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

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.

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:

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

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

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 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. 

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.

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.