Deep Learning merupakan subset dari bagian Machine Learning, yang pada dasarnya adalah neural network yang terdiri dari tiga atau lapisan yang lebih. Neural network ini mencoba untuk mensimulasikan perilaku otak manusia, walaupun jauh dari kemampuan yang sesuai dari cara bekerja otak manusia, neural network mampu untuk belajar dari sejumlah data dengan skala yang besar. Sementara neural network dengan satu lapisan masih dapat membuat perkiraan, dengan menambahkan lapisan tersembunyi (hidden layer) dapat membantu mengoptimalkan dan menambah akurasi yang lebih tepat.
Deep Learning mendorong banyak aplikasi kecerdasan buatan (AI) yang meningkatkan otomasi, melakukan tugas analisis dan fisik tanpa campur tangan manusia. Teknologi Deep Learning terletak di balik produk dan layanan sehari-hari (seperti asisten digital, remote TV yang diaktifkan dengan suara, dan deteksi penipuan kartu kredit) serta teknologi baru seperti autonomous driving (mobil yang dapat menyetir sendiri).
Baca juga : Pendahuluan Machine Learning
Deep Learning vs. Machine Learning
Jika Deep Learning merupakan subset dari bagian Machine Learning, apa perbedaannya? Deep Learning membedakan dirinya dari Classical Machine Learning berdasarkan jenis data yang digunakannya dan metode pembelajarannya.
Algoritma Machine Learning memanfaatkan data terstruktur (structured data) dan berlabel untuk membuat prediksi – artinya fitur spesifik yang ditentukan dari data input untuk model dan diatur ke dalam bentukan sebuah tabel/matriks. Ini bukan berarti bahwa Machine Learning tidak menggunakan data tidak terstruktur (unstructured data); itu hanya berarti bahwa jika ya, biasanya melalui beberapa data preprocessing / feature engineering untuk mengatur menjadi format terstruktur.
Deep Learning menghilangkan beberapa preprocessing data yang biasanya terlibat dalam Machine Learning. Algoritma ini dapat mencerna dan memproses data tidak terstruktur, seperti teks dan gambar, dan mengotomatiskan ekstraksi fitur, menghilangkan beberapa ketergantungan pada ekspertisir manusia. Misalnya, katakanlah kita memiliki sejumlah foto hewan peliharaan yang berbeda, dan kita ingin mengkategorikannya berdasarkan hewan tersebut, seperti “kucing”, “anjing”, “hamster”, dan lain-lain. Algoritma Deep Learning dapat menentukan fitur mana (misalnya telinga) yang paling penting untuk membedakan setiap hewan dari hewan lainnya. Dalam Machine Learning, hierarki fitur ini dibuat secara manual oleh seorang ekspertise manusia.
Kemudian, melalui proses gradient descent dan backpropagation, algoritma Deep Learning menyesuaikannya dengan loss function, memungkinkannya membuat prediksi foto baru hewan dengan precision yang ditingkatkan.
Model Machine Learning dan Deep Learning juga mampu melakukan berbagai jenis pembelajaran, yang biasanya dikategorikan sebagai supervised learning, unsupervised learning, dan reinforcement learning. Supervised learning menggunakan kumpulan data berlabel untuk mengkategorikan atau membuat prediksi. Ini memerlukan semacam campur tangan manusia untuk melabeli data input dengan benar. Sebaliknya, unsupervised learning tidak memerlukan kumpulan data berlabel, namun, ia mendeteksi suatu pola yang unik didalam data tersebut, mengelompokkannya berdasarkan karakteristik yang membedakan. Reinforcement learning adalah proses di mana model/algoritma belajar menjadi lebih akurat untuk melakukan suatu tindakan berdasarkan lingkungan yang diberikan untuk memaksimalkan hadiah.
Baca juga : Jenis Jenis Machine Learning Yang Harus Kamu Tahu di 2022
Cara Kerja Deep Learning
Deep Learning maupun neural network, atau ANN (Artificial Neural Network), didesain untuk mencoba meniru cara kerja otak manusia melalui kombinasi input data, weights, dan bias. Masing-masing dari elemen ini bekerja sama untuk secara akurat mengenal, mengklasifikasikan, dan menggambarkan objek sesuai dengan data yang diberikan.
Deep neural networks terdiri dari beberapa lapisan nodes/neuron yang saling berhubungan, masing-masing dibangun di atas lapisan sebelumnya untuk menyempurnakan dan mengoptimalkan prediksi atau kategorisasi (sesuai dengan tugas/tujuan yang diberikan). Perkembangan komputasi melalui jaringan ini disebut juga dengan forward propagation, dimana lapisan input dan output dari jaringan neural dalam disebut visible layer. Lapisan input adalah tempat model/algoritma Deep Learning menerima data untuk diproses oleh algoritma tersebut, dan lapisan output adalah prediksi atau klasifikasi akhir dibuat.
Adanya proses lain yang disebut juga dengan backpropagation. Backpropagation terjadi dimana saat model/algoritma Deep Learning tersebut mempelajari data dan tugas/tujuan yang diberikan. Ini bisa dilakukan seperti gradient descent, untuk menghitung kesalahan dalam prediksi dan kemudian menyesuaikan fungsi weights dan bias dengan mem-backpropagate melalui lapisan hidden layer upaya saat training model/algoritma tersebut. Bersama-sama, forward propagation dan backpropagation memungkinkan neural network membuat prediksi dan mengoreksi kesalahan apa pun untuk menyesuai dan meningkatkan akurasi dari algoritma tersebut. Seiring jalannya training, algoritma menjadi lebih akurat secara bertahap-tahap (sering dipanggil juga dengan epochs).
Di atas menjelaskan jenis deep neural networks yang paling sederhana dalam istilah yang paling sederhana. Namun, algoritma Deep Learning sangatlah kompleks, dan ada berbagai jenis neural network untuk mengatasi masalah atau data tertentu.
- CNN (Convolutional Neural Networks), sering digunakan terutama dalam computer vision dan aplikasi klasifikasi gambar, dimana CNN dapat mendeteksi fitur dan pola dalam gambar, memungkinkan tugas seperti deteksi atau pengenalan objek (object detection). Pada 2015, CNN dapat mengalahkan performa manusia dalam tantangan object detection untuk pertama kalinya.
-
RNN (Recurrent Neural Networks), biasanya digunakan dalam NLP (Natural Language Processing) dan aplikasi pengenalan suara (speech recognition) karena memanfaatkan data sekuensi/berurutan atau deret waktu.
- Transformer, arsitektur/algoritma deep learning yang saat ini sangat banyak digunakan diberbagai aplikasi, algoritma ini menjawab pertanyaan/menghilangkan limitasi RNN dan LSTM (variasi/modifikasi dari RNN), vanishing gradient. Baru-baru ini, transformer juga digunakan di sektor computer vision maupun suara.
Aplikasi Deep Learning
Aplikasi Deep Learning di dunia nyata sudah menjadi bagian dari kehidupan kita sehari-hari, tetapi dalam banyak kasus, mereka terintegrasi dengan baik ke dalam produk dan layanan sehingga pengguna tidak menyadari pemrosesan data kompleks yang terjadi dara latar belakang aplikasi tersebut. Beberapa contoh tersebut antara lain sebagai berikut:
Penegakan hukum
Algoritma deep learning dapat menganalisis dan belajar dari data transaksi untuk mengidentifikasi pola berbahaya yang mengindikasikan kemungkinan aktivitas penipuan atau kriminal. Pengenalan ucapan (speech recognition), computer vision, dan aplikasi deep learning lainnya dapat membantu analisis menjadi lebih efisi dan efektif dalam investigasi dengan cara mengekstraksi pola dan bukti dari rekaman suara dan video, gambar, dan dokumen, yang membantu penegak hukum menganalisis data dalam jumlah besar dengan lebih cepat dan akurat.
Jasa finansial
Jasa finansial secara teratur menggunakan sisitem analitikal yang prediktif untuk mendorong sistem algorithmic trading, menilai risiko bisnis untuk persetujuan pinjaman, mendeteksi penipuan, dan membantu mengelola portofolio kredit pengguna dan investasi untuk klien.
Customer Service
Banyak organisasi menggunakan teknologi Deep Learning ke dalam proses customer service mereka. Chatbot, kini sudah digunakan dalam berbagai aplikasi, layanan, dan portal layanan pelanggan adalah bentuk yang straightforward AI secara langsung. Chatbot tradisional menggunakan NLP (Natural Language Processing) dan bahkan pengenalan visual, umumnya ditemukan di menu seperti pusat panggilan. Namun, solusi chatbot yang lebih canggih memprediksi untuk menentukan, melalui pembelajaran, jika ada beberapa tanggapan terhadap pertanyaan yang mengandung sifat ambigu. Berdasarkan tanggapan yang diterimanya, chatbot kemudian mencoba menjawab pertanyaan-pertanyaan ini secara langsung atau mengarahkan percakapan ke pengguna manusia secara langsung.
Virtual asisten seperti Apple Siri, Amazon Alexa, atau Google Assistant memperluas ide chatbot dengan mengaktifkan fungsi pengenalan suara (speech recognition). Ini menciptakan metode baru untuk melibatkan pengguna dengan cara yang personal berdasarkan pengguna tersebut.
Kesehatan
Industri perawatan kesehatan telah mendapat banyak manfaat dari kemampuan pembelajaran mendalam sejak digitalisasi catatan dan gambar rumah sakit. Aplikasi pengenalan gambar dapat mendukung spesialis pencitraan medis dan ahli radiologi, membantu mereka menganalisis dan menilai lebih banyak gambar dalam waktu yang lebih singkat.
Syarat Hardware Deep Learning
Deep Learning membutuhkan daya komputasi yang sangat besar. Graphic Processing Unit (GPU) berperforma tinggi sangatlah ideal untuk deep learning karena dapat menangani perhitungan volume komputasi yang besar dalam jumlah yang banyak dari RAM yang tersedia. Namun, mengelola beberapa GPU di tempat dapat membuat permintaan besar pada sumber daya internal dan sangat mahal untuk skalabilitas.