuan utama dikembangkannya kecerdasan buatan yaitu untuk dapat membuat suatu teknologi atau mesin menjadi lebih pintar sehingga akan mempermudah pekerjaan manusia. Contoh gampangnya dapat di lihat pada komputer. Selain untuk mengetik, komputer sekarang dikembangkan menjadi lebih pintar sehingga bisa untuk bermain game, mengedit video dan foto, serta bisa digunakan untuk lebih banyak kegiatan bermanfaat lainnya.

  1. Memahami Kecerdasan Suatu Mesin

Tujuan ilmiah dibentuknya teknologi kecerdasan ini ialah untuk membuat suatu mesin yang mampu memahami kecerdasan seperti bisa memecahkan masalah dengan lebih cepat, lebih teliti, lebih efektif, dan efisien. Adanya AI ini tentu memudahkan semua orang.

  1. Membuat suatu teknologi yang lebih bermanfaat

Dari segi entrepreneurial kecerdasan buatan mampu membuat suatu usaha mendapatkan hasil lebih maksimal karena teknologi dengan AI akan mempermudah pekerjaan. Suatu pekerjaan akan terasa ringan dan bisa selesai dalam waktu cepat. AI juga mampu mengumpulkan dan menganalisis suatu data sehingga anda bisa mengetahui peluang terbaru untuk bisnis anda.

Teknik AI

Dalam menentukan teknik penyelesaian terbaik dalam AI memang tidak mudah, untuk itu ada beberapa teknik penyelesaian masalah yang perlu kita pahami, antara lain:

A. Searching

Pada teknik searching atau pencarian ini terdiri dari beberapa langkah untuk merealisasikannya. Langkah pertama adalah mendefinisikan ruang masalah untuk suatu masalah yang dihadapi. Langkah kedua adalah mendefinisikan aturan produksi yang digunakan untuk mengubah suatu keadaan ke keadaan lainnya. Langkah terakhir adalah memilih metode pencarian yang tepat sehingga dapat menemukan solusi terbaik.

Metode-metode pencarian pada teknik searching diantaranya :
1. Blind/Un-informed Search
a. Breadth-First Search (BFS)
b. Depth-First Search (DFS)
c. Depth-Limited Search (DLS)
d. Uniform Cost Search (USC)
e. Iterative-Deepening Search (IDS)
f. Bi-Directional Search (BDS)
2. Metode Pencarian Heuristik
a. Generate-and-Test
b. Hill Climbing
c. Simulated Annealing
d. Best-First Search (BFS)
e. Greedy Best-First Search
f. A* (A star)

B. Reasoning

Teknik penyelesaian masalah dengan cara merepresentasikan masalah ke dalam basis pengetahuan menggunakan logic atau bahasa formal (bahasa yang dipahami komputer) dan melakukan proses penalaran untuk menemukan solusi.

Jenis – jenis Logic dalam teknik Reasoning :
1. Proposional Logic
2. First order Logic
3. Temporal Logic
4. Probability Theory
5. Fuzzy Logic

C. Planning

Planning adalah suatu metode penyelesaian masalah dengan cara memecah masalah ke dalam sub-sub masalah yang lebih kecil, menyelesaikan sub-sub masalah satu demi satu kemudian menggabungkan solusi-solusi dari sub-sub masalah tersebut menjadi sebuah solusi lengkap dengan tetap mengingat dan menangani interaksi yang terdapat pada sub-sub masalah tersebut.

Sifat Planning :
1. Goal – directed, yaitu pencarian solusi yang dilakukan dari kondisi Goal state sampai ke kondisi Initial state yang dapat dicapai
2. Dependency – Directed -Backtracking, ketika menemui jalan buntu

D. Learning

Pada ketiga teknik sebelumnya, seseorang harus mengetahui aturan yang berlaku untuk sistem yang akan dibangunnya. Tetapi, pada masalah tertentu terkadang suatu aturan tidak bisa didefinisikan secara benar ataupun lengkap. Hal tersebut mungkin dikarenakan data-data yang didapat tidak lengkap. Melalui teknik yang disebut learning ini, secara otomatis aturan yang diharapkan bisa berlaku umum untuk data-data yang belum pernah diketahui dapat ditemukan.

Beberapa Teknik Learning :
1. Rote Learning
2. Learning by Taking Advice
3. Learning in Problem Solving
4. Learning from Example

Bagaimana Cara Kerja AI?

Artificial intelligence (AI) menganut prinsip bahwa kecerdasan manusia dapat didefinisikan sedemikian rupa, sehingga mesin dapat dengan mudah meniru dan melaksanakan tugas yang diminta, mulai dari hal yang paling sederhana hingga yang lebih kompleks.

Menurut techtarget.com, sistem artificial intelligence secara umum bekerja dengan memproses sejumlah besar data, menganalisis data untuk menemukan pola dan korelasinya, serta menggunakan pola ini untuk membuat prediksi keadaan di masa depan.

Dengan metode ini, chatbot yang sudah pernah diberi contoh mengenai topik obrolan dapat menciptakan respon yang nyata dengan lawan bicara, atau bahkan alat pengenalan gambar dapat mengidentifikasi dan mendeskripsikan objek dalam gambar setelah meninjau jutaan contoh yang diberikan.

Algoritma juga menjadi bagian yang penting dalam struktur artificial intelligence. Algoritma sederhana digunakan dalam aplikasi yang sederhana, sementara algoritma yang lebih kompleks dapat digunakan membantu menciptakan dasar yang kuat bagi artificial intelligence lanjutan. Tidak ada bahasa pemrograman khusus yang dipakai untuk menciptakan artificial intelligence, tetapi umumnya para pengembang menggunakan Python, R, dan Java.

Jenis AI

Kecerdasan Buatan atau Artificial Intelligence (AI) dapat dibagi menjadi beberapa jenis, namun umumnya dikategorikan menjadi 2 jenis, yaitu berdasarkan kemampuannya dan fungsinya. Berikut adalah jenis-jenis AI dan penjelasannya.

A. Jenis AI Berdasarkan Kemampuan

  1. ARTIFICIAL NARROW INTELLIGENCE (ANI)

Artificial Narrow Intelligence atau ANI merupakan jenis AI yang paling umum digunakan saat ini. Disebut “narrow” karena fungsinya terbatas. Sebab, ANI hanya dirancang untuk bisa mengerjakan satu tugas saja. Meski hanya bisa mengerjakan satu tugas, hasil pekerjaan ANI sudah bisa dipastikan sangat baik kualitasnya. Penerapan ANI sangat dekat dengan kehidupan masyarakat. Bahkan AI jenis ini bisa diterapkan di seluruh sektor kehidupan. Mulai dari memberi rekomendasi produk hingga memperkirakan cuaca, semua bisa dilakukan ANI dengan mudah. Contoh ANI mencakup semuanya, mulai dari Siri, Face ID dan Google Assistant, Self-driving cars, dan program permainan papan DeepMind.

  1. ARTIFICIAL GENERAL INTELLIGENCE (AGI)

Berikutnya ada Artificial General Intelligence atau AGI. Untuk saat ini, AGI masih berupa suatu konsep saja. AI jenis ini digambarkan sebagai suatu sistem yang bisa bekerja dengan level kognitif setara manusia. Sistem ini mencakup pemrosesan bahasa, pemrosesan gambar, hingga fungsi pengambilan keputusan. Dengan teknologi dan inovasi yang ada saat ini, penciptaan AGI rasanya masih sangat jauh. Sebab, sistem AGI memerlukan setidaknya ribuan ANI yang bekerja beriringan dan saling terintegrasi. Meski begitu, bukan berarti belum ada progress penelitian yang mengarah ke sana.

  1. ARTIFICIAL SUPER INTELLIGENCE (ASI)

Terakhir ada Artificial Super Intelligence atau ASI. Jika sistem AGI bekerja dengan kognitif yang setara manusia, ASI dapat melampaui itu. ASI dapat mengambil keputusan, berpikir rasional, hingga menciptakan temuan.Sama seperti AGI, saat ini ASI pun masih berupa konsep kasar. Namun, saat nanti manusia pada akhirnya bisa menciptakan AGI, penciptaan ASI tidak lagi menjadi masalah besar. Sebab, pada saat AGI berhasil diciptakan, ilmuwan memprediksi bahwa teknologi akan berkembang amat pesat.

B. Jenis AI Berdasarkan Fungsinya

  1. Reactive Machines

Reactive Machines murni adalah jenis AI yang paling dasar. Sistem AI semacam ini tidak menyimpan ingatan atau pengalaman yang lalu untuk tindakan kedepannya. Reactive Machines hanya fokus pada skenario saat ini dan bereaksi sesuai tindakan sebaik mungkin. contoh dari AI Reactive Machine adalah IBM Deep Blue dan Google AlphaGo.

  1. Limited Memory

Limited Memory dapat menyimpan pengalaman yang lalu tapi hanya dalam waktu singkat.Limited Memory hanya dapat mengakses data yang disimpan dengan periode waktu yang singkat. Mobil Self-driving merupakan contoh terbaik dari Limited Memory system. Mobil-mobil ini dapat menyimpan kecepatan mobil yang ada diantaranya, jarak antar mobil, dan batas kecepatan berdasarkan pengalaman yang lalu untuk membantunya dalam menavigasi di jalanan.

  1. Theory of Mind

Theory of Mind dapat memahami emosi manusia, orang-orang, kepercayaan, dan dapat berinteraksi sosial layaknya manusia. AI jenis ini saat ini masih dalam pengembangan dan para ilmuwan bekerja keras dan melakukan peningkatan untuk mengembangkan AI semacam ini. Baymax dari film Big Hero 6 merupakan contoh dari robot yang menggunakan AI Theory of Mind. Dan salah satu contoh AI Theory of Mind di dunia yaitu Abel. Abel adalah robot yang dikembangkan oleh Universitas Pisa, Italia. Abel nantinya akan berguna untuk berinteraksi dengan orang yang mengidap autisme dan gangguan jiwa.

  1. Self-Awareness

Self-Awareness AI merupakan AI masa depan. AI ini nantinya akan sangat cerdas, memiliki kesadaran sendiri, memiliki perasaan, dan memiliki sifat self-awareness. AI jenis ini akan jauh lebih pintar dibandingkan dengan manusia. Self-Awareness AI tidak ada di dunia nyata dan hanya konsep hipotesis saja. Mungkin dalam dunia film contoh dari Self-aware AI adalah Ultron dari film Avengers Age of Ultron.

Cara Merancang AI

Artificial Intelligence sangatlah kompleks. Suatu sistem AI bisa terdiri atas beberapa sub bagian teknologi seperti:

  • NEURAL NETWORK

Neural network merupakan beberapa unit kecil yang saling berhubungan untuk memberikan mesin AI kemampuan belajar. Jika diibaratkan, unit ini mirip dengan sistem saraf manusia.

  • MACHINE LEARNING

Kemampuan belajar yang didapat dari neural network kemudian diolah untuk bisa mendapatkan pengetahuan atau kemampuan baru, bahkan sebelum AI diprogram untuk mempelajari kemampuan tersebut.

  • DEEP LEARNING

Deep learning merupakan peningkatan dari machine learning. Unit ini memanfaatkan tenaga komputer untuk mempelajari pola yang terdapat dalam data. Pengenalan gambar dan kemampuan berbicara adalah hasil dari deep learning pada AI.

  • COGNITIVE COMPUTING

Cognitive computing adalah unit yang memungkinkan AI untuk bisa memiliki sistem kognisi mirip manusia. Kegunaan utama unit ini adalah untuk memproses perintah manusia melalui interpretasi terhadap ucapan dan gambar.

Perkiraan Biaya AI

Melansir dari Analyticsinsight.net, berikut adalah biaya yang harus dikeluarkan oleh beberapa negara untuk keperluan teknologi kecerdasan buatan:

  • Tiongkok

Pemerintah Tiongkok memiliki tekad atau ambisi untuk menjadi pusat inovasi AI utama didunia dengan peningkatan pengeluaran R&D sebesar 10,6 persen pada 2021 dan lebih dari 7 persen setiap tahunnya selama lima tahun ke depan.

  • Amerika Serikat

Pemerintah Amerika Serikat telah merancang dan akan meloloskan RUU untuk meningkatkan anggaran tahunan DARPA sebesar $3,5 miliar dengan total dana resmi menjadi $7 miliar selama lima tahun ke depan. RUU tersebut menyediakan $29 miliar selama tahun 2022-2026 untuk penelitian dan inovasi teknologi baru dan akan dialokasikan untuk inisiatif yang ada sebesar $52 miliar untuk artificial intelligence dan machine learning bersama dengan $1,5 miliar untuk R&D jaringan 5G.

  • Korea Selatan

Pemerintah Korea Selatan telah mengalokasikan 11,6 triliun Won untuk 2021 dan total 68,7 triliun Won pada 2025. Pada 2021, dana tersebut dialokasikan untuk keperluan data sebesar 2,8 triliun Won, artificial intelligence pemerintah sebesar 0,8 triliun Won, fasilitas smart healthcare sebesar 60 miliar Won, smart school sebesar 0,1 triliun Won, dan digital twin sebesar 0,3 triliun.

  • India

Pemerintah India mengumumkan bahwa mereka membutuhkan setidaknya $477 juta untuk Digital India dalam melakukan lebih banyak inovasi pada kecerdasan buatan. Selain itu, mereka juga menyelesaikan proyek MCA 21 dengan Rs.357,81 Crore.

  • Rusia

Pemerintah Rusia mengalokasikan $5,3 juta untuk menyelesaikan proyek model eksperimental pengembangan jaringan saraf yang dikenal sebagai Kashtan dan berencana untuk membelanjakan 244 miliar Rubel untuk AI pada 2024. Uang tersebut akan dihabiskan untuk AI Federal Project.

  • Jerman

Pemerintah Jerman berencana untuk menghabiskan sekitar 230 juta Euro untuk pendanaan artificial intelligence untuk lebih banyak R&D. Lebih dari 190 juta Euro dialokasikan untuk ilmuwan muda.

  • Prancis

Pemerintah Prancis telah mendedikasikan 1,5 miliar Euro untuk pengembangan artificial intelligence, termasuk 700 juta Euro untuk penelitian pada 2022.

Hal yang Mempengaruhi Harga AI

Setelah mengetahui perkiraan biaya di berbagai negara untuk mengimplementasikan artificial intelligence, perlu diketahui juga bahwa biaya artificial intelligence pun berbeda-beda. Berikut adalah beberapa faktor yang menyebabkan hal tersebut.

  1. Tipe perangkat lunak

Pada dasarnya, kecerdasan buatan adalah istilah umum yang digunakan untuk teknologi yang meniru tindakan manusia. Artificial intelligence membuat keputusan berdasarkan informasi yang dikonsumsinya. Hal ini berkaitan dengan asisten suara yang memahami pertanyaan yang diucapkan dalam bahasa alami, kamera keamanan yang mengenali orang dalam rekaman video langsung, dan sistem yang ahli dalam menemukan tumor kanker dalam CT scan. Biayanya tergantung kompleksitas, persyaratan, dan kinerjanya.

  1. Tingkat kecerdasan

Kecerdasan buatan diprogram hanya untuk tugas-tugas tertentu, seperti mengenali teks dalam PDF dan mengubahnya menjadi dokumen yang dapat diedit. Untuk memastikan artificial intelligence benar-benar cerdas, algoritma AI diharuskan menangkap pola dalam data dengan sedikit atau tanpa campur tangan manusia.

  1. Jumlah dan kualitas data

Kecerdasan artificial intelligence bergantung pada seberapa banyak data yang dikonsumsi untuk AI dalam memperoleh kecerdasannya. Makin banyak data yang diperoleh, maka semakin bagus kecerdasannya.

  1. Akurasi algoritma

Biaya artificial intelligence selanjutnya bergantung pada akurasi algoritma. Keakuratan AI bergantung pada jenis aplikasi dan persyaratan yang diterapkan oleh Anda. Sebagai contoh, chatbot hanya menangani hingga 60 persen dari total permintaan rutin. Untuk masalah yang lebih kompleks, diperlukan manusia untuk melakukannya, seperti mengendalikan drone.

Kelebihan AI

Melalui Medium, Towards Data Science menjabarkan berbagai kelebihan artificial intelligence, yaitu:

  • Mengurangi human error

Berbeda dengan manusia yang bisa melakukan kesalahan setiap saat, artificial intelligence tidak akan membuat kesalahan jika diprogram dengan benar. Dalam mengambil keputusan, AI menggunakan algoritma dan informasi yang sebelumnya sudah dikumpulkan di big data.

  • Membantu dalam pekerjaan berulang

Beberapa pekerjaan melibatkan tugas secara berulang setiap saat, misalnya bank melakukan verifikasi dokumen ketika ada nasabah yang mengajukan pinjaman. Bagi manusia, pekerjaan seperti itu akan terasa membosankan jika dilakukan secara repetitif selama bertahun-tahun. Kecerdasan buatan membantu perusahaan mengotomatiskan tugas-tugas tersebut dengan cepat, tanpa jeda, dan bisa tuntas sesuai jadwal yang diinginkan.

  • Membantu perusahaan berinteraksi dengan pelanggan

Beberapa perusahaan besar, seperti provider internet atau e-commerce, perlu membuka layanan 24 jam untuk mengatasi keluhan pelanggan setiap saat. Adanya AI membuat perusahaan bisa mengatur chatbot dan voice bot. Fitur ini secara otomatis akan melakukan interaksi dengan pelanggan.

  • Mengurangi risiko yang bisa terjadi pada manusia

Beberapa pekerjaan seperti menjinakkan bom, menambang batu bara, menyelami bagian terdalam lautan, memiliki risiko yang besar bagi manusia. Inilah salah satu keuntungan besar menggunakan artificial intelligence. Robot AI dapat menggantikan manusia melakukan hal-hal berisiko tinggi yang mengancam nyawa.

  • Mengambil keputusan lebih cepat

Manusia mengambil keputusan didasarkan oleh berbagai faktor, baik secara emosional maupun rasional. Sementara mesin kecerdasan buatan mengambil keputusan berdasarkan apa yang sudah diprogram sebelumnya. Ini membuat AI memberikan hasil dan melakukan tindakan lebih cepat dibanding manusia.

  • Tersedia selama 24 jam

Jam kerja manusia rata-rata 8 jam per hari. Jam kerja ini belum termasuk istirahat, makan, cuti, dan lainnya. Manusia tidak bisa terus berada di pekerjaannya selama 24 jam penuh. Sementara itu, kecerdasan buatan mampu bekerja 24×7 tanpa istirahat sedikit pun.

  • Memudahkan rutinitas sehari-hari

Di dunia serba canggih seperti sekarang, manusia mengandalkan gadget untuk melakukan rutinitas sehari-hari. Aplikasi seperti Google Assistant dan Apple’s Siri menerapkan artificial intelligence untuk memudahkan kegiatan manusia, seperti mencari lokasi dan menjawab panggilan telepon.

Kekurangan AI

Di samping banyak nya kelebihan, kecerdasan buatan juga memiliki kekurangan. Berikut ini adalah beberapa kekurangan AI :

  • Memerlukan biaya tinggi

Untuk membuat mesin yang bisa mensimulasikan kecerdasan manusia, diperlukan biaya yang besar. Biaya ini mencakup sumber daya, proses pembuatan, perawatan, dan pembaruan agar sistem selalu memenuhi persyaratan tertentu.

  • Membuat manusia tidak produktif

Artificial intelligence memang memudahkan manusia dalam mengotomatiskan pekerjaan sehari-hari. Namun, ini juga membuat manusia menjadi tidak produktif dan cenderung malas. Kecanduan memanfaatkan sistem AI dapat menyebabkan masalah baru bagi generasi mendatang.

  • Tidak ada ikatan emosional

Mesin tidak dapat menggantikan hubungan manusia di tim kerja. Manusia memiliki sisi emosional yang bisa mengembangkan ikatan dengan manusia lain. Ikatan emosional ini menjadi dasar terbentuknya manajemen tim guna mencapai tujuan bersama.

  • Menambah jumlah pengangguran

Beberapa pekerjaan manusia perlahan mulai bisa digantikan robot. Kemampuan artificial intelligence dalam mengerjakan tugas berulang akan mengurangi campur tangan manusia. Jika kecerdasan buatan semakin pintar melakukan tugas-tugas manusia, ini menyebabkan permasalahan serius di dunia ketenagakerjaan. Beberapa perusahaan berusaha mengganti manusia dengan robot AI karena dianggap lebih efisien.

  • Tidak ada kreativitas

Kecerdasan buatan memang belajar berdasarkan data dan riwayat pengalaman. Namun, AI tidak memiliki kemampuan berpikir kreatif dan out of the box seperti kecerdasan manusia. Hasil dari sistem hanya berisi fakta dan data-data yang sudah dihimpun dan diinstruksikan sebelumnya.

Machine Learning

Dilansir dari IBM, machine learning merupakan cabang dari artificial intelligence (AI). Ilmu ini berfokus untuk membuat sistem atau algoritma yang terus belajar dari data dan meningkatkan akurasinya dari waktu ke waktu tanpa pemrograman tertentu. Dalam aplikasi machine learning, algoritma atau urutan proses statistik dilatih untuk menemukan pola dan fitur tertentu dalam jumlah data yang besar. Hal ini bertujuan untuk membuat suatu keputusan maupun prediksi berdasarkan data-data tersebut. Semakin bagus algoritmanya, akurasi keputusan dan prediksi sistem akan semakin baik.

Seperti manusia yang semakin pintar jika banyak belajar, mesin yang mengolah semakin banyak data akan menghasilkan output yang makin akurat. Seperti yang sedikit disebutkan sebelumnya, machine learning kini menjadi bagian penting dalam aktivitas sehari-hari. Contoh dari kegunaan machine learning adalah asisten digital yang bisa kita gunakan di smartphone untuk menjalankan suatu perintah. Selain itu, aplikasi machine learning pun bisa dirasakan ketika iklan di internet merekomendasi produk yang sesuai dengan ketertarikan kita. Hal serupa berlaku pada Netflix yang bisa mengetahui preferensi film atau serial sesuai dengan apa yang selama ini telah ditonton oleh pengguna. Selain contoh-contoh tersebut, masih banyak lagi penggunaan machine learning untuk berbagai hal lainnya.

Fungsi Machine Learning

  1. Membantu proses penyelesaian masalah bisnis

Menurut Towards AI, machine learning adalah hal yang sangat penting sekarang ini. Machine learning bermanfaat untuk menyelesaikan permasalahan dunia dengan cara yang terukur. Dengan machine learning, kita bisa memroses dan menganalisis data yang lebih besar dan rumit dengan waktu yang lebih singkat. Aplikasi ilmu kecerdasan buatan ini pun bisa digunakan pada berbagai macam industri dan terus digunakan oleh pemilik industri besar dan peneliti agar dapat terus berkembang.

  1. Membantu memahami perilaku konsumen

Apakah kamu sering bertanya-tanya mengapa beranda aplikasi e-commerce selalu menampilkan produk yang hampir akurat dengan preferensimu? Ini merupakan hasil dari machine learning, di mana suatu sistem mempelajari perilakumu di aplikasi lalu mengolah data tersebut menjadi layanan personalisasi yang lebih baik. Dengan adanya machine learning, sistem jadi tahu mana tipe sepatu yang sering kamu cari, model tas yang kamu sukai, dan lain sebagainya.

  1. Mewujudkan automasi bisnis

Automasi sangat amat membantu meningkatkan efektivitas dan efisiensi operasional perusahan. Salah satunya pada divisi sales dan pengelolaan interaksi dengan konsumen. Penggunaan machine learning ternyata terdapat juga pada Customer Relationship Management software (CRM). Software ini dapat menggunakan ML untuk menganalisis dan menentukan mana pesan prioritas yang harus dibalas lebih dulu oleh tim sales.

  1. Mempermudah proses intelegensi bisnis

Seorang profesional di bidang business intelligence harus menyortir dan memilah mana saja data penting yang berharga bagi perusahaan. Nah, mereka menggunakan software dengan sistem machine learning untuk membantu mengidentifikasi data points, pola data, dan anomali data yang penting.

  1. Meningkatkan efektivitas proses HR

Human Resource Information System atau HRIS merupakan sistem rekrutmen yang sering digunakan oleh para praktisi HR. Sistem ini dapat menggunakan model machine learning untuk dapat mengidentifikasi kandidat dengan potensi paling besar untuk suatu posisi tertentu.

Tipe Machine Learning

  1. Supervised learning

Supervised machine learning adalah algoritma machine learning menggunakan data terlabel, contohnya sebuah input yang dimana output-nya diketahui. Sebagai contoh, sebuah alat memiliki data point yang berlabel F (failed) atau R (runs). Algoritma supervised learning menerima sekumpulan input dengan output yang tepat. Setelah itu, algoritma ini belajar dengan membandingkan output sebenarnya dengan output yang benar untuk menemukan error atau kesalahan. Dalam supervised learning, algoritma dapat memodifikasi model agar sesuai dengan hasil yang diinginkan. Biasanya, supervised learning digunakan pada aplikasi yang memprediksi kejadian di masa mendatang berdasarkan data historis.

  1. Semi-supervised learning

Metode machine learning ini tidak begitu berbeda dibandingkan supervised learning. Tetapi, semi-supervised learning menggunakan data berlabel dan tidak untuk melatih algoritma. Biasanya, digunakan data berlabel dalam jumlah kecil dan data tidak dilabeli dalam jumlah besar. Metode machine learning ini dapat digunakan dengan metode lainnya seperti klasifikasi, regresi, dan prediksi. Contoh penggunaan semi-supervised learning adalah untuk proses identifikasi wajah seseorang pada webcam atau kamera smartphone.

  1. Unsupervised learning

Unsupervised machine learning adalah kebalikan dari supervised learning. Pada metode machine learning ini, data yang diolah tidak memiliki label dan sistem tidak mengetahui jawaban atau output yang benar. Tujuan dari machine learning dengan metode ini adalah untuk mengeksplorasi data dan menemukan struktur di dalamnya. Biasanya, metode ini digunakan untuk data transaksional. Contohnya, unsupervised learning dapat digunakan untuk mengidentifikasi segemen konsumen dengan atribut yang serupa dan mengelompokkannya agar dapat ditangani atau diperlakukan sama dalam sebuah kampanye digital marketing. Tidak hanya itu, supervised learning juga dapat menemukan atribut utama yang membedakan antar segmen konsumen.

  1. Reinforcement Learning

Reinforcement learning biasanya digunakan untuk robotik, pembuatan game, dan navigasi. Dengan metode learning ini, algoritma akan mampu menemukan aksi atau perlakuan yang menghasilkan output terbaik dari hasil uji coba berulang kali (trial and error). Ada tiga komponen utama untuk reinforcement learning, yaitu agen (pembuat keputusan), lingkungan (apa saja yang berinteraksi dengan agen), dan aksi (apa yang agen bisa lakukan). Tujuan utama reinforcement machine learning adalah untuk menentukan aksi apa yang memaksimalkan hasil dalam waktu yang ditentukan.

Deep Learning

Deep learning adalah sub-bidang dari machine learning yang berfokus pada algoritma kecerdasan buatan (AI) yang terinspirasi struktur dan fungsi otak yang disebut jaringan saraf tiruan (artificial neural networks). Karena bekerja mirip dengan otak manusia, deep learning menjadi sebuah teknologi yang memiliki efektivitas tinggi dalam mengolah data mentah serta menciptakan sebuah pola dalam pengambilan keputusan. Deep learning mampu mengenali informasi dan pola tanpa pengawasan dari data yang tidak terstruktur. Inilah yang membuat deep learning kemudian diterapkan dalam berbagai sektor, mulai dari aplikasi raksasa hingga teknologi dalam mobil tanpa pengemudi.

Fungsi Deep Learning

  • Memaksimalkan kinerja data yang tidak terstruktur dalam sebuah aplikasi atau website.
  • Menghilangkan kebutuhan akan feature engineering.
  • Memiliki kemampuan untuk memberikan hasil berkualitas tinggi.
  • Memangkas biaya-biaya yang tidak perlu.
  • Menghapus kebutuhan akan data labeling.

Komponen Deep Learning

Komponen deep learning merupakan sejumlah algoritma yang mempengaruhi proses berjalannya sistem tersebut. Berikut ini adalah 4 jenis algoritma dalam deep learning.

  1. Convolutional Neural Networks (CNN)

CNN juga sering disebut dengan ConvNets. Convolutional Neural Networks adalah algoritma yang memiliki beberapa lapisan dengan fungsi utama untuk memproses gambar dan mendeteksi objek.

  1. Recurrent Neural Network (RNN)

Recurrent Neural Network adalah algoritma yang menghasilkan koneksi untuk membentuk siklus teratur. Siklus ini dapat memproses output yang berasal dari LSTM, kemudian dijadikan input untuk fase terkini. Hal ini mungkin terjadi karena memori internal yang dimiliki oleh RNN. Fungsi RNN sendiri biasanya untuk menganalisa deret waktu, memberi caption untuk gambar, hingga mengenali tulisan tangan.

  1. Long Short Term Memory Network (LSTM)

LSTM termasuk salah satu jenis RNN yang bisa mempelajari dan mengingat ketergantungan jangka panjang, sehingga algoritma satu ini bisa mengingat lagi informasi dari waktu yang sudah lama berlalu. Ini karena LSTM lebih menitikberatkan informasi dibandingkan waktu. Ini membuat LSTM sangat pas untuk memperkirakan deret waktu karena bisa mengingat informasi terdahulu.

  1. Self-Organizing Maps (SOM)

Algoritma SOM dibuat untuk membantu pengguna memahami informasi berdimensi tinggi. SOM bekerja untuk membuat visualisasi data untuk mengurangi dimensi melalui jaringan neutral buatan yang dapat beroperasi secara mandiri.

Neural Network

Dikutip dari revou.co, Neural network atau disebut juga dengan Artificial Neural Network (ANN) adalah sekumpulan algoritma machine learning yang dirancang untuk mengenali pola data. Neural network terinspirasi dari otak manusia dan meniru cara kerja sel saraf (neuron) dalam mengirim pesan satu sama lain. Pada manusia, neuron menerima sinyal atau rangsangan dari luar kemudian mengirimkannya ke otak untuk diproses. Setelahnya tubuh akan bertindak sesuai perintah yang dikirimkan otak melalui neuron.

Neuron manusia terdiri dari beberapa bagian, begitu juga dengan neural network yang terdiri dari beberapa lapisan node (neuron buatan) yaitu lapisan input, satu atau lebih lapisan tersembunyi, dan lapisan output. Hal ini membuat neural network dapat melakukan perhitungan yang jauh lebih kompleks. Setiap node saling terhubung untuk menerima dan mengirimkan informasi. Sama seperti cara kerja neuron dalam mengirimkan informasi ke otak dan tubuh merespons sesuai dengan perintah dari otak.

Fungsi Neural Network

Neural network belajar untuk melakukan beberapa tugas dengan menganalisis data pelatihan. Biasanya data pelatihan sudah dilabeli terlebih dahulu sesuai jenisnya seperti gambar, suara, atau teks. Misalnya dalam mengenali gambar, sistem pengenalan objek di neural network diberi ribuan gambar seperti mobil, rumah, cangkir, dan lainnya. Lalu neural network akan menemukan pola yang sama antara gambar-gambar tersebut dan melabelinya berdasarkan kesamaan pola.

Neural network dapat membantu menyelesaikan tugas-tugas kompleks dan non-linier, seperti menyarankan keputusan pembelian saham yang butuh melihat berbagai faktor termasuk data-data historical. Selain itu, neural network membantu komputer membuat keputusan cerdas dengan mengandalkan data pelatihan yang telah diberikan sebelumnya. Dengan menggunakan data pelatihan, neural network dapat berlatih sendiri untuk meningkatkan akurasi prediksi mereka. Karena itu, neural network dapat memproses dan mengolah data dengan seminimal mungkin campur tangan manusia.

Neural network juga membantu mengklasifikasikan dan mengelompokkan data yang disimpan dan dikelola oleh pengguna. Neural network dapat memahami data yang tidak terstruktur dan tidak berlabel, lalu mengelompokkannya berdasarkan kesamaan data input dengan data pelatihan.

Neural network digunakan di berbagai bidang untuk:

  • Mendiagnosis suatu penyakit dan tingkat keparahannya dengan akurat
  • Membantu mempelajari cara kerja otak
  • Memprediksi kenaikan atau penurunan saham
  • Membantu memprediksi cuaca dan bencana alam seperti gempa atau tsunami
  • Membantu mengembangkan strategi pertahanan yang efektif bagi suatu negara
  • Menyarankan produk atau layanan yang disesuaikan dengan kebutuhan pengguna (iklan yang dipersonalisasi) berdasarkan pada pola perilaku pengguna di dunia maya
  • Membantu perkembangan auto pilot, diagnosis kesalahan, dan mengamankan sistem kontrol pesawat jika terjadi kesalahan

Jenis Neural Network

Neural network terbagi menjadi beberapa jenis yang digunakan untuk tujuan berbeda, yaitu:

  • Perceptron

Perceptron merupakan jenis neural network tertua dan dikenal sebagai salah satu jenis algoritma machine learning. Meski begitu, pada awalnya perceptron hanyalah mesin pengenalan gambar. Cara kerja perceptron terinspirasi dari fungsi persepsi manusia dalam melihat dan mengenali gambar. Perceptron adalah neural network yang hanya terdiri dari satu lapisan node, dan hanya memahami hubungan linear antara data input dan output yang disediakan. Namun kini neural network bisa memiliki banyak lapisan node sehingga mampu memahami pola data yang lebih kompleks. Kemampuan itu bisa ditemukan di multi-layer perceptrons (MLP).

  • Multi-Layer Perceptrons (MLP) atau Feedforward Neural Networks 

Merupakan jenis neural network yang paling umum dan versi lebih canggih dari perceptron. MLP terdiri dari tiga jenis lapisan node yaitu input, output, dan lapisan tersembunyi. Tapi MLP juga bisa tidak memiliki lapisan node tersembunyi. MLP dilatih dengan algoritma pembelajaran backpropagation yang dapat menangkap pemetaan dan menghitung data turunan dengan cepat. Pada akhirnya, algoritma ini membantu meningkatkan akurasi prediksi dan efisiensi dengan mengurangi kesalahan yang ditemukan dalam jaringan. MLP sangat berguna dalam data mining dan machine learning. Contohnya mengenali ucapan, gambar, dan menerjemahkan teks dari suatu bahasa ke bahasa lainnya secara otomatis (machine learning).

  • Convolutional Neural Networks (CNN)

CNN mirip dengan jaringan MLP, tetapi biasanya digunakan untuk data temporal dan ordinal seperti penerjemah bahasa, natural language processing (NLP), serta pengenalan gambar dan suara. Jaringan ini memanfaatkan prinsip-prinsip dari aljabar linier, khususnya perkalian matriks, untuk mengidentifikasi pola dalam suatu gambar. Contoh dari CNN adalah fitur asisten pribadi Siri oleh Apple, Google Translate, dan Google Voice.

  • Recurrent Neural Networks (RNN)

RNN dibangun untuk memahami data temporal atau berurutan. Algoritma pembelajaran ini terutama dimanfaatkan saat menggunakan data deret waktu untuk membuat prediksi tentang hasil di masa mendatang, seperti prediksi pasar saham atau perkiraan penjualan.

Cognitive Computing

Dilansir dari Sosial79, Cognitive Computing atau Cognitive Cloud Computing adalah proses membuat model terkomputerisasi kompleks yang dapat bekerja mirip dengan pikiran manusia. Cognitive Computing secara general dapat dikatakan sebagai sebuah simulasi dari proses pemikiran manusia ke dalam bentuk dan model terkomputerisasi atau terkomputasi. Sistem berteknologi canggih ini menjadi sebuah mesin modern yang memiliki cara kerja unik yaitu dapat berpikir dan beradaptasi seperti otak manusia.

Cognitive Computing melibatkan sistem belajar (self-learning) mandiri dalam sebuah sistem yang menggunakan data mining, pengenalan pola dan pengolahan bahasa pemrograman untuk meniru cara kerja otak manusia dalam sebuah sistem. Tujuan dari komputasi kognitif adalah untuk menciptakan sistem IT yang secara otomatis mampu memecahkan masalah tanpa memerlukan bantuan manusia.

Atribut Cognitive Computing

Cognitive computing pada dasarnya diciptakan dengan tujuan untuk menciptakan sebuah sistem IT yang dapat memecahkan segala permasalahan. Pada sistem ini terdapat pula algoritma pembelajaran mesin sehingga setiap data yang diterima bisa diproses dan dikelola hingga pengguna memperoleh informasi dari data yang diolah tersebut. Berikut ini adalah beberapa atribut utama dari proses cognitive cloud computing.

1. Adaptif. Cognitive cloud systems perlu bersifat adaptif untuk memahami bahwa sifat informasi sering berubah seiring waktu. Sistem perlu dirancang fleksibel untuk perubahan. Ini akan memungkinkan sistem untuk menerima data dinamis secara real-time dan membuat penyesuaian yang diperlukan.
2. Interaktif. Pentingnya menjadi interaktif agar cognitive computing menjadi efektif. Suatu hal penting bagi pengguna untuk dapat berinteraksi dengan sistem semacam itu untuk menentukan kebutuhan yang mungkin berubah atau diperbarui. Selain itu, sistem kognitif perlu berinteraksi dengan elemen perangkat keras lain seperti prosesorkomputer, dan drive lainnya.
3. Contextual. Fungsi kognitif lain yang sangat penting adalah pemahaman konteks data. Cognitive systems juga perlu mengidentifikasi dan memahami data yang berkaitan dengan konteksnya. Data kontekstual dapat diperoleh berdasarkan lokasi, waktu, domain, dan sintaksis source data. Mungkin ada detail tambahan lainnya seperti parameter yang dibuat oleh pengguna, persyaratan dan tujuan yang ditentukan. Ada juga berbagai bentuk data terstruktur dan tidak terstruktur lainnya yang perlu dipisahkan. Cognitive system data center perlu membedakan masing-masing agar dapat berguna sebagai model.
4. Iterative dan Stateful. Sistem komputasi kognitif yang efektif harus dapat meminta detail tambahan terkait data untuk mendapatkan kejelasan yang lebih baik. Hal ini bisa diperoleh dengan mengacu pada masalah serupa di masa lalu.

Manfaat Cognitive Computing

1. Memecahkan Masalah

Berbagai masalah memang bisa dipecahkan dengan menggunakan sistem komputasi kognitif yang memiliki metode canggih ini. Namun tentunya permasalahan yang dimaksud di sini adalah segala permasalahan yang berkaitan dengan data. Dalam hal ini Anda bisa menggunakan sistem ini untuk keperluan pemecahan masalah yang cenderung membutuhkan proses analisis.

2. Proses Lebih Cepat

Melakukan proses analisis data memang bisa dengan cara manusia misalnya menggunakan tenaga manusia saja. Dalam hal ini perusahaan bisa menggunakan tenaga dan keahlian karyawan untuk bekerja dalam melakukan proses pengolahan data. Namun di era digital seperti sekarang ini tampaknya Anda bisa menggunakan sistem komputasi yang canggih untuk melakukan proses pengolahan data. Terlebih lagi bila sistem komputasi ini bekerja seperti otak manusia sehingga proses pengolahan data bisa dilakukan dengan tepat.

3. Mengatasi Kesulitan

Cognitive computing pada dasarnya memiliki hubungan atau keterkaitan yang erat dengan self learning system. Self learning system sebenarnya bekerja dengan menciptakan berbagai macam model data yang telah dianalisis. Apa yang dirasa sulit untuk dianalisis oleh manusia rupanya bisa dilakukan dengan lebih mudah melalui sistem ini. Sebab sistem komputasi berteknologi canggih ini memang dirancang untuk dapat difungsikan dalam hal pengolahan data hingga data berkapasitas besar.

4. Performa Baik dan Powerful

Menggunakan teknologi canggih berupa komputasi kognitif tentu sangat menguntungkan bagi Anda ataupun bagi sebuah badan usaha dan perusahaan tertentu. Sistem ini dapat dioperasikan secara maksimal sehingga bisa berfungsi dengan baik bagi perusahaan yang menggunakannya. Beberapa sistem mungkin terkesan kewalahan dengan adanya banyak data yang perlu diolah.

Kesimpulannya penerapan AI banyak mempengaruhi cara manusia hidup, berinteraksi, dan meningkatkan pengalaman dan kenyamanan para penggunanya. AI masih akan terus berkembang dan masih banyak AI yang akan segera muncul atau datang di tahun-tahun berikutnya. Tentunya dengan AI yang lebih baik lagi dengan lebih banyak perbaikan, pengembangan, dan penerapannya.

Demikian Informasi terkait Segala Hal Tentang AI (Artificial Intelligent), Semoga informasi yang diberikan bisa berguna dan bermanfaat bagi kita semua.

Jadi, Bagaimana pandanganmu terhadap Teknologi AI?

Sumber : tiindonesia.blogspot.com, revou.co, blog.algorit.ma, widya.ai, nguprek.com, aws.amazon.com, dicoding.com, ekrut.com, dailysocial.id, Glints.com, Pintu.co.id, Sosial79.com, 123dok.com

Permanent link to this article: https://www.berilmu.com/blog/segala-hal-tentang-ai-artificial-intelligent/