Dr See berbicara pada acara IoT Asia, berjudul Leading Intelligence with Imagination.
Mengenai “apa” yang dimaksud dengan kemajuan dari artificial intelligence (AI) telah dibahas secara luas. Saat ini yang menarik adalah bahasan mengenai “apa yang terjadi sekarang” dan “apa yang terjadi akan datang”, ujar Dr Simon See, Director and Chief Solution Architect untuk NVIDIA AI Tech Center yang juga seorang Professor di Shanghai Jiaotong University (SJTU) dan the King Mongkut’sUniversity of Technology Thonburi (KMUTT), pada acara IoTAsia 2017.
“Selama beberapa decade terakhir, kita telah melihat peningkatan luar biasa dan kemajuan yang sangat pesat dalam teknologi, mulai dari komputer hingga internet dan Internet and the Internet of Things (IoT), dan tentu saja, kini kita memiliki yang dinamakan artificial intelligence (AI),” ujarnya. “Setiap orang memiliki proyeksi mengenai sejumlah besar perangkat yang akan terhubung. Kesemua perangkat ini akan menjadi lebih pintar dan mereka akan dihubungkan satu dengan yang lainnya. Perhatian saya adalah bagaimana kita akan menghubungkannya; bagaimana mereka akan berinteraksi antara satu dengan lainnya dan apakah yang akan mereka capai.”
Menurut Dr See, teknologi dipopulerkan oleh berbagai film fiksi ilmiah seperti Iron Man yang akan menjadi kenyataan sebentar lagi serta pencapaian dalam bidang akselerasi AI. Dalam film Iron Man the J.A.R.V.I.S. AI memberikan apa yang sang jagoan Tony Stark minta – hal ini, kini, beberapa telah kita dapat lakukan melalui bantuan Siri, Cortana atau Alexa – tetapi juga membuat beberapa saran sendiri.
“Kita dapat memiliki mesin yang mampu memberikan nasihat kepada kita, mampu menciptakan ide-ide untuk kita dan pada saat yang bersamaan dapat memberikan berbagai saran pada kita,” ujar Dr See. “Perluas konsep untuk menjadi sebagai pengacara, seorang perawat, doktor atau seorang akuntan dan profesi lainnya. Sebuah asisten AI dapat membantu Anda mengerjakan tugas Anda.”
Sementara jaringan saraf pertama diciptakan pada tahun 1943, hal tersebut tidak dapat memberikan hasil hari ini, karena “teknologi itu tidak tersedia pada saat itu dan data juga tidak tersedia (untuk latihan) pada waktu dimana untuk dapat memberikan apa yang AI janjikan”, ujar Dr See. “Kami melihat bahwa selama beberapa tahun terakhir telah ada perbaikan dalam tingkat yang menakjubkan.”
Pengenalan gambar telah mengalami peningkatan menakjubkan dari tahun ke tahun.
Kita telah berkembang dengan sangat jauh semenjak tahun 1943, Dr See mencatat. Kasus seperti Alexnet, sebuah AI yang dibangun untuk mengenali berbagai gambar yang membuat gelombang di tahun 2012 pada the ‘Olympics’ of computer vision, ImageNet Large-Scale Visual Recognition Challenge, ketika ditampilkan dengan akurasi yang jauh lebih baik untuk pengenalan gambar daripada yang pernah ada sebelumnya.
“Teknologi telah menjadi semakin matang. Jika Anda “berkunjung” ke Pinterest, Anda dapat mengambil foto dan kemudian menemukan dimana Anda dapat membeli sebuah obyek. (Teknologi serupa) digunakan dalam self-driving car. Anda ingin mengenali apakah itu sebuah mobil, seseorang, seekor kucing, atau sampah di tengah jalan, atau sebuah area terbuka sehingga sebuah mobil dapat bergerak di jalan tanpa menabrak apapun,” ujarnya.
Pengenalan suara dan teknologi menerjemah juga telah terlihat peningkatan dengan teknik AI.
Platform pengenalan suara Baidu DeepSpeech 2, didukung oleh GPU NVIDIA, dapat mengenali baik bahasa Inggris dan Mandarin secara akurat, sementara kemampuan menerjemahkan secara langsung berbasis mesin juga telah di buktikan pada acara konferensi, ujar Dr See. “Langkah selanjutnya adalah pengolahan bahasa alami – kami ingin konteks untuk itu,” ujarnya.
AI dapat melakukan deteksi anomali, digunakan untuk beberapa kasus seperti diagnosis kanker.
Rumah sakit mengembangkan berbagai aplikasi baru dengan mesin atau pembelajaran mendalam untuk membantu para dokter menemukan obat penyembuhan dengan lebih cepat. Misalnya PathAI di dedikasikan untuk diagnosis kanker menggunakan teknologi AI. NVIDIA terlibat juga, bekerjasama dengan National Cancer Institute, the US Department of Energy dan beberapa laboratorium di Amerika pada proyek Cancer Distributed Learning Environment (CANDLE).
“AI dapat mempercepat penemuan terapi kanker, meramalkan respon terhadap obat pada pasien kanker, dan mengotomatisasi analisis efektivitas pengobatan,” ujar Dr See.
Deteksi anomali ini juga berguna dengan mesin, untuk memprediksi atau mencegah kegagalan catastrophic. GE telah menggunakan mesin belajar untuk mendeteksi anomali pembakaran dalam turbin gas, dan menggunakan data untuk meramalkan kemungkinan kegagalan. “Dengan kemajuan jaringan saraf, kita telah mampu untuk dapat benar-benar melatih jaringan kita dan mendeteksi anomali tersebut dengan mudah,” Dr See menjelaskan.
Bidang ini juga bergerak dari AI pasif menjadi generatif, dan langit adalah batas pada dimana dan apa yang akan kita raih. Sebuah jaringan saraf telah di latih untuk partisipasi dalam gaya artistik, dan mampu untuk menghasilkan seni dalam gaya tertentu berdasarkan foto dunia nyata, Dr See menambahkan. “Desain generatif menciptakan bentuk kompleks yang tidak akan mungkin sebaliknya,” ujarnya.
StackGAN bahkan dapat mencari gambar dengan memberikan deskripsi tulisan, Dr See menjelaskan, sangat berguna untuk mengidentifikasi berbagai burung secara cepat.
Jaringan adversarial generatif, ‘GAN’ dalam StackGAN, membantu AI untuk menari gambar yang dapat cocok sesuai dengan deskripsi yang dituliskan.
Tahap berikutnya dalam evolusi desain akan mendapatkan solusi seperti proyek AutodeskDreamcatcher. Memberikan persyaratan awal, AI menghasilkan berbagai pilihan berbeda yang dapat memenuhi persyaratan, memungkinkan para desainer dan produsen untuk dapat memilih yang paling relevan bagi mereka.
“Anda dapat mensimulasikan molekul untuk pengikat peptida,” Dr See menyarankan. “Ini membutuhkan waktu yang sangat lama untuk manusia dapat melakukan ini, tetapi sangat mudah bagi mesin untuk menghasilkan berbagai ide yang berbeda tentang bagaimana molekul dapat masuk ke peptida.”
Pada akhirnya, teknologi AI, didukung oleh semua perangkat yang terhubung dalam Internet of Things (IoT), bisa menjadi lebih bermanfaat. “J.A.R.V.I.S. itu intuitif dan belajar secara mandiri,” Dr See menunjukkan. “Dia dapat menanyakan pada Tony ‘apa yang Anda coba lakukan?’”
Telah ditunjukkan bahwa AI dapat belajar sendiri, dan mencapai lebih baik dari manusia juga. Di tahun 2013, Google Deepmind menunjukkan bagaimana dapat belajar untuk memainkan permainan Atari yang dinamakan Breakout. Pada waktu yang bersamaan Google mengatakan, “Kami menemukan bahwa itu melebihi semua pendekatan sebelumnya pada enam permainan dan melampaui manusia yang ahli pada tiga dari enam permainan tersebut.”
“Algoritma memainkan Atari Breakout. Hal ini belum pernah dimainkan sebelumnya; Dia hanya tahu aturan dan tujuan,” Dr See mencatat, memainkan sebuah video yang menunjukkan AI membuat kesalahan pada menit-menit pertama, tetapi membuat kemajuan hingga tingkat ahli dan kemudian melampaui kemampuan manusia dalam beberapa jam.”
Teknik-teknik tersebut tidak rumit, Dr See mengatakan, bahwa jaringan saraf (AI) pada dasarnya harus dilatih secara optimal untuk belajar. Hasilnya dapat mengejutkan, beliau menambahkan, memberikan referensi yaitu AI Google
AlphaGo yang mengalahkan juara dunia tahun lalu – sebuah prestasi yang dianggap mustahil karena sangat rumit, dengan banyak pegerakan yang tidak mungkin.
“Pada permainan nomor 3, AlphaGo membuat gerakan dimana semua ahli memiliki pikiran bahwa langkah tersebut adalah sangat konyol. Setelah AlphaGo memenangkan pertandingan, para ahli melakukan analisa, dan menemukan bahwa itu adalah langkah yang mendalam dan tidak ada ahli yang melihat sebelumnya,” ujarnya. “AlphaGo telah menjadi imaginatif.”
Bagian terpenting dari teka-teki ini adalah ekosistem yang diperlukan untuk membuat AI menjadi nyata di manapun. NVIDIA dapat menyediakan komputasi “tenaga kuda” untuk ini, Dr See menjelaskan. Teknik AI digunakan untuk melatih AI yang membutuhkan banyak eksperimentasi dan banyak data, lebih banyak dibandingkan kebutuhan komputasi normal. Unit proses grafis (GPU) dari NVIDIA dapat mengurangi waktu yang dibutuhkan untuk pelatihan ini.
Pada kasus AlphaGo dibutuhkan waktu beberapa minggu untuk melatih jaringan, menggunakan beberapa ratus juta langkah pelatihan pada 50 GPU. “Dibutuhkan sangat banyak kekuatan komputasi. Kita akan membutuhkan pusat data AI baru,” ujar Dr See. “Kami mengetahui kerangka kerja AI telah tersedia. Kami kini dapat mengembangkan jaringan saraf dengan mudah. Kami membangun sistem yang menjalankan jaringan mereka sangat cepat.”
Klik link ini untuk melihat video mengenai Nadia
[ame]http://www.youtube.com/watch?v=Eq_0KeV4fFA&app=desktop[/ame]
