Mengenal Deep Learning

Oleh : Retno Agus Setiawan, S.Kom., M.T (Dosen Prodi Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Harapan Bangsa). Deep learning adalah teknik kecerdasan buatan canggih yang semakin populer dalam beberapa tahun terakhir. Hal tersebut tercapai berkat data yang berlimpah dan kemampuan komputasi yang terus meningkat. Deep learning merupakan teknologi utama dibalik banyak aplikasi yang biasa digunakan setiap hari, termasuk terjemahan bahasa online dan otomatisasi Face-Tagging di media sosial. Perlu diketahui deep learning merupakan bagian dari machine learning, sebuah cabang dari kecerdasan buatan yang mengkonfigurasi komputer untuk melakukan tugas melalui pengalaman. Berbeda dengan sistem kecerdasan buatan berbasis aturan atau rule-based AI systems, algoritma machine learning mengembangkan perilakunya dengan memproses contoh yang beranotasi, sebuah proses yang disebut “training”. Sebagai contoh, untuk membuat program pendeteksi transaksi perbankan, algoritma machine learning dilatih dengan daftar transaksi bank dan hasil akhirnya “valid” atau “tidak valid”. Model machine learning meneliti contoh yang diberikan dan mengembangkan representasi statistik dari karakteristik umum antara transaksi valid dan tidak valid. Setelahnya, ketika algoritma disajikan dengan data transaksi bank baru mereka akan mengklasifikasikannya sebagai data valid atau tidak valid berdasarkan pola yang diperoleh pada saat training. Semakin banyak data berkualitas yang diberikan, semakin akurat algoritma machine learning dalam menjalankan tugasnya. Machine learning sangat berguna dalam memecahkan masalah dimana aturan tidak didefinisikan dengan baik dan tidak dapat dituliskan kedalam perintah pengkodean. Sementara algoritma klasik menyelesaikan masalah dengan rule-based systems. Mereka mengalami kendala dalam menangani data seperti gambar, video, file suara dan teks yang tidak terstruktur. Algoritma deep learning memecahkan masalah tersebut dengan menggunakan jaringan neural (neural networks), jenis arsitektur perangkat lunak yang terinspirasi oleh jaringan otak manusia. Neural networks adalah tingkatan variable yang menyesuaiakan diri dengan sifat dari data yang mereka dapat dalam pelatihan dan menjadikannya mampu melakukan tugas seperti mengklasifikasikan gambar dan mengkonversi suara ke dalam teks. Neural networks sangat baik dalam menemukan pola didalam data yang tidak terstruktur. Lalu, digunakan untuk apa saja deep learning itu? Terdapat beberapa area dimana deep learning membantu memecahkan masalah yang sebelumnya tidak dapat dipecahkan. Salah satunya Computer vision, adalah ilmu/cara menggunakan perangkat lunak untuk memahami isi dari gambar dan video. Contoh dari lingkup area ini adalah penggunaan deep learning oleh Google Foto untuk mempelajari berbagai fitur, seperti mencari objek berdasarkan gambar dan mengoreksi gambar. Contoh lainnya Facebook menggunakan deep learning untuk menandai orang secara otomatis dalam foto yang diunggah penggunanya. Voice and speech recognition, ketika pengguna mengucapkan perintah ke aplikasi seperti Google Assistant, algoritma deep learning akan mengkonversi suara menjadi perintah text. Google Keyboard atau Gboard menggunakan deep learning untuk mengetik saat pengguna berbicara dan menuliskannya sesuai apa yang diucapkan. Natural language processing (NLP) and generation (NLG), layanan terjemahan Google mengalami peningkatan kerja setelah beralih menggunakan deep learning. Deep learning sangat efisien dalam menghasilkan teks yang bermakna. Gmail menggunakan deep learning untuk memunculkan tanggapan yang relevan terhadap isi email dan memunculkan saran untuk melengkapi kalimat. Namun dibalik semua kelebihan yang ada, deep learning ternyata memiliki beberapa kekurangan. Secara umum deep learning membutuhkan sejumlah data besar yang berkualitas untuk bisa melakukan tugas secara akurat. Sayangnya pada banyak kasus, data berkualitas yang tersedia tidak cukup untuk melatih deep learning. Kemudian, neural networks sangat kompleks seringkali tidak dimengerti bahkan oleh beberapa penciptanya sehingga sangat sulit untuk melakukan perbaikan di dalam algoritmanya. Algoritma deep learning adalah sama baiknya dengan data pelatihan yang diperoleh. Masalahnya seringkali data tersebut mengandung data bias dan tersembunyi sehingga hasilnya pun akan memiliki sifat bias. Berbagai upaya pekerjaan rumah terus dilakukan untuk meningkatkan kemampuan deep learning. Evolusi deep learning dan neural networks memberikan kita harapan menemukan arsitektur yang baru.

Sumber: