AI, Pembelajaran Mesin dan Pembelajaran Mendalam apakah itu? Apakah perbezaan antara ketiga-tiga istilah ini?
Dalam era teknologi masa kini, istilah AI, Pembelajaran Mesin dan Pembelajaran Mendalam kian kerap digunakan. Ramai yang menggunakan istilah ini secara bersamaan, namun sebenarnya ia adalah tiga konsep yang saling berkait rapat tetapi tidak sama.
Sebagai contoh, apabila program AlphaGo daripada Google mengalahkan juara catur Go Lee Sedol pada tahun 2016, media bergilir-gilir menggunakan istilah AI, pembelajaran mesin dan pembelajaran mendalam untuk menggambarkan kemenangan tersebut. Sebenarnya, AI, pembelajaran mesin dan pembelajaran mendalam semuanya menyumbang kepada kejayaan AlphaGo, tetapi mereka bukanlah perkara yang sama.
Artikel ini akan membantu anda memahami dengan jelas perbezaan antara AI, Pembelajaran Mesin dan Pembelajaran Mendalam, serta hubungan antara ketiganya. Mari bersama INVIAI mendalaminya sekarang!
Apa itu Kecerdasan Buatan (AI)?
Kecerdasan Buatan (Artificial Intelligence - AI) adalah bidang sains komputer yang luas, yang menumpukan pada penciptaan sistem mesin yang boleh meniru kecerdasan dan fungsi kognitif manusia.
Dengan kata lain, AI merangkumi semua teknik yang membantu komputer melaksanakan tugas yang biasanya memerlukan kecerdasan manusia, seperti menyelesaikan masalah, membuat keputusan, memahami persekitaran, memahami bahasa, dan lain-lain. AI bukan sahaja melibatkan kaedah pembelajaran dari data, tetapi juga termasuk sistem berasaskan peraturan atau pengetahuan yang diprogram oleh manusia.
Sebenarnya, sistem AI boleh direka dengan pelbagai cara: berasaskan peraturan tetap, berasaskan pengetahuan pakar, atau berasaskan data dan keupayaan pembelajaran sendiri. Kita biasanya mengklasifikasikan AI kepada dua kategori utama:
- AI sempit (AI lemah): Kecerdasan buatan yang mempunyai skop terhad, hanya mahir dalam satu tugas tertentu (contoh: bermain catur, pengecaman wajah). Kebanyakan sistem AI hari ini tergolong dalam kategori ini.
- AI umum (AI kuat): Kecerdasan buatan yang mampu memahami dan melaksanakan sebarang tugas intelektual yang boleh dilakukan oleh manusia. Ini masih merupakan matlamat masa depan dan belum wujud dalam realiti.
>>> Klik untuk memahami lebih lanjut tentang: Apakah itu AI?
Apa itu Pembelajaran Mesin (Machine Learning)?
Pembelajaran Mesin (ML, pembelajaran mesin) adalah subset AI yang menumpukan pada pembangunan algoritma dan model statistik yang membolehkan komputer belajar sendiri dari data untuk meningkatkan ketepatan secara berperingkat tanpa perlu diprogram secara eksplisit langkah demi langkah. Daripada manusia menulis semua arahan, algoritma ML menganalisis data input untuk mengenal pasti pola, lalu membuat ramalan atau keputusan apabila berhadapan dengan data baru.
Definisi klasik oleh Arthur Samuel pada tahun 1959 menggambarkan Pembelajaran Mesin sebagai "bidang kajian yang membolehkan komputer mempunyai keupayaan belajar sendiri tanpa perlu diprogram secara khusus". Algoritma ML biasanya dibahagikan kepada beberapa jenis utama:
- Pembelajaran terkawal (supervised learning): Model dilatih menggunakan set data yang sudah berlabel (contoh: meramalkan harga rumah berdasarkan data rumah yang sudah diketahui nilai sebenar).
- Pembelajaran tidak terkawal (unsupervised learning): Model mencari struktur atau kelompok dalam data yang tidak berlabel (contoh: mengelompokkan pelanggan kepada kumpulan tingkah laku yang serupa).
- Pembelajaran penguatan (reinforcement learning): Model berinteraksi dengan persekitaran dan belajar cara bertindak melalui ganjaran atau penalti (contoh: AI bermain permainan yang memperbaiki kemahiran setiap pusingan).
Penting untuk diingat bahawa tidak semua sistem AI adalah Pembelajaran Mesin, tetapi semua algoritma Pembelajaran Mesin adalah sebahagian daripada AI. AI lebih luas daripada ML – seperti semua segi empat sama adalah segi empat tepat tetapi tidak semua segi empat tepat adalah segi empat sama.
Banyak sistem AI tradisional, seperti program permainan berasaskan algoritma carian, tidak "belajar" dari data tetapi hanya mengikuti peraturan yang diprogram oleh manusia – mereka masih dianggap AI, tetapi bukan ML.
Apa itu Pembelajaran Mendalam (Deep Learning)?
Pembelajaran Mendalam (DL, pembelajaran mendalam) adalah cabang khusus Pembelajaran Mesin yang menggunakan model rangkaian neural tiruan berlapis-lapis untuk belajar dari data.
Istilah "deep" (mendalam) merujuk kepada rangkaian yang mempunyai banyak lapisan tersembunyi (biasanya lebih daripada 3 lapisan) – struktur berlapis ini membolehkan model mempelajari ciri-ciri kompleks pada tahap abstraksi yang tinggi. Pembelajaran Mendalam diilhamkan oleh cara otak manusia berfungsi, dengan "neuron" tiruan yang saling berhubung meniru rangkaian neuron biologi.
Kekuatan Pembelajaran Mendalam terletak pada keupayaan mengekstrak ciri secara automatik daripada data mentah: model pembelajaran mendalam boleh mengenal pasti corak dan ciri penting tanpa perlu manusia menyediakan set ciri input terlebih dahulu. Oleh itu, Pembelajaran Mendalam sangat berkesan untuk data yang kompleks seperti imej, audio, bahasa semula jadi – di mana penentuan ciri secara manual sangat sukar.
Namun, untuk mencapai prestasi tinggi, model pembelajaran mendalam biasanya memerlukan jumlah data yang sangat besar dan sumber pengkomputeran yang kuat (GPU, TPU, dan lain-lain) untuk latihan. Sebagai balasan, apabila diberi data dan pengkomputeran yang mencukupi, Pembelajaran Mendalam boleh mengatasi tugas seperti pengecaman imej, pengecaman suara, terjemahan mesin, permainan, dan lain-lain, malah mencapai keputusan setanding atau lebih baik daripada manusia dalam beberapa bidang.
Hubungan antara AI, Pembelajaran Mesin dan Pembelajaran Mendalam
Seperti yang telah disebutkan, Pembelajaran Mendalam ⊂ Pembelajaran Mesin ⊂ AI: AI adalah bidang yang paling luas, Pembelajaran Mesin adalah sebahagian daripada AI, dan Pembelajaran Mendalam pula adalah sebahagian daripada Pembelajaran Mesin. Ini bermakna semua algoritma pembelajaran mendalam adalah algoritma pembelajaran mesin, dan semua kaedah pembelajaran mesin adalah sebahagian daripada AI.
Namun, sebaliknya tidak semestinya benar – tidak semua sistem AI menggunakan pembelajaran mesin, dan pembelajaran mesin hanyalah salah satu pendekatan untuk merealisasikan AI.
Contohnya, satu sistem AI mungkin hanya berasaskan set peraturan yang diprogram oleh manusia (tanpa pembelajaran mesin), seperti program AI yang mengklasifikasikan buah berdasarkan kod bar. Sebaliknya, apabila masalah menjadi lebih kompleks dan data lebih banyak, barulah kaedah pembelajaran mesin dan pembelajaran mendalam diperlukan untuk mencapai prestasi yang lebih baik.
Perbezaan utama antara AI, Pembelajaran Mesin dan Pembelajaran Mendalam
Walaupun mempunyai hubungan hierarki seperti di atas, AI, ML dan DL mempunyai perbezaan ketara dari segi skop, cara kerja dan keperluan teknikal:
Skop bidang
AI adalah konsep umum yang merangkumi semua kaedah yang membantu mesin meniru kecerdasan (baik berasaskan peraturan mahupun pembelajaran dari data). Pembelajaran Mesin lebih khusus, hanya merangkumi kaedah AI yang membolehkan mesin belajar sendiri dari data. Pembelajaran Mendalam lagi lebih khusus – ia adalah subset ML yang menggunakan rangkaian neural berlapis untuk belajar, jadi DL juga merupakan ML dan AI.
Cara pembelajaran dan campur tangan manusia
Dalam pembelajaran mesin tradisional, manusia masih perlu terlibat secara signifikan – contohnya jurutera perlu memilih dan mengekstrak ciri (feature) yang sesuai daripada data untuk diberikan kepada algoritma pembelajaran mesin.
Sebaliknya, pembelajaran mendalam mengautomasikan sebahagian besar proses pengekstrakan ciri tersebut; rangkaian neural berlapis boleh belajar ciri penting pada pelbagai tahap abstraksi daripada data mentah, mengurangkan kebergantungan kepada pakar manusia.
Secara ringkas, untuk masalah yang kompleks (contoh pengecaman imej), model ML tradisional mungkin memerlukan jurutera menyediakan ciri seperti bentuk, warna, tepi... untuk mengenal pasti objek, manakala model DL boleh "melihat" imej dan belajar ciri tersebut secara automatik.
Keperluan data
Algoritma pembelajaran mesin biasanya memberikan hasil yang baik walaupun dengan jumlah data sederhana atau kecil, asalkan data berkualiti dan ciri jelas. Sebaliknya, model pembelajaran mendalam biasanya memerlukan set data yang sangat besar (berjuta-juta contoh) untuk menunjukkan kelebihan.
Sebagai contoh, sistem pengecaman suara berasaskan pembelajaran mendalam mungkin perlu dilatih dengan puluhan ribu jam rakaman suara untuk mencapai ketepatan tinggi. Ini menjadikan pembelajaran mendalam sangat sesuai dalam era "data besar", di mana lebih 80% data organisasi adalah tidak berstruktur (seperti teks, imej) yang memerlukan kaedah pembelajaran mendalam untuk pemprosesan efektif.
Keperluan infrastruktur pengkomputeran
Kerana model pembelajaran mendalam biasanya sangat kompleks dan perlu memproses jumlah data yang besar, latihan model memerlukan kuasa pengkomputeran yang tinggi. Algoritma ML tradisional boleh berjalan dengan baik pada CPU, malah pada komputer peribadi, manakala pembelajaran mendalam hampir pasti memerlukan sokongan GPU (atau TPU, FPGA) untuk mempercepatkan pengiraan matriks secara selari.
Tempoh latihan model pembelajaran mendalam juga jauh lebih lama berbanding model ML mudah, kadangkala mengambil masa berjam-jam atau berhari-hari bergantung pada jumlah data.
Prestasi dan ketepatan
Matlamat utama AI secara umum adalah menyelesaikan tugas yang ditetapkan dengan jayanya, tidak semestinya melalui pembelajaran dari data. Sementara itu, pembelajaran mesin menumpukan kepada mengoptimumkan ketepatan ramalan melalui pembelajaran dari set data latihan, dengan mengorbankan kebolehan "menjelaskan" model.
Pembelajaran mendalam boleh mencapai ketepatan yang sangat tinggi melebihi kaedah ML tradisional jika diberi data dan kuasa pengkomputeran yang mencukupi – banyak masalah pengecaman dengan pembelajaran mendalam telah mencapai rekod ketepatan, tetapi dengan kos pengkomputeran yang tinggi.
Aplikasi sesuai
Pembelajaran Mesin biasanya digunakan untuk aplikasi analisis data dan ramalan apabila jumlah data sederhana dan keperluan pengkomputeran tidak terlalu tinggi. Contohnya, ML sangat berguna dalam meramalkan tingkah laku pelanggan, analisis kredit, pengesanan penipuan transaksi atau penapisan spam email – tugas yang melibatkan data berstruktur yang tidak terlalu kompleks.
Sebaliknya, Pembelajaran Mendalam unggul dalam tugas yang kompleks yang memerlukan ketepatan tinggi, memproses data tidak berstruktur seperti pengecaman imej, suara, pemprosesan bahasa semula jadi, pemanduan automatik,... Bidang ini biasanya mempunyai data besar dan memerlukan model yang boleh "mengenal pasti" ciri halus yang boleh dilakukan dengan baik oleh rangkaian neural berlapis.
Aplikasi sebenar AI, ML dan Pembelajaran Mendalam
Untuk memahami perbezaan dengan lebih jelas, kita boleh melihat beberapa contoh aplikasi tipikal bagi setiap teknologi:
Kecerdasan Buatan (AI): AI hadir dalam banyak sistem pintar di sekeliling kita, daripada algoritma ramalan permintaan pengguna di Google, aplikasi tempahan teksi Uber/Grab yang mencari laluan optimum, hingga sistem pemanduan automatik pada pesawat komersial. Program seperti Deep Blue bermain catur dan AlphaGo bermain Go juga dianggap AI.
Perlu diingat bahawa sesetengah sistem AI mungkin tidak menggunakan pembelajaran mesin, contohnya program AI yang mengawal NPC (watak komputer) dalam permainan yang hanya berasaskan peraturan tetap yang ditulis oleh pembangun.
Pembelajaran Mesin: Pembelajaran mesin digunakan secara meluas dalam pelbagai bidang. Contohnya ialah pembantu maya pintar seperti Siri, Alexa, Google Assistant – mereka belajar dari data pengguna untuk memahami arahan dan memberi respons yang sesuai. Penapis spam email dan perisian hasad juga menggunakan algoritma ML untuk mengenal pasti email sampah berdasarkan corak yang telah dipelajari.
Selain itu, ML tradisional digunakan dalam ramalan perniagaan, analisis risiko kewangan, dan banyak sistem cadangan (recommendation) seperti cadangan filem di Netflix atau produk di Amazon.
Pembelajaran Mendalam: Pembelajaran mendalam adalah di sebalik kemajuan pesat terkini dalam AI. Sistem pengenalan suara (seperti penukaran suara ke teks, pembantu maya), pengenalan imej (mengesan objek, wajah dalam gambar), kereta pandu sendiri yang menganalisis video masa nyata – semuanya menggunakan pembelajaran mendalam untuk mencapai ketepatan tinggi.
Pembelajaran Mendalam juga merupakan teknologi asas bagi model AI generatif yang popular sekarang, seperti GPT-4 di belakang ChatGPT. Model foundation model besar ini dilatih dengan jumlah data teks atau imej yang sangat besar, membolehkan mereka menghasilkan kandungan baru dan melaksanakan pelbagai tugas. Realitinya, penggunaan model pembelajaran mendalam yang kuat seperti AI generatif boleh mempercepatkan penciptaan nilai berkali ganda berbanding cara tradisional.
Kesimpulannya, AI, Pembelajaran Mesin dan Pembelajaran Mendalam bukanlah istilah sinonim, tetapi mempunyai hubungan hierarki dan perbezaan yang jelas.
AI adalah gambaran menyeluruh tentang kecerdasan mesin, di mana Pembelajaran Mesin dan Pembelajaran Mendalam adalah pendekatan penting untuk merealisasikan matlamat tersebut. Pembelajaran Mesin membolehkan mesin belajar dari data dan memperbaiki secara berperingkat, manakala Pembelajaran Mendalam melangkah lebih jauh dengan model rangkaian neural berlapis yang boleh mencapai keupayaan luar biasa apabila mempunyai data besar.
Memahami perbezaan antara AI, ML dan DL bukan sahaja membantu kita menggunakan istilah dengan tepat, tetapi juga membantu memilih penyelesaian teknologi yang sesuai: kadangkala model pembelajaran mesin yang mudah sudah mencukupi untuk menyelesaikan masalah, tetapi ada masalah kompleks yang memerlukan pembelajaran mendalam. Pada masa depan, apabila data semakin banyak dan keperluan semakin tinggi, pembelajaran mendalam dijangka terus memainkan peranan utama dalam memacu kemajuan baru dalam bidang AI.
