Apa itu deep learning di AI?
Deep learning adalah metode kecerdasan buatan (AI) yang mengajarkan komputer untuk memproses data dengan cara yang terinspirasi oleh otak manusia. Model deep learning dapat mengenali gambar, teks, suara yang kompleks, serta pola data lain untuk menghasilkan wawasan dan prediksi yang akurat. Anda dapat menggunakan metode deep learning untuk mengotomatiskan tugas yang biasanya membutuhkan kecerdasan manusia, seperti mendeskripsikan citra atau menyalin file suara ke dalam teks.
Apa itu deep learning generatif?
Deep learning generatif adalah deep learning yang berfokus menciptakan output baru dari input yang dipelajari. Secara tradisional, deep learning berfokus mengidentifikasi hubungan di antara data. Model deep learning dilatih dengan sejumlah besar data untuk mengenali pola dalam set data.
Deep learning generatif menambah pembuatan pada pengenalan pola. Model semacam itu mencari pola data dan kemudian membuat pola uniknya sendiri. Misalnya, model dapat menganalisis teks dalam beberapa buku dan kemudian menggunakan informasi untuk menghasilkan kalimat dan paragraf baru yang tidak ditemukan dalam buku asli.
Deep learning generatif adalah dasar dari AI generatif modern dan model fondasi. Model-model ini menggunakan teknologi deep learning dalam skala besar, dilatih pada data yang luas, untuk melakukan tugas-tugas kompleks, seperti menjawab pertanyaan, membuat gambar dari teks, dan menulis konten.
Mengapa deep learning penting?
Teknologi deep learning mendorong banyak aplikasi kecerdasan buatan yang digunakan dalam produk sehari-hari, seperti berikut ini:
- Chatbot dan pembuat kode
- Asisten digital
- Pengendali jarak jauh televisi yang diaktifkan suara
- Deteksi penipuan
- Pengenalan wajah otomatis
Deep learning juga merupakan komponen penting dari berbagai teknologi, seperti mobil otonom, realitas virtual, dan banyak lagi. Bisnis menggunakan model deep learning untuk menganalisis data dan membuat prediksi dalam berbagai aplikasi.
Apa saja kasus penggunaan deep learning?
Deep learning memiliki beberapa kasus penggunaan di bidang otomotif, dirgantara, manufaktur, elektronik, penelitian medis, dan bidang lainnya.
- Mobil otonom menggunakan model deep learning untuk deteksi objek.
- Sistem pertahanan menggunakan deep learning untuk menandai lingkup area pada citra satelit.
- Analisis citra medis menggunakan deep learning untuk mendeteksi sel-sel kanker dalam diagnosis medis.
- Pabrik-pabrik menggunakan aplikasi deep learning untuk mendeteksi saat orang atau benda berada dalam jarak yang tidak aman terhadap mesin.
Berbagai kasus penggunaan deep learning ini dapat dikelompokkan ke dalam lima kategori besar: penglihatan komputer, pengenalan ucapan, pemrosesan bahasa alami (NLP), mesin rekomendasi, dan AI generatif.
Penglihatan komputer
Penglihatan komputer mengekstrak informasi serta wawasan dari gambar dan video secara otomatis. Teknik deep learning untuk memahami citra dengan cara yang sama seperti yang dilakukan manusia. Penglihatan komputer memiliki beberapa aplikasi, seperti berikut ini:
- Moderasi konten untuk menghapus konten yang tidak aman atau tidak pantas secara otomatis dari arsip citra dan video
- Pengenalan wajah untuk mengidentifikasi wajah dan mengenali atribut seperti mata terbuka, kacamata, dan rambut di wajah
- Klasifikasi citra untuk mengidentifikasi logo merek, pakaian, perlengkapan keselamatan, dan detail citra lainnya
Pengenalan suara
Model deep learning dapat menganalisis ucapan manusia meskipun pola bicara, tinggi rendah suara, nada, bahasa, dan aksennya berbeda-beda. Asisten virtual, seperti Amazon Alexa serta perangkat lunak teks ke ucapan dan ucapan ke teks menggunakan pengenalan ucapan untuk melakukan tugas-tugas berikut:
- Membantu agen pusat panggilan dan mengklasifikasikan panggilan secara otomatis.
- Mengubah percakapan klinis menjadi dokumentasi secara waktu nyata.
- Mengonversi suara ke dalam teks pada video dan rekaman rapat secara akurat untuk jangkauan konten yang lebih luas.
- Mengubah skrip menjadi prompt bantuan suara cerdas.
Pemrosesan bahasa alami
Komputer menggunakan algoritme deep learning untuk mengumpulkan wawasan dan makna dari data teks serta dokumen. Kemampuan untuk memproses teks alami yang dibuat manusia ini memiliki beberapa kasus penggunaan, termasuk:
- Agen virtual otomatis dan chatbot
- Ringkasan otomatis dokumen atau artikel berita
- Analisis kecerdasan bisnis dari dokumen dalam format panjang seperti email dan formulir
- Pengindeksan frasa kunci yang menunjukkan sentimen, seperti komentar positif dan negatif di media sosial
Mesin rekomendasi
Aplikasi dapat menggunakan metode deep learning untuk melacak aktivitas pengguna dan mengembangkan rekomendasi yang dipersonalisasi. Aplikasi dapat menganalisis perilaku berbagai pengguna dan membantu mereka menemukan produk atau layanan baru. Misalnya,
- Merekomendasikan video dan konten yang dipersonalisasi.
- Merekomendasikan produk dan layanan yang disesuaikan.
- Filter hasil pencarian untuk menyoroti konten yang relevan berdasarkan lokasi dan perilaku pengguna
AI Generatif
Aplikasi AI generatif dapat membuat konten baru dan berkomunikasi dengan pengguna akhir secara lebih canggih. Aplikasi AI generatif dapat membantu mengotomatiskan alur kerja yang kompleks, menuangkan ide-ide, dan pencarian pengetahuan yang cerdas. Misalnya, dengan alat AI generatif, seperti Amazon Q Business dan Amazon Q Developer, pengguna dapat
- Mengajukan pertanyaan dalam bahasa alami dan mendapatkan jawaban yang diringkas dari berbagai sumber pengetahuan internal.
- Mendapatkan saran kode serta peningkatan dan pemindaian kode otomatis.
- Membuat dokumen baru, email, dan konten pemasaran lainnya lebih cepat.
Bagaimana cara kerja deep learning?
Model deep learning merupakan jaringan neural yang dirancang meniru otak manusia. Otak manusia memiliki jutaan neuron biologis yang saling terhubung dan bekerja sama untuk mempelajari dan memproses informasi. Demikian pula, neuron buatan adalah modul perangkat lunak yang disebut simpul, dan menggunakan perhitungan matematika untuk memproses data. Jaringan neural deep learning, atau jaringan neural buatan, terbuat dari banyak lapisan neuron buatan yang bekerja sama untuk mengatasi berbagai masalah kompleks.
Berikut adalah komponen jaringan neural dalam.
Lapisan input
Jaringan neural buatan memiliki beberapa simpul yang menginput data ke dalamnya. Simpul ini membentuk lapisan input sistem.
Lapisan tersembunyi
Lapisan input memproses dan meneruskan data ke lapisan lebih jauh di jaringan neural. Lapisan tersembunyi ini memproses informasi pada tingkat yang berbeda, menyesuaikan perilaku saat lapisan tersebut menerima informasi baru. Jaringan deep learning memiliki ratusan lapisan tersembunyi yang dapat digunakan untuk menganalisis masalah dari beberapa sudut yang berbeda.
Misalnya, jika Anda harus mengklasifikasikan gambar hewan tak dikenal, Anda akan membandingkannya dengan hewan yang sudah Anda kenal. Misalnya, Anda akan melihat bentuk mata dan telinganya, ukurannya, jumlah kaki, dan pola bulunya. Anda akan mencoba mengidentifikasi pola, seperti berikut ini:
- Hewan tersebut memiliki kuku, mungkin saja itu sapi atau rusa.
- Hewan tersebut memiliki mata kucing, mungkin saja itu jenis kucing liar.
Lapisan tersembunyi di jaringan neural dalam bekerja dengan cara yang sama. Jika algoritme deep learning mencoba mengklasifikasikan gambar hewan, masing-masing lapisan tersembunyi memproses beragam fitur hewan dan mencoba mengkategorikannya secara akurat.
Lapisan output
Lapisan output terdiri dari simpul yang menghasilkan data. Model deep learning yang menghasilkan jawaban "ya" atau "tidak" hanya memiliki dua simpul di lapisan output. Di sisi lain, model yang menghasilkan jawaban yang lebih luas memiliki lebih banyak simpul. AI generatif memiliki lapisan output canggih untuk menghasilkan data baru yang cocok dengan pola dalam set data pelatihannya.
Apa saja komponen jaringan deep learning?
Berikut adalah komponen jaringan neural dalam.
Lapisan input
Jaringan neural buatan memiliki beberapa simpul yang menginput data ke dalamnya. Simpul ini membentuk lapisan input sistem.
Lapisan tersembunyi
Lapisan input memproses dan meneruskan data ke lapisan lebih jauh di jaringan neural. Lapisan tersembunyi ini memproses informasi pada tingkat yang berbeda, menyesuaikan perilaku saat lapisan tersebut menerima informasi baru. Jaringan deep learning memiliki ratusan lapisan tersembunyi yang dapat digunakan untuk menganalisis masalah dari beberapa sudut yang berbeda.
Misalnya, jika Anda harus mengklasifikasikan gambar hewan tak dikenal, Anda akan membandingkannya dengan hewan yang sudah Anda kenal. Misalnya, Anda akan melihat bentuk mata dan telinganya, ukurannya, jumlah kaki, dan pola bulunya. Anda akan mencoba mengidentifikasi pola, seperti berikut ini:
- Hewan tersebut memiliki kuku, mungkin saja itu sapi atau rusa.
- Hewan tersebut memiliki mata kucing, mungkin saja itu jenis kucing liar.
Lapisan tersembunyi di jaringan neural dalam bekerja dengan cara yang sama. Jika algoritme deep learning mencoba mengklasifikasikan gambar hewan, masing-masing lapisan tersembunyi memproses beragam fitur hewan dan mencoba mengkategorikannya secara akurat.
Lapisan output
Lapisan output terdiri dari simpul yang menghasilkan data. Model deep learning yang menghasilkan jawaban "ya" atau "tidak" hanya memiliki dua simpul di lapisan output. Di sisi lain, model yang menghasilkan jawaban yang lebih luas memiliki lebih banyak simpul.
Apa itu deep learning dalam konteks machine learning?
Deep learning adalah subset machine learning. Algoritme deep learning muncul dalam upaya untuk membuat teknik machine learning tradisional lebih efisien. Metode machine learning tradisional membutuhkan upaya manusia yang signifikan untuk melatih perangkat lunak. Misalnya, dalam pengenalan gambar hewan, Anda perlu melakukan hal berikut:
- Memberikan label pada ratusan ribu gambar hewan secara manual.
- Membut algoritme machine learning memproses gambar-gambar tersebut.
- Menguji algoritme tersebut pada satu set gambar yang tidak diketahui.
- Mengidentifikasi alasan beberapa hasil tidak akurat.
- Meningkatkan set data dengan memberi label pada gambar baru untuk meningkatkan akurasi hasil.
Proses ini disebut pembelajaran yang diawasi. Dalam pembelajaran yang diawasi, akurasi hasil hanya akan meningkat jika Anda memiliki set data yang luas dan cukup bervariasi. Misalnya, algoritme mungkin secara akurat mengidentifikasi kucing hitam tetapi tidak demikian dengan kucing putih karena set data pelatihan memiliki lebih banyak gambar kucing hitam. Dalam hal ini, Anda perlu memberi label lebih banyak pada gambar kucing putih dan melatih model machine learning sekali lagi.
Apa perbedaan antara machine learning, deep learning, dan AI generatif?
Istilah machine learning, deep learning, dan AI generatif menunjukkan kemajuan dalam teknologi jaringan neural.
Machine learning
Deep learning adalah subset dari machine learning. Algoritme deep learning muncul dalam upaya untuk menjadikan teknik machine learning tradisional lebih efisien. Metode machine learning tradisional membutuhkan upaya manusia yang signifikan untuk melatih perangkat lunak. Misalnya, dalam pengenalan gambar hewan, Anda perlu melakukan hal berikut:
- Memberikan label pada ratusan ribu gambar hewan secara manual.
- Membut algoritme machine learning memproses gambar-gambar tersebut.
- Menguji algoritme tersebut pada satu set gambar yang tidak diketahui.
- Mengidentifikasi alasan beberapa hasil tidak akurat.
- Meningkatkan set data dengan memberi label pada gambar baru untuk meningkatkan akurasi hasil.
Proses ini disebut pembelajaran yang diawasi. Dalam pembelajaran yang diawasi, akurasi hasil hanya akan meningkat dengan set data yang luas dan cukup bervariasi. Misalnya, algoritme mungkin secara akurat mengidentifikasi kucing hitam tetapi tidak demikian dengan kucing putih karena set data pelatihan memiliki lebih banyak gambar kucing hitam. Dalam hal ini, Anda akan memerlukan lebih banyak data berlabel gambar kucing putih untuk melatih model machine learning lagi.
Manfaat deep learning dibandingkan machine learning
Jaringan deep learning memiliki manfaat berikut dibandingkan machine learning tradisional.
Pemrosesan data tidak terstruktur yang efisien
Metode machine learning menemukan data yang tidak terstruktur, seperti dokumen teks yang sulit untuk diproses karena set data pelatihan dapat memiliki variasi yang tak terbatas. Di sisi lain, model deep learning dapat memahami data yang tidak terstruktur dan melakukan pengamatan umum tanpa ekstraksi fitur manual. Misalnya, jaringan neural dapat mengenali bahwa dua kalimat input yang berbeda ini memiliki arti yang sama:
- Apakah Anda dapat memberi tahu saya cara melakukan pembayaran?
- Bagaimana cara mentransfer uang?
Hubungan tersembunyi dan penemuan pola
Aplikasi deep learning dapat menganalisis data dalam jumlah besar secara lebih mendalam dan mengungkapkan wawasan baru yang mungkin belum dilatih. Misalnya, pertimbangkan model deep learning yang dilatih untuk menganalisis pembelian konsumen. Model ini memiliki data hanya untuk item yang telah Anda beli. Namun, jaringan neural buatan dapat menyarankan item baru yang belum Anda beli dengan membandingkan pola-pola pembelian Anda dengan pola pelanggan serupa.
Pembelajaran tanpa pengawasan
Model deep learning dapat mempelajari dan meningkat dari waktu ke waktu berdasarkan perilaku pengguna. Model tersebut tidak memerlukan set data berlabel dalam variasi yang besar. Sebagai contoh, bisa dilihat di jaringan neural yang secara otomatis mengoreksi atau menyarankan kata dengan menganalisis perilaku mengetik Anda. Mari asumsikan bahwa model telah dilatih dalam bahasa Inggris dan dapat memeriksa ejaan kata-kata bahasa Inggris. Namun, jika Anda sering mengetik kata-kata non-Inggris, seperti danke, jaringan neural juga dapat mempelajari dan mengoreksi kata-kata ini secara otomatis.
Pemrosesan data fluktuatif
Set data yang fluktuatif memiliki variasi yang besar. Salah satu contohnya adalah jumlah pembayaran pinjaman di bank. Jaringan neural deep learning juga dapat mengategorikan dan mengurutkan data tersebut dengan menganalisis transaksi keuangan serta menandai deteksi penipuan dari beberapa transaksi tersebut.
Pelajari selengkapnya tentang deep learning vs. machine learning
AI Generatif
Berkat AI generatif, jaringan neural machine learning dan deep learning dapat lebih berkembang. Sementara machine learning dan deep learning berfokus pada prediksi dan pengenalan pola, AI generatif menghasilkan output unik berdasarkan pola yang dideteksinya. Teknologi AI generatif dibangun di arsitektur transformator yang menggabungkan jaringan neural berbeda untuk menggabungkan beberapa pola data dengan cara yang unik. Jaringan deep learning pertama-tama mengubah teks, gambar, dan data lainnya menjadi abstraksi matematika, lalu mengubahnya kembali menjadi pola baru yang bermakna.
Apa saja manfaat deep learning dibandingkan machine learning?
Jaringan deep learning memiliki manfaat berikut dibandingkan machine learning tradisional.
Pemrosesan data tidak terstruktur yang efisien
Metode machine learning menemukan data yang tidak terstruktur, seperti dokumen teks yang sulit untuk diproses karena set data pelatihan dapat memiliki variasi yang tak terbatas. Di sisi lain, model deep learning dapat memahami data yang tidak terstruktur dan melakukan pengamatan umum tanpa ekstraksi fitur manual. Misalnya, jaringan neural dapat mengenali bahwa dua kalimat input yang berbeda ini memiliki arti yang sama:
- Apakah Anda dapat memberi tahu saya cara melakukan pembayaran?
- Bagaimana cara mentransfer uang?
Hubungan tersembunyi dan penemuan pola
Aplikasi deep learning dapat menganalisis data dalam jumlah besar secara lebih mendalam dan mengungkapkan wawasan baru yang mungkin belum dilatih. Misalnya, pertimbangkan model deep learning yang dilatih untuk menganalisis pembelian konsumen. Model ini memiliki data hanya untuk item yang telah Anda beli. Namun, jaringan neural buatan dapat menyarankan item baru yang belum Anda beli dengan membandingkan pola pembelian Anda dengan pola pelanggan serupa lainnya.
Pembelajaran tanpa pengawasan
Model deep learning dapat mempelajari dan meningkat dari waktu ke waktu berdasarkan perilaku pengguna. Model tersebut tidak memerlukan set data berlabel dalam variasi yang besar. Sebagai contoh, bisa dilihat di jaringan neural yang secara otomatis mengoreksi atau menyarankan kata dengan menganalisis perilaku mengetik Anda. Mari kita asumsikan bahwa model telah dilatih dalam bahasa Inggris dan dapat memeriksa ejaan kata-kata bahasa Inggris. Namun, jika Anda sering mengetik kata-kata non-Inggris, seperti danke, jaringan neural juga dapat mempelajari dan mengoreksi kata-kata ini secara otomatis.
Pemrosesan data fluktuatif
Set data yang fluktuatif memiliki variasi yang besar. Salah satu contohnya adalah jumlah pembayaran pinjaman di bank. Jaringan neural deep learning juga dapat mengkategorikan dan mengurutkan data tersebut, seperti dengan menganalisis transaksi keuangan dan menandai deteksi penipuan dari beberapa transaksi tersebut.
Apa saja tantangan deep learning?
Tantangan dalam menerapkan deep learning dan AI generatif dijelaskan di bawah ini.
Data berkualitas tinggi dalam jumlah besar
Algoritme deep learning memberikan hasil yang lebih baik saat Anda melatihnya dengan sejumlah besar data berkualitas tinggi. Pencilan atau kesalahan dalam set data input Anda dapat secara signifikan memengaruhi proses deep learning. Misalnya, dalam contoh gambar hewan, model deep learning mungkin mengklasifikasikan pesawat sebagai kura-kura jika gambar bukan hewan secara tidak sengaja diperkenalkan dalam set data.
Untuk menghindari ketidakakuratan tersebut, Anda harus membersihkan dan memproses sejumlah besar data sebelum melatih model deep learning. Pra-pemrosesan data input membutuhkan kapasitas penyimpanan data dalam jumlah besar.
Kecanggihan pemrosesan yang besar
Algoritme deep learning memerlukan komputasi intensif dan infrastruktur dengan kapasitas komputasi yang memadai agar berfungsi dengan baik. Jika tidak, algoritme tersebut akan membutuhkan waktu lama untuk memproses hasil.
Apa saja manfaat AI generatif dan deep learning di cloud?
Menjalankan AI generatif dan deep learning pada infrastruktur cloud membantu Anda merancang, mengembangkan, serta melatih aplikasi lebih cepat.
Kecepatan
Anda dapat melatih model deep learning dan AI generatif lebih cepat dengan menggunakan klaster GPU dan CPU untuk melakukan operasi matematika kompleks yang dibutuhkan jaringan neural. Anda lalu dapat melakukan deployment model ini untuk memproses data dalam jumlah besar dan menghasilkan hasil yang semakin relevan.
Skalabilitas
Dengan berbagai sumber daya sesuai permintaan yang tersedia melalui cloud, Anda dapat mengakses sumber daya perangkat keras yang hampir tak terbatas untuk menangani model deep learning AI dalam berbagai ukuran. Jaringan neural Anda dapat memanfaatkan beberapa prosesor untuk mendistribusikan beban kerja dengan lancar dan efisien di berbagai tipe dan kuantitas prosesor.
Alat
Anda dapat mengakses AI dan alat deep learning, seperti notebook, debugger, profiler, pipeline, AIOps, dan banyak lagi. Anda dapat menggunakan model AI generatif yang ada dari dalam cloud sebagai layanan tanpa memerlukan infrastruktur untuk hosting model tersebut. Tim dapat memulai aplikasi deep learning dan AI generatif bahkan dengan pengetahuan dan pelatihan yang terbatas.
Bagaimana AWS dapat membantu kebutuhan deep learning dan AI generatif Anda?
Layanan AWS AI dan deep learning memanfaatkan kecanggihan komputasi cloud sehingga Anda dapat membangun dan meningkatkan skala inovasi AI generasi berikutnya. Ciptakan kembali pengalaman pelanggan dengan layanan yang dibangun khusus, infrastruktur AI, teknologi deep learning, dan solusi AI generatif yang paling komprehensif. Misalnya,
- Amazon SageMaker menyediakan alur kerja, alat, dan infrastruktur terkelola penuh untuk pengembangan deep learning dan machine learning.
- Amazon Bedrock menyediakan satu API untuk mengakses dan memanfaatkan berbagai model fondasi beperforma tinggi dari perusahaan AI terkemuka.
Anda juga dapat menggunakan infrastruktur AI AWS untuk mengakses komputasi, penyimpanan, serta jaringan yang komprehensif, aman, dan beperforma harga untuk membangun aplikasi AI apa pun. Mulai deep learning AI di AWS dengan membuat akun AWS gratis sekarang juga!
