Perbandingan Antara AI, Machine Learning dan Deep Learning

Selamat Malam teman teman Insomnia Project semuanya.
Pada malam hari ini admin Imsonia Project ingin mengajak teman teman berdiskusi tentang perbandingan antara AI atau Artificial Intelligence, Machine Learning dan Deep Learning. Mari kita mulai

1. Era/Tahun Keilmuan
Kita mulai dari Era atau tahun keilmuan. Yang pertama yaitu AI atau artificial Intelligence yang mana era keilmuan ini dimulai dari tahun 1950 sampai dengan tahun 1980, Yang kedua adalah Era Machine learning yang mana dimulai dari tahun 1980 sampai dengan tahun 2010, Dan yang terakhir yaitu Deep learning yang mana era ini dimulai dari tahun 2010 sampai sekarang ini, bagi para peneliti atau ilmuan deep learninglah yang jadi sebuah sorotan mengingat keilmuan ini memang sedang dalam keadaan hangat hangatnya. 
berikut gambar Era keilmuan ini.

2. kenapa Admin menulis perbandingan bukan perbedaan
Secara singkat kata, ketiga keilmuan ini bukanlah hal yang berbeda karena ketiga keilmuan ini merupakan satu bagian. Deep Learning merupakan bagian dari Machine learning dan Machine Learning merupakah bagian dari Artificial Intelligence sehingga dapat juga kita katakan bahwa Deep Learning, machine learning merupakan bagian dari Artificial Intelligent. 
Atau jika kita balik dapat kita simpulkan bahwa machine learning merupakan pendalaman atau evolusi selanjutnya dari artificial intelligent dan deep learning merupakan pendalaman lagi atau evolusi selanjutnya dari machine learning. 
Berikut gambar untuk mempermudah penjabaran diatas.

3. Penjelasan Detail

Artificial Intelligence atau Kecerdasan Buatan adalah istilah yang sangat luas yang bertujuan untuk membawa perilaku cerdas ke dalam mesin. Machine Learning dapat dianggap sebagai salah satu filosofi yang mana tujuan utamanya adalah, "bukan mesin pemrograman secara eksplisit, hanya memberi mereka data dan biarkan mereka belajar".

Dalam beberapa pendekatan machine learning ini juga ada terlalu banyak sub kategori: 

1. pembelajaran yang diawasi (melatih dataset berlabel dan membuat model untuk memprediksi dataset tanpa label).
2. pembelajaran tanpa pengawasan (menggambar kesimpulan yang bermakna dari dataset tanpa label, pengelompokan menjadi contoh yang paling populer).
3. pembelajaran penguatan (pemberian Algoritma dan fungsi obyektif untuk mengoptimalkan berdasarkan hadiah langsung untuk setiap tindakan yang diperlukan, misalnya: catur bermain robot).
4. dll.

Berbeda dengan belajar dari aturan atau induksi logis yang sangat sering digunakan pada awal penelitian artificial intelligence, data justru menjadi faktor yang paling penting dalam machine learning. Karena machine learning didasarkan pada data yang diumpankan oleh insinyur manusia atau dengan mengamati dunia nyata (lagi dipengaruhi oleh dunia nyata), model seperti itu cenderung mengambil prasangka dan kekurangan penalaran manusia. Salah satu insiden terjadi pada tahun 2016, di mana bot twitter yang dirancang oleh Microsoft segera berubah menjadi rasis dan harus ditutup.

Machine learning (ML) adalah sub bidang dari artificial intelligence (AI). Machine learning bertujuan untuk membawa kecerdasan buatan melalui belajar dari data. Data digunakan machine learning sebagai kode untuk komputasi tradisional. Cara lain untuk memperoleh kecerdasan dalam mesin bisa melalui pemrograman logis, penalaran induktif berdasarkan aturan dasar dan sebagainya. Dengan demikian machine learning dapat dianggap sebagai salah satu pendekatan menuju kecerdasan buatan. Berdasarkan sifat dari berbagai masalah yang ada dan kelimpahan data untuk masalah itu, wajar saja bahwa machine learning merupakan pendekatan untuk mencapai AI. Fakta bahwa korpus data sangat besar dan terus meningkat, sumber daya komputasi (mesin dan manusia) terbatas dan tidak mungkin untuk bekerja melalui pemrograman berbasis aturan telah mendorong pendekatan AI keseluruhan terhadap ML.

Deep learning di sisi lain adalah metode machine learning yang berkembang pesat. Dalam pengaturan machine learning yang normal, salah satu masalah yang paling sulit adalah rekayasa fitur. Rekayasa fitur berkaitan dengan ekstraksi fitur yang sesuai yang dapat dimasukkan ke dalam model. Jika fitur tidak lengkap atau kurang, model ini cacat (bias tinggi) dan jika fitur terlalu banyak dan tidak semuanya berkontribusi pada keluaran model, model ini kembali cacat (varian tinggi). Jika kita memiliki terlalu banyak fitur, kita memerlukan dataset yang sangat sangat besar untuk dipelajari dari model yang salah. Dalam machine learning ada sub-bidang yang disebut ‘pembelajaran representasional’ juga dikenal sebagai ‘pembelajaran fitur’ yang bertujuan mengekstrak fitur dari data seperti gambar di mana fitur pengambilan tangan oleh insinyur manusia sama sekali tidak layak.

Deep learning didasarkan pada pembelajaran representasional. Implementasi itu terdiri dari banyak lapisan jaringan saraf (lebih tinggi jumlah lapisan, lebih dalam model) di mana setiap lapisan mendapat masukan dari lapisan sebelumnya dan dibagikan ke lapisan berikutnya. Lapisan permulaan berhubungan dengan fitur yang lebih umum dan kasar dan ketika jaringan semakin dalam, ia dapat mempelajari perincian yang lebih baik dari dataset yang akhirnya memberikan output dengan faktor keyakinan tertentu. Fungsionalitas mereka terinspirasi oleh cara kerja neuron mamalia. Neuron bekerja dengan mengambil sinyal kimia input dan berdasarkan ambang tertentu sinyal akan dilewatkan atau diblokir. Perilaku seperti itu di emulasikan menggunakan berbagai fungsi matematika (fungsi sigmoid menjadi yang paling umum) ketika mengimplementasikan jaringan saraf. Meskipun begitu mereka membutuhkan begitu banyak data pelatihan untuk berkinerja baik.

Sekian artikel malam ini nantikan artikel berikutnya. Jangan lupa bookmart web ini ya teman teman insomnia project, cukup sekian dan selamat malam.