Kilas Balik Perubahan Tehnologi AI Saat Tahun 2018

Perubahan tehnologi kecerdasan bikinan (AI) serta machine learning alami perkembangan yang menggembirakan pada tahun 2018 yang lalu. Beberapa terobosan, seperti AI yang “lebih cerdas”, implementasi dalam dunia riil, perubahan algoritme yang jadi basic tehnologi, sampai bermacam diskusi mengenai efek AI pada peradaban manusia, terjadi saat tahun kemarin.

Berikut beberapa momen terpenting yang terjadi.

AI yang lebih pintar

AlphaZero garapan team DeepMind (sisi dari Alphabet yang adalah perusahaan induk Google), tunjukkan fleksibiltas proses dari reinforcement learning yang dalam. AlphaZero dapat melatih dianya untuk mengerti tiga permainan konvensional (catur, shogi, serta go), dan sudah lewat pelajari berdiri sendiri pihak ke-3.

Beberapa pakar sudah meningkatkan mode yang dapat ikuti trend historis dan membuat perkiraan berdasar pada data waktu lampau. Sekarang, sudah ada mesin yang bisa memerhatikan lapangan, mengerti “peraturan tidak tertulis”, sesuaikan tingkah laku waktu menelusuri lingkungan, dan ambil faedah optimal dari keadaan, seperti yang perihal manusia.

Tetapi janganlah cepat-cepat mengharap kecerdasan bikinan untuk beberapa masalah umum akan ada dalam tempo dekat.

Implementasi dalam dunia riil

Pemakaian AI saat tahun 2018 tidak selalu terkait dengan permainan. Tehnologi ini miliki kekuatan besar untuk bermacam segi dalam dunia riil. Pada industri kesehatan, beberapa mode tehnologi deep learning dapat kerja dengan baik waktu mengkaji hasil pemindaian elektron mikroskop atau menjumpai penyakit mata.

Untuk pemakaian dalam soal penilaian lingkungan serta iklim, AI sudah menolong peningkatan model-model iklim yang lebih baik, memetakan juta-an atap panel surya di Amerika Serikat, memantau kesehatan lautan luas, sampai memberi dukungan proyek-proyek konservasi hewan. Beberapa anggota komune sumber terbuka (open source) pun lakukan bermacam project menarik.

Semua pemakaian di beberapa segi ini tunjukkan perubahan mencolok dalam soal pemrosesan gambar oleh computer, dan potensi mengolah bahasa menjadi medium komunikasi manusia dengan alami (alami language processing).

Algoritme yang semakin tangguh

Deep learning sudah kerja dengan begitu baik untuk melawan rintangan pengklasifikasian gambar pada ImageNet. Tingkat kekeliruan dari tehnologi ini jadi semakin dikit, dari angka 26,2 % pada mode scale-invariant fitur transform (SIFT) di masa 1990-an, jadi 15,3 % pada AlexNet (2012), sampai belakangan ini 2,25 % padsa SE-ResNet (2017). 

Identifikasi objek (lihat gambar diatas) yang disebut permasalahan classic, bisa diatasi dengan real time oleh skema “You Only Look Once” (YOLO) serta model-model turunannya, atau lebih dengan lebih tepat oleh Single-Shot Detector (SSD).

Pembelahan objek (lihat contoh dibawah) dahulu adalah rintangan susah, terpenting untuk gambar-gambar kompleks dimana batas-batas antarobjek sama-sama bertumpukan, Deretan mode deep learning mutakhir, seperti Path Aggregation Network (PANet) serta Context Encoding Network (EncNet) di kembangkan berdasarkan beberapa ide yang telah ada, tetapi dengan ekstraktor karakter serta info kerangka yang lebih htangguh.

Tentunya, BigGAN—yang serupa dengan Generative Adversary Networks (GAN), tetapi semakin besar serta lebih canggih—juga butuh jadi perhatian. AI sekarang dapat membuat muka atau video yang terlihat sesuai kenyataan (walau sebenarnya cuma hasil rekaan) serta mengidentifikasi seseorang buron di tengahnya kerumunan 50.000 orang dalam satu konser musik.

Perubahan NLP di tahun 2018 sangat menarik. ULMFiT yang di kembangkan oleh Jeremy Howard serta Sebastian Ruder dapat lakukan proses transfer learning dalam taraf tambah lebih besar. Ini adalah terobosan besar, sebab model-model bahasa dalam tehnologi AI selama ini cuma laku dengan spesifik untuk satu bahasa spesifik saja.

Waktu saya kerja untuk satu perusahaan e-commerce regional di Asia Tenggara dahulu, team saya mesti bangun satu mode untuk setiap bahasa: Inggris, Thailand, Vietnam, serta Indonesia. Pekerjaan ini jadi berulang-kali lipat semakin susah serta mahal waktu kami berupaya membuat mode itu kerja pada masing-masing style bahasa yang berlainan. Transfer learning dapat menolong rekonsilasi mode bahasa Inggris ke bahasa Indonesia, hingga mengirit waktu serta cost.

Embeddings from Language Models (ELMo) serta Bidirectional Representations from Transformers (BERT) mendatangkan ide melekatkan kerangka pada beberapa kata.

Gambar diatas tunjukkan kata “play” (bermain) menjadi kata benda yang miliki arti berlainan sesuai dengan kerangka, dari mulai “playing” (tengah bermain) sampai “to play” (main). ELMo serta BERT bisa memperbedakan dan mencari arti-arti berlainan dari satu kata yang sama, hingga dapat mendatangkan hasil lebih tepat daripada model-model berbasiskan vektor yang cuma melekatkan satu makna pada satu kata.

Efek pada peradaban manusia

Apakah makna dari semua perubahan tehnologi AI? Sekarang telah ada AI di bagian hukum yang dapat menaklukkan beberapa pengacara dari Goldman Sachs, apakan ini bermakna AI akan mengalahkan manusia nantinya?

Menariknya, beberapa pengacara itu malah lega sebab AI bisa dipekerjakan untuk lakukan pekerjaan sepele, repetitif (seperti mengkaji/membuat kesepakatan kerahasiaan), hingga mereka bisa konsentrasi kerjakan pekerjaan yang lebih kompleks serta berharga lebih.

AI miliki kemungkinan akan selekasnya menukar peranan manusia untuk kerjakan tugas-tugas sepele, serta beberapa orang sekarang berdebat untuk mengambil keputusan kebijaksanaan yang akan menolong beberapa pihak terdampak.

Kita pun melihat munculnya desas-desus berkaitan privacy data serta AI, seperti yang mengemuka pada penentuan peraturan pengamanan data di Eropa, skandal Cambridge Analytica serta Facebook, dan kecelakaan mobil tiada awak punya Uber.

AI miliki potensi besar serta sudah berkembang cepat pada tahun 2018, tapi sampai sekarang ini belum juga masak. Lonjakan perkembangan pada beberapa ruang, seperti internet of things + AI, blockchain + AI, atau bagian-bagian yang lain, mungkin akan berlangsung di 2019. Saya tidak sabar menunggu apakah yang akan kita buat selanjutnya.