Mengenal Deep Learning: Definisi, Jenis, Penerapan, dan Manfaatnya
Admin
Di Googling - Perkembangan teknologi Artificial Intelligence (AI) atau kecerdasan buatan sudah merajalela di kehidupan. Salah satunya dalam dunia bisnis, sudah banyak perusahaan yang mengimplementasikan AI dalam perusahaannya.
Konsep dari perkembangan AI sendiri ada dua, yakni machine learning dan deep learning. Kali ini akan memaparkan tentang deep learning, Bagi kamu yang ingin berkecimpung di dunia application development, deep learning adalah sebuah ilmu yang wajib dipelajari.
Deep Learning dikembangkan pada tahun 1950 namun baru tahun 1990 dapat di aplikasikan dengan sukses. Learning algoritma yang digunakan sekarang pada task yang komplek hampir sama seperti learning algoritma yang digunakan untuk menyelesaikan masalah permainan pada tahun 1980, meskipun model algoritma yang digunakan berubah menjadi training yang sederhana dari arsitektur deep learning. Hal yang penting pada pengembangan model yang sekarang adalah kita dapat mendukung dengan resource yang dibutuhkan agar menjadi sukses. Pengembangan data set yang semakin meningkat menyebabkan data set tersentralisasi yang memudahkan dalam pengelolaannya.
1. Apa Itu Deep Learning?
Deep learning merupakan subbidang machine learning yang algoritmanya terinspirasi dari struktur otak manusia. Struktur tersebut dinamakan Artificial Neural Networks atau disingkat ANN. Pada dasarnya, ia merupakan jaringan saraf yang memiliki tiga atau lebih lapisan ANN. Ia mampu belajar dan beradaptasi terhadap sejumlah besar data serta menyelesaikan berbagai permasalahan yang sulit diselesaikan dengan algoritma machine learning lainnya.
Deep learning adalah salah satu jenis dari machine learning yang bertugas untuk melatih komputer agar bisa melakukan pekerjaan seperti manusia, seperti mendeteksi ucapan, mengidentifikasi gambar, dan membuat prediksi. Deep learning akan menyiapkan parameter dasar terkait data dan melatih komputer agar bisa belajar sendiri dengan mengenali pola menggunakan banyak lapisan pemrosesan. Deep learning juga merupakan salah satu dasar dari artificial intelligence. Semakin meningkatnya popularitas artificial intelligence di dunia teknologi, algoritma deep learning pun mulai banyak dipelajari. Dengan menggunakan algoritma deep learning, seorang developer bisa meningkatkan kemampuan tools untuk mengklasifikasikan, mengenali, mendeteksi, memahami, dan mendeskripsikan data. Salah satu teknologi yang telah mengadopsi deep learning adalah Siri dan Cortana.
Deep learning bersifat dinamis, artinya algoritma ini memiliki kemampuan untuk terus meningkatkan kinerjanya dan mudah beradaptasi dengan perubahan dalam pola. Beberapa fungsi deep learning di dunia bisnis adalah untuk analisis personalisasi pelanggan, meningkatkan akurasi dan kinerja aplikasi, dan lain sebagainya.
Definisi Neural Network
Jaringan saraf terstruktur seperti otak manusia dan terdiri dari neuron buatan, juga dikenal sebagai node. Node-node ini ditumpuk bersebelahan dalam tiga lapisan:
- The input layer
- The hidden layer(s)
- The output layer
Data menyediakan setiap node dengan informasi dalam bentuk input. Node mengalikan input dengan bobot acak, menghitungnya, dan menambahkan bias. Terakhir, fungsi nonlinier, juga dikenal sebagai activation functions, diterapkan untuk menentukan neuron mana yang akan diaktifkan.
Bagaimana Algoritma Deep Learning Bekerja?
Meskipun algoritme deep learning menampilkan representasi belajar mandiri, algoritme bergantung pada ANN yang mencerminkan cara otak menghitung informasi. Selama proses pelatihan, algoritme menggunakan elemen yang tidak diketahui dalam distribusi input untuk mengekstraksi fitur, mengelompokkan objek, dan menemukan pola data yang berguna. Sama seperti mesin pelatihan untuk belajar mandiri, ini terjadi di berbagai tingkatan, menggunakan algoritme untuk membuat model.
Model pembelajaran mendalam menggunakan beberapa algoritma. Meskipun tidak ada jaringan yang dianggap sempurna, beberapa algoritme lebih cocok untuk melakukan tugas tertentu. Untuk memilih yang tepat, ada baiknya untuk mendapatkan pemahaman yang kuat tentang semua algoritme utama.
2. Jenis algoritma
Berikut ini adalah beberapa algoritma deep learning paling terpopuler:
A. Jaringan Syaraf Konvolusional (CNN)
CNN , juga dikenal sebagai ConvNets, terdiri dari banyak lapisan dan terutama digunakan untuk pemrosesan gambar dan deteksi objek. Yann LeCun mengembangkan CNN pertama pada tahun 1988 ketika disebut LeNet. Itu digunakan untuk mengenali karakter seperti kode ZIP dan angka.
CNN banyak digunakan untuk mengidentifikasi citra satelit, memproses citra medis, meramalkan deret waktu, dan mendeteksi anomali.
Bagaimana Cara Kerja CNN?
CNN memiliki banyak lapisan yang memproses dan mengekstrak fitur dari data:
1. Convolution Layer
CNN memiliki lapisan konvolusi yang memiliki beberapa filter untuk melakukan operasi konvolusi.
2. Rectified Linear Unit (ReLU)
CNN memiliki lapisan ReLU untuk melakukan operasi pada elemen. Outputnya adalah peta fitur yang diperbaiki.
3. Pooling Layer
Peta fitur yang diperbaiki selanjutnya diumpankan ke lapisan penyatuan. Pooling adalah operasi down-sampling yang mengurangi dimensi peta fitur.
Lapisan penyatuan kemudian mengonversi larik dua dimensi yang dihasilkan dari peta fitur yang dikumpulkan menjadi satu, panjang, kontinu, vektor linier dengan meratakannya.
Lapisan Terhubung Sepenuhnya
Lapisan yang terhubung sepenuhnya terbentuk ketika matriks yang diratakan dari lapisan penyatuan dimasukkan sebagai input, yang mengklasifikasikan dan mengidentifikasi gambar.
Di bawah ini adalah contoh gambar yang diproses melalui CNN:
B. Long Short Term Memory Networks (LSTMs)
LSTM adalah jenis Recurrent Neural Network (RNN) yang dapat mempelajari dan mengingat ketergantungan jangka panjang. Mengingat informasi masa lalu untuk waktu yang lama adalah perilaku default.
LSTM menyimpan informasi dari waktu ke waktu. Mereka berguna dalam prediksi deret waktu karena mereka mengingat input sebelumnya. LSTM memiliki struktur seperti rantai di mana empat lapisan yang berinteraksi berkomunikasi dengan cara yang unik. Selain prediksi deret waktu, LSTM biasanya digunakan untuk pengenalan ucapan, komposisi musik, dan pengembangan farmasi.
Bagaimana Cara Kerja LSTM?
- Pertama, mereka melupakan bagian yang tidak relevan dari keadaan sebelumnya
- Selanjutnya, mereka secara selektif memperbarui nilai keadaan sel
- Terakhir, keluaran dari bagian tertentu dari keadaan sel
Di bawah ini adalah diagram bagaimana LSTM beroperasi:
C. Recurrent Neural Networks (RNNs)
RNN memiliki koneksi yang membentuk siklus terarah, yang memungkinkan output dari LSTM diumpankan sebagai input ke fase saat ini.
Keluaran dari LSTM menjadi masukan ke fase saat ini dan dapat mengingat masukan sebelumnya karena memori internalnya. RNN umumnya digunakan untuk keterangan gambar, analisis deret waktu , pemrosesan bahasa alami, pengenalan tulisan tangan, dan terjemahan mesin.
RNN yang tidak dilipat terlihat seperti ini:
Bagaimana cara kerja RNN?
- Output pada waktu t-1 masuk ke input pada waktu t.
- Demikian pula, output pada waktu t diumpankan ke input pada waktu t+1.
- RNN dapat memproses input dengan panjang berapa pun.
- Perhitungan memperhitungkan informasi historis, dan ukuran model tidak bertambah dengan ukuran input.
Berikut adalah contoh cara kerja fitur pelengkapan otomatis Google:
D. Generative Adversarial Networks (GANs)
GAN adalah algoritme pembelajaran mendalam generatif yang membuat contoh data baru yang menyerupai data pelatihan. GAN memiliki dua komponen: generator, yang belajar menghasilkan data palsu, dan diskriminator, yang belajar dari informasi palsu tersebut.
Penggunaan GAN telah meningkat selama periode waktu tertentu. Mereka dapat digunakan untuk meningkatkan gambar astronomi dan mensimulasikan pelensaan gravitasi untuk penelitian materi gelap. Pengembang video game menggunakan GAN untuk meningkatkan tekstur 2D beresolusi rendah di video game lama dengan membuatnya kembali dalam resolusi 4K atau lebih tinggi melalui pelatihan gambar.
GAN membantu menghasilkan gambar realistis dan karakter kartun, membuat foto wajah manusia, dan merender objek 3D.
Bagaimana cara kerja GAN?
- Diskriminator belajar membedakan antara data palsu generator dan data sampel asli.
- Selama pelatihan awal, generator menghasilkan data palsu, dan pembeda dengan cepat mengetahui bahwa itu salah.
- GAN mengirimkan hasilnya ke generator dan diskriminator untuk memperbarui model.
Di bawah ini adalah diagram bagaimana GAN beroperasi:
E. Radial Basis Function Networks (RBFNs)
RBFN adalah tipe khusus jaringan saraf umpan maju yang menggunakan fungsi basis radial sebagai fungsi aktivasi. Mereka memiliki lapisan masukan, lapisan tersembunyi, dan lapisan keluaran dan sebagian besar digunakan untuk klasifikasi, regresi, dan prediksi deret waktu.
Bagaimana Cara Kerja RBFN?
- RBFN melakukan klasifikasi dengan mengukur kemiripan input dengan contoh dari set pelatihan.
- RBFN memiliki vektor input yang diumpankan ke lapisan input. Mereka memiliki lapisan neuron RBF.
- Fungsi menemukan jumlah bobot input, dan lapisan output memiliki satu node per kategori atau kelas data.
- Neuron pada lapisan tersembunyi mengandung fungsi transfer Gaussian, yang memiliki keluaran yang berbanding terbalik dengan jarak dari pusat neuron.
- Keluaran jaringan adalah kombinasi linier dari fungsi basis radial masukan dan parameter neuron.
Lihat contoh RBFN ini:
F. Multilayer Perceptrons (MLP)
MLP adalah tempat yang sangat baik untuk mulai belajar tentang teknologi pembelajaran mendalam.
MLP termasuk dalam kelas jaringan saraf umpan maju dengan banyak lapisan perceptron yang memiliki fungsi aktivasi. MLP terdiri dari lapisan input dan lapisan output yang terhubung sepenuhnya. Mereka memiliki jumlah lapisan input dan output yang sama tetapi mungkin memiliki beberapa lapisan tersembunyi dan dapat digunakan untuk membangun perangkat lunak pengenalan ucapan, pengenalan gambar, dan terjemahan mesin.
Bagaimana Cara Kerja MLP?
- MLP memasukkan data ke lapisan input jaringan. Lapisan-lapisan neuron terhubung dalam grafik sehingga sinyal melewati satu arah.
- MLP menghitung input dengan bobot yang ada antara input layer dan hidden layer.
- MLP menggunakan fungsi aktivasi untuk menentukan node mana yang akan diaktifkan. Fungsi aktivasi meliputi ReLU, fungsi sigmoid, dan tanh.
- MLP melatih model untuk memahami korelasi dan mempelajari ketergantungan antara variabel independen dan target dari kumpulan data pelatihan.
Di bawah ini adalah contoh MLP. Diagram menghitung bobot dan bias serta menerapkan fungsi aktivasi yang sesuai untuk mengklasifikasikan gambar kucing dan anjing.
G. Self Organizing Maps (SOM)
Profesor Teuvo Kohonen menemukan SOM, yang memungkinkan visualisasi data untuk mengurangi dimensi data melalui jaringan syaraf tiruan yang mengatur sendiri.
Visualisasi data mencoba memecahkan masalah bahwa manusia tidak dapat dengan mudah memvisualisasikan data dimensi tinggi. SOM dibuat untuk membantu pengguna memahami informasi dimensi tinggi ini.
Bagaimana Cara Kerja SOM?
- SOM menginisialisasi bobot untuk setiap node dan memilih vektor secara acak dari data pelatihan.
- SOM memeriksa setiap node untuk menemukan bobot mana yang merupakan vektor input yang paling mungkin. Node yang menang disebut Best Matching Unit (BMU).
- SOM menemukan lingkungan BMU, dan jumlah tetangga berkurang seiring waktu.
- SOM memberikan bobot kemenangan pada vektor sampel. Semakin dekat sebuah node ke BMU, semakin banyak perubahan bobotnya..
- Semakin jauh tetangga dari BMU, semakin sedikit yang dipelajari. SOM mengulangi langkah kedua untuk iterasi N.
Di bawah ini, lihat diagram vektor input dengan warna berbeda. Data ini diumpankan ke SOM, yang kemudian mengubah data menjadi nilai RGB 2D. Akhirnya, memisahkan dan mengkategorikan warna yang berbeda.
H. Deep Belief Networks (DBN)
DBN adalah model generatif yang terdiri dari beberapa lapisan variabel laten stokastik. Variabel laten memiliki nilai biner dan sering disebut unit tersembunyi.
DBN adalah tumpukan Mesin Boltzmann dengan koneksi antar lapisan, dan setiap lapisan RBM berkomunikasi dengan lapisan sebelumnya dan berikutnya. Deep Belief Networks (DBNs) digunakan untuk pengenalan gambar, pengenalan video, dan data penangkapan gerak.
Bagaimana Cara Kerja DBN?
- Algoritme pembelajaran rakus melatih DBN. Algoritme pembelajaran serakah menggunakan pendekatan lapis demi lapis untuk mempelajari bobot generatif top-down.
- DBN menjalankan langkah pengambilan sampel Gibbs di dua lapisan tersembunyi teratas. Tahap ini mengambil sampel dari RBM yang ditentukan oleh dua lapisan tersembunyi teratas.
- DBN mengambil sampel dari unit yang terlihat menggunakan pengambilan sampel leluhur tunggal melalui model lainnya.
- DBN mempelajari bahwa nilai variabel laten di setiap lapisan dapat disimpulkan dengan satu langkah dari bawah ke atas.
Di bawah ini adalah contoh arsitektur DBN:
I. Restricted Boltzmann Machines (RBMs)
Dikembangkan oleh Geoffrey Hinton, RBM adalah jaringan saraf stokastik yang dapat belajar dari distribusi probabilitas pada sekumpulan input.
Algoritma pembelajaran mendalam ini digunakan untuk pengurangan dimensi, klasifikasi, regresi, pemfilteran kolaboratif, pembelajaran fitur, dan pemodelan topik. RBM merupakan blok bangunan DBN.
RBM terdiri dari dua lapisan:
- Unit yang terlihat
- Unit tersembunyi
Setiap unit yang terlihat terhubung ke semua unit tersembunyi. RBM memiliki unit bias yang terhubung ke semua unit yang terlihat dan unit tersembunyi, dan mereka tidak memiliki simpul keluaran.
Bagaimana Cara Kerja RBM?
RBM memiliki dua fase: forward pass dan backward pass.
- RBM menerima input dan menerjemahkannya ke dalam satu set angka yang menyandikan input dalam forward pass.
- RBM menggabungkan setiap input dengan bobot individu dan satu bias keseluruhan. Algoritma meneruskan output ke lapisan tersembunyi.
- Di jalur mundur, RBM mengambil kumpulan angka itu dan menerjemahkannya untuk membentuk input yang direkonstruksi.
- RBM menggabungkan setiap aktivasi dengan bobot individu dan bias keseluruhan dan meneruskan output ke lapisan yang terlihat untuk rekonstruksi.
- Pada lapisan yang terlihat, RBM membandingkan rekonstruksi dengan input asli untuk menganalisis kualitas hasilnya.
Di bawah ini adalah diagram tentang bagaimana RBM berfungsi:
3. Penerapan dan Manfaat Deep Learning
A. Virtual Assistants
Adalah aplikasi berbasis cloud yang memahami perintah suara bahasa alami dan menyelesaikan tugas untuk pengguna. Amazon Alexa, Cortana, Siri, dan Google Assistant adalah contoh tipikal asisten virtual. Mereka membutuhkan perangkat yang terhubung ke internet untuk bekerja dengan kemampuan penuh mereka. Setiap kali perintah diberikan kepada asisten, mereka cenderung memberikan pengalaman pengguna yang lebih baik berdasarkan pengalaman sebelumnya menggunakan algoritme Deep Learning .
B. Chatbots
Chatbots dapat menyelesaikan masalah pelanggan dalam hitungan detik. Chatbot adalah aplikasi AI untuk mengobrol online melalui teks atau text-to-speech. Ia mampu berkomunikasi dan melakukan tindakan yang mirip dengan manusia. Chatbots banyak digunakan dalam interaksi pelanggan, pemasaran di situs jejaring sosial, dan pengiriman pesan instan ke klien. Ini memberikan respons otomatis ke input pengguna. Ini menggunakan pembelajaran mesin dan algoritma pembelajaran mendalam untuk menghasilkan berbagai jenis reaksi.
C. Kesehatan
Deep Learning telah menemukan penerapannya di sektor Kesehatan. Deteksi penyakit dengan bantuan komputer dan diagnosis dengan bantuan komputer telah dimungkinkan menggunakan Deep Learning. Ini banyak digunakan untuk penelitian medis, penemuan obat, dan diagnosis penyakit yang mengancam jiwa seperti kanker dan retinopati diabetik melalui proses pencitraan medis.
D. Hiburan
Perusahaan seperti Netflix, Amazon, YouTube, dan Spotify memberikan rekomendasi film, lagu, dan video yang relevan untuk meningkatkan pengalaman pelanggan mereka. Ini semua berkat Deep Learning. Berdasarkan riwayat penelusuran, minat, dan perilaku seseorang, perusahaan streaming online memberikan saran untuk membantu mereka membuat pilihan produk dan layanan. Teknik pembelajaran mendalam juga digunakan untuk menambahkan suara ke film bisu dan menghasilkan subtitle secara otomatis.
E. Agregasi Berita dan Deteksi Berita Palsu
Deep Learning memungkinkan Anda menyesuaikan berita tergantung pada kepribadian pembaca. Anda dapat mengumpulkan dan memfilter informasi berita sesuai parameter sosial, geografis, dan ekonomi serta preferensi individu pembaca. Neural Networks membantu mengembangkan pengklasifikasi yang dapat mendeteksi berita palsu dan bias serta menghapusnya dari feed Anda. Mereka juga memperingatkan Anda tentang kemungkinan pelanggaran privasi.
F. Composing Music
Sebuah mesin dapat mempelajari nada, struktur, dan pola musik dan mulai memproduksi musik secara mandiri. Model generatif berbasis Deep Learning seperti WaveNet dapat digunakan untuk mengembangkan audio mentah. Jaringan Memori Jangka Pendek Panjang membantu menghasilkan musik secara otomatis. Music21 Python toolkit digunakan untuk musikologi berbantuan komputer. Ini memungkinkan kita melatih sistem untuk mengembangkan musik dengan mengajarkan dasar-dasar teori musik, menghasilkan sampel musik, dan mempelajari musik.
G. Pewarnaan Gambar
Pewarnaan gambar telah melihat kemajuan yang signifikan menggunakan Deep Learning. Pewarnaan gambar mengambil input dari gambar skala abu-abu dan kemudian menghasilkan output dari gambar yang diwarnai. ChromaGAN adalah contoh model pewarnaan gambar. Jaringan generatif dibingkai dalam model permusuhan yang belajar mewarnai dengan menggabungkan pemahaman perseptual dan semantik tentang distribusi kelas dan warna.
H. Robotika
Deep Learning banyak digunakan untuk membangun robot untuk melakukan tugas-tugas seperti manusia. Robot yang diberdayakan oleh Deep Learning menggunakan pembaruan waktu nyata untuk merasakan hambatan di jalur mereka dan merencanakan perjalanan mereka secara instan. Dapat digunakan untuk membawa barang di rumah sakit, pabrik, gudang, manajemen inventaris, produk manufaktur, dll.
I. Image Captioning
Image Captioning adalah metode menghasilkan deskripsi tekstual dari suatu gambar. Ini menggunakan visi komputer untuk memahami konten gambar dan model bahasa untuk mengubah pemahaman gambar menjadi kata-kata dalam urutan yang benar. Jaringan saraf berulang seperti LSTM digunakan untuk mengubah label menjadi kalimat yang koheren. Microsoft telah membangun bot teksnya di mana Anda dapat mengunggah gambar atau URL dari gambar apa pun, dan itu akan menampilkan deskripsi tekstual dari gambar tersebut. Aplikasi lain yang menyarankan teks yang sempurna dan tagar terbaik untuk sebuah gambar adalah Caption AI.
J. Iklan
Dalam Periklanan, Deep Learning memungkinkan pengoptimalan pengalaman pengguna. Deep Learning membantu penerbit dan pengiklan untuk meningkatkan signifikansi iklan dan meningkatkan kampanye iklan. Ini akan memungkinkan jaringan iklan mengurangi biaya dengan menurunkan biaya per akuisisi kampanye dari $60 menjadi $30. Anda dapat membuat iklan prediktif berbasis data, penawaran iklan waktu nyata, dan iklan bergambar target.
K. Self Driving Cars
Deep Learning adalah kekuatan pendorong di balik gagasan mobil self-driving yang otonom. Teknologi Deep Learning sebenarnya adalah "mesin pembelajaran" yang mempelajari cara bertindak dan merespons menggunakan jutaan kumpulan data dan pelatihan. Untuk mendiversifikasi infrastruktur bisnisnya, laboratorium Kecerdasan Buatan Uber menggerakkan mobil otonom tambahan dan mengembangkan mobil tanpa pengemudi untuk pengiriman makanan sesuai permintaan. Amazon, di sisi lain, telah mengirimkan barang dagangan mereka menggunakan drone di wilayah tertentu di dunia.
Masalah membingungkan tentang kendaraan self-driving yang ditangani oleh sebagian besar perancangnya adalah membuat mobil self-driving mengalami berbagai skenario untuk memastikan berkendara yang aman. Mereka memiliki sensor operasional untuk menghitung objek yang berdekatan. Selain itu, mereka bermanuver melalui lalu lintas menggunakan data dari kamera, sensor, geo-mapping, dan model canggihnya. Tesla adalah salah satu contoh populer.
L. Natural Language Processing
Bidang penting lainnya di mana Deep Learning menunjukkan hasil yang menjanjikan adalah NLP, atau Pemrosesan Bahasa Alami. Ini adalah prosedur yang memungkinkan robot mempelajari dan memahami bahasa manusia.
Namun, perlu diingat bahwa bahasa manusia sangat sulit dipahami oleh robot. Mesin tidak disarankan untuk memahami atau menciptakan bahasa manusia dengan benar tidak hanya karena alfabet dan kata-kata, tetapi juga karena konteks, aksen, tulisan tangan, dan faktor lainnya.
Banyak tantangan yang terkait dengan pemahaman bahasa manusia ditangani oleh NLP berbasis Deep Learning dengan mengajarkan komputer (Autoencoder dan Representasi Terdistribusi) untuk memberikan respons yang sesuai terhadap input linguistik.
M. Visual Recognition
Anggap saja Anda sedang melalui kenangan atau foto lama Anda. Anda dapat memilih untuk mencetak beberapa di antaranya. Karena kurangnya metadata, satu-satunya metode untuk mencapainya adalah melalui kerja fisik. Yang paling bisa Anda lakukan adalah memesannya berdasarkan tanggal, tetapi foto yang diunduh terkadang kekurangan metadata itu. Deep Learning, di sisi lain, telah membuat pekerjaan menjadi lebih mudah. Gambar dapat diurutkan berdasarkan tempat yang dikenali dalam gambar, wajah, campuran individu, acara, tanggal, dan sebagainya. Untuk mendeteksi aspek saat mencari foto tertentu di perpustakaan, diperlukan algoritme pengenalan visual yang canggih dengan berbagai tingkatan dari dasar hingga lanjutan.
N. Fraud Detection
Aplikasi lain yang menarik untuk pembelajaran mendalam adalah perlindungan dan deteksi penipuan; perusahaan-perusahaan besar di sektor sistem pembayaran sudah mulai mencobanya. PayPal, misalnya, menggunakan teknologi analitik prediktif untuk mendeteksi dan mencegah aktivitas penipuan. Bisnis mengklaim bahwa memeriksa urutan perilaku pengguna menggunakan arsitektur memori jangka pendek jaringan saraf meningkatkan identifikasi anomali hingga 10%. Teknik deteksi penipuan yang berkelanjutan sangat penting untuk setiap perusahaan fintech, aplikasi perbankan, atau platform asuransi, serta organisasi mana pun yang mengumpulkan dan menggunakan data sensitif. Pembelajaran mendalam memiliki kemampuan untuk membuat penipuan lebih dapat diprediksi dan karenanya dapat dihindari.
O. Personalisasi
Setiap platform sekarang berusaha memanfaatkan chatbot untuk menciptakan pengalaman yang disesuaikan dengan sentuhan manusia bagi penggunanya. Deep Learning membantu raksasa e-commerce seperti Amazon, E-Bay, dan Alibaba dalam memberikan pengalaman yang disesuaikan dengan lancar seperti saran produk, kemasan dan diskon yang disesuaikan, dan melihat potensi pendapatan yang besar selama musim liburan. Bahkan di pasar yang lebih baru, pengintaian dilakukan dengan menyediakan barang, penawaran, atau rencana yang lebih menarik bagi psikologi manusia dan berkontribusi pada pertumbuhan di pasar mikro. Solusi swalayan online sedang meningkat, dan prosedur yang dapat diandalkan membawa layanan ke internet yang sebelumnya hanya tersedia secara fisik.
P. Mendeteksi Keterlambatan Perkembangan pada Anak
Diagnosis dini gangguan perkembangan pada anak sangat penting karena intervensi dini meningkatkan prognosis anak. Sementara itu, semakin banyak penelitian menunjukkan adanya hubungan antara gangguan perkembangan dan kompetensi motorik, oleh karena itu keterampilan motorik diperhitungkan dalam diagnosis dini kecacatan perkembangan. Namun, karena kurangnya profesional dan keterbatasan waktu, pengujian keterampilan motorik dalam diagnosis masalah perkembangan biasanya dilakukan melalui kuesioner atau survei informal kepada orang tua. Ini semakin dapat dicapai dengan teknologi pembelajaran mendalam. Peneliti di MIT'
Q. Pewarnaan gambar Hitam Putih
Teknik mengambil foto skala abu-abu dalam bentuk masukan dan membuat gambar berwarna untuk keluaran yang mewakili warna semantik dan nada masukan dikenal sebagai pewarnaan gambar. Mengingat kerumitan pekerjaannya, teknik ini secara tradisional dilakukan dengan tangan menggunakan tenaga manusia. Namun, dengan menggunakan Teknologi Deep Learning saat ini, ini diterapkan pada objek dan konteksnya di dalam bidikan - untuk mewarnai gambar, dengan cara yang sama seperti yang dilakukan oleh operator manusia. Untuk mereproduksi gambar dengan penambahan warna, jaringan saraf convolutional berkualitas tinggi digunakan dalam lapisan yang diawasi.
R. Menambahkan Suara ke Film Senyap
Untuk membuat gambar terasa lebih asli, sering ditambahkan efek suara yang tidak ditangkap selama produksi. Ini disebut sebagai "Foley." Pembelajaran mendalam digunakan oleh para peneliti di University of Texas untuk mengotomatiskan prosedur ini. Mereka melatih jaringan saraf pada 12 insiden film terkenal di mana pembuat film biasanya menggunakan efek Foley. Jaringan saraf mereka mengidentifikasi suara yang dihasilkan, dan mereka juga memiliki jaringan berurutan yang menghasilkan suara. Mereka menggunakan jaringan saraf untuk beralih dari visual yang cocok untuk sementara ke kreasi suara, media yang benar-benar berbeda!
S. Terjemahan Mesin Otomatis
Pembelajaran mendalam telah mengubah beberapa disiplin ilmu dalam beberapa tahun terakhir. Menanggapi kemajuan ini, bidang Terjemahan Mesin telah beralih ke penggunaan metode berbasis saraf pembelajaran mendalam, yang telah menggantikan pendekatan lama seperti sistem berbasis aturan atau metode berbasis frase statistik. Model Neural MT (NMT) sekarang dapat mengakses seluruh informasi yang dapat diakses di mana saja dalam frase sumber dan secara otomatis mempelajari bagian mana yang penting pada langkah mensintesis teks keluaran, berkat data pelatihan dalam jumlah besar dan kekuatan pemrosesan yang tak tertandingi. Penghapusan asumsi independensi sebelumnya adalah penyebab utama peningkatan kualitas terjemahan yang luar biasa. Ini mengakibatkan terjemahan saraf menutup kesenjangan kualitas antara terjemahan manusia dan saraf.
T. Pembuatan Tulisan Tangan Otomatis
Aplikasi Deep Learning ini mencakup pembuatan kumpulan tulisan tangan baru untuk korpus kata atau frasa tertentu. Tulisan tangan disajikan secara efektif sebagai rangkaian koordinat yang digunakan oleh pena untuk membuat sampel. Kaitan antara gerakan pena dan pembentukan huruf ditemukan, dan contoh tambahan dikembangkan.
U. Bermain Game Otomatis
Kumpulan teks dipelajari di sini, dan teks baru telah menciptakan kata demi kata atau karakter demi karakter. Dengan menggunakan algoritme pembelajaran mendalam, Anda dapat mempelajari cara mengeja, memberi tanda baca, dan bahkan mengidentifikasi gaya teks dalam frasa korpus. Jaringan saraf berulang besar biasanya digunakan untuk mempelajari produksi teks dari objek dalam urutan string input. Namun, jaringan saraf berulang LSTM akhir-akhir ini menunjukkan keberhasilan luar biasa dalam tantangan ini dengan menggunakan model berbasis karakter yang menciptakan satu karakter pada satu waktu.
V. Terjemahan Bahasa
Terjemahan mesin mendapat banyak perhatian dari bisnis teknologi. Investasi ini, bersama dengan kemajuan terkini dalam pembelajaran mendalam, telah menghasilkan peningkatan kualitas terjemahan yang signifikan. Menurut Google, transisi ke pembelajaran mendalam menghasilkan peningkatan akurasi terjemahan sebesar 60% dibandingkan strategi berbasis frasa sebelumnya yang digunakan di Google Terjemahan. Google dan Microsoft sekarang dapat menerjemahkan lebih dari 100 bahasa berbeda dengan akurasi mendekati manusia di beberapa bahasa.
X. Pixel Restoration
Tidak mungkin memperbesar film di luar resolusi sebenarnya sampai Deep Learning muncul. Para peneliti di Google Brain membuat jaringan Deep Learning pada tahun 2017 untuk mengambil foto wajah dengan kualitas sangat rendah dan menebak wajah orang tersebut dari foto tersebut. Dikenal sebagai Pixel Recursive Super Resolution, pendekatan ini menggunakan piksel untuk mencapai resolusi super. Ini secara dramatis meningkatkan resolusi foto, menyoroti karakteristik yang menonjol cukup untuk pengenalan kepribadian.
Y. Prediksi Demografi dan Pemilu
Gebru et al menggunakan 50 juta gambar Google Street View untuk melihat apa yang dapat dicapai oleh jaringan Deep Learning dengan mereka. Seperti biasa, hasilnya luar biasa. Komputer belajar untuk mendeteksi dan menentukan mobil dan spesifikasinya. Itu mampu mengidentifikasi sekitar 22 juta mobil, serta merek, model, gaya bodi, dan tahun mereka. Eksplorasi tidak berakhir di situ, terinspirasi oleh kisah sukses dari kemampuan Deep Learning ini. Algoritme terbukti mampu memperkirakan demografi setiap lokasi hanya berdasarkan susunan mobil.
Z. Deep Dreaming
DeepDream adalah eksperimen yang memvisualisasikan pola yang diajarkan jaringan saraf. DeepDream, seperti balita yang mengamati awan dan mencoba menguraikan bentuk acak, menafsirkan secara berlebihan dan mengintensifkan pola yang ditemukannya dalam sebuah gambar.
Ini menyelesaikannya dengan mengirimkan gambar ke seluruh jaringan dan kemudian menghitung gradien gambar sehubungan dengan aktivasi lapisan tertentu. Gambar tersebut kemudian diubah untuk memperkuat aktivasi ini, memperbaiki pola yang dirasakan oleh jaringan dan menghasilkan visual seperti mimpi. Metode ini diberi nama "Inceptionism" (referensi ke InceptionNet, dan film Inception).
Demikian tadi pembahasan dari digoogling.com terkait Deep Learning yang telah menemukan keunggulannya di hampir setiap sektor bisnis. Ini digunakan dalam E-Commerce, Perawatan Kesehatan, Periklanan, Manufaktur, Hiburan, dan banyak industri lainnya. Deep Learning telah merevolusi hidup kita dengan membuat tugas menjadi lebih mudah.
