Rintangan Terbesar dengan AI

Pikirkan kembali tantangan dalam hidup Anda yang dulunya tampak mustahil; mungkin, dipromosikan ke posisi yang selalu Anda inginkan di tempat kerja atau mengikuti rutinitas olahraga baru setiap hari. Apa yang diperlukan untuk mulai menjelajahi sesuatu yang baru, meskipun itu mungkin menakutkan pada awalnya? Seperti yang baru-baru ini saya pelajari dengan mulai bekerja dengan Inteligensi Buatan, bagian yang paling sulit untuk mengatasi tantangan seperti ini adalah meyakinkan diri Anda untuk memulai.

Kecerdasan Buatan bukan hanya untuk Ilmuwan Gila

Kecerdasan Buatan telah memiliki banyak perhatian di media dalam beberapa tahun terakhir. Tampaknya setiap hari, para ilmuwan yang sangat terlatih menemukan cara untuk menerapkannya di industri lain. Pemikiran bahwa orang awam juga dapat menemukan penggunaan teknologi ini mungkin tampak menggelikan, terutama mengingat pengetahuan teknis yang diperlukan. Namun, baru-baru ini, saya menemukan ini lebih dari mungkin dengan membuat jaringan saraf pertama saya untuk mengidentifikasi angka tulisan tangan (jika Anda tidak terbiasa dengan jaringan saraf, lihat pengantar saya tentang topik pada Medium).

Apa sebenarnya yang dimaksud dengan digit tulisan tangan? Pada dasarnya, jaringan saraf melihat gambar [sangat buram, terima kasih atas data pemerintah AS] dengan angka-angka seperti ini:

Dan kemudian memutuskan apa nomor yang dilihatnya. Ini mungkin tampak seperti tugas yang mudah dan sederhana. Mengapa ada yang membutuhkan sesuatu yang serumit Inteligensi Buatan untuk melakukan ini? Sebenarnya, bisa sangat sulit untuk mengenali angka tulisan tangan. Misalnya, coba identifikasi ini:

Anda mungkin akan setuju bahwa ini bukan tugas yang mudah, tetapi jaringan saraf dapat mencapai akurasi yang hampir sempurna dalam hal ini (jaringan saraf dasar saya mencapai akurasi sekitar 94%, sementara versi yang dioptimalkan secara profesional mendapatkan akurasi 99,79%) . Pengenalan visual seperti ini digunakan di banyak aplikasi, seperti Google Terjemahan dan Pencarian, tetapi juga memiliki penggunaan yang lebih implisit; pertimbangkan bagaimana mobil self-driving memproses tanda-tanda kecepatan di sekitar mereka, misalnya. Mengingat ini penting dan lazim menggunakan jaringan saraf classifier, saya pikir usaha pertama saya ke dalam teknologi akan ditempatkan dengan baik di bidang ini.

Diperlukan Belajar? Iya. Belajar Mungkin? Pastinya

Saya harus mempelajari informasi baru tentang aspek teknis Inteligensi Buatan untuk melakukan ini, tetapi itu cukup mudah dikelola dan hanya perlu beberapa hari. Pelajaran utama yang harus saya pelajari adalah untuk benar-benar memahami mengapa algoritma di balik jaringan saraf bekerja, bukan hanya teknis pengkodean mereka. Rincian ini termasuk:

  1. Bagaimana data digunakan dalam jaringan saraf;
  2. Bagaimana bobot dan bias neuron (pengaturan) disesuaikan;
  3. Bagaimana bobot dan bias (pengaturan) mempengaruhi hasil;
  4. Dan cara meminimalkan kesalahan dan membuat jaringan lebih akurat.

Poin pertama, di atas segalanya, sensitif terhadap perencanaan dan pelaksanaan yang buruk. Jika data Anda tidak memadai, seluruh sistem tidak berfungsi. Pemerintah A.S. mengetahui kesalahan mahal ini ketika mencoba membuat bantuan jaringan saraf untuk tank, tetapi dengan mengejutkan berakhir dengan detektor cuaca bernilai jutaan dolar karena masalah data (pelajari lebih lanjut di sini).

Tentu saja, ada saat-saat di mana aspek teknis dari algoritma cukup rumit untuk dipahami. Misalnya, jaringan saraf memiliki banyak algoritma yang didasarkan pada kalkulus, dengan persamaan dan notasi yang indah seperti:

Namun, memahami mengapa algoritma di balik persamaan ini bekerja, memungkinkan saya untuk mengatasi kesulitan ini dengan tetap mengetahui apa yang dilakukan jaringan pada setiap langkah.

Bagaimana jika Saya Ingin Mencoba?

Jadi sekarang Anda mungkin bertanya-tanya, "Ya, jika itu sangat mudah, bisakah saya melakukannya sendiri?" Ya! Prasyarat utama yang Anda butuhkan adalah mengetahui bahasa pemrograman umum seperti Python. Bahasa pemrograman ini memiliki banyak pintasan, seperti perpustakaan eksternal dengan Python, yang memungkinkan Anda untuk mengatasi kesulitan persamaan yang rumit seperti yang ada di atas. Selain itu, gambar digit tulisan tangan tersedia secara bebas dari database MNIST pemerintah A.S dan ada banyak tutorial online yang menjelaskan bagaimana dan mengapa jaringan saraf bekerja, alih-alih hanya memberikan rincian teknis.

Secara keseluruhan, Kecerdasan Buatan mungkin tampak sangat sulit untuk dijangkau oleh kebanyakan orang, tetapi bagian tersulit sebenarnya baru saja dimulai. Memang, beberapa detail sepertinya berasal dari planet lain, tetapi memahami apa yang dilakukan jaringan menghindari semua itu. Lagi pula, seperti kata Nelson Mandela, "Tampaknya selalu mustahil sampai selesai."

Jika Anda ingin melihat cara kerja jaringan saraf saya, Anda dapat menemukannya di Repositori Github saya. Jika Anda tertarik mempelajari lebih lanjut tentang cara kerja jaringan saraf, lihat sumber daya ini:

https://www.youtube.com/watch?v=aircAruvnKk&t=1000s

http://neuralnetworksanddeeplearning.com/chap1.html