Bisakah AI belajar tanpa data?
AI saat ini tidak bisa belajar sepenuhnya tanpa data. Machine Learning dan Deep Learning bergantung pada data untuk mengenali pola, membuat aturan, dan meningkatkan kinerja. Bahkan model canggih, seperti GPT atau sistem Reinforcement Learning, masih membutuhkan data input atau pengalaman lingkungan untuk “belajar” dan membuat prediksi yang akurat. Dengan kata lain, data adalah bahan bakar terpenting bagi AI untuk berkembang, dan tanpa data, AI tidak dapat memahami atau membuat keputusan yang berguna.
Memahami Hubungan AI dengan Data
Apakah Anda bertanya-tanya, "Bisakah AI belajar sendiri tanpa data apapun?" Untuk mendapatkan jawaban yang paling rinci dan masuk akal, mari kita jelajahi topik ini secara mendalam bersama INVIAI.
Misalnya, dalam supervised learning, AI belajar dari dataset besar yang telah diberi label oleh manusia (gambar, teks, audio, dll.) untuk mengenali pola.
Bahkan dalam unsupervised learning, AI tetap membutuhkan data mentah yang belum diberi label untuk menemukan struktur atau pola tersembunyi dalam data tersebut secara mandiri.
Oleh karena itu, apapun metodenya, AI harus "diberi makan" dengan data—baik data berlabel, data berlabel sendiri (self-supervised), atau data dari lingkungan dunia nyata. Tanpa data input apapun, sistem tidak dapat mempelajari hal baru.
Metode Pembelajaran AI yang Umum
Saat ini, model AI terutama belajar melalui pendekatan berikut:
Supervised Learning
Unsupervised Learning
Self-Supervised Learning
Reinforcement Learning (RL)
Reinforcement learning adalah mengajarkan agen perangkat lunak bagaimana berperilaku dalam suatu lingkungan dengan memberitahukan hasil dari tindakannya.
— Wikipedia
Federated Learning
Untuk data sensitif, seperti gambar medis pribadi, Federated Learning memungkinkan banyak perangkat (atau organisasi) melatih model bersama tanpa berbagi data mentah.
- Model global dikirim ke setiap perangkat
- Pelatihan hanya pada data lokal
- Hanya pembaruan model yang dibagikan kembali
- Data mentah tidak pernah keluar dari perangkat
Zero-Shot Learning
Kemampuan AI untuk menyimpulkan konsep baru tanpa contoh spesifik, mengandalkan pengetahuan luas yang sudah diperoleh sebelumnya.
- Mengenali konsep yang belum pernah dilihat
- Memanfaatkan basis pengetahuan sebelumnya
- Telah dilatih pada dataset besar
- Memungkinkan penalaran tentang ide baru
Model AI dilatih untuk mengenali atau mengklasifikasikan objek/konsep yang belum pernah dilihat contohnya sebelumnya.
— IBM, mendefinisikan Zero-Shot Learning
Kesimpulannya: Semua metode ini menunjukkan bahwa tidak ada cara ajaib bagi AI untuk belajar tanpa data—dalam bentuk apapun. AI mungkin mengurangi ketergantungan pada data berlabel manusia atau belajar dari pengalaman, tapi tidak bisa belajar dari ketiadaan.
Tren Lanjutan: Belajar dari "Pengalaman" daripada Data Statis
Para peneliti kini mengeksplorasi cara agar AI lebih sedikit bergantung pada data yang disediakan manusia. Misalnya, DeepMind baru-baru ini mengusulkan model "streams" di era "AI berbasis pengalaman," di mana AI belajar terutama dari interaksinya sendiri dengan dunia daripada masalah dan pertanyaan yang dirancang manusia.
Kita dapat mencapainya dengan membiarkan agen terus belajar dari pengalamannya sendiri—yaitu, data yang dihasilkan oleh agen itu sendiri saat berinteraksi dengan lingkungan… Pengalaman akan menjadi sarana utama peningkatan, melampaui skala data yang disediakan manusia saat ini.
— Penelitian DeepMind, dikutip oleh VentureBeat
Dengan kata lain, di masa depan, AI sendiri akan menghasilkan datanya melalui eksperimen, pengamatan, dan penyesuaian tindakan—mirip dengan cara manusia belajar dari pengalaman dunia nyata.
Data dari Manusia
- Memerlukan dataset berlabel
- Bergantung pada keahlian manusia
- Terbatas oleh contoh yang tersedia
- Pendekatan pembelajaran statis
Data yang Dihasilkan Sendiri
- Menciptakan tantangan sendiri
- Belajar dari umpan balik lingkungan
- Peningkatan berkelanjutan
- Pendekatan pembelajaran dinamis
Menariknya, meskipun tidak menggunakan data pelatihan eksternal, AZR mencapai performa terbaik dalam tugas matematika dan pemrograman, bahkan melampaui model yang dilatih dengan puluhan ribu contoh berlabel. Ini menunjukkan bahwa AI dapat menghasilkan "dataset" sendiri dengan terus mengajukan dan menyelesaikan tantangan.
Sistem Pembelajaran Otonom
Selain AZR, banyak studi lain mengeksplorasi AI yang belajar secara otonom. Sistem agen cerdas dapat berinteraksi dengan perangkat lunak dan dunia virtual untuk mengumpulkan data pengalaman.
- Interaksi dengan alat dan situs web
- Belajar dari permainan simulasi
- Menetapkan tujuan dan hadiah sendiri
- Mengembangkan kebiasaan otonom
Poin Penting
Sebaliknya, AI dapat belajar lebih sedikit dari data yang disediakan manusia dengan cara:
- Menggunakan data tanpa label (unsupervised learning)
- Belajar dari umpan balik lingkungan (reinforcement learning)
- Menciptakan tantangan sendiri (misalnya, model AZR)
Banyak ahli percaya bahwa di masa depan, AI akan semakin banyak belajar melalui pengalaman yang dikumpulkannya sendiri, menjadikan pengalaman sebagai "data" utama yang membantunya berkembang.
