Teknologi hadir untuk memudahkan hidup manusia. Lebih dari itu teknologi tidak hanya hadir supaya manusia lebih mudah dalam melakukan aktivitas sehari-harinya, tetapi juga agar semua kegiatan bisa terlaksana dengan efektif dan efisien, hemat biaya, hemat tenaga, dan hemat waktu. Oleh karena itu, teknologi informasi terus dikembangkan menjadi lebih canggih dan lebih serbaguna.
Salah satunya adalah artificial intelligence (AI) atau kecerdasan buatan. Tanpa kita sadari, artificial intelligence telah menemani kehidupan kita sehari-hari. Misalnya, saat Anda mencari alamat rumah teman menggunakan Google Maps atau aplikasi peta dan arah lainnya. Pengguna iPhone dan Android pasti akrab dengan asisten digital seperti Siri dan Google Assistant. Keduanya adalah salah satu contoh AI dalam kehidupan sehari-hari yang mampu berperan layaknya asisten pribadi pada umumnya di dunia nyata.
Nah, salah satu aspek dari kecerdasan buatan adalah machine learning. Tanpa disadari, machine learning atau yang biasa disebut ML telah hadir dan digunakan dalam berbagai aspek kehidupan. Seperti saat menonton Netflix atau platform streaming film dan serial lainnya. Netflix akan memprediksi film atau serial yang kita suka berdasarkan film dan series yang telah kita tonton. Netflix memberikan rekomendasi film baru berdasarkan genre, aktor, jalan cerita film dan serial yang telah ditonton sebelumnya.
Baik AI maupun ML, terus melejit popularitasnya selama beberapa tahun terakhir. Semakin banyak orang yang tertarik sehingga perusahaan mulai menerapkan teknologi ini dalam produk atau jasa yang mereka tawarkan. Namun, banyak yang tidak mengerti bahwa AI dan ML memiliki keterbatasan yang bisa berakibat fatal apabila diterapkan dengan sembarangan.
Cek presentasi berikut ini untuk mengetahui empat aspek keterbatasan dari kecerdasan buatan atau AI dan machine learning.
AI Empowered – Limitasi AI by ventje.engel
Dibalik kecanggihan AI, juga disertai dampak-dampak yang harus bisa dimigitasi AI. Oleh karena itu limitasi AI perlu diperhatikan dan dipertimbangkan ketika ingin mendeploy sebuah sistem berbasis AI, terutama mengenai data yang akan digunakan oleh sistem.
Sepakat. Perlu persiapan data yang baik dan menyeluruh agar AI tidak salah “mengerti”.
Bagaimana cara A.I. belajar mengenal wajah orang jika memiliki garis wajah yang sama atau orang kembar
Sebenarnya AI tidak “peduli” dengan garis wajah. Pada kasus gambar, model AI atau ML menerima input berupa pixel gambar, menerapkan bobot, dan memasukkan dalam fungsi tertentu. Hasilnya dibandingkan dengan nilai label atau target. Bila salah berarti model akan memperbaiki bobot input.
Misal, ada 2 gadis kembar namanya Sinta dan Santi. Asalkan label yang diberikan memang benar, maka model AI/ML akan selalu berhasil mencapai akurasi yang tinggi.
Kemajuan teknologi saat ini sangat pesat, namun bergantung pada pilot yang memanfaatkan teknologi tersebut. Bila pilotnya handal dan bijak menggunakannya maka akan memberikan hal yang baik dan kejadian sebaliknya akan terjadi juga.
Pertanyaan : Apakah di Indonesia sudah ada rule yang mengatur mengenai kecerdasan buatan dan machine learning?
Halo Hizkia, belum ada peraturan di Indonesia yang khusus mengatur penggunaan kecerdasan buatan dan machine learning. Baru ada aturan tentang transaksi data, seperti UU ITE.
Di luar negeri, setahu saya baru ada Uni Eropa yang secara spesifik sedang membahas aturan mengenai pemanfaatan AI. Cek lengkapnya di https://bit.ly/aturan-AI
Konten yang sangat bagus. pertanyaan saya ada banyak karena saya belum memahami konsep MachineLearning dan Deep Learning sepenuhnya. Seperti yang kita tahu bahwa Machine Learning dan Deep Learning merupakan bagian dari bidang AI (Kecerdasan Buatan).
1. Apa perbedaan mendasar yang membedakan Machine Learning dan Deep Learning
2. Apa yang dimaksud dengan model ?
3. bagaimana melakukan pembersihan data training agar kualitasnya semakin bagus ?
4. Bagaimana mempelajari machine learning dan deep learning utk seorang pemula ? hal apa yang harus saya pelajari terlebih dahulu ?
Terima kasih atas penghargaannya.
1. Deep Learning adalah salah satu metode dalam Machine Learning yang menggunakan Neural Networks berlapis.
2. Model adalah abstraksi atau ringkasan dari kecerdasan manusia. Bayangkan sebuah novel yang tebalnya 1000 halaman, kemudian diringkas menjadi 2 halaman. Nah, ringkasan itu bisa disebut model. Model AI adalah abstraksi dari kecerdasan manusia.
3. Pembersihan data sangat penting dalam proses Data Science maupun Machine Learning. Data yang “kotor” bisa dilihat dari aspek: data yang hilang, data outliers, dan data yang tidak konsisten. Bisa cek lebih lengkap di https://bit.ly/panduan-cleaning
4. Semua orang adalah pemula, itu yang saya percayai. Saya juga selalu belajar dan update ilmu. Mulai dari: probabilitas & statistika, pemrograman, dan struktur data. Itu tiga dasar utama. Kemudian mulai belajar metode ML dari yang dasar dulu, seperti regresi linier, regresi logistik, kemudian ke ANN. Untuk materi bisa dicari di Youtube, Medium, atau ikuti terus blog saya ini.
Setiap minggunya saya akan update artikel tentang AI, ML, dan teknologi.
Dalam deep learning akan menghasilkan akurasi yang bisa dikatakan hampir akurat, tetapi apakah kita bisa mempercayai ke akurasi an data yang di berikan?Apakah data selalu akurat?
Deep learning (DL) selalu bisa mencapai akurasi yang bagus sekalipun datanya tidak terlalu bagus. Mengapa? Karena DL dirancang agar bisa mengatur bobot input untuk mendekati hasil target atau label. Sehingga akurasi apsti tinggi (70% ke atas).
Namun, akurasi tinggi itu bisa beurbah ketika diadakan pengujian. Pengujian akan menggunakan dataset yang sama sekali baru dibandingkan dengan ketika latihan/training. Kalau akurasi tinggi di pelatihan, tetapi jelek di pengujian/testing, berarti kita perlu mengatur kembali pemodelan DL atau mengecek kembali ke datasetnya.
Data selalu akurat? Mungkin kurang tepat pertanyaannya. Data tidak diukur dengan akurasi tetapi dar kualitas, seperti:
1. Apakah data sudah mewakili populasi?
2. Apakah isi data konsisten dan tidak ada outliers?
3. Apakah ada missing data?
4. Apakah data yang dikumpulkan memang relevan dengan masalah yang akan dipecahkan?
Komentar : Menarik dan cukup mudah dimengerti
Pertanyaan : Transparansi model AI itu maksudnya seperti apa ya pak?
Wah, terima kashi komentarnya.
Transparansi model adalah ketika kita bisa mengetahui bagaimana cara model AI/ML sampai pada sebuah keputusan atau rekomendasi.
Silahkan googling dan bandingkan cara kerja Decision Tree vs Neural Networks.
Dalam Decision Tree kita bisa tahu langkah demi langkah pengambilan keputusan yang dilakukan model. Dalam Neural Networks kita hanya tahu bobot setiap input dan dalam setiap layer, tidak lebih dari itu. Decision Tree adalah salah satu contoh model yang white box.
Saya berencana akan membuat artikel lebih advanced mengenai transparansi model ini.
Meskipun terlihat keren, serta beberapa orang takut pekerjaan mereka terancam oleh keberadaan AI dan ML, ternyata masih banyak kekurangan serta limitasi yang dimiliki oleh AI dan ML. Yang menjadi pertanyaan adalah, ketika melakukan deep fake (deep learning untuk memalsukan video) tentu diperlukan data yang besar dan bervariasi, namun jika data tersebut tidak terlalu banyak dan/atau tidak terlalu bervariasi apakah data tersebut dapat dikatakan sebagai data “sampah”?
Data yang tidak terlalu banyak dan tidak bervariasi bukanlah data “sampah”. Kita cukup menambah data yang memang relevan. Semua data berharga kecuali data itu memang salah atau dibuat-buat (palsu).
Slide materi singkat dan jelas, jadi inti materi tersampaikan dengan baik. Dari materi, salah satu limitasi AI adalah mengenai data quality, data yang masuk sebagai sample akan mempengaruhi hasil dari model yang dihasilkan AI/ML, saya ingin bertanya
1. Apakah ada dan bagaimana caranya agar walaupun yang masuk adalah data sample yang ‘buruk’ hasil pembelajaran AI/ML tetap menghasilkan model yang maksimal?
2. Adakah jumlah minimal data yang dibutuhkan untuk training AI/ML?
Terima kasih atas penghargaannya. Saya selalu berusaha menuliskan artikel yang emmang singkat dan tersampaikan pesannya.
1. Data yang buruk ini seperti apa maksudnya? Kalau yang dimaksud adalah data yang “kotor”, maka sebenarnya AI/ML akan tetap menghasilkan model. Walau, model yang dihasilkan mungkin buruk. Untuk menghasilkan model yang baik, tidak hanya dari kualitas data input, tetapi juga dari teknik/metode yang digunakan.
Harus diakui bahwa data yang berkualitas cenderung menghasilkan model yang bagus terlepas dari teknik/metode yang digunakan. Hal ini dikonfirmasi oleh tim Google Research di https://bit.ly/google-quality-data
2.Semakin banyak data makin model akan memiliki tingkat confidence yang makin tinggi. Dasar Machine Learning dimulai dari regresi logistik. Di dalam regresi logiatik syaratnya adalah minimum 300 data
Didalam zaman yang penuh dengan penggunaan technology ini AI , Machine Learning , Deep Learning muncul sebagai alat bantu bagi manusia, Walaupun masih banyaknya limitasi seperti yang telah disebutkan seperti kasus amazon yang bias terhadap pria , dan bot di twitter yang menjurus ke racist & bigot.
Pertanyaan :
Untuk limitasi AI khususnnya pada web amazon atau bot twitter apakah ada penanggulangan terhadap sifat bias dan racistnya? lalu bagaimanakah record yang telah dilakukan AI tersebut , apakah akan dihapuus atau dibiarkan begitu saja?
Pada kasus di Amazon dan chatbot Microsoft, satu-satunya cara adalah dengan melatih ulang model dengan dataset yang baru. Mengapa harus data baru? Karena model sebelumnya sudah terbentuk.
Record yang sudah dimiliki biasanya tidak dihapus, melainkan akan dipelajari oleh tim ML engineer mereka.
konten yang menarik
pertanyaan: apakah AI juga bisa membedakan tulisan tangan sesorang dengan tulisan yang sengaja dibuat oleh AI sendiri?
Pertanyaan yang menarik ^_^
AI berusaha mengolah dan memprediksi apakah tulisan yang dianalisisnya adalah buatan manusia atau AI lain adalah hal yang sekarang banyak dipelajari. Dilakukan lebih banyak untuk gambar dan video, tetapi konsepnya sama, yaitu Generative.
Saya pernah membahas ini di akun Instagram saya di postingan tentang “Menciptakan Pacar Idaman Kamu Sendiri” cek di https://www.instagram.com/p/B6_5UCnBmGL/
Penjelasan materi mengenai pengunaan dan contoh dari AI dan ML sangat informatif. Namun, berdasarkan presentasi diatas, saya masih belum mengerti aspek ‘Real AI is Still Far Away’ dari aspek keterbatasan AI. Apakah itu menunjukan contoh keterbatasan AI dan bagaimanakah kira-kira gambaran dari ‘Real AI’ ?
Maksud dari “Real AI is Still Far Away” adalah untuk mendapatkan AI yang benar-benar seperti manusia masih lumayan jauh. Model Generative dan Transformer, kedua model yang paling canggih saat ini belum bisa mengemulasikan aspek kecerdasan manusia.
SIlakan tonton film Her untuk dapat gambaran AI di masa depan yang ingin dikejar. Menurut saya gambaran itu yang paling dekat dengan Real AI. Prediksi pribadi saya tidak sampai 100 tahun kita akan memiliki AI seperti itu.
Dari artikel ini saya belajar bahwa selain kita harus mengerti cara mendevelop agent pada AI/ML, kita juga harus memperhatikan batasan yang dapat mempengaruhi AI/ML pada dunia nyata. Bagaimana kita mengatasi Data yang buruk agar output yang dikeluarkan tidak terlalu buruk?
Saya pernah mendengar tentang deepfake, yang menyebutkan bahwa itu adalah teknologi AI (deep learning) yang bisa memanipulasi sebuah video dengan wajah seseorang. Apakah teknologi deepfake berarti terkesan merugikan sebagian pihak tertentu dan apakah itu termaksut pelanggaran?
Deepfake adalah bagian dari kemajuan di bidang AI. Semua teknologi bila disalahgunakan pasti bisa merugikan dan berbahaya. Contoh saja pisau, yang bisa digunakan untuk memasak makanan yang lezat atau untuk menyakiti orang.
Deepfake sekarang banyak digunakan untuk entertainment dan satire. Namun, bila Deepfake digunakan untuk menipu atau Hoax, jelas itu adalah pelanggaran.
Materinya menarik, membahas topik limitasi terhadap kecerdasan buatan. Pertanyaan saya adalah hukum apa saja yang melimitasi kecerdasan buatan di Indonesia?
Sampai saat ini belum ada peraturan khusus yang membahas peraturan mengenai pemanfaatan kecerdasan buatan di Indonesia. Yang sudah ada adalah tentang transaksi elektronik (UU ITE).
Teknologi makin berkembang pesat dimana semua perusahaan mulai menerapkan AI maupun ML. Tetapi ada keterbasan dalam AI dan ML jika diterapkan secara sembaranangan karna dapat berakibat fatal. Apa saja keterbatasan dalam penerapan AI dan ML ?
Kalau dari sisi “penerapan”, AI dan ML sangat bergantung pada data dan komputasi. Data yang tersedia perlu berkualitas dan cukup banyak. Komputasi pun harus dijalankan di server yang levelnya supercomputer.
AI dengan segala keterbatasannya bisa menjadi alat yang sangat membantu manusia. Oleh karena itu, diperlukan pengembangan terhadap sistem agar limitasi dan masalah yang telah disebutkan bisa dikembangkan dengan baik. Pertanyaan saya adalah apakah sekarang ada hukum universal yang mengatur penggunaan Artificial Intelligence dan Machine Learning, apa yang dibahas, dan apa yang menjadi alasan dibuatnya hukum tersebut?
Peraturan yang sudah disahkan setahu saya belum ada. Sekarang pun sedang dibahas di Uni Eropa. Cek di https://bit.ly/aturan-AI
Teknologi hadir untuk memudahkan manusia. Oleh karena itu, teknologi informasi terus dikembangkan menjadi lebih canggih dan lebih serbaguna. Salah satunya menggunakan AI yang salah satu aspeknya adalah Machine Learning. 2 aspek ini mampu membantu seperti layaknya asisten yang membantu meringankan pekerjaan kita.
Apakah semakin canggih teknologi seperti Artificial Intelligent dan Machine Learning dapat membahayakan kita?
Semua teknologi bila disalahgunakan pasti bisa merugikan dan berbahaya. Contoh saja pisau, yang bisa digunakan untuk memasak makanan yang lezat atau untuk menyakiti orang. Semua bergantung kembali kepada etika, aturan, dan tanggung jawab setiap penggunanya.
Konten dari blog bagus dan sangat membantu bagi orang awam yang tidak mengetahui adanya artificial intelligence dan machine learning dalam kehidupan sehari-hari. Untuk sekarang sudah sebarapa baik akurasi dari model AI atau ML?
Akurasi sendiri bermacam-macam. Untuk Deep Learning bisa dikatakan sudah sangat baik untuk kasus gambar dan tulisan tangan, bahkan di bidang audio dan video juga.
Penjelasan terhadap keterbatasan AI dan ML mudah dimengerti.
Saya ingin bertanya apakah bisa meningkatkan kualitas data sehingga kita bisa mempercayai rekomendasi dari AI tersebut?
Jawaban singkatnya sangat bisa. Faktanya, 70% lebih waktu dihabiskan untuk meningkatakan kualitas data dalam sebuah tim AI atau ML. Cek lebih lengkap di https://bit.ly/time-consume-cleaning
Artificial Intelligence sekarang banyak digunakan untuk banyak pengembangan model project perusahaan. Tetapi walaupun menjadi sebuah bantuan, Machine Learning juga mempunyai peran untuk menunjukkan hasil akurat. Apakah kredibilitas sebuah proyek itu bisa dilihatkan dalam lembaga tenaga kerja? Apakah biaya untuk membuat sebuah proyek seperti ini, harusnya lebih mahal?
Dari pengalaman saya memegang beberapa proyek AI/ML untuk institusi pemerintah, menurut saya proyek AI/ML akan kredibel ketika memang diawasi dengan baik serta didukung oleh pimpinan institusi. Biayanya pun pasti mengikuti panduan dari Kementerian Keuangan.
Kalau untuk proyek AI/ML di swasta, saya percaya pasti sudah ada justifikasi dan pengawasan sesuai standar masing-masing perusahaan.
Materi yang diberikan menarik dan disampai kan secara singkat.
Deep Learning, model ML yang sangat black box, hanya digunakan di bidang tertentu. Apa yang dimaksud dari Black box itu sendiri ? dan mengapa hal tersebut disebut dengan black box?
Black box itu artinya kita sebagai manusia tidak bisa menjelaskan bagaimana sebuah model tiba pada sebuah keputusan atau rekomendasi. Kita mengetahui data inputnya dan outputnya, tetapi tidak dengan aspek mengapa hasilnya begitu.
komentar :
1. untuk penyampain artikel mengenai limitasi dari kecerdasan buatan sudah sangat mengerti dan mudah di pahami untuk orang awam yang ingin mengetahui lebih lanjut mengenai kecerdasan buatan.
2. Dengan adanya kecerdasan buatan akan memberikan dampak kepada umat manusia terutama untuk posisi pekerjaan. Dengan adanya kecerdasan buatan sangat membantu menyelesaikan permasalahan manusia tetapi sangat memberikan dampak negatif terhadap perilaku hidup manusia.
Pertanyaan :
1. adakah solusi agar kecerdasan buatan tidak mengganti peran manusia seutuhnya tanpa memberikan kerugian terhadap peran manusia itu sendiri?
2. apakah dengan adanya informasi dataset yang sedikit mengalami eror dapat melakukan prediksi pada kecerdasan buatan ?
1. Kecerdasan buatan ada seperti teknologi lainnya, yaitu untuk memudahkan kehidupan manusia. Kerugian terhadap peran manusia dapat terjadi kepada mereka yang tidak mau upgrade ilmu dan skill. Karena pekerjaannya bisa tergantikan.
2. Saya sebenarnya kurang paham pertanyaannya. Namun, model Ai yang baik dihasilkan dari kualitas dataset yang berkualitas.
Liat dari Generative dan Transforemer AI, ada kemungkinan AI akan mengambil alih peran manusia kedepannya, sehingga pada akhirnya bisa membahayakan kehidupan kalo tidak terkontrol dan disalah gunakan. Bagaimana cara menanggulangi hal tersebut?
Upgrade ilmu dan skill. Dukung lembaga pemerintah yang akan membahas aturannya.
saya jadi lebih mengerti tentang AI dan ML.
Jika AI tidak mengenali bias nya & setiap data baru memperkuat bias itu.. Berarti Setiap data baru memperkuat bias, berarti bisa semakin memperburuk keadaan ?
Bisa. Makanya, setelah model AI/ML diterapkan dalam sebuah aplikasi atau sistem perlu ada pengawas. Untuk mencegah bias itu makin tinggi.
Artikel yang sangat menarik! Dewasa ini, manusia memang hidup cukup bergantung dengan teknologi yang ada, saya juga termasuk orang yang menggunakan virtual assistant dalam kehidupan sehari-hari, saat merasa bosan misalnya, saya mencoba untuk berkomunikasi dengan VA yang ada di hp saya, kegiatan ini sering saya lakukan sejak SMA, dan perkembangan yang dimiliki VA saat ini sangatlah baik. Saya merasa dalam berbagai aspek kemampuan dari VA sudah meningkat, walau terkadang saya juga masih menemukan output-output yang aneh. Berdasarkan penjelasan yang diberikan oleh penulis, saya dapat menyimpulkan bahwa mungkin ada orang-orang lain yang ‘iseng’ dalam memberikan input ke mesin-mesin ini. Hal ini kemudian, membuat saya berpikir, apakah mungkin membuat sebuah model yang bisa memainkan peran tertentu [role playing]? Sehingga mungkin, jika seseorang sedang ingin berbicara dengan seorang anak kecil [melakukan pembicaraan yang ringan] atau seorang ilmuan misalnya [melakukan pembicaraan yang dalam mengenai suatu topik tertentu] bisa dengan mudah menukar peran model tersebut.
Sangat bisa. Bila sudah mengerti teknis mendalam dalam model AI/ML, kita bisa membangun model sesuai keperluan. Tidak semua model harus menjadi “expert”. Bisa juga membangun model asisten untuk anak-anak kecil belajar sopan santun misalnya.
Info yang menarik terkait limitasi dan artificial intelligence. Perkembangan teknologi dapat dimanfaatkan untuk aktivitas sehari-hari. Web AR atau Web Augmented Reality merupakan jenis teknologi yang dapat dinikmati dan dipakai untuk berbagai bidang.