Perangkat yang terhubung ke Internet disebut perangkat pintar. Hampir semua yang berhubungan dengan Internet dikenal sebagai perangkat pintar^{(smart device)} . Dalam konteks ini, kode yang membuat perangkat LEBIH CERDAS –^{(SMARTER – )} sehingga dapat bekerja dengan minimal atau tanpa campur tangan manusia – dapat dikatakan berbasis Artificial Intelligence (AI). Dua lainnya, yaitu: Machine Learning (ML), dan Deep Learning (DL), adalah berbagai jenis algoritma yang dibangun untuk menghadirkan lebih banyak kemampuan ke perangkat pintar. Mari kita lihat AI vs ML vs DL secara detail di bawah ini untuk memahami apa yang mereka lakukan dan bagaimana mereka terhubung ke AI.

Apa itu Kecerdasan Buatan sehubungan dengan ML & DL

AI dapat disebut sebagai superset dari proses Machine Learning (ML), dan proses Deep Learning (DL). AI biasanya merupakan istilah umum yang digunakan untuk ML dan DL. Deep Learning lagi-lagi, bagian dari Machine Learning (lihat gambar di atas).

Beberapa berpendapat bahwa Machine Learning tidak lagi menjadi bagian dari AI universal. Mereka mengatakan ML adalah ilmu yang lengkap dalam dirinya sendiri dan dengan demikian, tidak perlu disebut dengan mengacu pada Kecerdasan Buatan^{(Artificial Intelligence)} . AI berkembang pesat pada data: Big Data . Semakin banyak data yang dikonsumsi, semakin akurat. Bukannya itu akan selalu memprediksi dengan benar. Akan ada bendera palsu juga. AI melatih dirinya sendiri pada kesalahan ini dan menjadi lebih baik dalam apa yang seharusnya dilakukan – dengan atau tanpa pengawasan manusia.

Kecerdasan Buatan tidak dapat didefinisikan dengan benar karena telah merambah ke hampir semua industri dan memengaruhi terlalu banyak jenis proses dan algoritma (bisnis). Kita dapat mengatakan bahwa Kecerdasan Buatan didasarkan^{(Intelligence)} pada Ilmu Data^{(Data Science)} (DS: Big Data ) dan berisi Pembelajaran Mesin^{(Machine Learning)} sebagai bagiannya yang berbeda. Demikian juga^(Likewise) , Deep Learning adalah bagian yang berbeda dari Machine Learning .

Cara pasar TI miring, masa depan akan didominasi dengan perangkat pintar yang terhubung, yang disebut Internet of Things (IoT) . Perangkat pintar^(Smart) berarti kecerdasan buatan: langsung atau tidak langsung. Anda sudah menggunakan kecerdasan buatan (AI) dalam banyak tugas dalam kehidupan sehari-hari Anda. Misalnya, mengetik di keyboard smartphone yang terus menjadi lebih baik pada "saran kata". Di antara contoh lain di mana Anda tanpa sadar berurusan dengan Kecerdasan Buatan^{(Artificial Intelligence)} adalah mencari hal-hal di Internet , belanja online, dan tentu saja, kotak masuk email Gmail dan Outlook yang selalu cerdas.^(Outlook)

Apa itu Pembelajaran Mesin?

Machine Learning adalah bidang Artificial Intelligence di mana tujuannya adalah untuk membuat mesin (atau komputer, atau perangkat lunak) belajar dan melatih dirinya sendiri tanpa banyak pemrograman. Perangkat semacam itu membutuhkan lebih sedikit pemrograman karena mereka menerapkan metode manusia untuk menyelesaikan tugas, termasuk mempelajari cara berkinerja lebih baik. Pada dasarnya^(Basically) , ML berarti sedikit memprogram komputer/perangkat/perangkat lunak dan membiarkannya belajar sendiri.

Ada beberapa metode untuk memfasilitasi Machine Learning . Dari mereka, tiga berikut digunakan secara luas:

1. Diawasi,
2. Tanpa pengawasan, dan
3. Pembelajaran penguatan.

Pembelajaran Terawasi dalam Pembelajaran Mesin^{(Machine Learning)}

Diawasi dalam arti bahwa pemrogram pertama-tama menyediakan mesin dengan data berlabel dan jawaban yang sudah diproses. Di sini, label berarti nama baris atau kolom dalam database atau spreadsheet. Setelah memasukkan kumpulan besar data tersebut ke komputer, ia siap untuk menganalisis kumpulan data lebih lanjut dan memberikan hasil sendiri. Itu berarti Anda mengajari komputer cara menganalisis data yang diumpankan ke dalamnya.

Biasanya dikonfirmasi menggunakan aturan 80/20. Kumpulan data besar^(Huge) diumpankan ke komputer yang mencoba dan mempelajari logika di balik jawaban. 80 persen data dari suatu peristiwa diumpankan ke komputer bersama dengan jawaban. Sisanya 20 persen diberi makan tanpa jawaban untuk melihat apakah komputer dapat memberikan hasil yang tepat. 20 persen ini digunakan untuk pemeriksaan silang untuk melihat bagaimana komputer (mesin) belajar.

Pembelajaran Mesin Tanpa Pengawasan

Pembelajaran Tanpa Pengawasan terjadi ketika mesin diumpankan dengan kumpulan data acak yang tidak diberi label, dan tidak berurutan. Mesin harus mencari cara untuk menghasilkan hasil. Misalnya, jika Anda menawarkan softball dengan warna berbeda, ia harus dapat mengkategorikan berdasarkan warna. Dengan demikian, di masa depan, ketika mesin disajikan dengan softball baru, ia dapat mengidentifikasi bola dengan label yang sudah ada di database-nya. Tidak ada data pelatihan dalam metode ini. Mesin harus belajar sendiri.

Pembelajaran Penguatan

Mesin yang dapat membuat urutan keputusan termasuk dalam kategori ini. Kemudian ada sistem penghargaan. Jika mesin bekerja dengan baik pada apa pun yang diinginkan programmer, ia mendapat hadiah. Mesin diprogram sedemikian rupa sehingga sangat membutuhkan imbalan maksimal. Dan untuk mendapatkannya, itu memecahkan masalah dengan merancang algoritma yang berbeda dalam kasus yang berbeda. Itu berarti komputer AI menggunakan metode coba-coba untuk mendapatkan hasil.

Misalnya, jika mesin adalah kendaraan yang mengemudi sendiri, ia harus membuat skenarionya sendiri di jalan. Tidak mungkin seorang programmer dapat memprogram setiap langkah karena dia tidak dapat memikirkan semua kemungkinan ketika mesin sedang dalam perjalanan. Di situlah Reinforcement Learning masuk. Anda juga bisa menyebutnya trial and error AI.

Bagaimana Deep Learning berbeda dari Machine Learning

Deep Learning adalah untuk tugas yang lebih rumit. Deep Learning adalah bagian dari Machine Learning . Hanya saja ia mengandung lebih banyak jaringan saraf yang membantu mesin dalam belajar. Jaringan saraf buatan manusia bukanlah hal baru. ^(Manmade)Lab^(Labs) di seluruh dunia mencoba membangun dan meningkatkan jaringan saraf sehingga mesin dapat membuat keputusan yang tepat. Anda pasti pernah mendengar tentang Sophia , seorang humanoid di Saudi yang diberikan kewarganegaraan biasa. Jaringan saraf seperti otak manusia tetapi tidak secanggih otak.

Ada beberapa jaringan bagus yang menyediakan pembelajaran mendalam tanpa pengawasan. Anda dapat mengatakan bahwa Deep Learning lebih merupakan jaringan saraf yang meniru otak manusia. Namun, dengan data sampel yang cukup, algoritme Pembelajaran Mendalam^{(Deep Learning)} dapat digunakan untuk mengambil detail dari data sampel. Misalnya, dengan mesin DL pengolah gambar, lebih mudah untuk membuat wajah manusia dengan emosi yang berubah sesuai dengan pertanyaan yang diajukan mesin.

Di atas menjelaskan AI vs MI vs DL dalam bahasa yang lebih mudah. AI dan ML adalah bidang yang luas – yang baru saja terbuka dan memiliki potensi luar biasa. Inilah alasan beberapa orang menentang penggunaan Machine Learning dan Deep Learning dalam Artificial Intelligence .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devices connected to the Internet are called smart devices. Pretty mυch everything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: SMS Application Didukung oleh Machine Learning

• Fakta dan Mitos tentang Artificial Intelligence

• Apa itu Deep Learning and Neural Network

• Best Free Artificial Intelligence software untuk Windows 10

• Cara Menginstal Drupal Menggunakan WAMP pada Windows

• Bagaimana cara menutup Payoneer Account Anda?

• Apa artinya NFT rata-rata dan cara membuat NFT Digital Art?

• Terjadi kesalahan saat memeriksa pembaruan di VLC

• Whiteboard Fox adalah online whiteboard gratis yang memungkinkan real-time sharing

• Akun itu tidak ditautkan dengan Mixer account

• Zip file adalah kesalahan yang terlalu besar saat mengunduh file dari DropBox

• Online Reputation Management Tips, Tools & Services

• Cara Membuat Invitation Card di Windows PC

• Cara Melindungi Kata Sandi dan Mengamankan Dokumen PDf dengan LibreOffice

• Terkunci dari Plex Server and Server Settings? Ini fix!

• Setup Internet Radio Station Gratis pada Windows PC

• Task Management Software gratis untuk mengelola kerja tim

• Video konferensi etiket, tips dan aturan yang perlu Anda ikuti

• Apa itu Virtual Credit Cards dan bagaimana & di mana Anda mendapatkannya?

• Apa itu Blue Whale Challenge Dare Game