Apa itu jaringan neural konvolusional?

CNN memproses gambar input dengan meneruskannya melalui beberapa lapisan. Lapisan awal mengidentifikasi fitur sederhana seperti garis dan tepi, sedangkan lapisan yang lebih dalam mengenali pola, bentuk, dan akhirnya, seluruh objek yang lebih kompleks. Metode ekstraksi fitur secara hierarkis inilah yang membuat CNN sangat efektif untuk pengenalan citra dan tugas computer vision lainnya.

Anggap CNN sebagai tim spesialis yang menganalisis foto untuk mengidentifikasi suatu objek. Setiap lapisan memiliki tugas tertentu dalam lini perakitan pengenalan.

1. Lapisan konvolusional: pemindai fitur

Ini adalah kelompok spesialis pertama. Setiap gambar diberi satu fitur sederhana untuk dicari, seperti garis lurus, kurva, atau warna tertentu. Kelompok tersebut menggeser kaca pembesar kecil (disebut "filter") di atas seluruh gambar dan membuat catatan setiap kali menemukan fitur yang ditetapkan. Hal ini akan membuat serangkaian "peta fitur", yang pada dasarnya adalah peta lokasi fitur dasar.

2. Lapisan aktivasi (ReLU): filter signifikansi

Setelah pemindaian awal, administrator (fungsi ReLU) meninjau peta fitur. Tugasnya sederhana: mempertahankan sinyal yang kuat dan membuang sinyal yang lemah. Fungsi ini memperkenalkan non-linearitas, sehingga hanya fitur yang paling penting dan teridentifikasi jelas yang diteruskan untuk analisis lebih lanjut. Hal ini mencegah derau yang menghambat proses.

3. Lapisan penggabungan: perangkum

Lapisan penggabungan bertindak seperti pengelola regional. Alih-alih melihat setiap detail, lapisan penggabungan meringkas temuan dari bagian kecil peta fitur. Misalnya, lapisan "max pooling" akan melihat area 2x2 dari peta fitur dan hanya melaporkan sinyal terkuat. Hal ini mengurangi ukuran data secara keseluruhan, sehingga membuat jaringan lebih efisien dan membantu mengenali objek di mana pun objek tersebut muncul dalam frame (konsep yang disebut "invariansi translasi").

4. Lapisan terhubung sepenuhnya: detektif utama

Setelah beberapa kali pemindaian dan ringkasan, laporan fitur akhir diteruskan ke detektif kepala. Lapisan ini melihat kombinasi fitur tingkat tinggi ("memiliki kumis", "memiliki telinga runcing", "memiliki tekstur bulu") dan membuat keputusan akhir. Lapisan ini menghubungkan semua temuan yang diringkas untuk menarik kesimpulan, seperti, "Berdasarkan semua bukti, objek dalam gambar ini adalah kucing." Hasilnya kemudian diteruskan ke lapisan output akhir (seperti softmax) yang memberikan probabilitas untuk setiap kemungkinan klasifikasi.

Meskipun jaringan neural konvolusional dan tradisional dirancang untuk memproses data dan membuat prediksi, keduanya memiliki perbedaan signifikan dalam arsitektur, aplikasi, dan fitur utama lainnya.

CNN telah mentransformasi computer vision, sehingga mesin dapat "melihat" dan memahami gambar secara akurat. Kemampuannya untuk mempelajari representasi data visual hierarkis telah menghasilkan kemajuan besar dalam berbagai tugas computer vision, termasuk:

Klasifikasi gambar, tugas inti computer vision, melibatkan pelabelan seluruh gambar berdasarkan kontennya. CNN unggul dalam hal ini, dan mencapai hasil terbaik pada set data seperti ImageNet. Kemampuan mereka untuk mempelajari fitur kompleks dari data piksel mentah membuat mereka sangat efektif dalam mengenali objek, adegan, dan bahkan emosi dalam gambar.

Deteksi objek melampaui klasifikasi dengan mengidentifikasi objek dalam gambar dan menentukan lokasinya. CNN sangat penting dalam algoritma deteksi objek, yang memungkinkan aplikasi seperti mobil self-driving untuk memahami lingkungannya, robot untuk menavigasi lingkungan yang kompleks, dan sistem keamanan untuk mendeteksi ancaman.

Penerapan CNN tidak hanya terbatas pada tugas terkait gambar. Kemampuanya dalam mempelajari hierarki spasial fitur membuatnya berharga di berbagai bidang, termasuk:

• Natural language processing: CNN dapat menganalisis teks dengan memperlakukan kalimat sebagai "gambar" satu dimensi yang setiap kata atau karakternya adalah sebuah fitur. Hal ini memungkinkan CNN mengidentifikasi pola dan hubungan dalam data teks, sehingga berguna untuk tugas seperti analisis sentimen (mengklasifikasikan teks sebagai positif, negatif, atau netral) dan penerjemahan bahasa (memetakan kalimat dari satu bahasa ke bahasa lain).
• Analisis gambar medis: Dalam layanan kesehatan, CNN dapat dilatih dengan set data besar gambar medis (sinar-X, MRI, CT scan) untuk mendeteksi pola dan anomali halus yang mengindikasikan penyakit. CNN dapat membantu radiolog dalam tugas seperti mendeteksi tumor dalam mamogram, mengidentifikasi fraktur dalam sinar-X, atau mensegmentasi organ dalam pemindaian CT, sehingga meningkatkan akurasi dan efisiensi diagnosis, serta membantu perencanaan perawatan yang dipersonalisasi.
• Penemuan obat: CNN berpotensi mempercepat penemuan obat dengan menganalisis struktur molekuler. Dengan mempelajari hubungan antara struktur molekul dan propertinya, CNN dapat memprediksi efikasi, toksisitas, dan karakteristik lain dari kandidat obat potensial. Penyaringan "in silico" dari koleksi kimia yang luas ini dapat mengurangi waktu dan biaya yang terkait dengan metode penemuan obat tradisional.
• Pemodelan keuangan: Dengan kemampuannya menganalisis data berurutan, CNN juga cocok untuk penggunaan di bidang keuangan. Dengan memperlakukan data keuangan deret waktu (harga saham, nilai tukar mata uang, indikator ekonomi) sebagai "gambar" satu dimensi, CNN dapat mengidentifikasi tren, pola, dan anomali yang mungkin terlewatkan oleh metode statistik tradisional. Hal ini dapat membantu lembaga keuangan membuat keputusan investasi yang lebih tepat, memprediksi volatilitas pasar, dan mengelola risiko dengan lebih efektif.

Google Cloud menyediakan ekosistem lengkap untuk menerapkan CNN, baik Anda memerlukan solusi siap pakai maupun platform canggih untuk membangun solusi Anda sendiri.

Untuk kemampuan visi terlatih: Jika Anda perlu menambahkan fitur visi yang canggih ke aplikasi tanpa membangun model dari awal, layanan seperti Vision AI menyediakan akses ke model berbasis CNN melalui API sederhana untuk tugas seperti deteksi objek dan pengenalan teks. Demikian pula, Document AI menggunakan CNN untuk memahami dan mengekstrak data dari dokumen yang kompleks.

Untuk membangun, melatih, dan men-deploy model kustom: Jika Anda perlu melatih CNN pada data Anda sendiri, Vertex AI menyediakan platform terpadu. Vertex AI mengelola seluruh siklus proses ML, mulai dari persiapan dan pelatihan data hingga deployment dan pemantauan model CNN kustom Anda dalam skala besar.

Untuk mempercepat pelatihan berperforma tinggi: Pelatihan CNN besar dan canggih memerlukan komputasi intensif. Cloud TPU adalah akselerator hardware yang dirancang khusus oleh Google untuk mempercepat pelatihan model deep learning, sehingga Anda dapat berinovasi lebih cepat.