Kecerdasan Buatan mungkin belum bisa take over the world tapi… (Tulisan Iseng Part 1)

Anderies
6 min readFeb 10, 2021

Kecerdasan buatan sesuatu yang di inspirasi oleh cara kerja manusia itu sendiri.

hello udah lama saya tidak menulis dikarenakan sibuk melakukan hal-hal yang main stream yang dilakukan kebanyakan orang. tapi mostly gabut.

nb : ML = Mesin Learning , DL = Deep Learning , AI = Artificial Intelligence.

Kecerdasan Buatan mungkin belum bisa take over the world tapi kecerdasan buatan mungkin sudah mengalahkan manusia dalam bidang-bidang tertentu seperti computer vision atau memproses data gambar , melakukan rekomendasi sistem, melakukan clustering terhadap data dan lain-lain. biarkan saya menceritakannya untuk anda .

ML/DL Winning over human at some tasks

kalau tidak percaya statemen diatas silahkan anda seorang diri tanpa algoritma kecerdasan buatan merekomendasikan video dengan hasil yang baik ke seluruh pengguna youtube yaitu 25% populasi dunia atau kurang lebih 1,7 Miliar pengguna dengan kepribadian yang beda-beda. kalo anda mampu? sukurlah, tolong jelaskan bagaimana caranya.

Berita kemenangan AI di permainan catur klasik juara dunia Garry Kasparov dan juara dunia catur GO Lee See Dol adalah penguat statemen diatas dimana AI ini mencatat kemenangan mutlak dalam permainan GO dengan tersebut 5–0 pada 2016 lalu. bukti AI unggul dalam sejumlah bidang pekerjaan adalah hal yang tidak perlu ditanyakan lagi.

Unpredictable Things Happen in Human and Model

mari kita lihat meme dibawah kenyataan sebuah algoritma neural network dari bidang ilmu deep learning (besok-besok makenya CNN ya biar lebih bagus wkwkwk).

Meme diatas walaupun lucu tapi memberitahu kita sesuatu yang essential bagwa ”model AI bisa melakukan hal yang tidak bisa kita duga ataupun prediksi”. istilah yang keren nya dalam bahasa inggris “sometimes it goes wrong”. model pure deep learning sekarang bergerak dalam fondasi eksperimen way atau tidak bisa diprediksi secara tepat hasilnya, bahkan peneliti dalam membangun suatu model ML/DL mereka hanya mencoba-coba saja menggunakan deduksi dan intuisi yang belum tentu benar atau tidak pasti atas keberhasilan model rancangan mereka [1][2][3][4][5].
hal ini juga di ungkapkan pada paper berjudul going deeper with convolution dari Google Research [3].

kalau ada yg bilang bisa ah model diprediksi, sebutkan kepada saya nilai exact gambar anjing cihuahua lucu abis yang di proses oleh
resnet152 layer pada layer delapan terakhir di epoch ke sembilan puluh sembilan. mungkin bisa diprediksi kalo serius bet mau lawan tulisan ini,
coba ditambahkan arsitektur dinamis lainnya serta parameter lainnya dijamin nyerah ✌️.

ehh belum nyerah? Permainan GO memiliki lebih banyak kemungkinan gerakan dibanding jumlah atom di alam semesta. — tutur Deep Mind[6] ini membuatnya kemungkinan gerakan permainan GO lebih kompleks dan banyak dibandingkan catur biasa.

ada beberapa teknologi seperti Alpha GO dan Alpha Zero untuk bisa melakukan permainan catur dengan manusia, apakah peneliti tersebut bisa memprediksi dengan tepat dan pasti setiap langkah permainan catur dengan masing-masing manusia yang berbeda? jawabannya saya yakin tentu tidak.

https://www.youtube.com/watch?v=rL6RRIOZyCM&feature=youtu.be

terkadang mesin learning membuatku teringat pada kejadian penting
manusia pertama yaitu adam dan hawa dimana mereka bandel melawan tuhan dengan memakan buah terlarang. manusia diberikan suatu hal khusus oleh tuhan yaitu “kebebasan memilih” dan goes unpredictable way. hal yang sama berlaku pada model AI kita saya akan mengutip kata-kata seorang chief decision google yang mengatakan we can’t fully rely and trust on AI. jadi kita tidak bisa benar-benar sepenuhnya percaya. liat gambar diatas yang di inspirasi dari film I, Robot dimana robot mencoba untuk melindungi manusia dengan cara yang salah dan terjadi pemberontakan.

tetapi pada dasarnya manusia telah membangun sesuatu yang mirip dan bisa jadi mengungguli dirinya yaitu ML / DL . statemen ini didasarkan pada kemampuan mesin learning belajar tanpa lelah dan tidak terbatas seperti angka tidak memiliki akhir jika kamu sebut angka sepuluh juta triliun apakah itu adalah akhir dari angka? tentu saja bukan, angka tidak memiliki akhir dan awal. kembali lagi ke konteks mengapa bisa dibilang pembelajaran bisa tanpa batas? seseorang yang mengerti teknikal dalam mesin learning akan bilang
bukannya epochnya bisa kita set ya jumlahnya? bagaimana kalo nilai epochnya kita berikan infinite loop terhadap nilai epochnya.

Sedikit Teknikal

infinite loop biasa terjadi pada saat mahasiswa ilmu komputer belajar pertama kali ngoding “for” dengan mengetik ulang codingan dosen lalu sesuatu luar biasa terjadi yaitu komputer terus melakukan pengulangan tanpa batas. ini terjadi padaku hahaha, kalo tidak terjadi denganmu ada dua kemungkinan kamu sangat teliti dalam melakukan coding atau kamu tidak mencoba codingan dosenmu.

kembali lagi ke konteks tulisan komputer bisa melakukan pembelajaran otomatis tanpa lelah dan tak terhingga, hal ini bisa terjadi dengan gambaran singkat bahwa nilai epochs dilakukan infinite loop sedangkan proses pembelajaran model terus belajar yang bisa katakan infinite learning.

gimana kalau komputernya meledak atau ngga ada listrik ? itu = kiamatnya komputer. begitupula manusia bagaimana kalu universe meledak atau sumber makanan habis ? itu = kiamatnya manusia.

kan mesin learning belajar dataset yang kita kasih aja pasti bisa lah hasilnya kita prediksi. ya gimana kalo datasetnya diperbesar atau kalo di imajinasikan automatic data mining / automatic simulation pasti unpredictable banget. kumpulan gambar anjing dan kucing aja bisa salah deteksi kucing jadi anjing wkwkwkwkw.

Human Found Quite Great Thing

tapi pada dasarnya perlu kita akui bahwa manusia telah membuat atau menemukan atau merancang sesuatu yang cukup hebat yaitu “mesin learning” atau “deep learning” yaitu suatu entitas ataupun hal yang dapat belajar otomatis tanpa mengenal lelah.

intinya saya percaya sebagai peneliti dan seorang pembaca alkitab bahwa ML/DL harus dibatasi dengan batasan-batasan tertentu dan dijaga untuk tidak kearah yang salah ataupun hal yang tidak bisa diprediksi dengan baik, mungkin bisa dengan traditional AI , salting (tekniknya ngga pure ML/DL ditambah2in lah kaya rekomendasi sistemnya/hashing tokped ama netflix ngga pure2 amat.) dan lain-lain yang penting dijaga oleh pengetahuan manusia agar tidak terjadi, your model goes horribly2 wrong lah. sama seperti manusia memerlukan alkitab atau UUD supaya tidak “things goes horribly2 wrong lah”.

Pesan

jadi inti pesannya adalah build and protect your Artificial Intelligence model dengan teknik-teknik konvensional lain yang dapat dibayangkan outcome atau resultnya pada saat implementasi untuk dunia industri supaya tidak terjadi kaya di film I, Robot dimana robot memberontak manusia.

Manusia tidak dapat memimpin dirinya sendiri tanpa tuhan sang peciptanya,begipula algoritma2 dari ML/DL/AI harus dijaga sama perancangnya.

Opinion Funny Battle between Elon Musk and JackMa

note: https://www.youtube.com/watch?v=f3lUEnMaiAU&t=1s ntah di video ini elon dan jackma saling tidak sependapat dengan AI dan Human. tapi opini gue adalah keduanya harus saling menjaga dan melengkapi.

tulisan iseng aja karena ada hal yang membuat berdebar-debar ingin menulis yang ada di pikiran, jangan dijadikan acuan dalam jurnal-jurnal ilmiah ya kalo artikel-artikel boleh lah ✌️.

And as usual, if you liked this article, hit that clap button below see you on the next post👏

Referensi

[1] Szegedy, Christian, et al. “Going deeper with convolutions.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2015.

[2] Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recognition.” arXiv preprint arXiv:1409.1556 (2014).

[3] He, Kaiming, et al. “Deep residual learning for image recognition.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.

[4] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. “Imagenet classification with deep convolutional neural networks.” Advances in neural information processing systems 25 (2012): 1097–1105.

[5] Tan, Mingxing, and Quoc Le. “Efficientnet: Rethinking model scaling for convolutional neural networks.” International Conference on Machine Learning. PMLR, 2019.

[6] https://deepmind.com/research/case-studies/alphago-the-story-so-far#alphago_zero

--

--