Kecerdasan Buatan dan Pembelajaran Mesin adalah teknologi yang berada di garis depan dari apa yang disebut sebagai 4 teknologi paling maju di dunia.th revolusi industri. Sejak awal mula umat manusia, manusia telah berupaya keras untuk meningkatkan efisiensi hidup dan kerja. Pada awalnya manusia mengandalkan tenaga kerja manual dan kecerdikan yang sederhana. Kami percaya bahwa inilah cara manusia menghasilkan berbagai hal seperti Piramida, Tembok Besar China, dan Stonehenge. Kemudian muncullah revolusi industri pertama, yang memperkenalkan mekanisasi, tenaga uap, dan air serta membawa kemajuan dalam produksi, perjalanan, dan urbanisasi. Revolusi kedua dipicu oleh penemuan produksi massal dan listrik. Pengenalan teknologi elektronik dan digital menandai revolusi ketiga dan berbagai hal seperti komputer dan internet. Saat ini kita memasuki era baru yang dimungkinkan oleh kemajuan besar dan penerapan praktis Kecerdasan Buatan dan Pembelajaran Mesin.
MANUSIA vs MESIN
Kecerdasan buatan bertujuan untuk membantu manusia beroperasi lebih efisien dengan mengurangi waktu, uang, dan kecerdasan manusia yang dibutuhkan untuk melakukan tugas-tugas rutin secara drastis. Singkatnya, komputer diberi kemampuan belajar mandiri sehingga dapat memprediksi hasil secara akurat, mengidentifikasi pola, dan secara otomatis membuat penyesuaian, berdasarkan informasi masa lalu dan saat ini. Mesin mulai menjadi lebih efisien dan secerdas manusia dalam beberapa kasus.
Potensi komputer menjadi secerdas (atau bahkan lebih pintar) daripada manusia dalam melaksanakan tugas-tugas tertentu memunculkan perdebatan "manusia vs. mesin". Terlepas dari keyakinan seseorang, satu hal yang dapat kita sepakati bersama adalah bahwa manusia memiliki sesuatu yang mungkin tidak akan pernah dimiliki komputer: emosi, intuisi, dan firasat.
Ketika orang-orang berdebat tentang topik kecerdasan buatan, mereka sering berdebat tentang kategori atau algoritme pembelajaran mesin mana yang terbaik. Algoritme pembelajaran mesin secara umum dikategorikan menjadi 3 jenis, tanpa pengawasan tanpa pengetahuan sebelumnya tentang label (data berlabel), diawasi dengan beberapa pengetahuan tentang label (data berlabel), dan penguatan, yang berada di antara kedua jenis tersebut. Ada algoritme yang lebih spesifik dari kategori ini, seperti KNN, K-means, Decision Tree, SVM, Artificial Neural Networks, Q-learning, dll. Jadi, mana yang lebih baik? Nah, seperti apa pun dalam hidup, semuanya memiliki pro dan kontra, dan ketika berbicara tentang pembelajaran mesin, saya cenderung tidak memperdebatkan model itu sendiri, tetapi lebih mengarahkan pembicaraan ke kualitas data. Model pembelajaran mesin berjalan di atas data dan tanpa jumlah dan kualitas data serta jenis data yang tepat, model pembelajaran mesin dapat menjadi tidak berguna tidak peduli seberapa bagusnya secara teori. Ini bukan untuk mengurangi dampak dari pemilihan algoritme pembelajaran mesin yang tepat. Data dan algoritme harus saling melengkapi untuk memecahkan kasus penggunaan tertentu.
DATA ADALAH YANG PALING PENTING
At Bintang Cyber Kami memulai perusahaan kami dengan misi prioritas untuk mengumpulkan data – banyak data – dan, yang lebih penting, benar jenis data untuk menyelesaikan masalah deteksi pelanggaran. Setelah data terkumpul, kami membersihkannya dengan melakukan deduplikasi, normalisasi, dan sejumlah hal lainnya. Selanjutnya, kami mengkorelasikan data dengan bit informasi lainnya, seperti intelijen ancaman, disposisi unduhan file, lokasi geografis alamat IP, dan banyak lagi. Pengayaan ini memberikan konteks yang lebih baik pada kumpulan data secara keseluruhan. Hasil dari proses ini menghasilkan data bersih yang diperkaya dengan konteks. Hanya setelah tugas-tugas penting ini selesai, kami melakukan pembelajaran mesin.
AI DENGAN DATA TERBATAS VS LENGKAP
Mari kita lihat lebih dekat contoh bagaimana bank melakukan deteksi penipuan kartu kredit. Jika seorang nasabah biasanya hanya menggunakan kartu kredit mereka di San Jose, California, tetapi bepergian ke Tokyo, Jepang, untuk pertama kalinya, dan mencoba menggunakan kartu ini, beberapa bank akan menandainya sebagai anomali dan menonaktifkan kartu kredit. Hal ini sering kali membuat nasabah malu dan frustrasi ketika pedagang memberi tahu mereka bahwa kartu tersebut ditolak. Meskipun ini benar-benar mungkin merupakan anomali yang "dipelajari mesin", hal ini mungkin tidak menjamin penonaktifan kartu kredit, karena ini mungkin penggunaan kartu yang sah.
Akar permasalahan di atas biasanya muncul karena data itu sendiri bersifat tunggal (hanya lokasi penggunaan kartu) dan tidak memiliki konteks, seperti waktu terakhir kartu digunakan, tempat kartu digunakan, atau cara penggunaannya. Jika suatu sistem menghubungkan informasi lain seperti waktu, lokasi, jarak antar lokasi, reputasi suatu lokasi, atau cara penggunaannya (misalnya terminal kartu atau situs web), algoritme pembelajaran mesin dapat menentukan penipuan yang sebenarnya dengan lebih baik.
Ambil contoh lain dari kartu yang digunakan di San Jose, California, pada pukul 4:00 PST, tetapi kemudian digunakan lagi di kota kecil di Ukraina pada pukul 5:00 PST di hari yang sama. Kemungkinan penipuan ini akan jauh lebih tinggi daripada contoh sebelumnya. Potongan data yang berkorelasi untuk sampai pada kesimpulan seperti ini, adalah waktu akan dibutuhkan untuk melakukan perjalanan jarak ke Ukraina, setelah digunakan di San José, dan penggunaan kartu di kota kecil (reputasi kota kecil yang jarang dikunjungi) di Ukraina.
KATA PENUTUP
Ini menggambarkan bagaimana Kecerdasan Buatan dapat sangat berguna dalam menyelesaikan tugas berulang yang melibatkan banyak data yang membuat manusia lelah untuk melakukannya dan menganalisis data tersebut untuk memecahkan masalah. Namun, apakah teknologi akan menggantikan manusia? Saya cenderung berpikir tidak. AI mungkin membantu Anda menyelesaikan tugas berulang hingga 90%, tetapi 10%+ dari upaya akan selalu dibutuhkan untuk membuat keputusan akhir atas suatu masalah. Lebih jauh, seperti kemajuan lain dalam efisiensi, kita dapat menggunakan kembali waktu luang kita untuk melakukan lebih banyak pekerjaan daripada sebelumnya. Apakah satu algoritme pembelajaran mesin lebih baik daripada yang lain? Saya percaya bahwa jawabannya terletak pada pemahaman masalah yang coba dipecahkan, dan saya juga percaya bahwa kualitas data sama pentingnya dengan algoritme itu sendiri.
John Peterson
SVP Manajemen Lini Produk
Bintang Cyber
