Membuka kotak hitam kecerdasan buatan


Pada bulan Maret 2016, sebuah komputer menantang grandmaster game Go to a match.

Go adalah permainan yang sangat sulit, dianggap jauh lebih kompleks daripada catur. Komputer cerdas buatan telah mencoba mengalahkan manusia selama bertahun-tahun, tetapi tidak berkembang melampaui status amatir.

Elon Musk, investor besar dalam kecerdasan buatan, atau teknologi AI, menyatakan pada awal 2016 bahwa komputer masih satu dekade lagi untuk mengalahkan master Go manusia. Kemudian muncullah AlphaGo, sebuah program komputer yang dikembangkan oleh Google.

AlphaGo tidak hanya memiliki akses ke database 30 juta gerakan dari 160.000 game, tetapi juga dirancang untuk belajar melalui latihan. Dengan bermain melawan dirinya sendiri, perangkat lunak mempelajari aspek permainan yang membedakannya dari program komputer sebelumnya.

AlphaGo mengalahkan Grandmaster Lee Sedol dalam empat dari lima pertandingan, suatu prestasi yang luar biasa.

Tapi mungkin yang paling penting, perangkat lunak terkadang membuat gerakan yang tidak terduga sehingga awalnya dianggap sebagai bug. Hanya saat permainan berlangsung, gerakan anomali terbukti penting untuk kemenangan.

Mengapa AlphaGo mengambil langkah-langkah ini masih sulit dipahami.

Komputer tidak dapat menjelaskan dirinya sendiri kepada penciptanya. Tampaknya bertindak secara intuitif.

Teknik intuitif yang sama ini umum di antara pemain manusia tingkat atas, yang terkadang bermain dengan cara yang terasa benar tetapi tidak dapat dipetakan.

Program AI memasuki fase baru di mana mereka memiliki fleksibilitas yang meningkat dan kekuatan analitis yang meningkat secara besar-besaran. Mereka dapat beralih dari satu tujuan ke tujuan lain dan mentransfer apa yang telah mereka pelajari sebelumnya ke aplikasi baru.

Also Read :  Perkembangan Kecerdasan Buatan di Tiongkok: Investasi dan Perhatian pada Produksi

Kemampuan ini disebut sebagai “model dasar” dan membuka penggunaan AI yang jauh lebih luas, penggunaan yang akan membawanya ke skala industri. Tetapi meningkatnya ketidakjelasan AI tetap menjadi rintangan serius.

Ketika komputer membuat keputusan yang tidak dapat mereka jelaskan kepada tuannya, kita pada dasarnya harus mengandalkan insting komputer.

Kita dapat melihat output dan melihat bahwa komputer melakukan kesalahan, tetapi bagaimana kita tahu apakah itu keluar jalur atau membuat penilaian intuitif yang brilian? Kita harus dapat melihat parameter apa yang digunakan komputer untuk menentukan apakah komputer itu menerobos atau membuat kesalahan.

Masalahnya adalah, semakin intuitif output komputer, semakin besar kemungkinannya didasarkan pada jaringan informasi yang saling berhubungan yang sangat kompleks. Program AI dirancang untuk berfungsi seperti otak manusia, dan banyak titik data yang diakses dan jalur di balik proses penyortiran memberikan jaringan yang menakutkan ketika mengalami analisis terbalik.

Namun, dalam beberapa situasi, penting untuk membiarkan manusia menilai kualitas pengambilan keputusan AI.

Amerika Serikat mengumpulkan segunung data tentang Korea Utara dari penyadap sinyal, satelit, dan pesawat mata-mata. Analis dapat kewalahan oleh rekomendasi dari perangkat lunak pengenalan pola yang memperingatkan mereka tentang kemungkinan aktivitas bermusuhan.

Kemampuan untuk melacak mengapa program membuat peringatan akan membantu analis menilai pentingnya dan merekomendasikan perubahan perangkat lunak ketika data sepele ditandai. Itu sebabnya Defense Advanced Research Projects Agency membuat program untuk memeriksa bagian dalam perangkat lunak AI dan melacak prosesnya.

Also Read :  Bagaimana Algoritma Kecerdasan Buatan Menghasilkan Keputusan yang Bias · The Badger Herald

Alasan lain kita perlu membangun transparansi ke dalam output komputer adalah agar kita bisa belajar darinya.

Kecerdasan buatan memiliki potensi untuk membuat penemuan yang bernilai tinggi. Di masa depan, komputer akan menciptakan produk baru yang bermanfaat.

Tetapi jika metode inventif mereka tetap terjerat dalam labirin semikonduktor, kita tidak akan belajar bagaimana menduplikasi upaya tersebut.

Pada titik ini, alih-alih berinovasi untuk diri kita sendiri dari tingkat pemahaman yang lebih tinggi, kita menjadi bergantung pada komputer untuk ide-ide lebih lanjut. Jika pembelajaran manusia ingin meningkatkan pencapaian AI, kita perlu memahami blok bangunan yang digunakan komputer.

Untungnya, beberapa rekayasa balik dimungkinkan tanpa mundur dari jutaan langkah yang diambil superkomputer untuk menganalisis pertanyaan yang diberikan.

Jika program penulisan AI menyarankan kata-kata yang berbeda untuk sebuah teks, penulis sering kali dapat menilai sendiri apakah komputer itu pintar atau bodoh. Tetapi saya dapat membuktikan bahwa terkadang editor, manusia atau elektronik, perlu memberikan alasan yang meyakinkan agar penulis menerima kesimpulannya.

Komputer semakin banyak menembus bidang kreatif yang dulunya hanya diperuntukkan bagi manusia saja.

Program AI yang bekerja dengan komposer untuk membangun bagaimana Symphony ke-10 Beethoven mungkin terdengar dibuat dari catatan komposer untuk karya tersebut. Hasilnya dipuji sebagai kemenangan musik.

Perangkat lunak sekarang menulis musik, puisi, cerita, manual teknis, dan bahkan lelucon, dan hasilnya semakin sulit dibedakan dari usaha manusia. Karena komputer dapat mengakses jauh lebih banyak karya kreatif manusia daripada siapa pun dan kemudian menggunakan basis data itu untuk membuat materi baru, komputer menyediakan sumber daya yang tak tertandingi untuk kolaborasi kreatif.

Also Read :  Menuju Digitalisasi Sistem Kesehatan di Indonesia - Academia

Tetapi untuk mempelajari mengapa perangkat lunak membuat berbagai saran, penting untuk memahami sumbernya. Belajar butuh penjelasan, bukan dikte.

Untuk melakukan ini, perusahaan dan pemerintah sedang merancang perangkat lunak yang belajar untuk melihat program AI, mengidentifikasi sumber, menentukan bagaimana mereka telah diintegrasikan, dan memberikan umpan balik kepada orang-orang.

Sayangnya, tugas analitis ini berada di luar kemampuan manusia. Tapi kami belajar bagaimana membuat alat untuk mengawasi alat kami.

Kecerdasan buatan akan segera mengemudikan mobil kita, membuat diagnosis medis, dan mengizinkan pinjaman bank. Keterampilan baru ini dapat membuat dunia kita lebih aman dan lebih efisien.

Tapi kita manusia perlu tahu apa yang mendorong keputusan program ini untuk belajar darinya dan menghapusnya bila perlu.

Penulis tamu Scott Gibson kembali ke rumah masa kecilnya 30 tahun yang lalu untuk praktik kedokteran. Seorang internis bersertifikat dewan, dia bertugas di Dewan Sekolah McMinnville dari 2011 hingga 2017 ketika dia dan istrinya Melody pindah ke pinggiran Amity untuk membuka Bella Collina B&B. Selain kedokteran dan ilmu alam, minatnya meliputi sejarah, ekonomi, dan sastra.





Source link