Apa itu jaringan neural?
Jaringan neural adalah metode dalam kecerdasan buatan yang mengajarkan komputer untuk memproses data dengan cara yang terinspirasi dari otak manusia. Jaringan neural adalah tipe proses machine learning, yang disebut deep learning, yang menggunakan simpul atau neuron yang saling terhubung dalam struktur berlapis yang menyerupai otak manusia. Jaringan neural menciptakan sistem adaptif yang digunakan oleh komputer untuk belajar dari kesalahannya dan memperbaikinya secara terus-menerus. Oleh karena itu, jaringan neural buatan berusaha untuk memecahkan masalah yang rumit, seperti meringkas dokumen atau mengenali wajah, dengan akurasi yang lebih tinggi.
Mengapa jaringan neural penting?
Jaringan neural dapat membantu komputer membuat keputusan cerdas dengan bantuan manusia yang terbatas. Keputusan cerdas dapat dibuat karena jaringan neural dapat mempelajari dan memodelkan hubungan antara data input dan output yang nonlinier dan kompleks. Misalnya, jaringan neural dapat melakukan tugas-tugas berikut.
Membuat generalisasi dan inferensi
Jaringan neural dapat memahami data tidak terstruktur dan melakukan pengamatan umum tanpa pelatihan eksplisit. Misalnya, jaringan neural dapat mengenali bahwa dua kalimat input yang berbeda memiliki arti yang sama:
- Apakah Anda dapat memberi tahu saya cara melakukan pembayaran?
- Bagaimana cara mentransfer uang?
Jaringan neural akan mengetahui bahwa kedua kalimat tersebut memiliki arti yang sama. Atau akan dapat mengenali secara luas bahwa Baxter Road adalah sebuah tempat, tetapi Baxter Smith adalah nama seseorang.
Apa kegunaan jaringan neural?
Jaringan neural memiliki beberapa kasus penggunaan di banyak industri, seperti berikut ini:
- Diagnosis medis dengan klasifikasi citra medis
- Pemasaran yang ditargetkan dengan pemfilteran jaringan sosial dan analisis data perilaku
- Prediksi keuangan dengan memproses data historis dari instrumen keuangan
- Prakiraan beban listrik dan permintaan energi
- Proses dan kontrol kualitas
- Identifikasi senyawa kimia
Kami menyajikan empat aplikasi penting dari jaringan neural di bawah ini.
Penglihatan komputer
Penglihatan komputer adalah kemampuan komputer untuk mengekstraksi informasi dan wawasan dari citra dan video. Dengan jaringan neural, komputer dapat membedakan dan mengenali citra yang mirip dengan manusia. Penglihatan komputer memiliki beberapa aplikasi, seperti berikut ini:
- Pengenalan visual pada mobil kemudi otomatis sehingga dapat mengenali rambu-rambu lalu lintas dan pengguna jalan lainnya
- Moderasi konten untuk menghapus konten yang tidak aman atau tidak pantas secara otomatis dari arsip citra dan video
- Pengenalan wajah untuk mengidentifikasi wajah dan mengenali atribut seperti mata terbuka, kacamata, dan rambut di wajah
- Pelabelan citra untuk mengidentifikasi logo merek, pakaian, perlengkapan keselamatan, dan detail citra lainnya
Pengenalan suara
Jaringan neural dapat menganalisis ucapan manusia meskipun pola bicara, tinggi rendah suara, nada, bahasa, dan aksennya berbeda-beda. Asisten virtual seperti Amazon Alexa dan perangkat lunak transkripsi otomatis menggunakan pengenalan suara untuk melakukan tugas berikut ini:
- Membantu agen pusat panggilan dan mengklasifikasikan panggilan secara otomatis
- Mengubah percakapan klinis menjadi dokumentasi secara waktu nyata
- Mengonversi suara ke dalam teks pada video dan rekaman rapat secara akurat untuk jangkauan konten yang lebih luas
Pemrosesan bahasa alami
Pemrosesan bahasa alami (NLP) adalah kemampuan untuk memproses teks alami yang dibuat oleh manusia. Jaringan neural membantu komputer untuk mengumpulkan wawasan dan makna dari data teks serta dokumen. NLP memiliki beberapa kasus penggunaan, diantaranya dalam fungsi-fungsi ini:
- Agen virtual dan chatbot otomatis
- Organisasi dan klasifikasi otomatis data tertulis
- Analisis kecerdasan bisnis dari dokumen dalam format panjang seperti email dan formulir
- Pengindeksan frasa kunci yang menunjukkan sentimen, seperti komentar positif dan negatif di media sosial
- Peringkasan dokumen dan pembuatan artikel untuk topik tertentu
Mesin rekomendasi
Jaringan neural dapat melacak aktivitas pengguna untuk mengembangkan rekomendasi yang dipersonalisasi. Jaringan neural juga dapat menganalisis semua perilaku pengguna dan menemukan produk atau layanan baru yang menarik minat pengguna tertentu. Misalnya, Curalate, perusahaan rintisan yang berbasis di Philadelphia, membantu merek-merek mengubah postingan media sosial menjadi penjualan. Merek menggunakan layanan penandaan produk cerdas (IPT) milik Curalate untuk mengotomatiskan pengumpulan dan kurasi konten sosial yang dibuat pengguna. IPT menggunakan jaringan neural untuk secara otomatis menemukan dan merekomendasikan produk yang relevan dengan aktivitas media sosial pengguna. Konsumen tidak perlu berburu melalui katalog online untuk menemukan produk tertentu dari citra di media sosial. Sebagai gantinya, konsumen dapat menggunakan penandaan produk otomatis milik Curalate untuk membeli produk dengan mudah.
Bagaimana cara kerja jaringan neural?
Otak manusia adalah inspirasi di balik arsitektur jaringan neural. Sel-sel otak manusia, yang disebut neuron, membentuk jaringan yang kompleks dan saling terhubung, serta mengirimkan sinyal listrik satu sama lain untuk membantu manusia memproses informasi. Demikian pula, jaringan neural buatan terbuat dari neuron buatan yang bekerja sama untuk memecahkan masalah. Neuron buatan adalah modul perangkat lunak, yang disebut simpul, dan jaringan neural buatan adalah program perangkat lunak atau algoritme yang, pada intinya, menggunakan sistem komputasi untuk menyelesaikan perhitungan matematis.
Arsitektur jaringan neural sederhana
Jaringan neural dasar memiliki neuron buatan yang saling terhubung dalam tiga lapisan:
Lapisan Input
Informasi dari dunia luar memasuki jaringan neural buatan dari lapisan input. Simpul input memproses data, menganalisis atau mengategorikannya, dan meneruskannya ke lapisan berikutnya.
Lapisan Tersembunyi
Lapisan tersembunyi mengambil inputnya dari lapisan input atau lapisan tersembunyi lainnya. Jaringan neural buatan dapat memiliki lapisan tersembunyi dalam jumlah yang besar. Setiap lapisan tersembunyi menganalisis output dari lapisan sebelumnya, memprosesnya lebih lanjut, dan meneruskannya ke lapisan berikutnya.
Lapisan Output
Lapisan output memberikan hasil akhir dari semua pemrosesan data oleh jaringan neural buatan. Lapisan output dapat memiliki satu atau beberapa simpul. Misalnya, jika kita memiliki masalah klasifikasi biner (ya/tidak), lapisan ouput akan memiliki satu simpul output, yang akan mengeluarkan hasilnya sebagai 1 atau 0. Namun, jika kita memiliki masalah klasifikasi multi-kelas, lapisan output mungkin terdiri dari lebih dari satu simpul output.
Arsitektur jaringan neural dalam
Jaringan neural dalam, atau jaringan deep learning, memiliki beberapa lapisan tersembunyi dengan jutaan neuron buatan yang saling terhubung. Sebuah angka, yang disebut bobot, mewakili hubungan antara satu simpul dengan simpul lainnya. Bobot adalah bilangan positif jika satu simpul membangkitkan yang lain, atau negatif jika satu simpul menekan yang lain. Simpul dengan nilai bobot yang lebih tinggi memiliki pengaruh yang lebih besar pada simpul lainnya.
Secara teoritis, jaringan neural dalam dapat memetakan setiap tipe input ke tipe output tertentu. Namun, jaringan neural juga membutuhkan lebih banyak pelatihan dibandingkan dengan metode machine learning lainnya. Jaringan neural membutuhkan jutaan contoh data pelatihan dibandingkan mungkin ratusan atau ribuan contoh yang dibutuhkan oleh jaringan yang lebih sederhana.
Apa saja tipe-tipe jaringan neural?
Jaringan neural buatan dapat dikategorikan berdasarkan cara data mengalir dari simpul input ke simpul output. Di bawah ini adalah beberapa contoh:
Jaringan neural feedforward
Jaringan neural feedforward memproses data dalam satu arah, dari simpul input ke simpul output. Setiap simpul dalam satu lapisan terhubung ke setiap simpul di lapisan berikutnya. Jaringan feedforward menggunakan proses umpan balik untuk meningkatkan prediksi dari waktu ke waktu.
Algoritme backpropagation
Jaringan neural buatan terus belajar menggunakan putaran umpan balik korektif untuk meningkatkan analitik prediktifnya. Secara sederhana, Anda dapat membayangkan data yang mengalir dari simpul input ke simpul output melalui banyak jalur yang berbeda di jaringan neural. Hanya satu jalur yang benar yang memetakan simpul input ke simpul output yang benar. Untuk menemukan jalur ini, jaringan neural menggunakan putaran umpan balik, yang bekerja dengan cara sebagai berikut:
- Setiap simpul menebak simpul berikutnya di jalur tersebut.
- Setiap simpul memeriksa apabila tebakannya benar. Simpul menetapkan nilai bobot yang lebih tinggi ke jalur yang mengarah ke tebakan yang lebih benar dan nilai bobot yang lebih rendah ke jalur simpul yang mengarah ke tebakan yang salah.
- Untuk titik data berikutnya, simpul tersebut membuat prediksi baru menggunakan jalur bobot yang lebih tinggi lalu mengulangi Langkah 1.
Jaringan neural konvolusional
Lapisan tersembunyi dalam jaringan neural konvolusional melakukan fungsi matematika tertentu, seperti meringkas atau memfilter, yang disebut konvolusi. Jaringan neural sangat berguna untuk klasifikasi citra karena dapat mengekstraksi fitur yang relevan dari citra dan berguna untuk pengenalan serta klasifikasi citra. Format yang baru lebih mudah diproses tanpa kehilangan fitur yang penting untuk membuat prediksi yang baik. Setiap lapisan tersembunyi mengekstraksi dan memproses fitur citra yang berbeda, seperti tepi, warna, dan kedalaman.
Bagaimana cara melatih jaringan neural?
Pelatihan jaringan neural adalah proses mengajarkan jaringan neural untuk melakukan tugas. Jaringan neural awalnya belajar dengan memproses beberapa set data berlabel atau tidak berlabel dalam jumlah besar. Dengan menggunakan contoh-contoh ini, jaringan neural kemudian dapat memproses input yang tidak diketahui dengan lebih akurat.
Pembelajaran yang diawasi
Dalam pembelajaran yang diawasi, ilmuwan data memberikan set data berlabel kepada jaringan neural buatan yang menyediakan jawaban yang benar terlebih dahulu. Misalnya, pelatihan jaringan deep learning dalam pengenalan wajah pada awalnya memproses ratusan ribu citra wajah manusia, dengan berbagai istilah yang terkait dengan asal-usul etnis, negara, atau emosi yang menggambarkan setiap citra.
Jaringan neural membangun pengetahuan dari set data ini secara perlahan, yang memberikan jawaban yang benar terlebih dahulu. Setelah jaringan dilatih, jaringan mulai menebak-nebak asal-usul etnis atau emosi dari citra baru wajah manusia yang belum pernah diproses sebelumnya.
Apa yang dimaksud dengan deep learning dalam konteks jaringan neural?
Kecerdasan buatan adalah bidang ilmu komputer yang meneliti metode pemberian kemampuan pada mesin untuk melakukan tugas yang membutuhkan kecerdasan manusia. Machine learning adalah teknik kecerdasan buatan yang memberikan akses komputer ke set data yang sangat besar dan membimbingnya untuk belajar dari data ini. Perangkat lunak machine learning menemukan pola dalam data yang sudah ada dan menerapkan pola tersebut ke data baru untuk membuat keputusan yang cerdas. Deep learning adalah bagian dari machine learning yang menggunakan jaringan deep learning untuk memproses data.
Machine learning vs. deep learning
Metode machine learning tradisional memerlukan input manusia agar perangkat lunak machine learning bekerja dengan cukup baik. Seorang ilmuwan data menentukan set fitur relevan secara manual yang harus dianalisis oleh perangkat lunak. Ilmuwan data ini membatasi kemampuan perangkat lunak, sehingga menjadikannya tidak menarik untuk dibuat dan dikelola.
Di sisi lain, dalam deep learning, ilmuwan data hanya memberikan data mentah ke perangkat lunak. Jaringan deep learning memperoleh fitur dengan sendirinya dan belajar lebih mandiri. Jaringan deep learning dapat menganalisis set data yang tidak terstruktur seperti dokumen teks, mengidentifikasi atribut data yang diprioritaskan, dan memecahkan masalah yang lebih kompleks.
Misalnya, jika Anda melatih perangkat lunak machine learning untuk mengidentifikasi citra hewan peliharaan dengan benar, Anda perlu mengambil langkah-langkah berikut:
- Cari dan beri label ribuan citra hewan peliharaan, seperti kucing, anjing, kuda, hamster, burung beo, dan sebagainya, secara manual.
- Beri tahu perangkat lunak machine learning tentang fitur yang harus dicari sehingga dapat mengidentifikasi citra menggunakan eliminasi. Misalnya, menghitung jumlah kaki, kemudian memeriksa bentuk mata, bentuk telinga, ekor, bulu, dan sebagainya.
- Menilai dan megubah set data berlabel secara manual untuk meningkatkan akurasi perangkat lunak. Misalnya, jika set pelatihan Anda memiliki terlalu banyak citra kucing hitam, perangkat lunak akan mengidentifikasi kucing hitam dengan benar tetapi tidak dengan kucing putih.
- Namun, dalam deep learning, jaringan neural akan memproses semua citra dan menentukan secara otomatis bahwa jaringan neural perlu menganalisis jumlah kaki dan bentuk wajah terlebih dahulu, kemudian terakhir melihat ekor untuk mengidentifikasi hewan dalam citra dengan benar.
Apa yang dimaksud dengan layanan deep learning di AWS?
Layanan Deep Learning AWS memanfaatkan kekuatan komputasi cloud sehingga Anda dapat menskalakan jaringan neural deep learning dengan biaya yang lebih rendah dan kecepatan yang optimal. Anda juga dapat menggunakan layanan AWS seperti ini untuk sepenuhnya mengelola aplikasi deep learning tertentu:
- Amazon Rekognition untuk menambahkan fitur penglihatan komputer yang telah dilatih sebelumnya atau dapat disesuaikan ke aplikasi Anda.
- Amazon Transcribe secara otomatis mengenali dan mentranskripsikan ucapan dengan akurat.
- Amazon Lex untuk membangun chatbot cerdas yang memahami maksud, memelihara konteks percakapan, dan mengotomatiskan tugas-tugas sederhana dalam banyak bahasa.
Mulai menggunakan jaringan neural deep learning di AWS dengan Amazon SageMaker dan bangun, latih, serta lakukan deployment model dalam skala besar dengan cepat dan mudah. Anda juga dapat menggunakan AMI Deep Learning AWS untuk membangun lingkungan dan alur kerja kustom untuk deep learning.
Buat akun AWS secara gratis untuk mulai sekarang juga!