AI Otodidak Mungkin Memiliki Banyak Kesamaan Dengan Otak Manusia

Selama satu dekade sekarang, banyak dari sistem kecerdasan buatan yang paling mengesankan telah diajarkan menggunakan inventaris besar knowledge berlabel. Gambar mungkin diberi label “kucing kucing” atau “kucing harimau”, misalnya, untuk “melatih” jaringan saraf tiruan untuk membedakan kucing dari harimau dengan benar. Strateginya sangat sukses dan sangat kurang.

Pelatihan “diawasi” semacam itu membutuhkan knowledge yang diberi label dengan susah payah oleh manusia, dan jaringan saraf sering mengambil jalan pintas, belajar mengasosiasikan label dengan informasi minimal dan terkadang dangkal. Misalnya, jaringan saraf mungkin menggunakan rumput untuk mengenali foto sapi, karena sapi biasanya difoto di ladang.

“Kami membangkitkan generasi algoritme yang seperti mahasiswa [who] tidak datang ke kelas sepanjang semester dan kemudian pada malam sebelum last, mereka berdesak-desakan,” kata Alexei Efros, ilmuwan komputer di College of California, Berkeley. “Mereka tidak benar-benar mempelajari materinya, tetapi mereka mengerjakan ujian dengan baik.”

Selain itu, bagi para peneliti yang tertarik pada persimpangan kecerdasan hewan dan mesin, “pembelajaran terawasi” ini mungkin terbatas pada apa yang dapat diungkapkannya tentang otak biologis. Hewan—termasuk manusia—tidak menggunakan kumpulan knowledge berlabel untuk belajar. Sebagian besar, mereka menjelajahi lingkungan sendiri, dan dengan melakukan itu, mereka memperoleh pemahaman yang kaya dan kuat tentang dunia.

Sekarang beberapa ahli saraf komputasi telah mulai mengeksplorasi jaringan saraf yang telah dilatih dengan sedikit atau tanpa knowledge berlabel manusia. Algoritme “pembelajaran yang diawasi sendiri” ini telah terbukti sangat sukses dalam memodelkan bahasa manusia dan, baru-baru ini, pengenalan gambar. Dalam karya baru-baru ini, mannequin komputasi dari sistem visible dan pendengaran mamalia yang dibangun menggunakan mannequin pembelajaran yang diawasi sendiri telah menunjukkan korespondensi yang lebih dekat dengan fungsi otak daripada rekan-rekan mereka yang belajar dengan pengawasan. Bagi beberapa ahli saraf, tampaknya jaringan buatan mulai mengungkapkan beberapa metode aktual yang digunakan otak kita untuk belajar.

Pengawasan yang cacat

Mannequin otak yang terinspirasi oleh jaringan saraf tiruan muncul sekitar 10 tahun yang lalu, sekitar waktu yang sama ketika jaringan saraf bernama AlexNet merevolusi tugas mengklasifikasikan gambar yang tidak diketahui. Jaringan itu, seperti semua jaringan saraf, terbuat dari lapisan neuron buatan, unit komputasi yang membentuk koneksi satu sama lain yang dapat bervariasi dalam kekuatan, atau “berat”. Jika jaringan saraf gagal mengklasifikasikan gambar dengan benar, algoritme pembelajaran memperbarui bobot koneksi antara neuron untuk memperkecil kemungkinan kesalahan klasifikasi pada putaran pelatihan berikutnya. Algoritme mengulangi proses ini berkali-kali dengan semua gambar pelatihan, mengubah bobot, hingga tingkat kesalahan jaringan dapat diterima rendah.

Sekitar waktu yang sama, ahli saraf mengembangkan mannequin komputasi pertama dari sistem visible primata, menggunakan jaringan saraf seperti AlexNet dan penerusnya. Persatuan tampak menjanjikan: Ketika monyet dan jaring saraf tiruan diperlihatkan gambar yang sama, misalnya, aktivitas neuron nyata dan neuron buatan menunjukkan korespondensi yang menarik. Mannequin buatan deteksi pendengaran dan bau diikuti.

Namun seiring perkembangan lapangan, para peneliti menyadari keterbatasan pelatihan yang diawasi. Misalnya, pada tahun 2017, Leon Gatys, seorang ilmuwan komputer di College of Tübingen di Jerman, dan rekan-rekannya mengambil gambar Ford Mannequin T, lalu menerapkan pola kulit macan tutul pada foto tersebut, menghasilkan gambar yang aneh namun mudah dikenali. Sebuah jaringan saraf tiruan terkemuka dengan tepat mengklasifikasikan gambar asli sebagai Mannequin T, tetapi menganggap gambar yang dimodifikasi sebagai macan tutul. Itu terpaku pada tekstur dan tidak memahami bentuk mobil (atau macan tutul, dalam hal ini).

Strategi pembelajaran mandiri dirancang untuk menghindari masalah seperti itu. Dalam pendekatan ini, manusia tidak melabeli knowledge. Sebaliknya, “label berasal dari knowledge itu sendiri,” kata Friedemann Zenke, ahli saraf komputasi di Institut Riset Biomedis Friedrich Miescher di Basel, Swiss. Algoritme yang diawasi sendiri pada dasarnya membuat celah dalam knowledge dan meminta jaringan saraf untuk mengisi kekosongan. Dalam apa yang disebut mannequin bahasa besar, misalnya, algoritme pelatihan akan menunjukkan beberapa kata pertama dari sebuah kalimat ke jaringan saraf dan memintanya untuk memprediksi kata berikutnya. Ketika dilatih dengan kumpulan teks besar yang diperoleh dari web, mannequin tersebut tampaknya mempelajari struktur sintaksis bahasa, menunjukkan kemampuan linguistik yang mengesankan—semuanya tanpa label atau pengawasan eksternal.