Artificial Intelligence, Deep Learning dan Biometrics (part 1)

Beberapa tahun belakangan ini, teknologi Artificial Intelligence banyak mendapatkan perhatian dari komunitas IT. Salah satu terminologi baru yang digandrungi oleh banyak peneliti adalah Deep Learning. Deep Learning berangkat dari model klasik Jaringan Syaraf Tiruan Multilayer Perceptron dilatih dengan backpropagation. Pada pertengahan tahun 80-an, Rumelhart mengenalkan algoritma backpropagation yang mampu dipakai untuk melatih model Jaringan Syaraf Tiruan (Artificial Neural Network) Multilayer Perceptron yang terdiri dari 3 layer : input, hidden dan output layer. Dengan algoritma tersebut, JST dapat diimplementasikan untuk menyelesaikan berbagai kasus non linear seperti misalnya prediksi cuaca, speech recognition, diagnosis penyakit, prediksi struktur protein, klasifikasi kanker dari data microarray dan berbagai aplikasi lainnya. Tetapi ketika data yang diolah menjadi berskala besar, terutama di era masa kini yang sering disebut dengan “big data”, model sederhana di atas mengalami kendala yang disebut gradient vanishing. Ketika jumlah layer pada neural network ditingkatkan, koreksi error dalam proses pelatihan akan menurun seiring dengan banyaknya jumlah layer. Akibatnya proses pembelajaran yang berbasis koreksi error ini tidak berhasil.  Hal inilah yang menjadi latar belakang, mengapa Deep Learning mendapatkan banyak perhatian. Karena Deep Learning mampu menyelesaikan masalah yang melibatkan data berskala besar, yang selama ini sulit untuk diselesaikan oleh pendekatan konvensional.
Tahun yang lalu, Deep Learning mendapatkan momentumnya ketika salah satu varian-nya diadu dengan otak manusia dalam game yang kompleksitasnya sangat tinggi. Model tersebut dikembangkan oleh  perusahaan DeepMind, yang pada tahun 2014 diakuisisi Google. AlphaGo  dalam pertarungan yang ketat, mampu mengalahkan manusia dalam permainan Go. Go adalah “catur Cina” yang komputasinya jauh lebih kompleks dibandingkan catur yang sering kita mainkan sehari-hari.  AlphaGo bertanding dengan Lee Sedol, yang saat itu menempati peringkat kedua dunia dalam bidang permainan Go. Kemenangan ini mengingatkan peristiwa bersejarah, ketika komputer AI “Deep Blue” yang dikembangkan oleh IBM mengalahkan Garry Kasparov pada tahun 1997. Apa beda catur dan Go ? Kalau dalam catur, dalam tiap langkah ada 35 kemungkinan yang bisa dilakukan maka dalam permainan Go ada sekitar 250[1]. Dengan memperhitungkan segala kemungkinan yang bisa terjadi, banyaknya game yang mungkin terjadi dalam permainan Go adalah 10 pangkat 761, sedangkan catur 10 pangkat 120. Angka ini sangat besar jika dibandingkan dengan banyaknya atom di alam semesta yang diperkirakan 10 pangkat 80. Kompleksitas Go jauh lebih tinggi dibandingkan catur. Google mengembangkan AlphaGo yang terdiri dari 2 komponen : prosedur pencarian memakai struktur pohon, dan neural network yang menuntun prosedur pencarian tersebut. Tiga buah convolutional neural network dilatih. Dua di antaranya adalah berperan sebagai policy network, dan satu sebagai value network. Papan permainan menjadi input, dan value network akan menginformasikan peluang untuk menang. Policy network memberikan tuntunan, langkah apa yang harus diambil. Agar mampu memberikan tuntunan itu, neural nework dilatih untuk mengenali pola yang diambil oleh pemain Go, sebanyak 30 juta posisi yang dilakukan oleh expert. Setelah proses pelatihan itu selesai, policy network akan mampu bertindak layaknya expert, memberikan petunjuk langkah apa yang harus diambil. Untuk meningkatkan kemampuannya, policy network diadu satu dengan yang lain, sehingga mampu melakukan eksplorasi langkah-langkah yang lebih baik. Strategi ini disebut dengan “Deep Reinforcement Learning”. Value network dilatih dengan 30 juta posisi permainan, sehingga mampu memberikan prediksi berapa peluang untuk menang dalam suatu situasi. Kedua network : policy network dan value network kemudian digabungkan. Output dari value network memberikan peluang yang sifatnya intuitif, sedangkan hasil simulasi pertandingan policy network menyampaikan refleksi. AlphaGo diimplementasikan dengan memakai 48 CPU dan 8 GPU, sedangkan versi terdistribusi dari AlphaGo berjalan pada 1202 CPU dan 176 GPU. Dalam pertandingan yang diadakan pada tahun 2016 tersebut, sistem cerdas yang dikembangkan oleh DeepMind tersebut mampu memperlihatkan superioritasnya terhadap otak manusia, dengan score 4-1 untuk kemenangan AlphaGo.
Iklan

Tentang Anto Satriyo Nugroho

My name is Anto Satriyo Nugroho. I am working as research scientist at Center for Information & Communication Technology, Agency for the Assessment & Application of Technology (PTIK-BPPT : Pusat Teknologi Informasi & Komunikasi, Badan Pengkajian dan Penerapan Teknologi). I obtained my doctoral degree (Dr.Eng) from Nagoya Institute of Technology, Japan in 2003. My office is located in Serpong, Tangerang Selatan City. My research is on pattern recognition and image processing with applied field of interests on biometrics identification & development of computer aided diagnosis for Malaria. Should you want to know further information on my academic works, please visit my professional site at http://asnugroho.net
Pos ini dipublikasikan di research. Tandai permalink.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s