Pengenalan

Kemajuan kecerdasan buatan saban hari meningkat secara eksponen. Lebih ramai pakar mahupun orang awam yang telah melibatkan diri dalam menyumbang kepada teknologi kecerdasan buatan yang menjadikan kadar kemajuannya semakin pantas.

Namun, sayang sekali kesedaran mengenai kecerdasan buatan tidaklah terlalu menggalakkan dalam negara ini. Jarang sekali kita berborak soal ini seperti mana kita berborak isu-isu Sains yang lain seperti Fizik (yang masyhur seperti lubang hitam, teori relativiti dan Fizik kuantum), Sains politik (yang seharusnya menjadi topik hangat), bola sepak dan lain-lain lagi.

Kecerdasan buatan belum kelihatan lagi seksi di mata kita. 😶

Tetapi, tahukah anda, pada hari ini, kecerdasan buatan sudah memeluk pelbagai bidang? Ini termasuklah ekonomi, Sains, sejarah, politik, mata wang dan pelbagai lagi. Anda pasti tertanya-tanya, bagaimana kecerdasan buatan menyumbang 'kepintarannya' dalam semua bidang ini.

Ayuh kita bedah satu persatu!

Sejarah

Ilmu statistik adalah sebuah ilmu yang sudah bermula sejak sekian lamanya. Dikatakan, ia telah bermula dari abad ke 17 lagi. Namun pada masa itu, penggunaanya tidak meluas seperti hari ini. Cabang ini berkembang maju apabila memasuki abad ke 19, apabila ia mula digunakan dalam bidang ekonomi dan pengiraan populasi, disebabkan kemampuannya dalam menganalisis.

William Petty seorang ahli ekonomi yang menggunakan statistik untuk menganalisis data demografik.

Mungkin, anda pernah merasakan mempelajari Statistik di sekolah adalah sesuatu yang tidak berguna. Mengapa kita harus mengira mod, median dan julat? Mengapa kita harus membuat graf itu dan ini? Mengapa kita mengetahui jenis-jenis taburan?

Namun sebenarnya, ilmu Statistiklah yang menjadi batu asas kepada pembinaan teknologi pada tahap yang seterusnya iaitu kecerdasan buatan.

Apa itu kecerdasan buatan?

Kecerdasan Buatan

Kecerdasan buatan adalah sebuah algoritma (susunan kod-kod yang memberi makna sesuatu) yang mempunyai kemampuan untuk melakukan sesuatu yang mampu dilakukan manusia sejagat seperti berfikir dan mengenalisis, melihat dan membaca.

Ha?

Ya, kecerdasan buatan mampu untuk melakukan semua ini, menggunakan dasar ilmu pengetahuan yang saya telah sebutkan tadi iaitu Statistik.

Bagaimana kecerdasan buatan mampu berfikir dan menganalisis?

Mari kita bedah dengan lebih lanjut.

Berfikir dan menganalisis

Manusia cenderung untuk melihat corak (pattern) apabila melihat sesuatu perkara. Kadangkala bila kita melihat awan, secara tiba-tiba kita merasakan awan itu berbentuk beruang yang sedang memeluk bantal.

Ataupun pada setiap minggu, kita mampu mengagak keputusan perlawanan pasukan Manchester United berdasarkan keputusan permainan mereka daripada permainan sebelum ini.

Inilah yang dipanggil sebagai corak.

Daripada pemerhatian kita terhadap corak-corak ini, kita akan mula menyambung titik-titik tersebut bagi menatijahkan konklusi akhir.

Dalam kecerdasan buatan, terdapat sebuah teknologi yang dikenali sebagai mesin pembelajaran; yang mengaplikasikan pola fikir analisis ini. Bezanya, pola pemikiran ini mempunyai disiplinnya yang tersendiri supaya konklusi yang dicipta pada akhirnya nanti menepati objektif yang telah ditapkan.

Model

Mari kita lihat satu contoh bagaimana mesin pembelajaran mampu melakukan semua ini. Terdapat sejenis mesin pembelajaran yang menggunakan asas statistik dan salah satunya dikenali sebagai model regresi (regression model).

Model regresi adalah sebuah model yang mampu melihat keterkaitan antara satu ciri pemboleh ubah bersandar dengan satu ciri akibat daripada pemboleh ubah tersebut. Model ini menggunakan garisan lurus sebagai panduan kepada corak data tersebut.

Contoh eksperimen mudah adalah melihat sama ada berat tikus dan saiz matanya adalah berkadar langsung dengan tinggi tikus.

Kemudian, mari kita bina satu algoritma mesin pembelajaran model regresi. Model ditulis dengan menggunakan bahasa pengaturcaraan Python.

Berikut contoh kod;

from sklearn.linear_model import LinearRegression

berat_dan_saiz_mata = [[1, 3], [4, 5], [6, 10]] 
tinggi = [1,6,8] 

reg = LinearRegression()

reg.fit(berat_dan_saiz_mata, tinggi)

x_new = [[1, 4], [4, 2], [6, 11]]
y_pred = reg.predict(x_new)

print(y_pred)

Output:

[0.63636364 7.09090909 7.63636364]

Penerangan kod

- Ciri-X

Ciri x merujuk kepada data yang digunakan untuk meramal ciri sasaran iaitu ciri y. Dalam hal ini diwakili berat dan saiz mata seekor tikus. Dengan menggunakan 3 ekor tikus, kita telah merekod berat dan saiz mata mereka, untuk digunakan sebagai data kepada model mesin.

- Ciri-y

Data y pula merujuk kepada nilai sasaran yang kita tentukan untuk diramal. Dalam hal ini, diwakili oleh tinggi tikus tersebut. Data ini juga diberikan pada model mesin supaya 'beliau' mampu mengenalpasti corak daripada data ini, menggunakan 'pola fikir' model ini iaitu regresi.

- model.fit(X, y)

Kita akan menggunakan metod fit untuk mengarahkan mode yang telah kita pilih untuk mempelajari data.

- model.predict(data_baru)

Menggunakan metod predict, kita boleh meramal tinggi tikus tikus lain dengan menyediakan data berat dan saiz mata tikus yang baharu hanya dengan kod semudah ini! 😎

- Output

Output yang telah dihasilkan adalah nilai ramalan tinggi tikus setelah kita memasukkan data baharu.

Jadi, bayangkan jika anda sedang membuat satu ekperimen yang kompleks berskala besar.

Data anda adalah bersandar kepada data yang satu lagi. Maka, dengan menyediakan data anda yang lengkap, anda dengan mudah dapat meramal output yang baharu dengan mengaplikasikan model mesin pembelajaran ini! (kod di atas adalah eksperimen mudah, terdapat pelbagai lagi perkara lain yang harus ditimbang tara).

Sheeessh! 🤯

Melihat

Pada hari ini, mesin pembelajaran sudah sampai kesebuah tahap mereka mampu 'melihat' seperti manusia. Teknologi ini dipanggil sebagai Pengesanan Karakter secara Optikal.

Melalui teknologi ini, mesin akan 'melihat' sesebuah objek dan mengekstrak info yang berguna seperti nama, umur, dan sebagainya. Sebagai contoh, jika kita memberikan salinan kad pengenalan kita kepada mesin, mesin akan mengetahui dimanakah posisi nama, alamat, agama, dan gambar kad pengenalan! 😮

Bayangkan kerja harian manusia akan menjadi bertambah mudah jika kita dapat mengaplikasikan dan mengembangkan teknologi ini.

Membaca

Selain itu, terdapat juga mesin yang dipanggil sebagai Pemprosesan Bahasa Alami (PBA) atau lebih biasa dikenali sebagai Natural Language Processing (NLP).

NLP mempunyai fungsi untuk mengesan makna disebalik struktur ayat percakapan seharian kita. Contohnya, sebagai manusia, kita semestinya faham jika seseorang berkata,

1. "Saya sangat gembira dengan pencapaian kamu."

2. "Saya sudah tak mampu untuk melihat gambarnya lagi."

3. "Saya sayang kerajaan saya, kerana ia bebas daripada rasuah."

Frasa pertama menunjukkan frasa yang gembira. Frasa kedua menunjukkan perasaan yang sedih. Frasa ketiga lebih kepada sarkastik, skeptik dan tidak percaya.

Sebagai manusia, umumnya kita akan memahami konteks sesebuah ayat itu berdasarkan pengalaman kita berkomunikasi dalam seharian.

Tetapi, bagaiamana mesin pembelajaran memahami semua ini? Mereka menggunakan alat yang dipanggil sebagai Alatan Bahasa Alami atau lebih biasa dikenali sebagai Natural Language Toolkits atau NLTK.

Menggunakan NLTK, alat ini mampu memecah-beraikan frasa ayat, mengesan perkataan yang berulang, mencari perkataan akar (untuk perkataan berimbuhan) dan lain-lain lagi.

Daripada itu, kita boleh meramal konteks frasa ini dengan menggunakan mesin pembelajaran klasik, dengan cara kita melatih data (dipanggil sebagai korpus). Menggunakan korpus, mesin dapat mempelajari, apakah yang dimaksudkan dengan gembira, apakah yang dimaksudkan dengan sedih, apakah yang dimaksudkan dengan sarkastik, dan lain-lain lagi.

Kesimpulan

Begitulah antara contoh mesin pembelajaran yang menjadi komponen kecerdasan buatan pada hari ini. Cool kan? 😛

Terdapat banyak lagi model atau mesin pembelajaran yang wujud, namun tidak muat jika ingin dihimpunkan ke dalam satu artikel. Tetapi jangan risau, waktu demi waktu, saya akan cuba memilih model mesin pembelajaran untuk dikupas secara konseptual untuk artikel seterusnya.

Jika anda punya apa-apa komen, pembetulan, soalan atau cadangan, jangan malu atau segan untuk terus menulisnya dibahagian komen. Sampai disini sahaja artikel kali ini.

Selamat berhujung minggu, dan selamat berkoding! 💻

Anneyong! 👋