Hari ini kita akan mencoba mencari tahu apa itu jaringan saraf, cara kerjanya, dan apa perannya dalam menciptakan kecerdasan buatan.
Jaringan saraf. Kita mendengar ungkapan ini hampir di mana-mana. Sampai-sampai Anda akan menemukan jaringan saraf bahkan di lemari es (ini bukan lelucon). Jaringan saraf banyak menggunakan algoritma pembelajaran mesin, yang saat ini dapat ditemukan tidak hanya di komputer dan ponsel pintar, tetapi juga di banyak perangkat elektronik lainnya, misalnya pada peralatan rumah tangga. Dan pernahkah Anda bertanya-tanya apa itu jaringan saraf?
Jangan khawatir, ini bukan ceramah akademis. Ada banyak publikasi, termasuk dalam bahasa Ukraina, yang menjelaskan masalah ini dengan sangat profesional dan andal di bidang ilmu eksakta. Publikasi semacam itu berusia lebih dari belasan tahun. Bagaimana mungkin publikasi lama ini masih relevan? Faktanya adalah dasar-dasar jaringan saraf tidak berubah, dan konsep itu sendiri — model matematika dari neuron buatan — diciptakan selama Perang Dunia Kedua.
Sama halnya dengan Internet, Internet saat ini jauh lebih maju dibandingkan saat email pertama kali dikirim. Fondasi Internet, protokol dasar, sudah ada sejak awal penciptaannya. Setiap konsep kompleks dibangun di atas fondasi struktur lama. Sama halnya dengan otak kita, korteks serebral termuda tidak dapat berfungsi tanpa elemen evolusi tertua: batang otak, yang telah ada di kepala kita sejak zaman yang jauh lebih tua dibandingkan keberadaan spesies kita di planet ini.
Apakah aku sedikit membuatmu bingung? Jadi mari kita pahami lebih detail.
Juga menarik: ChatGPT: Instruksi sederhana untuk digunakan
Apa itu jaringan saraf?
Jaringan adalah kumpulan elemen-elemen tertentu. Ini adalah pendekatan paling sederhana dalam matematika, fisika atau teknologi. Jika jaringan komputer adalah sekumpulan komputer yang saling berhubungan, maka jaringan saraf jelas merupakan kumpulan neuron.
Namun, elemen-elemen ini bahkan tidak sebanding dalam kompleksitasnya dengan sel-sel saraf di otak dan sistem saraf kita, tetapi pada tingkat abstraksi tertentu, beberapa fitur dari neuron buatan dan neuron biologis adalah umum. Namun perlu diingat bahwa neuron buatan adalah konsep yang jauh lebih sederhana daripada neuron biologisnya, yang masih belum kita ketahui segalanya.
Baca juga: 7 Kegunaan ChatGPT Paling Keren
Pertama ada neuron buatan
Model matematika pertama dari neuron buatan dikembangkan pada tahun 1943 (ya, itu tidak salah, selama Perang Dunia II) oleh dua ilmuwan Amerika, Warren McCulloch dan Walter Pitts. Mereka berhasil melakukan ini berdasarkan pendekatan interdisipliner, menggabungkan pengetahuan dasar fisiologi otak (ingat saat model ini diciptakan), matematika dan pendekatan TI yang masih muda (mereka menggunakan, antara lain, teori komputabilitas Alan Turing. ). Model neuron buatan McCulloch-Pitts merupakan model yang sangat sederhana, memiliki banyak masukan, dimana informasi masukan tersebut melewati bobot (parameter) yang nilainya menentukan perilaku neuron. Hasil yang dihasilkan dikirim ke satu keluaran (lihat diagram neuron McCulloch-Pitts).
Struktur seperti pohon seperti itu dikaitkan dengan neuron biologis, karena ketika kita memikirkan gambar yang menggambarkan sel-sel saraf biologis, yang terlintas dalam pikiran adalah karakteristik struktur dendrit seperti pohon. Namun, kita tidak boleh menyerah pada ilusi bahwa neuron buatan setidaknya dekat dengan sel saraf asli. Kedua peneliti ini, penulis neuron buatan pertama, berhasil menunjukkan bahwa fungsi komputasi apa pun dapat dihitung menggunakan jaringan neuron yang saling berhubungan. Namun perlu diingat bahwa konsep-konsep awal ini tercipta hanya sebagai ide yang hanya ada “di atas kertas” dan tidak memiliki interpretasi nyata dalam bentuk peralatan operasi.
Baca juga: Tentang komputer kuantum dengan kata-kata sederhana
Dari model hingga implementasi inovatif
McCulloch dan Pitts mengembangkan model teoretis, tetapi pembuatan jaringan saraf nyata pertama harus menunggu lebih dari sepuluh tahun. Penciptanya dianggap sebagai pelopor penelitian kecerdasan buatan lainnya, Frank Rosenblatt, yang pada tahun 1957 menciptakan jaringan Mark I Perceptron, dan Anda sendiri menunjukkan bahwa berkat struktur ini, mesin memperoleh kemampuan yang sebelumnya hanya dimiliki oleh hewan dan manusia: itu bisa belajar. Namun, kini kita mengetahui bahwa sebenarnya ada ilmuwan lain yang mengemukakan gagasan bahwa mesin dapat belajar, termasuk sebelum Rosenblatt.
Banyak peneliti dan pionir ilmu komputer pada tahun 1950-an memunculkan ide bagaimana membuat mesin melakukan apa yang tidak dapat dilakukannya sendiri. Misalnya, Arthur Samuel mengembangkan program yang bermain catur dengan manusia, Allen Newell dan Herbert Simon membuat program yang dapat membuktikan teorema matematika secara mandiri. Bahkan sebelum terciptanya jaringan saraf pertama Rosenblatt, dua pionir penelitian lainnya di bidang kecerdasan buatan, Marvin Minsky dan Dean Edmonds, pada tahun 1952, bahkan sebelum munculnya perceptron Rosenblatt, membangun sebuah mesin yang disebut SNARC (Stochastic Neural Kalkulator Penguatan Analog) - penguatan kalkulator analog saraf stokastik, dianggap oleh banyak orang sebagai komputer jaringan saraf stokastik pertama. Perlu dicatat bahwa SNARC tidak ada hubungannya dengan komputer modern.
Mesin bertenaga tersebut, menggunakan lebih dari 3000 tabung elektronik dan mekanisme autopilot cadangan dari pembom B-24, mampu mensimulasikan pengoperasian 40 neuron, yang ternyata cukup untuk secara matematis mensimulasikan pencarian tikus untuk keluar dari labirin. . Tentu tidak ada tikus, itu hanya proses deduksi dan mencari solusi optimal. Mobil ini adalah bagian dari gelar Ph.D.
Proyek menarik lainnya di bidang jaringan saraf adalah jaringan ADALINE, yang dikembangkan pada tahun 1960 oleh Bernard Withrow. Oleh karena itu, kita dapat mengajukan pertanyaan: sejak lebih dari setengah abad yang lalu para peneliti mengetahui dasar teoritis jaringan saraf dan bahkan menciptakan implementasi kerja pertama dari kerangka komputasi tersebut, mengapa dibutuhkan waktu yang lama, hingga abad ke-21, untuk menyelesaikannya? menciptakan solusi nyata berdasarkan jaringan saraf? Jawabannya adalah satu: daya komputasi tidak mencukupi, tapi itu bukan satu-satunya kendala.
Meskipun pada tahun 1950-an dan 1960-an, banyak pionir AI yang terpesona oleh kemungkinan jaringan saraf, dan beberapa dari mereka memperkirakan bahwa mesin yang setara dengan otak manusia hanya akan ada sepuluh tahun lagi. Ini bahkan lucu untuk dibaca saat ini, karena kita masih belum bisa menciptakan mesin yang setara dengan otak manusia, dan kita masih jauh dari menyelesaikan tugas ini. Dengan cepat menjadi jelas bahwa logika jaringan saraf pertama sangat menarik sekaligus terbatas. Implementasi pertama AI yang menggunakan neuron buatan dan algoritma pembelajaran mesin mampu menyelesaikan sejumlah tugas tertentu.
Namun, jika menyangkut ruang yang lebih luas dan menyelesaikan sesuatu yang sangat serius, seperti pengenalan pola dan gambar, terjemahan simultan, pengenalan ucapan dan tulisan tangan, dll., yaitu hal-hal yang sudah dapat dilakukan oleh komputer dan AI saat ini, ternyata implementasi pertama dari jaringan saraf tidak mampu melakukannya. Mengapa demikian? Jawabannya diberikan oleh penelitian Marvin Minsky (ya, sama dari SNARC) dan Seymour Papert, yang pada tahun 1969 membuktikan keterbatasan logika perceptron dan menunjukkan bahwa meningkatkan kemampuan jaringan saraf sederhana semata-mata karena penskalaan tidak akan berhasil. Ada satu lagi, namun penghalang yang sangat penting – daya komputasi yang tersedia pada saat itu terlalu kecil untuk jaringan saraf dapat digunakan sebagaimana mestinya.
Juga menarik:
- Jadi, untuk berbicara atau tidak berbicara? Musk membantah berbicara dengan Putin. Tapi ada "tapi"
- Artileri modern adalah senjata super Ukraina. Dan mengapa Elon Musk ada di sini?
Renaisans jaringan saraf
Pada tahun 1970an dan 1980an, jaringan saraf praktis dilupakan. Baru pada akhir abad yang lalu daya komputasi yang tersedia menjadi begitu besar sehingga orang-orang mulai kembali menggunakannya dan mengembangkan kemampuan mereka di bidang ini. Saat itulah muncul fungsi dan algoritma baru yang mampu mengatasi keterbatasan jaringan saraf paling sederhana pertama. Saat itulah ide pembelajaran mesin mendalam dari jaringan saraf multilayer muncul. Apa yang sebenarnya terjadi pada lapisan-lapisan ini? Saat ini, hampir semua jaringan saraf berguna yang beroperasi di lingkungan kita berlapis-lapis. Kami memiliki lapisan masukan yang tugasnya menerima data masukan dan parameter (bobot). Jumlah parameter ini bervariasi tergantung pada kompleksitas masalah komputasi yang ingin diselesaikan oleh jaringan.
Selain itu, kami memiliki apa yang disebut "lapisan tersembunyi" - di sinilah semua "keajaiban" yang terkait dengan pembelajaran mesin mendalam terjadi. Lapisan tersembunyi inilah yang bertanggung jawab atas kemampuan jaringan saraf ini untuk mempelajari dan melakukan perhitungan yang diperlukan. Terakhir, elemen terakhir adalah lapisan keluaran, yaitu lapisan jaringan saraf yang memberikan hasil yang diinginkan, dalam hal ini: tulisan tangan, wajah, suara yang dikenali, gambar yang dibentuk berdasarkan deskripsi tekstual, hasil analisis tomografi. gambar diagnostik dan banyak lagi.
Baca juga: Saya menguji dan mewawancarai chatbot Bing
Bagaimana jaringan saraf belajar?
Seperti yang telah kita ketahui, neuron individu dalam jaringan saraf memproses informasi menggunakan parameter (bobot), yang diberi nilai dan koneksi individual. Bobot ini berubah selama proses pembelajaran, yang memungkinkan Anda menyesuaikan struktur jaringan ini sedemikian rupa sehingga menghasilkan hasil yang diinginkan. Bagaimana tepatnya jaringan belajar? Yang jelas harus terus dilatih. Jangan kaget dengan pepatah ini. Kami juga belajar, dan proses ini tidak semrawut, tapi teratur, katakanlah. Kami menyebutnya pendidikan. Bagaimanapun, jaringan saraf juga dapat dilatih, dan ini biasanya dilakukan dengan menggunakan serangkaian input yang dipilih dengan tepat, yang entah bagaimana mempersiapkan jaringan untuk tugas-tugas yang akan dilakukannya di masa depan. Dan semua ini diulangi langkah demi langkah, terkadang proses pembelajaran sampai batas tertentu menyerupai proses pelatihan itu sendiri.
Misalnya, jika tugas jaringan saraf ini adalah mengenali wajah, jaringan tersebut telah dilatih sebelumnya pada sejumlah besar gambar yang berisi wajah. Dalam proses pembelajaran, bobot dan parameter lapisan tersembunyi berubah. Para ahli menggunakan ungkapan "minimalkan fungsi biaya" di sini. Fungsi biaya adalah kuantitas yang memberi tahu kita seberapa besar kesalahan yang dilakukan jaringan saraf tertentu. Semakin kita dapat meminimalkan fungsi biaya sebagai hasil pelatihan, semakin baik kinerja jaringan saraf ini di dunia nyata. Fitur terpenting yang membedakan jaringan saraf mana pun dari tugas yang diprogram menggunakan algoritme klasik adalah, dalam kasus algoritme klasik, pemrogram harus merancang langkah demi langkah tindakan apa yang akan dilakukan oleh program. Dalam kasus jaringan saraf, jaringan itu sendiri mampu belajar melakukan tugasnya sendiri dengan benar. Dan tidak ada yang tahu persis bagaimana jaringan saraf yang kompleks melakukan penghitungannya.
Saat ini, jaringan saraf digunakan secara luas dan, mungkin mengejutkan, sangat sering terjadi tanpa memahami cara kerja sebenarnya proses komputasi dalam jaringan tertentu. Hal ini tidak perlu dilakukan. Pemrogram menggunakan jaringan saraf pembelajaran mesin siap pakai yang disiapkan untuk memasukkan data jenis tertentu, memprosesnya dengan cara yang hanya mereka ketahui, dan menghasilkan hasil yang diinginkan. Seorang programmer tidak perlu mengetahui cara kerja proses inferensi di dalam jaringan saraf. Artinya, seseorang tetap menjauhkan diri dari sejumlah besar perhitungan, metode memperoleh informasi dan pemrosesannya melalui jaringan saraf. Dari sinilah ketakutan tertentu umat manusia mengenai model kecerdasan buatan. Kami hanya takut suatu hari nanti jaringan saraf akan menetapkan tugas tertentu dan secara mandiri, tanpa bantuan manusia, akan menemukan cara untuk menyelesaikannya. Hal ini mengkhawatirkan umat manusia, menyebabkan ketakutan dan ketidakpercayaan terhadap penggunaan algoritma pembelajaran mesin.
Pendekatan utilitarian ini umum dilakukan saat ini. Sama halnya dengan kita: kita tahu bagaimana melatih seseorang dalam suatu aktivitas tertentu, dan kita tahu bahwa proses pelatihan akan efektif jika dilakukan dengan benar. Seseorang akan memperoleh keterampilan yang diinginkan. Namun apakah kita memahami secara pasti bagaimana proses deduksi terjadi di otaknya, yang menimbulkan efek tersebut? Kami tidak tahu.
Tugas para ilmuwan adalah mempelajari masalah-masalah ini sebanyak mungkin, sehingga masalah-masalah tersebut dapat bermanfaat dan membantu kita bila diperlukan, dan yang terpenting, tidak menjadi ancaman. Sebagai manusia, kita takut terhadap apa yang tidak kita ketahui.
Juga menarik: