Apa perbedaan antara deep learning, machine learning, dan kecerdasan buatan?

Kecerdasan buatan adalah bidang yang luas dengan banyak istilah dan konsep yang saling terkait, dan sering kali digunakan sebagai kata umum untuk semua jenis mesin pintar. Pada kenyataannya, kecerdasan buatan, machine learning, dan deep learning adalah istilah yang berbeda dengan perbedaan kecil. 

Untuk mempelajari lebih lanjut cara kecerdasan buatan dan machine learning dapat membantu bisnis Anda, baca lebih lanjut produk dan solusi AI dan ML Google Cloud di sini.

Pelanggan baru mendapatkan kredit gratis senilai hingga $300 untuk mencoba Vertex AI dan produk Google Cloud lainnya. 

Untuk mempelajari lebih lanjut hubungan antara AI, deep learning, dan machine learning, teruslah membaca.

Apa itu deep learning?

Deep learning merupakan bagian dari machine learning yang menggunakan jaringan neural buatan untuk memproses dan menganalisis informasi. Jaringan neural terdiri dari node komputasi yang berlapis dalam algoritma deep learning. Setiap lapisan berisi lapisan input, lapisan output, dan lapisan tersembunyi. Jaringan neural diberi data pelatihan yang membantu algoritma mempelajari dan meningkatkan akurasi. Jika jaringan neural memiliki beberapa lapisan tersembunyi selain lapisan input dan output, jaringan tersebut dianggap sebagai jaringan neural dalam, yang merupakan dasar dari deep learning.

Algoritma deep learning terinspirasi oleh cara kerja otak manusia dan sangat efektif untuk menganalisis data tidak terstruktur dalam jumlah besar. Deep learning digunakan dalam banyak tugas yang kita anggap sebagai AI saat ini, termasuk pengenalan gambar dan ucapan, deteksi objek, dan natural language processing. Deep learning dapat membuat korelasi kompleks non-linear dalam set data, meskipun memerlukan lebih banyak data pelatihan dan resource komputasi daripada machine learning.

Beberapa jenis jaringan neural umum yang digunakan untuk deep learning meliputi:

  • Jaringan neural alur maju (FF) adalah salah satu bentuk jaringan neural tertua, dengan data mengalir satu arah melalui lapisan neuron buatan hingga mencapai output.
  • Jaringan neural berulang (RNN) berbeda dengan jaringan neural alur maju karena jaringan ini biasanya menggunakan data deret waktu atau data yang melibatkan urutan. Jaringan neural berulang memiliki "memori" tentang hal yang terjadi di lapisan sebelumnya sebagai kesatuan pada output lapisan saat ini.
  • Long/short term memory (LSTM) adalah bentuk lanjutan dari RNN yang dapat menggunakan memori untuk "mengingat" hal yang terjadi di lapisan sebelumnya.
  • Jaringan neural konvolusional (CNN) mencakup beberapa jaringan neural yang paling umum dalam kecerdasan buatan modern dan menggunakan beberapa lapisan yang berbeda (lapisan konvolusional, lalu lapisan penggabungan) yang memfilter berbagai bagian gambar sebelum menempatkannya kembali bersama-sama (dalam lapisan yang terhubung sepenuhnya).
  • Jaringan neural generatif berlawanan (GAN) melibatkan dua jaringan neural ("generator" dan "diskriminator") yang saling bersaing dalam sebuah permainan yang pada akhirnya meningkatkan akurasi output.

Apa itu machine learning?

Machine learning merupakan bagian dari kecerdasan buatan yang memungkinkan sistem untuk belajar dan berkembang secara mandiri tanpa diprogram secara eksplisit. Algoritma machine learning bekerja dengan mengenali pola dan data serta membuat prediksi saat data baru dimasukkan ke dalam sistem.

Beberapa model berbeda biasanya digunakan dalam machine learning, termasuk:

Pembelajaran yang diawasi

Supervised learning adalah model machine learning yang menggunakan data pelatihan berlabel (data terstruktur) untuk memetakan input tertentu ke output. Dalam supervised learning, output-nya diketahui (seperti mengenali gambar apel) dan model dilatih menggunakan data dari output yang diketahui. Secara sederhana, untuk melatih algoritma mengenali gambar apel, berilah gambar yang diberi label sebagai apel.

Algoritma supervised learning paling umum yang digunakan saat ini meliputi:

  • Regresi linier
  • K tetangga terdekat
  • Naive Bayes
  • Regresi polinomial
  • Pohon keputusan

Pembelajaran yang tidak diawasi

Unsupervised learning adalah model machine learning yang menggunakan data tidak berlabel (data tidak terstruktur) untuk mempelajari pola. Tidak seperti supervised learning, output-nya tidak diketahui sebelumnya. Sebaliknya, algoritma belajar dari data tanpa input manual (sehingga, tidak diawasi) dan mengategorikannya ke dalam grup berdasarkan atribut. 

Algoritma unsupervised learning paling umum yang digunakan saat ini meliputi:

  • Fuzzy means
  • Pengelompokan k-means
  • Pengelompokan hierarkis
  • Analisis komponen utama
  • Partial least squares

Semi-supervised learning

Machine learning pendekatan campuran yang disebut semi-supervised learning juga sering digunakan, di mana hanya sebagian data yang diberi label. Dalam semi-supervised learning, algoritma harus mencari tahu cara mengatur dan menyusun data untuk mencapai hasil yang diketahui. Misalnya, model machine learning diberi tahu bahwa hasil akhirnya adalah apel, tetapi hanya sebagian data pelatihan yang diberi label sebagai apel.

Reinforcement learning

Reinforcement learning adalah model machine learning yang dapat digambarkan sebagai “belajar sambil praktik” melalui serangkaian eksperimen uji coba. Suatu “agen” belajar cara melakukan tugas yang ditentukan melalui feedback loop hingga performanya berada dalam rentang yang diinginkan. Agen menerima dukungan positif ketika melakukan tugas dengan baik dan penguatan negatif ketika berperforma buruk. 

Apa itu kecerdasan buatan?

Kecerdasan buatan adalah bidang ilmu pengetahuan yang berkaitan dengan pembuatan komputer dan mesin yang dapat berpikir, belajar, dan bertindak sedemikian rupa yang biasanya membutuhkan kecerdasan manusia atau yang melibatkan data yang skalanya melebihi apa yang dapat dianalisis manusia. AI adalah bidang luas yang mencakup banyak disiplin ilmu termasuk ilmu komputer, data dan analisis, rekayasa perangkat lunak, dan bahkan filosofi. 

Di tingkat bisnis, AI adalah sekumpulan teknologi yang memiliki banyak kasus penggunaan, termasuk analisis data, prediksi dan perkiraan, natural language processing, rekomendasi, otomatisasi mesin, pengambilan data cerdas, dan banyak lagi.

Kecerdasan buatan versus machine learning versus deep learning

Istilah-istilah ini memiliki hierarki yang jelas meskipun saling berkaitan: deep learning adalah jenis machine learning yang terspesialisasi, dan machine learning adalah disiplin inti dalam bidang kecerdasan buatan yang lebih luas. Perbedaan utamanya terletak pada kemampuan, kompleksitas, dan rekayasa fitur. 

Fitur

Kecerdasan buatan

Machine learning

Deep learning

Cakupan dan definisi

Konsep terluas. Bidang yang didedikasikan untuk menciptakan sistem atau mesin yang dapat melakukan tugas yang biasanya memerlukan kecerdasan manusia (Contoh: penalaran, pemecahan masalah, pembelajaran, persepsi).

Subset dari AI. Berfokus pada pengembangan sistem yang dapat belajar dari data dan membuat keputusan berdasarkan data tersebut, tanpa diprogram secara eksplisit untuk setiap skenario.

Subset dari ML. Menggunakan Jaringan Neural Buatan (ANN) berlapis-lapis untuk mempelajari pola kompleks dan representasi hierarkis secara langsung dari data mentah dalam jumlah besar.

Sasaran


Untuk menyimulasikan atau mereplikasi kecerdasan manusia dalam mesin.

Untuk memungkinkan mesin belajar dari data guna melakukan tugas tertentu secara akurat.

Untuk mencapai akurasi yang lebih tinggi dan menangani pola yang lebih kompleks (terutama dalam data tidak terstruktur) dengan mempelajari fitur secara otomatis dari data menggunakan deep neural network.

Pendekatan

Dapat menggunakan berbagai teknik: logika, sistem berbasis aturan, algoritma penelusuran, pengoptimalan, dan - yang mungkin paling penting - machine learning dan deep learning.

Menggunakan algoritma (Contoh: Regresi Linear, SVM, Pohon Keputusan, Hutan Acak) untuk mengurai data, belajar dari data tersebut, dan membuat keputusan atau prediksi yang tepat.

Menggunakan Jaringan Neural Buatan (terinspirasi dari struktur otak manusia) berlapis-lapis yang kompleks dengan banyak parameter.

Persyaratan data

Sangat bervariasi. AI berbasis aturan mungkin memerlukan sedikit data, sedangkan AI yang mengandalkan ML/DL memerlukan data yang signifikan.

Memerlukan data terstruktur atau berlabel dalam jumlah besar untuk melatih algoritma secara efektif. Performa umumnya meningkat dengan lebih banyak data.

Memerlukan set data yang sangat besar (sering kali jutaan titik data) untuk melatih jaringan deep learning secara efektif. Performa sangat bergantung pada skala data.

Persyaratan hardware

Bervariasi. AI sederhana dapat berjalan di hardware dasar.

Sering kali dapat berjalan di CPU standar, meskipun model yang kompleks akan lebih baik jika menggunakan daya komputasi yang lebih besar.

Biasanya memerlukan komputasi berperforma tinggi, terutama GPU atau TPU, untuk pelatihan yang efisien karena komputasi paralel yang masif.

Rekayasa fitur


Tergantung metode yang digunakan.

Sering kali memerlukan rekayasa fitur manual yang signifikan. Manusia perlu memilih, mentransformasi, dan membuat fitur input yang relevan dari data mentah untuk membantu algoritma belajar.

Melakukan ekstraksi fitur otomatis. Jaringan mempelajari fitur yang relevan secara hierarkis melalui lapisan-lapisan yang ada langsung dari data mentah, sehingga mengurangi kebutuhan untuk rekayasa fitur manual.

Waktu pelatihan

T/A untuk AI non-pembelajaran. Sangat bervariasi untuk AI berbasis ML/DL.

Dapat berkisar dari detik hingga jam, umumnya lebih cepat daripada DL untuk tugas yang sesuai dengan ML.

Sering kali memerlukan waktu pelatihan yang sangat lama (berjam-jam, berhari-hari, atau bahkan berminggu-minggu) karena set data yang besar dan arsitektur jaringan yang kompleks.

Penafsiran

Bervariasi. Sistem berbasis aturan dapat sangat mudah ditafsirkan. AI yang menggunakan ML/DL yang kompleks dapat sulit ditafsirkan.

Bervariasi. Model yang lebih sederhana (Contoh: Pohon Keputusan, Regresi Linear) relatif lebih mudah ditafsirkan. Model yang kompleks (Contoh: metode ensambel) mungkin tidak terlalu transparan.

Sering kali kurang transparan. Memahami mengapa model deep learning membuat keputusan tertentu dapat menjadi tantangan karena kompleksitas dan banyaknya parameter.

Kasus penggunaan dan contoh utama


Sistem pakar, program bermain catur, pemecah masalah umum, konsep menyeluruh untuk asisten virtual dan mobil otonom.

Sistem rekomendasi dalam e-commerce atau layanan streaming, pemfilteran spam, pemeliharaan prediktif, diagnosis medis dari data terstruktur, prediksi churn pelanggan.

Pengenalan gambar (pemberian tag pada foto), natural language processing (terjemahan, analisis sentimen), pengenalan ucapan (asisten suara), sistem persepsi kendaraan otonom, analisis gambar medis tingkat lanjut.

Fitur

Kecerdasan buatan

Machine learning

Deep learning

Cakupan dan definisi

Konsep terluas. Bidang yang didedikasikan untuk menciptakan sistem atau mesin yang dapat melakukan tugas yang biasanya memerlukan kecerdasan manusia (Contoh: penalaran, pemecahan masalah, pembelajaran, persepsi).

Subset dari AI. Berfokus pada pengembangan sistem yang dapat belajar dari data dan membuat keputusan berdasarkan data tersebut, tanpa diprogram secara eksplisit untuk setiap skenario.

Subset dari ML. Menggunakan Jaringan Neural Buatan (ANN) berlapis-lapis untuk mempelajari pola kompleks dan representasi hierarkis secara langsung dari data mentah dalam jumlah besar.

Sasaran


Untuk menyimulasikan atau mereplikasi kecerdasan manusia dalam mesin.

Untuk memungkinkan mesin belajar dari data guna melakukan tugas tertentu secara akurat.

Untuk mencapai akurasi yang lebih tinggi dan menangani pola yang lebih kompleks (terutama dalam data tidak terstruktur) dengan mempelajari fitur secara otomatis dari data menggunakan deep neural network.

Pendekatan

Dapat menggunakan berbagai teknik: logika, sistem berbasis aturan, algoritma penelusuran, pengoptimalan, dan - yang mungkin paling penting - machine learning dan deep learning.

Menggunakan algoritma (Contoh: Regresi Linear, SVM, Pohon Keputusan, Hutan Acak) untuk mengurai data, belajar dari data tersebut, dan membuat keputusan atau prediksi yang tepat.

Menggunakan Jaringan Neural Buatan (terinspirasi dari struktur otak manusia) berlapis-lapis yang kompleks dengan banyak parameter.

Persyaratan data

Sangat bervariasi. AI berbasis aturan mungkin memerlukan sedikit data, sedangkan AI yang mengandalkan ML/DL memerlukan data yang signifikan.

Memerlukan data terstruktur atau berlabel dalam jumlah besar untuk melatih algoritma secara efektif. Performa umumnya meningkat dengan lebih banyak data.

Memerlukan set data yang sangat besar (sering kali jutaan titik data) untuk melatih jaringan deep learning secara efektif. Performa sangat bergantung pada skala data.

Persyaratan hardware

Bervariasi. AI sederhana dapat berjalan di hardware dasar.

Sering kali dapat berjalan di CPU standar, meskipun model yang kompleks akan lebih baik jika menggunakan daya komputasi yang lebih besar.

Biasanya memerlukan komputasi berperforma tinggi, terutama GPU atau TPU, untuk pelatihan yang efisien karena komputasi paralel yang masif.

Rekayasa fitur


Tergantung metode yang digunakan.

Sering kali memerlukan rekayasa fitur manual yang signifikan. Manusia perlu memilih, mentransformasi, dan membuat fitur input yang relevan dari data mentah untuk membantu algoritma belajar.

Melakukan ekstraksi fitur otomatis. Jaringan mempelajari fitur yang relevan secara hierarkis melalui lapisan-lapisan yang ada langsung dari data mentah, sehingga mengurangi kebutuhan untuk rekayasa fitur manual.

Waktu pelatihan

T/A untuk AI non-pembelajaran. Sangat bervariasi untuk AI berbasis ML/DL.

Dapat berkisar dari detik hingga jam, umumnya lebih cepat daripada DL untuk tugas yang sesuai dengan ML.

Sering kali memerlukan waktu pelatihan yang sangat lama (berjam-jam, berhari-hari, atau bahkan berminggu-minggu) karena set data yang besar dan arsitektur jaringan yang kompleks.

Penafsiran

Bervariasi. Sistem berbasis aturan dapat sangat mudah ditafsirkan. AI yang menggunakan ML/DL yang kompleks dapat sulit ditafsirkan.

Bervariasi. Model yang lebih sederhana (Contoh: Pohon Keputusan, Regresi Linear) relatif lebih mudah ditafsirkan. Model yang kompleks (Contoh: metode ensambel) mungkin tidak terlalu transparan.

Sering kali kurang transparan. Memahami mengapa model deep learning membuat keputusan tertentu dapat menjadi tantangan karena kompleksitas dan banyaknya parameter.

Kasus penggunaan dan contoh utama


Sistem pakar, program bermain catur, pemecah masalah umum, konsep menyeluruh untuk asisten virtual dan mobil otonom.

Sistem rekomendasi dalam e-commerce atau layanan streaming, pemfilteran spam, pemeliharaan prediktif, diagnosis medis dari data terstruktur, prediksi churn pelanggan.

Pengenalan gambar (pemberian tag pada foto), natural language processing (terjemahan, analisis sentimen), pengenalan ucapan (asisten suara), sistem persepsi kendaraan otonom, analisis gambar medis tingkat lanjut.

Langkah selanjutnya

Mulailah membangun solusi di Google Cloud dengan kredit gratis senilai $300 dan lebih dari 20 produk yang selalu gratis.