Neural Network adalah satu kaedah dalam bidang kecerdasan buatan (AI) yang digunakan untuk mengajar komputer memproses data dengan cara meniru otak manusia. Secara khusus, ini adalah teknik pembelajaran mesin (machine learning) yang termasuk dalam cabang pembelajaran mendalam (deep learning) – menggunakan nod (serupa dengan sel saraf) yang saling berhubung dalam struktur berlapis yang menyerupai rangkaian neuron dalam otak.

Sistem ini mempunyai keupayaan penyesuaian, iaitu komputer boleh belajar daripada kesilapan sendiri dan sentiasa memperbaiki ketepatan dari masa ke masa. Istilah "neuron tiruan" berasal daripada struktur rangkaian yang meniru cara neuron dalam otak manusia menghantar isyarat antara satu sama lain.

Walaupun konsep rangkaian neuron tiruan telah wujud sejak awal (Warren McCulloch dan Walter Pitts membangunkan model neuron tiruan pertama pada tahun 1943), teknologi ini mula digunakan secara meluas dalam bidang sains data pada tahun 1980-an.

Kini, rangkaian neuron tiruan telah berkembang pesat dan menjadi alat utama dalam pelbagai industri serta sistem AI canggih. Ia merupakan teras kepada algoritma pembelajaran mendalam moden – kebanyakan kemajuan AI terkini mempunyai pengaruh rangkaian neuron mendalam.

Struktur dan mekanisme operasi rangkaian neuron

Rangkaian neuron tiruan dibina berdasarkan inspirasi daripada otak biologi. Otak manusia mempunyai berbilion neuron yang saling berhubung secara kompleks dan menghantar isyarat elektrik untuk memproses maklumat; begitu juga, rangkaian neuron tiruan terdiri daripada banyak neuron tiruan (unit perisian) yang berhubung untuk menyelesaikan satu tugas tertentu.

Setiap neuron tiruan sebenarnya adalah fungsi matematik (dipanggil nod, atau node), yang menerima isyarat input, memprosesnya dan menghasilkan isyarat output yang dihantar ke neuron seterusnya. Sambungan antara neuron ini meniru sinaps (synapse) dalam otak manusia.

Rangkaian neuron asas biasanya mempunyai struktur berlapis dengan tiga jenis lapisan utama:

• Lapisan input: Menerima maklumat dari dunia luar ke dalam rangkaian. Nod pada lapisan input memproses data secara awal (contoh: penormalan, pengekstrakan ciri ringkas) dan kemudian menghantar isyarat yang telah diproses ke lapisan seterusnya.
• Lapisan tersembunyi: Menerima isyarat dari lapisan input (atau lapisan tersembunyi sebelumnya) dan melakukan analisis mendalam. Rangkaian neuron boleh mempunyai banyak lapisan tersembunyi (lebih banyak lapisan bermakna rangkaian lebih "mendalam"). Setiap lapisan tersembunyi mengekstrak ciri yang lebih kompleks dari output lapisan sebelumnya dan meneruskan hasilnya ke lapisan berikutnya.
• Lapisan output: Lapisan terakhir yang menghasilkan keputusan rangkaian selepas memproses keseluruhan data. Lapisan output boleh mengandungi satu atau lebih nod bergantung pada jenis masalah. Contohnya: jika masalah hanya memerlukan klasifikasi binari (betul/salah, ada/tidak), lapisan output hanya memerlukan satu nod (untuk keputusan 0 atau 1); manakala untuk klasifikasi berbilang kelas, lapisan output mempunyai beberapa nod, setiap nod bertanggungjawab untuk satu kelas keputusan.

Dalam proses pemprosesan, setiap sambungan antara neuron diberikan berat (weight) yang menunjukkan tahap pengaruh isyarat tersebut. Pada masa yang sama, setiap neuron menggunakan fungsi pengaktifan dengan ambang tertentu: jika jumlah isyarat input (selepas didarab dengan berat) melebihi ambang, neuron akan "diaktifkan" (menghantar isyarat output), jika tidak, neuron tidak menghantar isyarat seterusnya.

Dengan mekanisme ini, isyarat penting (berat tinggi) akan disalurkan melalui rangkaian, manakala gangguan atau isyarat lemah akan dikurangkan.

Apabila rangkaian neuron mempunyai banyak lapisan tersembunyi (biasanya lebih daripada 2 lapisan tersembunyi), ia dipanggil rangkaian neuron mendalam (deep neural network). Rangkaian neuron mendalam adalah asas kepada teknik deep learning masa kini. Rangkaian mendalam mempunyai berjuta-juta parameter (berat) dan mampu mempelajari hubungan bukan linear yang sangat kompleks antara input dan output.

Namun, kos yang perlu dibayar adalah keperluan jumlah data latihan yang sangat besar dan masa pengiraan yang jauh lebih lama berbanding model pembelajaran mesin tradisional.

Proses latihan rangkaian neuron tiruan

Rangkaian neuron bukan sistem yang diprogram secara kaku dengan peraturan tetap, tetapi belajar menyelesaikan tugas melalui contoh data. Proses "mengajar" rangkaian neuron dipanggil latihan (training).

Dalam proses ini, rangkaian diberi sejumlah besar data input dan (biasanya) maklumat output yang diingini supaya rangkaian boleh melaraskan parameter sendiri. Rangkaian neuron menggunakan perbezaan antara hasil ramalan dan hasil sebenar yang dijangka untuk melaraskan berat (parameter) dalaman bagi meningkatkan prestasi.

Dengan kata lain, selepas setiap ramalan, rangkaian membandingkan ramalan dengan jawapan betul, kemudian melaraskan berat sambungan supaya ramalan seterusnya lebih tepat.

Secara khusus, algoritma yang biasa digunakan dalam latihan rangkaian neuron ialah algoritma penyebaran balik (backpropagation). Algoritma ini melakukan kitaran maklum balas: isyarat dihantar ke hadapan melalui lapisan untuk mengira output, kemudian ralat (error) antara output ramalan dan output sebenar dihantar balik ke rangkaian.

Berdasarkan ralat tersebut, rangkaian mengemas kini berat – meningkatkan berat bagi sambungan yang menghasilkan ramalan betul dan mengurangkan berat bagi sambungan yang menghasilkan ramalan salah. Proses ini diulang beribu-ribu, malah berjuta-juta kali sehingga rangkaian neuron mencapai keadaan di mana ralat antara ramalan dan realiti berada dalam tahap yang boleh diterima.

Selepas latihan, rangkaian neuron boleh menggeneralisasi pengetahuan: ia bukan sahaja "hafal" data yang telah dipelajari, tetapi juga boleh menggunakan apa yang dipelajari untuk meramalkan data baru yang belum pernah dilihat. Latihan boleh dilakukan dengan pelbagai cara (pembelajaran terkawal dengan data berlabel, pembelajaran tanpa pengawasan dengan data tidak berlabel, atau pembelajaran penguatan dengan ganjaran/hukuman), bergantung pada masalah tertentu.

Secara keseluruhan, matlamatnya adalah membolehkan rangkaian mempelajari model tersembunyi di sebalik data. Apabila telah dilatih dengan baik, rangkaian neuron tiruan menjadi alat yang sangat berkuasa yang membolehkan kita mengklasifikasi, mengenal pasti atau meramalkan data dengan pantas dan tepat – contohnya, algoritma carian Google adalah rangkaian neuron berskala besar yang sangat terkenal dalam dunia nyata.

Perlu diingat, terdapat banyak variasi struktur rangkaian neuron yang dibangunkan untuk menyesuaikan dengan jenis data dan tugas yang berbeza.

Beberapa struktur popular termasuk: rangkaian feedforward (feedforward neural network – bentuk paling mudah, menghantar isyarat sehala dari input ke output), rangkaian neuron berulang (recurrent neural network, RNN – sesuai untuk data berurutan seperti teks atau audio), rangkaian neuron konvolusi (convolutional neural network, CNN – khusus untuk memproses data imej/video), dan autoencoder (autoencoder – biasanya digunakan untuk pemampatan data dan pembelajaran ciri).

Setiap jenis rangkaian di atas mempunyai struktur dan cara operasi yang sedikit berbeza, tetapi semuanya mengikuti prinsip umum rangkaian neuron: terdiri daripada banyak neuron yang saling berhubung dan belajar daripada data.

Aplikasi praktikal rangkaian neuron tiruan

Dengan keupayaan belajar dan memproses model yang kompleks, rangkaian neuron tiruan telah dan sedang digunakan secara meluas dalam pelbagai bidang. Berikut adalah beberapa aplikasi utama rangkaian neuron dalam dunia nyata:

Penglihatan komputer: 

Rangkaian neuron membantu komputer "melihat" dan memahami kandungan imej, video seperti manusia. Contohnya, dalam kenderaan pandu sendiri, rangkaian neuron digunakan untuk mengenal pasti papan tanda lalu lintas, pejalan kaki, kenderaan... daripada imej kamera.

Model CNN membolehkan komputer mengklasifikasi objek dalam gambar (mengenal pasti wajah, membezakan kucing dengan anjing, dan lain-lain) secara automatik dan semakin tepat.

Pemprosesan suara:

Pembantu maya seperti Amazon Alexa, Google Assistant, Siri… beroperasi berdasarkan rangkaian neuron untuk mengenal pasti suara dan memahami ucapan manusia. Teknologi ini membolehkan menukar suara kepada teks, mengaktifkan arahan suara, atau bahkan meniru suara.

Dengan rangkaian neuron, komputer boleh menganalisis ciri audio (intonasi, sebutan) dan memahami kandungan tanpa mengira loghat atau bahasa yang berbeza.

Pemprosesan bahasa semula jadi (NLP): 

Dalam bidang bahasa, rangkaian neuron digunakan untuk menganalisis dan menghasilkan bahasa semula jadi. Aplikasi seperti penterjemah mesin, chatbot, sistem soal jawab automatik, atau analisis emosi di media sosial menggunakan model rangkaian neuron (biasanya RNN atau struktur Transformer moden) untuk memahami dan memberi respons kepada bahasa manusia. Dengan rangkaian neuron, komputer boleh belajar tatabahasa, semantik dan konteks untuk berkomunikasi secara lebih semula jadi.

Kewangan - perniagaan: 

Dalam bidang kewangan, rangkaian neuron digunakan untuk meramalkan perubahan pasaran seperti harga saham, kadar pertukaran mata wang, kadar faedah... berdasarkan jumlah besar data sejarah. Dengan mengenal pasti corak dalam data lalu, rangkaian neuron boleh membantu meramalkan trend masa depan dan mengesan penipuan (contohnya mengenal pasti transaksi kad kredit yang luar biasa).

Banyak bank dan syarikat insurans juga menggunakan rangkaian neuron untuk menilai risiko dan membuat keputusan (seperti meluluskan pinjaman, mengurus portfolio pelaburan) dengan lebih berkesan.

Perubatan - penjagaan kesihatan: 

Dalam bidang perubatan, rangkaian neuron membantu doktor dalam diagnosis dan membuat keputusan rawatan. Contoh tipikal ialah menggunakan rangkaian CNN untuk menganalisis imej perubatan (X-ray, MRI, imej sel) bagi mengesan tanda penyakit yang mungkin terlepas pandang oleh mata manusia.

Selain itu, rangkaian neuron juga digunakan untuk meramalkan wabak penyakit, menganalisis rantai gen, atau mempersonalisasi pelan rawatan bagi setiap pesakit berdasarkan data besar genetik dan rekod perubatan. Rangkaian neuron membantu meningkatkan ketepatan dan kelajuan diagnosis, menyumbang kepada peningkatan kualiti penjagaan kesihatan.

>>> Klik untuk ketahui:

Apakah itu Computer Vision? Aplikasi dan cara kerjanya

Apakah Pemprosesan Bahasa Semula Jadi?

Boleh dilihat, rangkaian neuron tiruan adalah asas penting bagi banyak kemajuan dalam AI moden. Teknologi ini membolehkan komputer belajar daripada data dan membuat keputusan pintar dengan sedikit campur tangan manusia, berkat keupayaan memodelkan hubungan bukan linear yang kompleks antara data input dan output.

Daripada menganalisis imej, audio hingga memahami bahasa dan meramalkan trend, rangkaian neuron telah membuka kemungkinan baru yang sebelum ini tidak pernah ada. Pada masa depan, dengan perkembangan data besar dan kuasa pengiraan, rangkaian neuron tiruan dijangka akan terus berkembang dan membawa lebih banyak aplikasi inovatif, menyumbang kepada pembentukan generasi teknologi pintar seterusnya.

Ikuti INVIAI untuk kemas kini maklumat berguna yang lain ya!