Apa yang dimaksud dengan jaringan saraf dalam?

Deep Neural Network (DNN) adalah teknik pembelajaran mesin yang memungkinkan komputer, dengan melatihnya, melakukan tugas-tugas yang sangat sulit dilakukan dengan teknik pemrograman konvensional. Algoritma jaringan saraf terinspirasi oleh otak manusia dan fungsinya: seperti pikiran manusia, algoritma ini dirancang untuk bekerja tidak hanya dengan mengikuti daftar aturan yang telah ditetapkan, tetapi juga dengan memprediksi solusi dan menarik kesimpulan berdasarkan iterasi dan pengalaman sebelumnya.

Apa yang dimaksud dengan arsitektur jaringan saraf?

Jaringan saraf terdiri dari beberapa lapisan node yang menerima input dari lapisan lain dan menghasilkan output sampai hasil akhir tercapai. Jaringan syaraf dapat memiliki sejumlah lapisan tersembunyi: semakin banyak lapisan node dalam jaringan, semakin tinggi kerumitannya. Berikut ini adalah arsitektur jaringan saraf yang berbeda:

1. Jaringan saraf tradisional, biasanya terdiri dari 2 atau 3 lapisan tersembunyi;
2. Jaringan pembelajaran mendalam, yang dapat memiliki hingga 150 lapisan tersembunyi;

Apa perbedaan antara jaringan saraf dan jaringan saraf dalam?

Jaringan syaraf dalam adalah sistem yang jauh lebih rumit daripada sistem syaraf "sederhana". Jaringan syaraf tiruan dapat diibaratkan seperti permainan catur, dan berperilaku sesuai dengan algoritme: taktik yang berbeda akan disarankan sesuai dengan gerakan dan tindakan lawan. Jaringan saraf ini akan terbatas pada apa yang dimasukkan oleh pemrogram:

• Bagaimana bidak catur bergerak;
• Ukuran papan catur;
• Strategi yang berbeda untuk situasi yang berbeda;

Jaringan saraf yang melampaui data input dan dapat belajar dari pengalaman sebelumnya menjadi jaringan saraf yang dalam

Pada komputer yang sama, Anda dapat, misalnya, melatih jaringan syaraf tiruan, lalu memainkannya melawan orang lain dan membiarkannya belajar sambil bermain. Dari sana, jika jaringan saraf bisa belajar dari pemain yang berbeda, maka akan menjadi sulit, atau secara harfiah tidak mungkin, untuk mengalahkan jaringan saraf yang dalam, bahkan untuk master catur sekalipun.

Jaringan syaraf tiruan dapat mengenali perintah suara, mengidentifikasi suara, mengenali suara dan grafik, serta melakukan lebih dari sekadar jaringan syaraf. Jaringan pembelajaran mendalam memanfaatkan "Big Data" bersama dengan algoritme untuk memecahkan masalah, dan jaringan saraf dalam ini dapat memecahkan masalah dengan input manusia yang terbatas atau tanpa input manusia.

Bagaimana cara memvisualisasikan kerja jaringan syaraf tiruan?

Proses jaringan syaraf tiruan paling baik dipahami dengan melihat sebuah contoh. Bayangkan Anda memiliki ratusan ribu gambar, beberapa di antaranya ada anjing di dalamnya, dan Anda memutuskan untuk menulis program komputer untuk mengenali anjing di dalam gambar.

Anda memiliki dua pilihan. Anda dapat menulis program untuk mengidentifikasi anjing secara eksplisit, atau Anda dapat menulis program yang "belajar" bagaimana mengidentifikasi anjing.

Anda dengan tidak bijaksana memutuskan untuk mencoba melakukan yang pertama.

Menggunakan teknik pemrograman konvensional memakan waktu lama dan sulit, dan hasilnya tidak selalu akurat

Untuk mengidentifikasi gambar anjing, Anda membuat program perangkat lunak dengan menggunakan pernyataan "jika" dan "maka", di mana kemungkinan bahwa Anda melihat seekor anjing diprogram untuk meningkat setiap kali Anda mengidentifikasi atribut seperti anjing, seperti bulu, telinga yang jebol, dan ekor. Namun, jenis sistem saraf ini sulit dalam banyak hal:

Sebagai contoh, jika sekelompok piksel menyerupai ekor, maka kemungkinan besar Anda sedang melihat seekor anjing. Jaringan syaraf tiruan Anda perlu mengidentifikasi kelompok piksel yang sesuai dengan atribut seperti anjing. Bahkan jika Anda berhasil melakukannya, ada masalah untuk algoritma Anda:

• Banyak objek yang difoto memiliki beberapa atribut seperti anjing, khususnya foto hewan yang mirip. Anda perlu menambahkan aturan;
• Terkadang atributnya ada di sana tetapi dikaburkan. Algoritme Anda tidak akan menangkapnya;
• Terkadang atribut hanya penting jika ada atribut lainnya. Lebih banyak aturan keputusan akan dibutuhkan;

Klasifikasi Anda gagal. Anda menyadari bahwa Anda tidak dapat secara manual mengidentifikasi set atribut yang lengkap apalagi merancang semua aturan yang diperlukan untuk menangani semua kasus khusus ini.

Anda dengan bijak menyerah dan memutuskan untuk mencoba pendekatan yang terakhir. Menggunakan jaringan saraf atau, bahkan lebih baik lagi, jaringan saraf dalam.

Model pembelajaran yang mendalam dapat menghemat waktu pengkodean dan menawarkan hasil yang lebih baik

Dinamakan neural network karena ada kemiripan antara pendekatan pemrograman ini dengan cara kerja otak.

Sama seperti otak, algoritma neural net menggunakan jaringan neuron atau simpul. Dan seperti halnya otak, neuron-neuron ini merupakan fungsi diskrit (atau mesin kecil jika Anda suka) yang menerima input dan menghasilkan output. Node-node ini disusun dalam beberapa lapisan di mana output dari neuron di satu lapisan menjadi input untuk neuron di lapisan berikutnya hingga neuron di lapisan terluar jaringan menghasilkan hasil akhir.

Oleh karena itu, terdapat lapisan neuron dengan masing-masing neuron menerima input yang sangat terbatas dan menghasilkan output yang sangat terbatas seperti halnya otak. Lapisan pertama (atau lapisan input) neuron menerima input dan lapisan terakhir neuron (atau lapisan output) dalam jaringan mengeluarkan hasilnya.

Apakah tepat untuk menyebut jenis algoritme ini sebagai "jaringan saraf"?

Otak manusia jauh lebih kompleks dan kuat daripada jaringan syaraf, tentu saja. Penamaan algoritme sebagai "jaringan syaraf tiruan dalam" merupakan sebuah kudeta pencitraan merek, namun hal ini dapat menciptakan ekspektasi yang tidak realistis tentang apa yang dapat dicapai dengan teknik ini. Meskipun demikian, ada beberapa orang yang mencoba merekayasa ulang otak, menggunakan jaringan saraf yang sangat kompleks, dengan harapan bahwa dengan melakukan hal ini mereka akan dapat mereplikasi kecerdasan umum seperti manusia dalam pengembangan bot. Jadi, bagaimana jaringan saraf dan teknik pembelajaran mesin dapat membantu kita dalam masalah pengenalan anjing?

Nah, alih-alih mendefinisikan atribut seperti anjing secara manual, algoritma jaringan syaraf tiruan dapat mengidentifikasi atribut penting dan menangani semua kasus khusus tanpa pemrograman.

Bagaimana cara kerja jaringan syaraf tiruan?

Hal ini dilakukan sebagai berikut:

Setiap neuron pada lapisan masukan menerima sedikit informasi dari gambar sebagai masukan dan kemudian secara acak memberi bobot (antara nol dan satu) apakah informasi tersebut menunjukkan seekor anjing atau tidak. Bobot yang rendah (kurang dari 0,5) berarti kecil kemungkinannya informasi tersebut terkait dengan anjing dan bobot yang tinggi berarti besar kemungkinannya informasi tersebut terkait dengan anjing. Pendekatan jaringan saraf multilayer ini disebut deep learning. Jaringan saraf dan pembelajaran mendalam adalah teknik yang sangat kuat untuk mencapai pemahaman komputer.

Jaringan saraf dalam terdiri dari beberapa lapisan simpul yang berperilaku seperti neuron di otak kita

Jadi untuk melanjutkan jaringan saraf dalam, bobot dari neuron-neuron ini kemudian dimasukkan sebagai input ke dalam lapisan neuron lain yang juga secara acak memberikan bobot dan meneruskannya sebagai input ke lebih banyak neuron dalam jaringan. Hal ini terus berlanjut hingga lapisan output neuron memberikan keputusan biner. Jika rata-rata bobot yang diteruskan kepada mereka lebih besar dari 0,5, maka itu adalah anjing, jika tidak, maka itu bukan anjing. Koneksi antara dan aktivasi neuron di berbagai lapisan node inilah yang memberikan kekuatan pada aplikasi jaringan syaraf tiruan.

Bagaimana jaringan syaraf tiruan tahu jika ia menghasilkan jawaban yang benar?

Pertanyaan yang relevan pada saat ini adalah: apakah jaringan saraf dalam telah menebak dengan benar atau tidak, dan apa yang terjadi jika jaringan saraf dalam menebak dengan benar atau tidak? Dan bagaimana jaringan syaraf mengetahui apakah ia menebak dengan benar atau tidak?

Salah satu cara untuk mengetahuinya adalah jika Anda melakukan tugas klasifikasi yang sangat memakan waktu untuk melabeli semua foto dengan label "anjing" atau "bukan anjing", tergantung pada apakah ada anjing dalam foto tersebut atau tidak. Jaring saraf hanya akan melihat label untuk melihat apakah ia mengidentifikasi anjing dengan benar atau tidak.

Dan tentu saja kami tidak tertarik pada apakah aplikasi ini menjawab pertanyaan "Anjing atau bukan" dengan benar pada satu foto anjing. Kami tertarik pada apakah sistem ini menjawab pertanyaan dengan benar untuk setiap foto, atau setidaknya untuk mengetahui berapa persen dari waktu yang digunakan untuk menilai apakah ada anjing atau tidak dalam foto tersebut.

Bagaimana jaringan saraf tiruan menggunakan pelatihan untuk belajar?

Jaringan saraf belajar dari setiap iterasi melalui data untuk meningkatkan akurasinya

Untuk satu set bobot tertentu di semua neuron dalam jaringan, jaringan saraf akan membuat tebakan untuk semua foto dan kemudian menentukan seberapa akurat tebakan tersebut. Berapa persen dari waktu yang digunakan untuk mendapatkan hasil yang benar, misalnya, mengatakan bahwa anjing itu ada di foto ketika ia ada di foto, dan berapa kali ia mendapatkan hasil yang salah, misalnya, mengatakan bahwa anjing itu ada di foto ketika ia tidak ada di foto, atau mengatakan bahwa anjing itu tidak ada di foto ketika ia ada di foto. Indikasi seberapa akurat algoritma AI merupakan umpan balik yang penting untuk model jaringan saraf.

Setelah menjalankan semua foto satu kali, alat ini dapat secara acak (atau sebaliknya) menyesuaikan sebagian bobot dan kemudian melakukan seluruh latihan menebak apa yang ada dalam foto lagi. Jika hasil dari proses kedua lebih baik, maka akan disimpan dan bukannya kembali ke set bobot sebelumnya. Jika hasil dari putaran kedua lebih buruk, maka akan kembali ke set bobot sebelumnya dan kemudian mencoba modifikasi yang berbeda pada bobot tersebut.

Proses ini akan terus berlanjut hingga jaringan saraf menjadi baik dalam mengidentifikasi anjing dalam foto (semoga saja).

Ketika algoritme dapat secara akurat mengidentifikasi anjing, maka algoritme tersebut dikatakan telah menyatu. Algoritme ini telah berhasil "dilatih" untuk mengidentifikasi anjing.

Apa saja jenis-jenis jaringan saraf yang berbeda?

Jaringan saraf konvolusional

Jaringan syaraf tiruan (CNN) adalah jenis kecerdasan buatan yang dirancang untuk memproses, atau belajar dari kumpulan data yang besar. Jaringan saraf tiruan konvolusional adalah istilah yang baru diciptakan secara khusus untuk menggambarkan jenis jaringan ini, atau teknologi AI secara umum.

CNN adalah alat bantu AI pengenal gambar yang kuat yang menggunakan pembelajaran mendalam untuk melakukan tidak hanya tugas-tugas generatif, tetapi juga tugas-tugas deskriptif. Contoh tugas generatif termasuk pemangkasan otomatis, penulisan teks, videografi, mimeograf, dan hamparan gambar. Jaringan saraf convolutional berisi apa yang disebut lapisan convolutional. Setiap neuron dalam lapisan ini hanya memproses informasi dari sebagian kecil bidang visual. Input setiap neuron dijajarkan dengan cara seperti checksum untuk menghasilkan peta fitur.

Jaringan saraf tiruan

Jaringan syaraf tiruan (JST) adalah jaringan dengan banyak perceptron pada kedalaman atau lapisan yang berbeda yang dapat dipahami sebagai Regresi Logistik. ANN sering disebut Feed Forward Neural Network karena input diproses hanya dalam arah maju: lapisan menerima input dan mengirimkan output secara linier.

Jaringan saraf tiruan juga dikenal sebagai penduga fungsi universal. Algoritma jaringan saraf tiruan murni seperti JST dan fungsi pemetaan yang dapat diimplementasikan sebagai pembelajaran mendalam memungkinkan komputer untuk mempelajari fungsi apa pun. Salah satu alasan mengapa pendekatan universal penting adalah fungsi aktivasi. Fungsi aktivasi memperkenalkan sifat nonlinier ke dalam jaringan sambil mempelajari hubungan kompleks antara input dan output. Fungsi ini membantu berbagai jenis jaringan untuk belajar dari satu sama lain.

Bagaimana jaringan saraf dalam meningkat dari waktu ke waktu?

Salah satu cara untuk membayangkan apa yang dilakukan algoritme ini adalah dengan membayangkan setiap neuron sebagai semacam tes kepastian. Alih-alih mengkodekan semua pernyataan jika-maka untuk mengidentifikasi anjing, setiap neuron dikalibrasi untuk menambah atau mengurangi penilaian akhir bahwa objek dalam foto adalah anjing. Seolah-olah penilaian (seperti anjing atau bukan) dipecah menjadi sejumlah besar penilaian yang saling terhubung yang berkontribusi secara agregat pada penilaian akhir.

Tentu saja tujuan utamanya adalah mencapai konvergensi jika memungkinkan. Juga merupakan tujuan yang penting untuk melakukan hal ini dalam waktu yang masuk akal, sebaiknya dalam waktu yang singkat.

Algoritme deep learning memiliki proses pembelajaran yang membuatnya sulit dipahami oleh manusia

Yang menarik adalah logika yang memungkinkan jaringan syaraf untuk mengidentifikasi anjing dalam gambar tidak dapat dimengerti oleh manusia. Model pembelajaran mendalam memiliki logika tersembunyi, pada dasarnya sebuah kotak hitam dengan lapisan-lapisan tersembunyi dari simpul-simpul yang menciptakan jaringan dalamnya sendiri. Meskipun demikian, ada beberapa upaya untuk mencoba merepresentasikan logika di balik jaringan syaraf tiruan secara visual untuk tugas-tugas pengenalan gambar. Untuk kasus-kasus lain, tidak mungkin untuk melihat apa yang dilakukan algoritme di balik layar dan metode deep learning tetap tersembunyi.

Jaringan syaraf dan pembelajaran mesin memang populer sekarang, tetapi banyak dari algoritme ini yang sudah dikenal sekitar 50 tahun yang lalu.

Mengapa jaringan syaraf tiruan semakin populer di berbagai industri?

Salah satu alasan utama mengapa neural net jauh lebih populer sekarang dibandingkan saat pertama kali ditemukan, adalah karena daya pemrosesan yang lebih cepat dan lebih murah daripada sebelumnya. Daya komputasi telah membuat perbedaan besar dalam mencapai konvergensi yang cepat. Alasan lainnya adalah bahwa data sekarang ada di mana-mana yang meningkatkan nilai algoritme yang dapat menggunakan data seperti chatbots untuk bisnis

Jaringan saraf tingkat lanjut membutuhkan daya pemrosesan yang tinggi dan banyak data

Jaringan syaraf tiruan pembelajaran mendalam adalah teknik yang haus akan data dan prosesor yang dapat mencapai hasil yang tidak mungkin dicapai oleh pemrogram yang menggunakan teknik pemrograman. Teknik ini sangat cocok untuk masalah-masalah tertentu di mana data yang tersedia di mana-mana dan mudah untuk mengkategorikan atau mengurutkan hasil yang lebih baik.

Tanpa memiliki ratusan ribu atau bahkan jutaan foto anjing, maka tidak mungkin untuk melatih algoritme. Teknik ini hanya bekerja ketika banyak data yang tersedia. Hal ini cukup jelas karena semua kasus khusus tidak mungkin terwakili dalam satu set yang terdiri dari 1000 foto.

Jaringan syaraf dapat dihadapkan pada data terstruktur atau data tidak terstruktur

Satu masalah dalam contoh di atas adalah, banyak pekerjaan manual yang terlibat dalam melabeli semua foto. Akan lebih mudah bagi algoritme untuk menggunakan data yang diberi label secara terstruktur. Pembelajaran mesin jaringan saraf yang menggunakan data terstruktur disebut pembelajaran terawasi.

Hal ini membawa kita pada pertanyaan utama: apakah mungkin untuk menghindari semua pekerjaan penandaan tersebut? Hal ini akan sangat baik karena Anda tidak hanya dapat menghindari banyak pekerjaan manual, tetapi juga sebagian besar data yang tersedia di internet tidak terstruktur, yaitu tidak dilabeli atau disusun dengan hati-hati.

Dapatkah jaringan syaraf bekerja dengan data yang tidak terstruktur?

Jaringan syaraf tiruan dan pembelajaran mesin yang bekerja dengan data yang tidak terstruktur disebut pembelajaran tanpa pengawasan. Tentu saja, ini adalah cawan suci dari pembelajaran mesin dan lebih mirip dengan bagaimana manusia belajar. Namun, bahkan pembelajaran tanpa pengawasan oleh mesin membutuhkan lebih banyak data untuk "belajar" daripada yang dilakukan manusia dan mesin tidak dapat dengan mudah melakukan ekstrapolasi ke contoh-contoh yang berada di luar apa yang telah mereka latih.

Banyak model pembelajaran mendalam yang mencoba mereproduksi proses otak manusia

Beberapa orang percaya bahwa jenis algoritme ini dapat dikembangkan, mungkin dengan merekayasa ulang otak, hingga algoritme tersebut mulai mendekati "pemahaman" tingkat manusia. Mereka percaya bahwa akan memungkinkan untuk menggunakan teknologi pemindaian otak yang canggih untuk memberi kita wawasan tentang bagaimana jaringan saraf otak benar-benar bekerja. Dengan meniru desain dan pola ini, kita dapat meniru kecerdasan tingkat manusia.

Meskipun teknik-teknik ini tidak diragukan lagi cerdik dan sangat berguna, terutama jika tersedia kumpulan data yang besar, sulit untuk membayangkan bahwa algoritme sederhana seperti itu dapat menjadi dasar dari kecerdasan yang sangat kreatif seperti manusia.

‍