Apakah sudah Apocalypse sekarang?
Elon Musk Sebut Kecerdasan Buatan Bisa Memulai Perang Dunia III. Jika pabrikan mobil dengan kecerdasan buatan tercanggih dan lincah di planet ini mengatakan demikian, berarti ada dasarnya. Sampai saat ini sangat sedikit yang peduli dengan konsekuensi dari inovasi teknologi yang mengambil langkah besar. Dan kami baru di awal, kami belum melihat apa pun.
Maka terjadilah wacana tentang konsekuensi teknologi mulai merembes ke setiap lapisan masyarakat, kecuali di kalangan teknolog yang yakin bahwa mereka “mengemban misi untuk Tuhan”. Kecerdasan buatan adalah penyebab utama pembalikan persepsi publik ini.
Dalam hal AI, sebagian besar percakapan publik cenderung berfokus pada lebih dari sekadar kehilangan pekerjaan atau keunggulan China. Tetapi juga dan terutama pada ketakutan bahwa mesin cerdas suatu hari akan menaklukkan dunia menjadikan manusia hanya sebagai mata rantai dalam rantai makanan. Bukan itu yang terjadi di Perang Dunia oleh Huxley?
Asumsi implisitnya adalah bahwa manusia dan mesin bersaing. Sebuah kompetisi yang akan dimenangkan oleh mesin. Pada akhirnya, sistem cerdas, dengan kecepatannya yang luar biasa, kekuatan pemrosesan, dan ketahanan terhadap keausan, pada akhirnya akan menggantikan kita pertama-tama dalam profesi, kemudian dalam organisasi, dan akhirnya dalam pengambilan keputusan.
Ada studi ekonometrika tahun 2015 oleh National Bureau of Economic Research, sebuah pusat penelitian yang memprediksi tren ekonomi dengan cukup akurat. Studi ini menarik kesimpulan ini dari penelitian tentang pengembangan kecerdasan buatan:
"Dengan tidak adanya kebijakan fiskal yang memadai yang mendistribusikan kembali dari pemenang ke pecundang, mobil cerdas akan berarti lebih banyak kemiskinan untuk semua dalam jangka panjang."
Dua kondisi yang saat ini tampaknya jauh dari datang, bahkan jika tidak dikandung. Tetapi satu hal yang terjadi: sebagian besar penduduk di negara maju sebenarnya miskin. Dan kita tahu bahwa pemiskinan dapat memiliki konsekuensi yang lebih brutal daripada kecerdasan buatan.
Kecerdasan aditif
Mari kita coba melihat masalah ini dari perspektif yang berbeda. Mari kita bertanya pada diri sendiri. Bagaimana jika operasi tenaga manusia-mesin tidak subtraktif, tetapi aditif? Perspektif inilah yang dikemukakan oleh Paul Daugherty dan James Wilson dalam buku mereka yang akhirnya diterjemahkan ke dalam bahasa Italia manusia + mesin. Memikirkan kembali pekerjaan di era kecerdasan buatan, Guerini, 2019, hlm. 215 (juga tersedia dalam ebook dalam edisi bersama dengan goWare).
Karya Daugherty dan Wilson tidak teoretis atau bercerita, tetapi menarik pertimbangannya dari pengalaman lapangan yang diperoleh oleh kedua penulis. Faktanya, keduanya memegang tanggung jawab utama di Accenture. Daugherty adalah Chief Technology and Innovation Officer, mengawasi proyek Artificial Intelligence dan R&D secara global. Wilson mengepalai departemen Riset Bisnis dan TI.
Accenture adalah perusahaan konsultan manajemen terbesar di dunia. Dia menghirup udara yang sama dengan perusahaan, terutama yang besar, tempat dia bekerja bahu-membahu. Sulit untuk memiliki observatorium dengan pandangan yang lebih baik tentang area di mana inovasi dan perubahan sedang berlangsung.
Daugherty dan Wilson melakukan analisis observasional dan studi kasus terhadap 450 organisasi dalam sampel 1500 dan mengidentifikasi sejumlah fenomena relevan yang terlewatkan oleh penelitian kuantitatif. Salah satunya adalah konsep "keterampilan fusi": manusia dan mesin bersama-sama membentuk jenis pekerjaan dan pengalaman profesional baru.
Justru perpaduan antara pengetahuan dan keterampilan inilah yang disebut "ruang hantu". Hantu dalam artian tidak ada dalam debat polarisasi tentang pekerjaan yang mengadu domba manusia dengan mesin. Dan di ruang hantu pusat inilah perusahaan mutakhir telah menemukan kembali proses kerja mereka, mencapai peningkatan kinerja yang luar biasa.
Aku melatih ulang
Dalam pengantar bukunya, Paolo Traverso, direktur FBK ICT Fondazione Bruno Kessler Center, merangkum tesis kedua penulis dengan sangat baik. Menulis:
Arti dari karya tersebut diumumkan dalam judulnya: masa depan tidak terletak pada mesin itu sendiri, secerdas apa pun mereka, ini bukan dalam otomasi industri murni, bahkan jika didorong secara maksimal untuk menggantikan sebagian besar rutinitas yang paling tinggi. dan komponen kreativitas rendah dari masing-masing profesi. Masa depan masyarakat, tetapi juga pasar dan bisnis, sebenarnya adalah tempat mesin dan manusia bekerja sama, tempat perdagangan tetapi juga model bisnis akan diperbarui secara substansial. Kecerdasan buatan tidak boleh menggantikan orang, keterampilan mereka, kreativitas mereka, tetapi harus meningkatkan mereka, harus meningkatkan mereka.
Pengungkit mendasar agar hal ini terjadi terletak pada apa yang oleh penulis disebut keterampilan ulang, yaitu mempersiapkan jutaan orang dari segala usia untuk bekerja dengan teknologi baru. Usaha yang sangat besar tetapi tidak dapat dihindari.
Bahkan seorang teknolog yang bertobat seperti Arianna Huffington, yang sekarang menganjurkan pemutusan, sangat menghargai karya kedua penulis yang pada akhirnya mengarah pada penyerapan teknologi dalam kondisi manusia hingga menjadi bagian integral darinya. Begini cara Huffington mengatakannya tentang buku itu:
«Dalam Manusia + Mesin, Daugherty dan Wilson memberikan model masa depan di mana kecerdasan buatan meningkatkan sisi kemanusiaan kita. Penuh dengan contoh, instruksi, dan inspirasi, buku ini merupakan panduan praktis untuk memahami kecerdasan buatan—apa artinya bagi kehidupan kita dan bagaimana kita dapat memanfaatkannya sebaik mungkin."
Di bawah ini kami berikan dua kutipan singkat dari buku karya Daugherty dan Wilson. Yang pertama adalah tentang sejarah singkat kecerdasan buatan. Sejarah selalu berfungsi untuk memahami. Yang kedua, bagaimanapun, sampai ke inti permasalahan dengan membahas kumpulan konstelasi teknologi yang membentuk kecerdasan buatan saat ini. Intinya, kecerdasan buatan pada tahap perkembangan ini pada dasarnya adalah pembelajaran yang mendalam. Kita masih bisa mengendalikannya.
Selamat membaca
. . .
Sejarah singkat kecerdasan buatan
1956
Teknologi penggerak di balik era proses adaptif saat ini adalah kecerdasan buatan, yang telah berkembang selama dua dekade terakhir. Sejarahnya secara singkat akan memberi kita konteks untuk membingkai karakteristik dan potensinya yang paling maju.
Bidang kecerdasan buatan secara resmi lahir pada tahun 1956, ketika sekelompok kecil ilmuwan dan peneliti komputer yang dipimpin oleh John McCarthy, termasuk Claude Shannon, Marvin Minsky, dan lainnya, bertemu di Dartmouth College untuk konferensi pertama yang didedikasikan untuk kemungkinan bahwa mesin kecerdasan dapat meniru kecerdasan manusia.
Konferensi tersebut, yang pada dasarnya merupakan sesi brainstorming yang berkepanjangan, didasarkan pada asumsi bahwa setiap aspek pembelajaran dan kreativitas dapat dijelaskan sedemikian rupa sehingga dapat menjadi model matematika, yang kemudian direplikasi oleh mesin. Tujuannya sangat ambisius, mulai dari proposal desain: "Setiap upaya akan dilakukan untuk mengetahui bagaimana membuat mesin dapat menggunakan bahasa, bentuk, abstraksi, dan konsep, memecahkan jenis masalah yang saat ini terbatas pada manusia, dan meningkatkan dirinya sendiri" . Tentu saja, itu baru permulaan.
Konferensi tersebut segera berhasil mempersempit bidang dan menyatukan banyak ide matematika yang berputar-putar di sekitar konsep kecerdasan buatan.
Para perintis
Dan dalam beberapa dekade berikutnya, itu mengilhami bidang penelitian yang sama sekali baru. Misalnya, Minsky, bersama dengan Seymour Papert, menulis apa yang dianggap sebagai buku dasar tentang batasan dan kemungkinan jaringan saraf, sejenis kecerdasan buatan yang menggunakan neuron biologis sebagai model. Gagasan lain seperti sistem pakar - di mana komputer dilengkapi dengan cadangan "pengetahuan" mendalam yang terkait dengan bidang tertentu seperti arsitektur atau diagnostik medis - atau pemrosesan bahasa alami, visi komputer, dan robotika portabel, juga dapat ditelusuri di acara ini.
Di antara peserta konferensi adalah Arthur Samuel, seorang insinyur IBM yang sedang membuat program komputer untuk bermain catur. Programnya mengevaluasi keadaan papan dan menghitung peluang posisi tertentu dapat menghasilkan kemenangan.
Pada tahun 1959, Samuel menciptakan istilah pembelajaran mesin, «pembelajaran otomatis»: yaitu, sektor penelitian yang menghubungkan komputer dengan kemampuan untuk belajar tanpa diprogram secara eksplisit. Pada tahun 1961 program pembelajaran mesinnya digunakan untuk mengalahkan pemain catur terbesar keempat di Amerika Serikat.
Tetapi karena Samuel adalah orang pribadi dan tidak mempraktikkan politik promosi diri, baru setelah pensiun dari IBM pada tahun 1966, pentingnya karyanya dalam pembelajaran mesin diketahui publik.
Pembelajaran mesin
Dalam beberapa dekade setelah konferensi, pembelajaran mesin tetap tidak jelas karena perhatian beralih ke model AI lainnya. Secara khusus, penelitian yang dilakukan pada tahun XNUMX-an dan XNUMX-an berfokus pada konsep kecerdasan berdasarkan simbol-simbol fisik dan dimanipulasi oleh aturan-aturan logis. Sistem simbolik ini, bagaimanapun, tidak berhasil dalam praktiknya, dan kegagalannya menyebabkan periode yang dikenal sebagai "musim dingin kecerdasan buatan".
Namun, pada 1990-an, pembelajaran mesin mulai berkembang lagi dan para pendukungnya mengadopsi statistik terintegrasi dan teori probabilitas dalam pendekatan mereka. Pada saat yang sama, revolusi komputer pribadi dimulai. Selama dekade berikutnya, sistem digital, sensor, Internet, dan ponsel akan menjadi hal biasa, menyediakan semua jenis data untuk pakar pembelajaran mesin saat mereka mengembangkan sistem adaptifnya.
Saat ini kami menganggap program pembelajaran mesin sebagai pembangun model berbasis kumpulan data yang digunakan para insinyur dan spesialis untuk melatih sistem. Ini sangat kontras dengan pemrograman komputer tradisional. Algoritme standar mengikuti jalur yang telah ditentukan yang digerakkan oleh instruksi statis atau oleh kode programmer. Sistem pembelajaran mesin, di sisi lain, dapat belajar sambil bekerja. Dengan setiap kumpulan data baru, ia memperbarui modelnya dan cara "melihat" dunia. Di zaman di mana mesin dapat belajar dan berubah melalui pengalaman dan informasi, pemrogram menjadi semakin sedikit legislator dan diktator, dan lebih seperti guru dan pelatih.
Hari ini seperti hari ini
Saat ini, sistem kecerdasan buatan yang menggunakan pembelajaran mesin ada di mana-mana. Bank menggunakannya untuk melindungi diri dari penipuan; situs kencan menggunakannya untuk menyarankan calon pasangan; pemasar menggunakannya untuk memprediksi siapa yang akan menanggapi iklan dengan baik; dan situs berbagi foto menggunakannya untuk pengenalan wajah otomatis. Jauh telah terjadi sejak permainan catur pertama. Pada tahun 2016, Google AlphaGo menandai kemajuan yang signifikan di bidangnya. Untuk pertama kalinya, komputer mengalahkan juara Go, permainan yang jauh lebih kompleks daripada catur atau catur. Sebagai tanda zaman, AlphaGo telah menghasilkan gerakan yang sangat tidak terduga sehingga beberapa pengamat menyebutnya kreatif, bahkan "indah".
Pertumbuhan kecerdasan buatan dan pembelajaran mesin telah terputus-putus selama bertahun-tahun, tetapi cara keduanya baru-baru ini dipecah menjadi produk dan operasi bisnis menunjukkan bahwa mereka lebih dari siap untuk peran utama. Menurut Danny Lange, mantan kepala pembelajaran mesin di Uber, teknologi tersebut akhirnya meninggalkan tembok laboratorium penelitian dan dengan cepat menjadi "landasan transformasi industri baru yang penuh badai ini".
Teknologi dan aplikasi pintar: bagaimana mereka bisa hidup berdampingan?
Berikut glosarium konstelasi teknologi AI yang perlu Anda ketahui saat ini. Teknologi ini sesuai dengan pembelajaran mesin, kemampuan kecerdasan buatan, dan lapisan aplikasi sesuai gambar di bawah.
Komponen pembelajaran mesin
— Pembelajaran mesin (ML). Bidang ilmu komputer yang berurusan dengan algoritme yang belajar dari data dan dari data membuat prediksi tanpa perlu diprogram secara eksplisit. Ini adalah bidang yang berakar pada penelitian Arthur Samuel dari IBM, yang menciptakan istilah tersebut pada tahun 1959 dan menggunakan prinsip pembelajaran mesin dalam karyanya tentang permainan komputer. Berkat ledakan data yang tersedia untuk melatih algoritme, pembelajaran mesin saat ini digunakan di berbagai bidang seperti penelitian visi komputer, investigasi penipuan, prediksi harga, pemrosesan bahasa alami, dan banyak lagi.
- Pembelajaran yang diawasi. Suatu jenis pembelajaran mesin di mana data pra-klasifikasi dan terpilih yang terdiri dari input teladan dan output yang diinginkan disajikan ke suatu algoritme. Tujuan dari algoritma ini adalah untuk mempelajari aturan umum yang menghubungkan input ke output dan menggunakan aturan ini untuk memprediksi kejadian di masa depan dari data input saja.
- Pembelajaran tanpa pengawasan. Algoritme tidak dilengkapi dengan label, membiarkannya sendiri untuk menemukan struktur dan model masukan. Pembelajaran tanpa pengawasan dapat menjadi tujuan itu sendiri (dalam hal menemukan pola tersembunyi dalam data) atau bertujuan untuk sesuatu yang spesifik (misalnya, mengekstraksi sifat yang relevan dari data). Pembelajaran tanpa pengawasan kurang fokus pada keluaran daripada pembelajaran yang diawasi, dan lebih fokus pada mengeksplorasi data input dan menyimpulkan struktur tersembunyi dan data yang tidak ditandai.
- Pembelajaran semi-diawasi. Gunakan data yang diberi tag dan tidak diberi tag — biasanya ditambah detik. Banyak peneliti telah menemukan bahwa kombinasi dari dua set data sangat meningkatkan akurasi proses pembelajaran.
- Pembelajaran penguatan. Ini adalah jenis pelatihan di mana algoritme diberi tujuan tertentu, seperti mengoperasikan lengan mekanik atau bermain Go. Setiap gerakan yang dilakukan algoritme diberi hadiah atau hukuman. Umpan balik memungkinkan algoritme untuk membangun jalur paling efisien menuju tujuan.
- jaringan syaraf. Jenis pembelajaran mesin di mana algoritme, belajar dari data pengamatan, memproses informasi dengan cara yang mirip dengan sistem saraf manusia. Pada tahun 1957, Frank Rosenblatt dari Universitas Cornell menemukan jaringan saraf pertama, arsitektur satu tingkat yang sederhana (dikenal sebagai jaringan permukaan).
- Pembelajaran mendalam dan himpunan bagian: deep neural network (DNN), recurrent neural network (rnn), dan feedforward neural network (FNN). Kumpulan teknik untuk melatih jaringan saraf bertingkat. Di dnn, data yang "dirasakan" diproses melalui berbagai tingkatan; setiap level menggunakan output dari level sebelumnya sebagai input. Rnn memungkinkan data mengalir bolak-balik antar level, tidak seperti fnn, di mana datanya satu arah.
Komponen keterampilan cerdas
— Sistem prediksi. Sistem yang menemukan hubungan antar variabel dalam kumpulan data historis dengan hasil terkait. Hubungan digunakan untuk mengembangkan model, yang pada gilirannya digunakan untuk memprediksi skenario masa depan.
— Pencarian lokal (optimasi). Pendekatan matematis untuk pemecahan masalah yang memanfaatkan sejumlah besar solusi yang mungkin. Algoritma mencari solusi optimal mulai dari titik dalam deret dan secara iteratif dan sistematis berpindah ke solusi tetangga hingga menemukan solusi optimal.
- Representasi pengetahuan. Bidang kecerdasan buatan yang didedikasikan untuk merepresentasikan informasi tentang dunia dalam bentuk yang dapat digunakan komputer untuk melakukan tugas, seperti membuat diagnosis medis atau melakukan percakapan dengan seseorang.
— Sistem pakar (inferensi). Sebuah sistem yang menggunakan pengetahuan sektoral (kedokteran, kimia, hukum) dikombinasikan dengan mesin berbasis aturan yang memutuskan bagaimana pengetahuan tersebut diterapkan. Sistem meningkat ketika informasi baru ditambahkan atau ketika aturan diperbarui atau ditingkatkan.
— Visi komputer. Bidang yang didedikasikan untuk mengajarkan komputer untuk mengidentifikasi, mengkategorikan, dan memahami konten gambar dan video, meniru dan menerapkan penglihatan manusia.
— Pemrosesan sinyal audio. Pembelajaran mesin yang dapat digunakan untuk menganalisis audio dan sinyal digital lainnya, terutama di lingkungan dengan saturasi suara yang tinggi. Aplikasi termasuk ucapan komputasi dan pemrosesan audio dan audiovisual.
Pidato ke teks. Jaringan saraf yang mengubah sinyal audio menjadi sinyal teks dalam berbagai bahasa alami. Aplikasi termasuk terjemahan, perintah dan kontrol suara, transkripsi audio, dan lainnya.
— Pemrosesan bahasa alami (NLP, pemrosesan bahasa alami). Domain tempat komputer memproses bahasa manusia (alami). Aplikasi termasuk pengenalan ucapan, terjemahan mesin, analisis sentimen.
komponen aplikasi AI
- Agen cerdas. Agen yang berinteraksi dengan orang-orang melalui bahasa alami. Mereka dapat digunakan untuk menerapkan tenaga manusia dalam layanan pelanggan, sumber daya manusia, magang dan bidang bisnis lainnya di mana permintaan template FAQ ditangani.
— Robotika kolaboratif (cobot). Robot yang beroperasi pada kecepatan lebih lambat dan dilengkapi dengan sensor yang memungkinkan interaksi yang aman dengan rekan manusia.
— Biometrik, pengenalan wajah dan gerakan. Identifikasi orang, gerak tubuh, atau tren dalam pengukuran biometrik (stres, aktivitas, dll.) untuk interaksi manusia-mesin, atau tujuan identifikasi dan verifikasi.
— Otomasi cerdas. Ini mentransfer beberapa tugas dari manusia ke mesin untuk secara drastis mengubah operasi tradisional. Melalui potensi dan kemampuan mesin (kecepatan, amplitudo, kemampuan untuk menghindari kerumitan), alat ini melengkapi pekerjaan manusia dan mengembangkannya jika memungkinkan.
— Sistem rekomendasi. Mereka memberikan rekomendasi berdasarkan pola halus yang diidentifikasi dari waktu ke waktu oleh algoritme. Mereka dapat ditargetkan pada pelanggan untuk menyarankan produk baru atau digunakan secara internal untuk saran strategis.
— Produk pintar. Kecerdasan dibangun ke dalam desain sehingga mereka dapat terus berkembang untuk memenuhi dan mengantisipasi kebutuhan dan preferensi pelanggan.
— Personalisasi. Analisis tren dan pola pelanggan dan karyawan untuk mengoptimalkan alat dan produk bagi pengguna individu atau pelanggan.
— Pengenalan teks, ucapan, gambar, dan video. Ini menginterpretasikan data dari teks, ucapan, gambar, dan video dan membuat asosiasi yang dapat digunakan untuk memperluas aktivitas analitik dan mengaktifkan aplikasi tingkat lanjut untuk interaksi dan penglihatan.
- Realitas yang diperbesar. Gabungkan kekuatan AI dengan teknologi virtual, augmented, dan realitas campuran untuk menambahkan kecerdasan pada pelatihan, pemeliharaan, dan tugas lainnya.
