Diterbitkan pada: 14 Desember 2024 / Diperbarui dari: 14 Desember 2024 - Penulis: Konrad Wolfenstein
Dari asal mula kecerdasan buatan: Bagaimana tahun 1980-an meletakkan dasar bagi model generatif saat ini - Gambar: Xpert.Digital
Pelopor AI: Mengapa tahun 1980-an merupakan dekade para visioner
Revolusioner 80an: Kelahiran jaringan saraf dan AI modern
Tahun 1980-an merupakan dekade perubahan dan inovasi dalam dunia teknologi. Ketika komputer semakin banyak digunakan dalam bisnis dan rumah tangga, para ilmuwan dan peneliti berupaya membuat mesin menjadi lebih cerdas. Era ini meletakkan dasar bagi banyak teknologi yang kita anggap remeh saat ini, khususnya di bidang kecerdasan buatan (AI). Kemajuan pada dekade ini tidak hanya merupakan terobosan baru, namun juga sangat memengaruhi cara kita berinteraksi dengan teknologi saat ini.
Kelahiran kembali jaringan saraf
Setelah periode skeptisisme terhadap jaringan saraf pada tahun 1970an, mereka mengalami kebangkitan pada tahun 1980an. Hal ini sebagian besar berkat karya John Hopfield dan Geoffrey Hinton.
John Hopfield dan Jaringan Hopfield
Pada tahun 1982, John Hopfield memperkenalkan model jaringan saraf baru, yang kemudian dikenal sebagai jaringan Hopfield. Jaringan ini mampu menyimpan pola dan mengambilnya kembali melalui minimalisasi energik. Ini mewakili langkah penting menuju memori asosiatif dan menunjukkan bagaimana jaringan saraf dapat digunakan untuk menyimpan dan merekonstruksi informasi dengan kuat.
Geoffrey Hinton dan mesin Boltzmann
Geoffrey Hinton, salah satu peneliti AI paling berpengaruh, mengembangkan mesin Boltzmann bersama Terrence Sejnowski. Sistem jaringan saraf stokastik ini dapat mempelajari distribusi probabilitas yang kompleks dan digunakan untuk mengenali pola dalam data. Mesin Boltzmann meletakkan dasar bagi banyak perkembangan selanjutnya di bidang pembelajaran mendalam dan model generatif.
Model-model ini merupakan terobosan karena menunjukkan bagaimana jaringan saraf dapat digunakan tidak hanya untuk mengklasifikasikan data, tetapi juga menghasilkan data baru atau melengkapi data yang tidak lengkap. Ini merupakan langkah yang menentukan menuju model generatif yang digunakan di banyak bidang saat ini.
Munculnya sistem pakar
Tahun 1980an juga merupakan dekade sistem pakar. Sistem ini bertujuan untuk mengkodifikasi dan memanfaatkan keahlian para pakar di bidang tertentu untuk memecahkan masalah yang kompleks.
Definisi dan Penerapan
Sistem pakar didasarkan pada pendekatan berbasis aturan dimana pengetahuan disimpan dalam bentuk aturan jika-maka. Mereka telah digunakan di banyak bidang termasuk kedokteran, keuangan, manufaktur dan banyak lagi. Contoh yang terkenal adalah sistem pakar medis MYCIN, yang membantu mendiagnosis infeksi bakteri.
Pentingnya AI
Sistem pakar menunjukkan potensi AI dalam aplikasi praktis. Mereka mendemonstrasikan bagaimana pengetahuan mesin dapat digunakan untuk mengambil keputusan dan menyelesaikan masalah yang sebelumnya membutuhkan keahlian manusia.
Meskipun sukses, sistem pakar juga menunjukkan keterbatasan pendekatan berbasis aturan. Seringkali sulit untuk diperbarui dan tidak menangani ketidakpastian dengan baik. Hal ini menyebabkan pemikiran ulang dan menciptakan ruang untuk pendekatan baru dalam pembelajaran mesin.
Kemajuan dalam Pembelajaran Mesin
Tahun 1980an menandai transisi dari sistem berbasis aturan ke metode pembelajaran berbasis data.
Algoritma propagasi mundur
Terobosan utamanya adalah penemuan kembali dan mempopulerkan algoritma propagasi mundur untuk jaringan saraf. Algoritme ini memungkinkan penyesuaian bobot secara efisien dalam jaringan saraf multilapis dengan menyebarkan kesalahan ke belakang melalui jaringan. Hal ini menjadikan jaringan yang lebih dalam menjadi lebih praktis dan meletakkan dasar bagi pembelajaran mendalam saat ini.
Model generatif sederhana
Selain tugas klasifikasi, peneliti mulai mengembangkan model generatif yang mempelajari distribusi data. Pengklasifikasi Naive Bayes adalah contoh model probabilistik sederhana yang, terlepas dari asumsinya, telah berhasil digunakan dalam banyak aplikasi praktis.
Kemajuan ini menunjukkan bahwa mesin tidak hanya harus bergantung pada aturan yang telah ditentukan namun juga dapat belajar dari data untuk menyelesaikan tugas.
Tantangan dan terobosan teknologi
Meskipun kemajuan teoretis cukup menjanjikan, para peneliti menghadapi tantangan praktis yang signifikan.
Daya komputasi yang terbatas
Perangkat keras pada tahun 1980an sangat terbatas dibandingkan dengan standar saat ini. Melatih model yang kompleks memakan waktu dan seringkali sangat mahal.
Masalah gradien menghilang
Saat melatih jaringan neural dalam dengan propagasi mundur, masalah yang umum terjadi adalah gradien di lapisan bawah menjadi terlalu kecil untuk memungkinkan pembelajaran yang efektif. Hal ini membuat pelatihan model yang lebih dalam menjadi jauh lebih sulit.
Solusi inovatif:
Mesin Boltzmann Terbatas (RBM)
Untuk mengatasi masalah ini, Geoffrey Hinton mengembangkan Mesin Boltzmann yang Dibatasi. RBM adalah versi sederhana dari mesin Boltzmann dengan batasan pada struktur jaringan, yang membuat pelatihan menjadi lebih mudah. Mereka menjadi landasan untuk model yang lebih dalam dan memungkinkan pra-pelatihan jaringan saraf lapis demi lapis.
Pra-pelatihan berlapis
Dengan melatih jaringan secara bertahap, satu demi satu, para peneliti dapat melatih jaringan dalam dengan lebih efektif. Setiap lapisan belajar mengubah keluaran dari lapisan sebelumnya, sehingga menghasilkan kinerja keseluruhan yang lebih baik.
Inovasi-inovasi ini sangat penting dalam mengatasi hambatan teknis dan meningkatkan penerapan praktis jaringan saraf.
Umur panjang penelitian tahun 80an
Banyak teknik pembelajaran mendalam yang digunakan saat ini berasal dari karya tahun 1980-an - Gambar: Xpert.Digital
Konsep-konsep yang dikembangkan pada tahun 1980-an tidak hanya mempengaruhi penelitian pada saat itu, namun juga membuka jalan bagi terobosan-terobosan di masa depan.
FAW Ulm (Lembaga Penelitian untuk Pemrosesan Pengetahuan Berorientasi Aplikasi), lembaga independen pertama untuk kecerdasan buatan, didirikan pada tahun 1987. Perusahaan seperti DaimlerChrysler AG, Jenoptik AG, Hewlett-Packard GmbH, Robert Bosch GmbH dan beberapa lainnya terlibat. Saya berada di sana sebagai asisten peneliti dari tahun 1988 hingga 1990 .
Landasan untuk pembelajaran mendalam
Banyak teknik pembelajaran mendalam yang digunakan saat ini berasal dari tahun 1980-an. Ide algoritma backpropagation, penggunaan jaringan saraf dengan lapisan tersembunyi dan pra-pelatihan lapis demi lapis merupakan komponen utama model AI modern.
Pengembangan model generatif modern
Pekerjaan awal pada mesin Boltzmann dan RBM memengaruhi pengembangan Variational Autoencoders (VAEs) dan Generative Adversarial Networks (GANs). Model ini memungkinkan untuk menghasilkan gambar, teks, dan data lain yang realistis dan dapat diterapkan di berbagai bidang seperti seni, kedokteran, dan hiburan.
Pengaruh pada bidang penelitian lain
Metode dan konsep dari tahun 1980an juga mempengaruhi bidang lain seperti statistik, fisika dan ilmu saraf. Interdisipliner penelitian ini telah menghasilkan pemahaman yang lebih mendalam tentang sistem buatan dan biologis.
Penerapan dan dampaknya terhadap masyarakat
Kemajuan pada tahun 1980an menghasilkan aplikasi spesifik yang menjadi dasar bagi banyak teknologi saat ini.
Pengenalan dan sintesis ucapan
Jaringan saraf awal digunakan untuk mengenali dan mereproduksi pola bicara. Ini meletakkan dasar bagi asisten suara seperti Siri atau Alexa.
Pengenalan gambar dan pola
Kemampuan jaringan saraf untuk mengenali pola kompleks telah diterapkan dalam pencitraan medis, pengenalan wajah, dan teknologi terkait keamanan lainnya.
Sistem otonom
Prinsip-prinsip pembelajaran mesin dan AI dari tahun 1980-an merupakan dasar pengembangan kendaraan otonom dan robot.
1980-an: Pembelajaran dan generasi yang cerdas
Tahun 1980an tidak diragukan lagi merupakan dekade perubahan dalam penelitian AI. Meskipun sumber daya terbatas dan banyak tantangan, para peneliti memiliki visi tentang mesin cerdas yang dapat belajar dan menghasilkan.
Saat ini kita sedang membangun fondasi ini dan mengalami era di mana kecerdasan buatan hadir di hampir setiap aspek kehidupan kita. Dari rekomendasi yang dipersonalisasi di Internet hingga terobosan dalam bidang kedokteran, teknologi yang dimulai pada tahun 1980an mendorong inovasi.
Sangat menarik untuk melihat bagaimana ide dan konsep masa kini diimplementasikan dalam sistem yang sangat kompleks dan kuat. Karya para pionir tidak hanya memungkinkan kemajuan teknis, namun juga memicu diskusi filosofis dan etis tentang peran AI dalam masyarakat kita.
Penelitian dan pengembangan pada tahun 1980-an di bidang kecerdasan buatan sangat penting dalam membentuk teknologi modern yang kita gunakan saat ini. Dengan memperkenalkan dan menyempurnakan jaringan saraf, mengatasi tantangan teknis, dan memiliki visi untuk menciptakan mesin yang dapat belajar dan menghasilkan, para peneliti pada dekade ini telah membuka jalan bagi masa depan di mana AI memainkan peran sentral.
Keberhasilan dan tantangan saat ini mengingatkan kita betapa pentingnya penelitian dasar dan upaya inovasi. Semangat tahun 1980-an tetap hidup dalam setiap pengembangan AI baru dan menginspirasi generasi mendatang untuk terus melampaui batas-batas yang mungkin dicapai.
Cocok untuk: