Pembelajaran mandiri adalah masa depan AI

Pembelajaran mandiri adalah masa depan AI

 

Pembelajaran mandiri adalah masa depan AI
Pembelajaran mandiri adalah masa depan AI

Terlepas dari kontribusi besar pembelajaran mendalam ke bidang kecerdasan buatan, ada sesuatu yang sangat salah dengannya: Ini membutuhkan data dalam jumlah besar. Ini adalah satu hal yang disetujui oleh para pionir dan kritikus pembelajaran mendalam. Faktanya, pembelajaran yang dalam tidak muncul sebagai teknik AI terkemuka sampai beberapa tahun yang lalu karena terbatasnya ketersediaan data yang berguna dan kekurangan daya komputasi untuk memproses data tersebut.

Mengurangi ketergantungan data dari pembelajaran mendalam saat ini adalah salah satu prioritas utama para peneliti AI.

Dalam pidatonya di konferensi AAAI, ilmuwan komputer Yann LeCun membahas batas-batas teknik pembelajaran mendalam saat ini dan mempresentasikan cetak biru untuk “pembelajaran mandiri,” peta jalannya untuk menyelesaikan masalah data pembelajaran dalam. LeCun adalah salah satu bapak baptis yang dalam dan penemu jaringan saraf convolutional (CNN), salah satu elemen kunci yang telah mendorong revolusi dalam kecerdasan buatan dalam dekade terakhir.

Pembelajaran mandiri adalah salah satu dari beberapa rencana untuk menciptakan sistem kecerdasan buatan yang

efisien data. Pada titik ini, sangat sulit untuk memprediksi teknik mana yang akan berhasil menciptakan revolusi AI berikutnya (atau jika kita akhirnya akan mengadopsi strategi yang sama sekali berbeda). Tapi inilah yang kita ketahui tentang rencana induk LeCun.
Klarifikasi tentang batas-batas pembelajaran yang mendalam

Pertama, LeCun mengklarifikasi bahwa apa yang sering disebut sebagai keterbatasan pembelajaran yang dalam, pada kenyataannya, adalah batas pembelajaran yang diawasi. Pembelajaran terawasi adalah kategori algoritma pembelajaran mesin yang membutuhkan data pelatihan beranotasi. Misalnya, jika Anda ingin membuat model klasifikasi gambar, Anda harus melatihnya pada sejumlah besar gambar yang telah diberi label dengan kelas yang sesuai.

“[Pembelajaran mendalam] bukan pembelajaran terawasi. Ini bukan hanya jaringan saraf. Ini pada dasarnya ide membangun sistem dengan merakit modul parameter ke dalam grafik perhitungan, “kata LeCun dalam pidatonya AAAI. “Anda tidak secara langsung memprogram sistem. Anda menentukan arsitektur dan Anda menyesuaikan parameter itu. Mungkin ada miliaran. ”

Pembelajaran yang mendalam dapat diterapkan pada paradigma pembelajaran yang berbeda, LeCun menambahkan, termasuk pembelajaran yang diawasi, pembelajaran penguatan, serta pembelajaran yang tidak diawasi atau diawasi sendiri.

Tetapi kebingungan seputar pembelajaran yang mendalam dan pembelajaran yang diawasi bukan tanpa alasan.

Untuk saat ini, sebagian besar algoritma pembelajaran dalam yang telah menemukan jalan mereka ke aplikasi praktis didasarkan pada model pembelajaran yang diawasi, yang mengatakan banyak tentang kekurangan sistem AI saat ini. Pengklasifikasi gambar, sistem pengenalan wajah, sistem pengenalan suara, dan banyak aplikasi AI lainnya yang kami gunakan setiap hari telah dilatih dengan jutaan contoh berlabel.

Pembelajaran penguatan dan pembelajaran tanpa pengawasan, kategori lain dari algoritma pembelajaran, sejauh ini telah menemukan aplikasi yang sangat terbatas.
Di mana posisi pembelajaran yang mendalam saat ini?

vektor acak

Pembelajaran mendalam yang diawasi telah memberi kami banyak aplikasi yang sangat berguna, terutama di bidang-bidang seperti visi komputer dan beberapa bidang pemrosesan bahasa alami. Pembelajaran mendalam memainkan peran yang semakin penting dalam aplikasi sensitif, seperti deteksi kanker. Hal ini juga terbukti sangat berguna di area-area di mana skala masalahnya tidak dapat diatasi dengan upaya manusia, seperti — dengan beberapa peringatan — meninjau sejumlah besar konten yang diposting di media sosial setiap hari.

“Jika Anda mengambil pembelajaran mendalam dari Facebook, Instagram, YouTube, dll., Perusahaan-perusahaan

itu hancur,” kata LeCun. “Mereka benar-benar dibangun di sekitarnya.”

Tetapi seperti yang disebutkan, pembelajaran terawasi hanya berlaku di mana ada cukup data berkualitas dan data dapat menangkap keseluruhan skenario yang mungkin. Segera setelah model pembelajaran dalam yang terlatih menghadapi contoh-contoh baru yang berbeda dari contoh pelatihan mereka, mereka mulai berperilaku dengan cara yang tidak terduga. Dalam beberapa kasus, menunjukkan objek dari sudut yang sedikit berbeda mungkin cukup untuk mengacaukan jaringan saraf sehingga salah mengartikannya dengan sesuatu yang lain.

Baca Juga: