Sejarah AI dan Masalah Dasar

Cakupan terluas adalah kecerdasan buatan (AI), salah satu caranya adalah machine learning, dan yang menggunakan neural network dengan lapisan yang ditumpuk dalam-dalam di dalamnya adalah deep learning. Dalam silabus, ketiga istilah ini sama-sama tercantum sebagai kata kunci pada "1. Definisi kecerdasan buatan". Penjelasan yang menempatkan machine learning atau deep learning sebagai cakupan terluas terbalik arah pencakupannya. Penjelasan bahwa ketiganya berdiri sejajar secara independen juga tidak sesuai dengan fakta bahwa deep learning adalah salah satu cara di dalam machine learning.

Empat klasifikasi tingkat kecerdasan buatan tercantum dalam tujuan silabus "1. Definisi kecerdasan buatan" sebagai program kontrol sederhana, kecerdasan buatan klasik, machine learning, dan deep learning. Yang hanya bergerak berdasarkan korespondensi kondisi dan tindakan yang telah ditentukan sebelumnya adalah program kontrol sederhana, seperti mekanisme pengatur suhu yang menyala-mati berdasarkan suhu yang ditetapkan. Kecerdasan buatan klasik memilih respons melalui percabangan kasus atau pencarian dan pengetahuan yang tersimpan, machine learning mempelajari keteraturan dari data, dan deep learning menggunakan jaringan berlapis dalam di antaranya - semuanya berada di tahap setelah manusia menuliskan habis semua responsnya.

Efek AI adalah fenomena di mana begitu mekanisme kecerdasan buatan terungkap dan isinya dipahami, hal itu dianggap "hanya pemrosesan otomatis dan bukan kecerdasan", sehingga penilaiannya menurun. Silabus mencantumkan secara eksplisit "dapat menjelaskan efek AI" sebagai tujuan pada "1. Definisi kecerdasan buatan". Perdebatan mengenai titik balik ketika melampaui kecerdasan manusia adalah singularitas, yang termasuk kata kunci pada "2. Masalah yang diperdebatkan dalam bidang kecerdasan buatan". Kecenderungan kinerja meningkat sesuai jumlah data, dan keadaan tidak dapat menunjukkan alasan penilaian, keduanya adalah topik yang berbeda dari efek AI.

Agent adalah sudut pandang yang menunjuk pada subjek yang mengamati lingkungan dan memilih sendiri tindakan berikutnya menuju tujuan. Ini adalah istilah untuk memahami kecerdasan buatan bukan dari "dengan mekanisme apa dibuat", melainkan dari "bagaimana ia berperilaku", dan dalam silabus ditempatkan sebagai kata kunci pada "1. Definisi kecerdasan buatan" bersama kecerdasan buatan, machine learning, deep learning, dan efek AI. Pintu masuk operasi di layar, petugas yang merapikan data, dan mekanisme penyewaan sumber daya komputasi, semuanya bukan yang ditunjuk oleh istilah ini.

ImageNet adalah dataset berskala besar yang memberi label klasifikasi pada sejumlah besar gambar, dan ILSVRC adalah kompetisi yang menggunakannya untuk memperlombakan akurasi pengenalan gambar. Dalam silabus, keduanya sama-sama tercantum sebagai kata kunci pada "6. Deep learning", dan menjadi materi untuk menjelaskan bagaimana deep learning berkembang. Bukan dua sebutan untuk model yang sama, dan bukan pula hubungan standar label dengan ajang penilaian. Yang berkaitan dengan Go adalah AlphaGo, yang juga merupakan kata kunci pada sub-bab yang sama tetapi berbeda.

LeNet adalah neural network yang menggunakan konvolusi, dibuat untuk mengenali angka tulisan tangan, dan dalam silabus ditempatkan sebagai kata kunci pada "6. Deep learning". Yang mengalahkan pemain top dalam Go adalah AlphaGo, dataset besar yang memberi label pada sejumlah besar gambar adalah ImageNet, dan yang menghasilkan teks atau gambar baru adalah generative AI - semuanya kata kunci lain yang tercantum di sub-bab yang sama. Bukan hanya menghafal namanya, tetapi perlu dipahami juga objek apa yang menjadi sasarannya.

AlphaGo adalah program yang mengalahkan pemain top manusia dalam pertandingan Go, dan dalam silabus ditempatkan sebagai kata kunci pada "6. Deep learning" bersama ImageNet, ILSVRC, LeNet, neocognitron, generative AI, dan lainnya. Tujuan sub-bab ini adalah "dapat menjelaskan sejarah bagaimana deep learning berkembang", sehingga setiap nama sebaiknya diingat bersama momen perkembangan mana yang ditunjukkannya. Transkripsi bahasa lisan, pembacaan angka tulisan tangan, dan peringkasan teks, semuanya bukan capaian yang ditunjukkan AlphaGo.

Robot menunjuk pada mesin itu sendiri yang memiliki tubuh, dan kecerdasan buatan adalah bagian yang menjalankan penilaian di dalamnya. Keduanya bisa tumpang tindih tetapi bukan hal yang sama. Banyak kecerdasan buatan yang bergerak hanya dengan perangkat lunak tanpa memiliki tubuh, dan sebaliknya ada juga robot yang hanya mengulangi gerakan yang telah ditentukan tanpa mengandung kecerdasan buatan. Penjelasan yang menukar sisi yang menilai dengan sisi yang menjadi tubuh terbalik arahnya, dan ini bukan pembedaan berdasarkan apakah belajar atau tidak, maupun perbedaan sebutan antar bidang.

Neocognitron adalah model yang terinspirasi dari cara kerja sirkuit saraf manusia, yang mencoba menangani informasi visual secara bertahap dengan menumpuk lapisan. Silabus menempatkan "sirkuit saraf manusia" berdampingan dengan neocognitron pada kata kunci "6. Deep learning" yang sama, tampaknya untuk menekankan dari mana ide menumpuk lapisan itu berasal. Bukan berarti pengkabelan sirkuit saraf langsung menjadi sirkuit komputer, dan bukan pula berarti penelitian sirkuit saraf telah terungkap sepenuhnya. Yang berkaitan dengan Go adalah AlphaGo pada sub-bab yang sama.

Pencarian dan inferensi adalah tahap manusia menyusun prosedur cara memecahkan masalah, representasi pengetahuan dan expert system adalah tahap manusia menuliskan pengetahuan ahli, dan machine learning serta deep learning adalah tahap membiarkan keteraturan dipelajari dari data. Dengan kata lain, ini adalah alur di mana titik berat berpindah dari sisi manusia menuliskan ke sisi membiarkan data belajar. Perlu dicatat, sebutan menghitung alur ini sebagai "gelombang ke berapa" tidak pernah muncul dalam silabus, sehingga di lab ini disebut langsung dengan nama sub-babnya. Perubahan bentuk data, tempat komputasi, dan pelaku penelitian bukan yang ditunjukkan oleh urutan ini.

Dartmouth Conference adalah konferensi penelitian yang diadakan pada 1956, dan diceritakan sebagai forum tempat istilah artificial intelligence (kecerdasan buatan) pertama kali digunakan secara publik. Tes untuk membedakan manusia dan mesin melalui pertukaran teks saja diusulkan dalam makalah Turing tahun 1950, yaitu peristiwa terpisah sebelum Dartmouth Conference. Pilihan yang menghubungkan keduanya adalah kesalahan umum, sehingga tahun dan peristiwa perlu diingat secara terpisah. Penelitian expert system dan metode pembelajaran jaringan berlapis dalam, keduanya adalah topik setelah konferensi ini.

Turing test adalah metode penilaian di mana jika penilai tidak dapat membedakan manusia dan mesin hanya melalui pertukaran teks, maka mesin tersebut dianggap memiliki kecerdasan. Bukan memberikan definisi kecerdasan itu sendiri, melainkan usulan untuk menilai berdasarkan perilaku yang terlihat dari luar - inilah poin pentingnya. Yang benar-benar menjalankan tes ini dalam bentuk kompetisi adalah Loebner Prize, yang juga merupakan kata kunci pada sub-bab yang sama. Bukan prosedur memeriksa mekanisme internal, dan bukan pula metode perhitungan untuk memperkirakan waktu.

Chinese Room adalah eksperimen pemikiran yang mengklaim bahwa meskipun perilaku tidak dapat dibedakan dari manusia, belum tentu ada pemahaman, berdasarkan setting bahwa orang yang hanya menyusun simbol sesuai manual tidak memahami bahasa Mandarin. Dengan kata lain, ini adalah kritik terhadap Turing test, dan dikemukakan sebagai sanggahan terhadap strong AI, yaitu posisi yang mengakui adanya hati/pikiran atau pemahaman. Membaca ini sebagai dasar yang mendukung strong AI adalah arah yang terbalik, dan di sinilah letak kesalahan yang sering terjadi. Bukan soal kecepatan manipulasi simbol, dan bukan pula soal keunggulan metode penerjemahan mesin.

Strong AI dan weak AI adalah pembedaan berdasarkan apakah mesin memiliki hati/pikiran atau pemahaman. Strong AI adalah posisi yang menganggap mesin benar-benar memahami, dan weak AI adalah posisi yang menganggapnya hanya alat yang berperilaku seolah-olah memahami. Sebaliknya, general dan specialized adalah pembedaan berdasarkan seberapa luas cakupan pekerjaan yang dapat digunakan, sumbunya sama sekali berbeda. Oleh karena itu, cakupan penggunaan yang luas tidak bisa dikatakan berarti memiliki hati/pikiran. Penjelasan yang menukar keduanya terbalik arahnya, dan jumlah data, sumber daya komputasi, kecepatan pemrosesan, serta biaya, bukan kriteria dari pembedaan mana pun.

Frame problem adalah masalah tidak dapat menangani dalam waktu terbatas mengenai apa yang berubah dan tidak berubah akibat suatu tindakan, dengan hanya mempersempit pada hal-hal yang relevan saja. Singkatnya, ini adalah masalah mempersempit relevansi. Soal menghubungkan simbol dengan makna dunia nyata adalah symbol grounding problem, soal pekerjaan menuliskan pengetahuan menjadi sangat besar adalah knowledge acquisition bottleneck, dan soal hanya masalah dengan kondisi terbatas yang dapat diselesaikan adalah toy problem - semuanya kata kunci lain yang tercantum di sub-bab yang sama.

Symbol grounding problem adalah masalah bagaimana sistem menghubungkan simbol dengan makna dunia nyata yang ditunjuknya. Ini dibicarakan dalam bentuk bahwa meskipun memiliki kata "zebra" dan pengetahuan "kuda bergaris", belum tentu itu terhubung dengan benda nyata di depan mata. Yang tidak dapat mempersempit hanya pada hal relevan adalah frame problem, dan kedua hal ini sering ditanyakan berpasangan. Embodiment adalah posisi bahwa mungkin diperlukan interaksi dengan lingkungan melalui tubuh, yang merupakan salah satu jawaban terhadap masalah ini. Soal penyusunan prosedur, gema informasi, dan jumlah fitur, semuanya bukan yang ditunjuk istilah ini.

Embodiment menunjuk pada posisi bahwa agar kecerdasan dapat terbentuk, mungkin diperlukan pengalaman berinteraksi dengan lingkungan melalui tubuh. Ini dibicarakan sebagai jawaban terhadap symbol grounding problem, yaitu bahwa simbol tidak terhubung dengan makna dunia nyata - dengan memiliki tubuh dan menyentuh dunia, hubungan itu tercipta. Bukan klaim bahwa harus berbentuk robot agar dapat digunakan secara praktis, dan bukan pula soal ditentukan oleh kinerja komponen, atau prosedur menyatakan gerakan tubuh dalam rumus.

Toy problem menunjuk pada masalah terbatas dengan aturan dan keadaan yang jelas ditentukan, yang telah melucuti kompleksitas dunia nyata. Digunakan dalam konteks bahwa masalah yang masuk dalam bentuk ini seperti labirin atau puzzle dapat dipecahkan, tetapi tangan tidak sampai pada masalah dunia nyata yang kondisinya tidak jelas. Perlu diperhatikan bahwa ini bukan berarti "masalah mudah", melainkan berarti setting yang menyederhanakan dunia nyata. Bukan materi ajar untuk anak-anak, bukan masalah sulit yang belum terpecahkan, dan bukan pula masalah dengan jumlah komputasi yang terlalu besar.

Knowledge acquisition bottleneck adalah masalah di mana jumlah dan kesulitan pekerjaan menuliskan pengetahuan yang dimiliki ahli ke dalam bentuk aturan secara manual menjadi penghalang, sehingga cara menyimpan pengetahuan tidak menyebar luas. Poin pentingnya adalah penyebabnya bukan kekurangan sumber daya komputasi, data, atau komunikasi, melainkan kerepotan menuliskan pengetahuan itu sendiri. Salah satu upaya untuk mengurangi kerepotan ini adalah interview system yang tercantum pada "4. Representasi pengetahuan dan expert system" dalam silabus.

Rule-based machine translation adalah cara menyusun terjemahan dengan aturan tata bahasa dan kamus yang ditulis manusia, dan statistical machine translation adalah cara memilih terjemahan yang paling mungkin dari statistik data paralel dalam jumlah besar. Alur dari cara manusia menuliskan ke cara membiarkan data belajar muncul dalam satu topik penerjemahan ini. Penjelasan yang menukar keduanya terbalik arahnya. Bukan perbedaan unit yang ditangani, dan bukan pula perbedaan bahasa lisan dengan bahasa tulisan. Perlu dicatat, statistical machine translation juga tercantum pada "27. Pemrosesan bahasa alami" selain sub-bab ini.

Breadth-first search memeriksa semua simpul dengan kedalaman yang sama secara berurutan mulai dari lapisan dekat akar, sebelum maju ke kedalaman berikutnya. Jawaban di tempat paling dangkal dapat ditemukan lebih dulu, tetapi jumlah simpul yang perlu diingat cenderung bertambah. Depth-first search turun sekaligus sejauh mungkin, dan kembali serta mengulang saat menemui jalan buntu. Jumlah yang perlu diingat lebih sedikit, tetapi jawaban yang ditemukan pertama belum tentu yang paling dangkal. Penjelasan yang menukar keduanya terbalik arahnya, memilih cabang secara acak adalah pemikiran metode Monte Carlo, dan penjelasan menelusuri pohon dari daun ke akar tidak berlaku untuk keduanya.

Mini-Max method adalah metode yang, dalam permainan di mana dua orang bergiliran bermain, mengasumsikan giliran sendiri memilih langkah terbaik bagi diri sendiri dan giliran lawan memilih langkah terburuk bagi diri sendiri, lalu mengembalikan nilai posisi ke depan ke arah belakang. αβ method adalah cara memangkas cabang di tengah pencarian tersebut yang diketahui tidak akan mengubah kesimpulan meskipun terus diperiksa, untuk mengurangi jumlah yang diperiksa, dan bukan pemikiran evaluasi yang berbeda dari Mini-Max method. Bukan prosedur menyusun pohon pencarian, dan bukan pula prosedur memeriksa ulang setelahnya.

Brute force adalah cara memeriksa semua langkah yang mungkin satu per satu tanpa terlewat. Jika ada jawaban, pasti akan ditemukan, tetapi begitu jumlah langkah bertambah, kombinasinya meningkat drastis dan tidak selesai dalam waktu yang realistis. Karena itulah muncul kebutuhan akan cara untuk mengurangi cakupan yang diperiksa, seperti αβ method. Cara memeriksa cabang menjanjikan berdasarkan urutan skor, pemikiran metode Monte Carlo yang mencoba secara acak, dan cara mencatat serta menggunakan kembali hasil di tengah jalan, semuanya bukan brute force itu sendiri. Materi seperti Menara Hanoi yang keadaan dan aturannya jelas dicantumkan dalam silabus sebagai latihan pencarian semacam ini.

SHRDLU adalah penelitian yang mengoperasikan dunia balok di layar melalui instruksi berbentuk kata, menunjukkan bahwa instruksi kata dapat berlaku dalam dunia dengan kondisi terbatas. STRIPS adalah pemikiran yang menuliskan tindakan dalam bentuk "prasyarat eksekusi" dan "hal yang berubah setelah eksekusi", lalu menyusun rangkaian tindakan menuju keadaan tujuan. Kombinasi yang menukar keduanya terbalik arahnya. Yang mengulang percobaan secara acak adalah metode Monte Carlo, dan yang memangkas cabang adalah αβ method. Yang memperkirakan struktur molekul dari analisis massa adalah DENDRAL, dan yang mendiagnosis infeksi bakteri adalah MYCIN, yang keduanya ditempatkan pada "4. Representasi pengetahuan dan expert system".

ELIZA adalah program dialog yang menyusun jawaban sesuai pola kalimat yang dimasukkan. Dicantumkan sebagai contoh yang menunjukkan bahwa sesuatu dapat tampak seperti manusia meskipun tidak memahami isinya. Yang memperkirakan struktur molekul dari data analisis massa adalah DENDRAL, yang mendiagnosis infeksi bakteri dan merekomendasikan antibiotik adalah MYCIN, dan upaya jangka panjang menuliskan pengetahuan umum adalah proyek Cyc - semuanya kata kunci lain yang tercantum di sub-bab yang sama. Jangan sampai tertukar antara yang mendiagnosis dengan yang berdialog.

MYCIN adalah expert system yang mendiagnosis infeksi bakteri dan merekomendasikan antibiotik yang sesuai, menangani bidang medis. Yang menangani bidang kimia dengan memperkirakan struktur molekul senyawa organik dari data analisis massa adalah DENDRAL, yang menantang ujian masuk universitas adalah Todai Robot Project, dan yang bersaing dengan manusia dalam acara kuis untuk tanya-jawab (question-answering) adalah Watson. Kombinasi nama dan bidang sering langsung ditanyakan, jadi diingat berpasangan.

DENDRAL adalah expert system awal yang memperkirakan struktur molekul senyawa organik yang belum diketahui dari data analisis massa. Bidangnya adalah kimia, dan sering ditanyakan berpasangan dengan MYCIN yang menangani bidang medis. Proyek Cyc adalah upaya jangka panjang yang terus menuliskan pengetahuan umum manusia, Watson adalah mekanisme question-answering, dan Todai Robot Project adalah proyek yang menantang ujian masuk universitas - semuanya hal lain yang tercantum di sub-bab yang sama.

is-a adalah hubungan atas-bawah, seperti "anjing adalah hewan", yang menyatakan bahwa konsep bawah termasuk dalam konsep atas. has-a adalah hubungan memiliki bagian, seperti "mobil memiliki ban", yang melihat bagian dari keseluruhan. part-of adalah hubungan menjadi bagian, seperti "ban adalah bagian dari mobil", yang melihat keseluruhan dari bagian. has-a dan part-of adalah keterkaitan yang sama dilihat dari arah berlawanan, sehingga jangan sampai tertukar arahnya. Makna sama, makna berlawanan, dan urutan bukan hubungan yang dinyatakan ketiga istilah ini.

Curse of dimensionality adalah fenomena di mana semakin banyak jumlah fitur yang ditangani, yaitu dimensi, data menjadi semakin jarang dalam ruang tersebut, dan jumlah data yang dibutuhkan untuk mempertahankan kepadatan yang sama meningkat drastis. Perbedaan jarak antar titik pun menjadi sulit muncul. Penjelasan bahwa semakin sedikit fitur semakin banyak data yang dibutuhkan terbalik arahnya, dan kecocokan terhadap data pelatihan, serta hubungan sumber daya komputasi dengan akurasi, adalah topik lain. Perlu dicatat, dalam silabus istilah ini ditempatkan bukan pada "7. Pembelajaran terawasi", melainkan pada "5. Machine learning".

Metode rule-based menuliskan secara manual kondisi apa yang menghasilkan kesimpulan apa. Karena bergerak sesuai yang dituliskan, alasan penilaian mudah ditunjukkan, tetapi semakin banyak pengecualian, semakin tidak mungkin dituliskan habis. Machine learning menemukan keteraturan dari data, sehingga dapat menangani jumlah percabangan kasus yang tidak mungkin dituliskan habis, tetapi karena itu alasan penilaian menjadi sulit ditunjukkan, dan membutuhkan data dengan kualitas dan kuantitas yang memadai. Penjelasan yang menukar keduanya terbalik arahnya; yang mudah menunjukkan alasan adalah sisi metode rule-based. Spam filter, recommendation engine, dan statistical natural language processing adalah contoh penerapan machine learning yang dicantumkan pada sub-bab ini.