Bagaimana Neural Network bekerja?
Jika kecerdasan buatan bertujuan untuk membuat komputer "berpikir" seperti manusia, maka itu wajar untuk menyelidiki dan mungkin mencoba untuk meniru cara fungsi otak manusia. Diperkirakan otak manusia mengandung sekitar 1012 neuron (1 triliun, atau 1.000.000.000.000). Setiap neuron sel yang mampu menerima rangsangan, dalam bentuk sinyal elektrokimia, dari neuron lain melalui banyak dendrit. Pada gilirannya, itu dapat mengirim rangsangan ke neuron lain melalui akson tunggal. Akson dari neuron tidak secara langsung terhubung dengan dendrit neuron lain; melainkan mengirimkan sinyal melalui celah kecil yang disebut sinapsis. Beberapa dari sinapsis muncul untuk mengirim rangsangan aktivasi neuron, sedangkan untuk sinapsis lain mengirim rangsangan yang menghambat. Satu neuron mengumpulkan semua rangsangan yang lewat melalui semua sinapsis di sekitar dendritnya. Neuron menjumlahkan mengaktifkan (positif) dan menghambat (negatif) rangsangan yang diterimanya dan membandingkan hasilnya dengan nilai "ambang" internal. Jika jumlahnya sama dengan atau melebihi nilai ambang, maka neuron "menyala," mengirimkan sinyal aksonnya untuk mempengaruhi neuron lain.
Di beberapa area otak, satu neuron dapat mengumpulkan sinyal sebanyak 100.000 neuron lain dan mengirim sinyal ke yang sama besar jumlah neuron lainnya. Paralelisme yang luas ini jelas diperlukan karena kerangka waktu yang relatif lambat di mana neuron bergerak. Di otak manusia, neuron beroperasi pada skala waktu milidetik (seperseribu detik), dibandingkan dengan nanodetik (sepermiliar detik) di mana operasi komputer diukur, perbedaan dari 6 urutan besarnya. Dalam tugas pemrosesan manusia yang membutuhkan waktu sekitar 1/10 detik (pengenalan wajah ), jumlah langkah yang bisa dilakukan dieksekusi oleh neuron tunggal akan berada di urutan 100. Untuk melaksanakan kompleksitas tugas pengenalan, membutuhkan kegiatan paralel dari sejumlah besar neuron yang bekerja sama dalam waktu yang singkat ini. Selain itu, paralelisme masif memasok redundansi sehingga informasi tidak disimpan hanya di satu tempat tetapi dibagikan dalam jaringan neuron lainnya. Dengan demikian, memburuknya jumlah suatu neuron yang terbatas (sebuah proses yang terjadi terus-menerus karena sel-sel biologis habis) tidak menyebabkan kegagalan kemampuan pemrosesan informasi jaringan.
Sistem kecerdasan buatan untuk tugas-tugas pengenalan telah menggunakan pendekatan koneksionis ini. Jaringan syaraf tiruan, biasanya hanya disebut jaringan saraf, dapat dibuat dengan mensimulasikan neuron individu perangkat keras dan menghubungkan mereka dalam jaringan paralel besar-besaran dari perangkat sederhana yang bertindak agak seperti neuron yang biologis. Atau, efek jaringan saraf dapat disimulasikan dalam perangkat lunak pada komputer dengan pemrosesan sekuensial biasa. Dalam setiap kasus, masing-masing neuron memiliki nilai ambang, dan garis yang masuk membawa beban itu mewakili rangsangan. Neuron menyala ketika penjumlahan bobot yang masuk sama atau melebihi nilai ambangnya; jalur input diaktifkan melalui menghubungkan neuron lain.
Pemrosesan komputer konvensional bekerja pada basis pengetahuan di mana informasi disimpan sebagai data dalam sel memori tertentu yang dapat diakses oleh program sesuai kebutuhan. Dalam jaringan saraf, baik representasi pengetahuan dan juga "pemrograman" disimpan di jaringan itu sendiri sebagai bobot koneksi dan ambang neuron. Jika membangun jaringan saraf yang berkinerja dengan cara tertentu, bagaimana cara menentukan nilai-nilai ini? Dalam jaringan yang sederhana, trial and error dapat menghasilkan solusi, tetapi tidak demikian halnya untuk jaringan dengan ribuan neuron. Untung, jawaban yang benar tidak harus ditemukan pertama kali. Ingat bahwa jaringan syaraf dimodelkan pada otak manusia; kita belajar untuk mengenali sahabat melalui “pengalaman belajar” berulang yang memodifikasi basis pengetahuan sampai kita datang untuk mengaitkan fitur atau karakteristik tertentu dengan individu itu.
Demikian pula, jaringan saraf dapat belajar dari pengalaman dengan memodifikasi bobot pada koneksinya. Suatu jaringan dapat diberikan satu set bobot awal dan ambang batas yang hanya tebakan pertama. Jaringan tersebut kemudian disajikan dengan data pelatihan, output benar diketahui. Sebenarnya output dari jaringan dibandingkan dengan output yang benar untuk satu set masukan nilai dari data pelatihan. Untuk neuron keluaran yang dihasilkan nilai-nilai yang benar, nilai ambang mereka dan bobot pada input mereka lakukan tidak berubah. Output neuron yang menghasilkan nilai yang salah bisa salah di salah satunya dua arah. Jika sebuah neuron output kebakaran ketika tidak seharusnya terjadi, maka nilai input positif (rangsangan) yang masuk ke dalamnya disesuaikan ke bawah, dan bobot negatif (penghambat) yang masuk ke dalamnya disesuaikan ke atas. Jika gagal ketika seharusnya terjadi, penyesuaian sebaliknya dibuat. Tapi sebelum penyesuaian ini terjadi, informasi tentang kesalahannya dilewatkan kembali dari setiap neuron output yang salah ke neuron di tempat tersembunyi yang terhubung dengannya. Setiap neuron-lapisan-tersembunyi ini menambahkan jumlah kesalahan untuk menurunkan perkiraan kesalahannya sendiri. Perkiraan ini digunakan untuk menghitung penyesuaian yang akan dilakukan pada bobot koneksi yang datang dari neuron input-layer. Akhirnya, bobotnya semua disesuaikan, dan kemudian proses diulang untuk set berikutnya nilai input dari data pelatihan.
Algoritme Perambatan Mundur atau backpropagation merupakan algoritme untuk melakukan proses pembelajaran terarah pada jaringan saraf tiruan untuk mencari beban pada setiap neuron yang menghasilkan nilai kesalahan seminimal mungkin melalui data pembelajaran yang diberikan. Dengan ini jaringan saraf tiruan pun siap bekerja dengan pengakuan yang baru.
Berkomentarlah secara bijak.
EmoticonEmoticon