Perlawanan Go 2016 antara AlphaGo dan Lee Sedol meletakkan pembelajaran mendalam dalam perhatian. Pembelajaran mendalam membolehkan AI belajar sendiri dan telah merevolusikan banyak bidang, termasuk pengecaman imej, pengecaman pertuturan dan banyak lagi. AlphaGo memenangi permainan itu melalui pembelajaran tanpa pengawasan, dan kemajuan dalam teknologi pembelajaran mendalam akan mengubah secara positif industri seperti penjagaan kesihatan, pendidikan dan kewangan.
Pada Mac 2016, perlawanan Go antara AlphaGo dan Lee Sedol mengejutkan dunia. AlphaGo, kecerdasan buatan yang menggunakan teknologi pembelajaran mendalam, mengalahkan pemain Go peringkat ke-9 Lee Sedol. Sejak itu, istilah "pembelajaran mendalam" telah menjadi perkataan rumah tangga. Sebenarnya, pembelajaran mendalam ialah teori lama yang telah wujud selama lebih sedekad. Walau bagaimanapun, ramai orang tidak tahu mengenainya. Dalam artikel ini, kami akan menerangkan apa sebenarnya pembelajaran mendalam, perkara yang membezakannya dan cara AlphaGo menerapkannya.
Mula-mula, mari kita lihat sejarah kecerdasan buatan. Sejarah kecerdasan buatan bermula dengan Alan Turing pada tahun 1950-an. Dalam bukunya "Jentera Pengkomputeran dan Kepintaran", Alan Turing bercakap tentang kemungkinan kecerdasan buatan, mengatakan bahawa hari itu boleh datang apabila kecerdasan buatan boleh berfikir seperti manusia. Sejak itu, ramai orang telah mengusahakan AI, tetapi had pembangunan AI telah dicapai pada tahun 1980-an. Selama kira-kira 20 tahun, tiada siapa yang cuba membangunkan AI.
Walau bagaimanapun, pada tahun 2006, Profesor Hinton memperkenalkan teknik pembelajaran mendalam dalam makalahnya "Algoritma pembelajaran pantas untuk jaring kepercayaan mendalam", dan penyelidikan AI mendapat momentum. Pembelajaran mendalam merujuk kepada teknik pembelajaran mesin berdasarkan rangkaian saraf tiruan (ANN) yang membolehkan komputer belajar sendiri daripada sejumlah besar data, sama seperti manusia. Berdasarkan motif manusia berfikir dan bertindak dengan beratus-ratus lapisan neuron, rangkaian saraf tiruan dibina secara pengiraan untuk menjadikan komputer belajar.
Kecerdasan buatan telah dikaji dalam banyak bidang, dan pembelajaran mendalam telah merevolusikan banyak bidang, terutamanya pengecaman imej, pengecaman pertuturan dan pemprosesan bahasa semula jadi. Contohnya, teknologi pengecaman muka Google Photos, ciri pengecaman suara Apple dalam Siri dan sistem pengesyoran Amazon adalah semua contoh pembelajaran mendalam. Teknologi ini telah menjadikan kehidupan seharian kita lebih mudah, dan pembelajaran mendalam dijangka akan diterapkan dalam lebih banyak bidang pada masa hadapan.
Tetapi apakah yang membezakan pembelajaran mendalam daripada kaedah tradisional? Rangkaian saraf tiruan telah dikaji pada masa lalu. Walau bagaimanapun, terdapat dua masalah utama dengan rangkaian neural buatan sedia ada. Yang pertama ialah masalah minimum tempatan, iaitu masalah mengeluarkan jawapan yang salah sebelum mencari jawapan yang benar. Yang kedua ialah overfitting, di mana data latihan dan data sebenar adalah berbeza, mengakibatkan ralat.
Walau bagaimanapun, teknologi pembelajaran mendalam telah membolehkan pembelajaran tanpa pengawasan, mengutamakan masalah pertama. Pembelajaran mendalam membolehkan komputer sentiasa memberi jawapan yang betul, yang telah membawa kepada peningkatan ketepatan yang eksponen. Masalah kedua diselesaikan dengan bantuan data besar. Dalam kaedah tradisional, data latihan diproses untuk memudahkan komputer memahami, tetapi dengan pembangunan data besar, sejumlah besar maklumat boleh diberikan kepada komputer sekaligus. Berdasarkan ini, pembelajaran tanpa pengawasan telah dilaksanakan. Dalam erti kata lain, komputer sebenarnya belajar tanpa pengawasan daripada data sebenar. Dengan kedua-dua masalah ini diselesaikan, pembelajaran mendalam membawa kepada mata air baharu dalam bidang kecerdasan buatan.
Jadi bagaimana AlphaGo menggabungkan pembelajaran mendalam? AlphaGo telah dilatih tanpa pengawasan berdasarkan pemain Go amatur. Melalui pembelajaran tanpa pengawasan, AlphaGo mengemas kini maklumatnya tentang kebarangkalian untuk menang. Akhirnya, ia dapat menggunakan taburan kebarangkalian untuk menentukan langkah mana yang lebih baik pada setiap saat dalam masa. AlphaGo menggunakan algoritma untuk mengenal pasti 2-3 titik permulaan dengan kebarangkalian tinggi untuk menang. Algoritma yang kita bincangkan di sini ialah gabungan kaedah rangkaian nilai dan kaedah pelancaran. Yang pertama ialah kaedah yang menilai serta-merta nilai setiap titik permulaan berdasarkan teknik carian Monte-Carlo, dan yang kedua ialah kaedah yang mengekstrak titik permulaan berkemungkinan tinggi berdasarkan statistik semua tatatanda tersimpan AlphaGo. Dengan menggunakan kedua-dua kaedah ini dalam kombinasi, AlphaGo mengurangkan kerumitan pengiraan dengan mengelakkan mengira semua kes Go. Beginilah cara AlphaGo dapat mengalahkan Lee Sedol 9 dalam Go.
Dalam bahagian sebelumnya, kami membincangkan evolusi kecerdasan buatan, apakah pembelajaran mendalam, faedahnya, dan cara ia digunakan pada AlphaGo. Pembelajaran mendalam adalah teknologi revolusioner itu sendiri. Walau bagaimanapun, kepentingan pembelajaran mendalam yang paling penting ialah ia telah menunjukkan kepada kita bahawa adalah mungkin untuk meniru organisasi diri manusia dalam mesin, yang memungkinkan untuk membayangkan kecerdasan buatan seperti manusia yang bukan hanya fiksyen sains. Jika teknologi pembelajaran mendalam boleh dikembangkan lagi dan digunakan pada teknologi yang memberi manfaat kepada manusia, manusia akan dapat hidup dalam dunia yang lebih selesa jika pembelajaran mendalam AI boleh menyelesaikan masalah yang tidak dapat diselesaikan dengan mudah oleh manusia.
Oleh itu, pembangunan teknologi pembelajaran mendalam bukan sekadar inovasi teknologi, tetapi berpotensi untuk merevolusikan masyarakat secara keseluruhan. Pembelajaran mendalam boleh digunakan dalam pelbagai industri, termasuk penjagaan kesihatan, pendidikan, kewangan, pembuatan dan banyak lagi, yang akan meningkatkan lagi kualiti hidup kita. Contohnya, dalam penjagaan kesihatan, pembelajaran mendalam akan membolehkan perubatan ketepatan, yang akan membolehkan rawatan diperibadikan, dan dalam pendidikan, ia akan membenarkan pendidikan diperibadikan berdasarkan tahap pembelajaran individu. Ini semua adalah kesan positif daripada kemajuan dalam teknologi pembelajaran mendalam.
Oleh itu, pembelajaran mendalam akan terus berkembang, dan kehidupan kita akan menjadi lebih mudah dan diperkaya dengan kemajuannya. Saya harap artikel ini telah memberi anda pemahaman yang lebih baik tentang pembelajaran mendalam dan menyediakan anda untuk perubahan yang akan datang.
