Machine Learning? Apa Tuh?

Machine learning adalah bagian dari artificial intelligence (AI) atau yang biasa disebut kecerdasan buatan. Dalam machine learning algoritme dilatih untuk menemukan pola dan korelasi dalam kumpulan data besar dan untuk membuat keputusan dan prediksi terbaik berdasarkan analisis tersebut. Machine Learning  meningkat seiring penggunaan dan menjadi lebih akurat dengan semakin banyak data yang mereka akses.

 

Banyak penelitian Machine Learning memiliki efektif memecahkan deteksi email spam (Zdziarski, 2005)dan Translate Machine (Koehn et al., 2003), dua masalah impor global dan seterusnya. Namun, proliferasi yang diterbitkan makalah machine learning yang mengevaluasi beberapa algoritma baru kumpulan data benchmark yang terisolasi. “real world” eksperimen mereka Peningkatan kuantitatif dalam kinerja jarang disertai dengan penilaian terhadapapakah keuntungan itu penting bagi dunia di luar penelitian Machine Learning. Fenomena ini terjadi karena tidak ada penekanan luas, dalam pelatihan peneliti mahasiswa pascasarjana atau dalam proses peninjauan untuk diajukan makalah, tentang menghubungkan ML maju kembali ke yang lebih besar.  Bahkan berbagai macam aplikasi yang digerakkan Penelitian ML sering gagal mengambil langkah terakhir untuk menerjemahkan hasil menjadi impactnya. Membuat machine learning menjadi penting apa yang dibutuhkan adalah perubahan mendasar dalam cara kita merumuskan, menyerang, dan mengevaluasi proyek penelitian Machine Learning. Dampak tantangan Machine Learning Salah satu cara untuk mengarahkan upaya penelitian adalah untuk mengartikulasikan tantangan ambisius dan bermakna. Pada tahun 1992, Carbonell mengartikulasikan daftar tantangan untuk lapangan, bukan untuk meningkatkan dampaknya melainkan untuk “menempatkan kembali kesenangan”Machine Learning” (Carbonell, 1992). termasuk:

 

1. Penemuan hukum fisika baru yang mengarah ke artikel ilmiah yang diterbitkan dan dirujuk.

 

2. Peningkatan peringkat catur 500 USCF/FIDE poin di atas awal level dari kelas B.

 

3. Peningkatan kinerja perencanaan 100 kali lipat dalam dua domain yang berbeda.

 

4. Pendapatan investasi $1 juta dalam satu tahun.

 

5. Mengungguli sistem NLP buatan tangan pada tugas seperti penerjemahan.

 

6. Mengungguli semua diagnosis medis buatan tangan sistem dengan solusi ML yang diterapkan dan secara teratur digunakan setidaknya dua institusi Karena dampak bukanlah prinsip panduan, in itantangan berkisar luas di sepanjang poros itu.

 

 

Setelah ditingkatkan pemain catur mungkin bisa dibilang memiliki dampak dunia nyata terendah, sementara sistem diagnosis medis digunakan secara aktif dapat mempengaruhi banyak kehidupan manusia. Oleh karena itu diusulkan enam Tantangan Dampak berikut sebagai contoh Machine Learning yang penting:

 

1. Undang-undang yang disahkan atau keputusan hukum yang dibuat yang mengandalkan hasil analisis ML.

 

2. Penghematan $100 juta melalui pengambilan keputusan yang lebih baikdisediakan oleh sistem ML.

 

3. Konflik antar negara dihindari melalui terjemahan berkualitas tinggi yang disediakan oleh sistem ML.

 

4. Pengurangan 50% dalam pembobolan keamanan siber melalui pertahanan ML.

 

5. Nyawa manusia diselamatkan melalui diagnosis atau intervensi yang direkomendasikan oleh sistem ML.6. Peningkatan 10% dalam Human Development Index (HDI) (Anand & Sen, 1994) yang disebabkan oleh sistem ML

 

Model Machine Learning yang diawasi dilatih dengan kumpulan data berlabel, yang memungkinkan model untuk belajar dan berkembang lebih akurat dari waktu ke waktu. Sebagai contoh, sebuah algoritma akan dilatih dengan gambar anjing dan hal-hal lain, semua diberi label oleh manusia, dan mesin akan mempelajari cara untuk mengidentifikasi gambar anjing sendiri. Pembelajaran mesin yang diawasi adalah jenis yang paling umum digunakan saat ini.yang menunjukkan apakah gambar menampilkan kucing.