Bolehkah AI belajar tanpa data?
AI hari ini tidak boleh belajar sepenuhnya tanpa data. Pembelajaran Mesin dan Pembelajaran Mendalam bergantung pada data untuk mengenal pasti corak, membuat peraturan, dan meningkatkan prestasi. Walaupun model canggih, seperti GPT atau sistem Pembelajaran Penguatan, masih memerlukan data input atau pengalaman persekitaran untuk “belajar” dan membuat ramalan tepat. Dengan kata lain, data adalah bahan bakar paling penting untuk pertumbuhan AI, dan tanpa data, AI tidak dapat memahami atau membuat keputusan yang berguna.
Memahami Hubungan AI dengan Data
Adakah anda tertanya-tanya, "Bolehkah AI belajar sendiri tanpa sebarang data?" Untuk mendapatkan jawapan yang paling terperinci dan munasabah, mari kita terokai topik ini dengan mendalam bersama INVIAI.
Contohnya, dalam pembelajaran terawasi, AI belajar daripada set data besar yang telah dilabel oleh manusia (imej, teks, audio, dan lain-lain) untuk mengenal pasti corak.
Walaupun dalam pembelajaran tanpa pengawasan, AI masih memerlukan data mentah yang tidak berlabel untuk menemui struktur atau corak tersembunyi dalam data itu sendiri.
Oleh itu, tidak kira kaedahnya, AI mesti "diberi makan" dengan data—sama ada data berlabel, data berlabel sendiri (swaterawasi), atau data dari persekitaran dunia sebenar. Tanpa sebarang data input, sistem tidak boleh belajar apa-apa yang baru.
Kaedah Pembelajaran AI yang Biasa
Hari ini, model AI terutamanya belajar melalui pendekatan berikut:
Pembelajaran Terawasi
Pembelajaran Tanpa Pengawasan
Pembelajaran Swaterawasi
Pembelajaran Penguatan (RL)
Pembelajaran penguatan adalah mengajar agen perisian bagaimana berkelakuan dalam persekitaran dengan memberitahunya hasil tindakan yang diambil.
— Wikipedia
Pembelajaran Federasi
Untuk data sensitif, seperti imej perubatan peribadi, Pembelajaran Federasi membolehkan pelbagai peranti (atau organisasi) melatih model bersama tanpa berkongsi data mentah.
- Model global dihantar ke setiap peranti
- Latihan hanya pada data tempatan
- Hanya kemas kini model dikongsi kembali
- Data mentah tidak pernah keluar dari peranti
Pembelajaran Zero-Shot
Keupayaan AI untuk membuat inferens konsep baru tanpa contoh khusus, bergantung pada pengetahuan luas yang diperoleh sebelum ini.
- Mengenal pasti konsep yang belum pernah dilihat
- Menggunakan pangkalan pengetahuan terdahulu
- Telah dilatih pada set data besar
- Memungkinkan penalaran tentang idea baru
Model AI dilatih untuk mengenal pasti atau mengklasifikasikan objek/konsep yang belum pernah dilihat contohnya sebelum ini.
— IBM, mentakrifkan Pembelajaran Zero-Shot
Kesimpulannya: Semua kaedah ini menunjukkan bahawa tiada cara ajaib untuk AI belajar tanpa data—dalam satu bentuk atau yang lain. AI mungkin mengurangkan kebergantungan pada data berlabel manusia atau belajar dari pengalaman, tetapi ia tidak boleh belajar dari kosong.
Trend Terkini: Belajar dari "Pengalaman" Bukan Data Statik
Penyelidik kini meneroka cara agar AI kurang bergantung pada data yang disediakan manusia. Contohnya, DeepMind baru-baru ini mencadangkan model "aliran" dalam era "AI berasaskan pengalaman," di mana AI belajar terutamanya dari interaksi sendiri dengan dunia dan bukan masalah serta soalan yang direka manusia.
Kita boleh mencapai ini dengan membenarkan agen belajar secara berterusan dari pengalaman sendiri—iaitu data yang dijana oleh agen itu sendiri semasa berinteraksi dengan persekitaran… Pengalaman akan menjadi cara utama peningkatan, melebihi skala data yang disediakan manusia hari ini.
— Penyelidikan DeepMind, dipetik oleh VentureBeat
Dengan kata lain, pada masa depan, AI sendiri akan menjana data melalui eksperimen, pemerhatian, dan penyesuaian tindakan—serupa dengan cara manusia belajar dari pengalaman dunia sebenar.
Data Disediakan Manusia
- Memerlukan set data berlabel
- Bergantung pada kepakaran manusia
- Terhad oleh contoh yang ada
- Pendekatan pembelajaran statik
Data Dijana Sendiri
- Mencipta cabaran sendiri
- Belajar dari maklum balas persekitaran
- Peningkatan berterusan
- Pendekatan pembelajaran dinamik
Menariknya, walaupun tidak menggunakan data latihan luaran, AZR mencapai prestasi teratas dalam tugasan matematik dan pengaturcaraan, malah mengatasi model yang dilatih dengan puluhan ribu contoh berlabel. Ini menunjukkan AI boleh menjana "set data" sendiri dengan sentiasa mengemukakan dan menyelesaikan cabaran.
Sistem Pembelajaran Autonomi
Selain AZR, banyak kajian lain meneroka AI yang belajar secara autonomi. Sistem agen pintar boleh berinteraksi dengan perisian dan dunia maya untuk mengumpul data pengalaman.
- Interaksi dengan alat dan laman web
- Belajar dari permainan simulasi
- Menetapkan matlamat dan ganjaran sendiri
- Membangunkan tabiat autonomi
Intipati Utama
Sebaliknya, AI boleh belajar kurang bergantung pada data yang disediakan manusia dengan cara:
- Menggunakan data tidak berlabel (pembelajaran tanpa pengawasan)
- Belajar dari maklum balas persekitaran (pembelajaran penguatan)
- Mencipta cabaran sendiri (contohnya, model AZR)
Banyak pakar percaya bahawa pada masa depan, AI akan semakin belajar melalui pengalaman yang dikumpul sendiri, menjadikan pengalaman sebagai "data" utama yang membantu ia memperbaiki diri.
