Kecerdasan buatan adalah kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau bisa disebut juga intelegensi artifisial atau hanya disingkat AI, didefinisikan sebagai kecerdasan entitas ilmiah.
Artificial Intelligence (AI) mencakup berbagai jenis teknologi dan pendekatan yang dirancang untuk memberikan kemampuan kepada mesin untuk melakukan tugas yang biasanya memerlukan kecerdasan manusia.
- AI Lemah (Weak AI) atau Narrow AI
AI yang dirancang dan terbatas untuk melakukan tugas-tugas spesifik.AI Lemah atau Narrow AI dirancang untuk tugas-tugas spesifik tertentu dan tidak memiliki kemampuan untuk melakukan tugas-tugas di luar ruang lingkup mereka.
Berikut adalah beberapa contoh AI Lemah
a. Chatbots
Sistem pemrosesan bahasa alami yang dirancang untuk berkomunikasi dengan pengguna dalam konteks spesifik, seperti pelayanan pelanggan atau bantuan online.
b. Sistem Pengenalan Suara
AI yang dapat mengenali dan memahami perintah suara dalam konteks terbatas, seperti asisten virtual di smartphone.
c. Sistem Pengenalan Gambar
AI yang dapat mengenali dan mengkategorikan objek dalam gambar, sering digunakan dalam aplikasi seperti pengenalan wajah atau pengenalan karakteristik produk.
d. Sistem Rekomendasi
Algoritma yang merekomendasikan produk, layanan, atau konten berdasarkan perilaku pengguna sebelumnya atau pola yang terdeteksi.
e. Pengolah Bahasa Alami Terbatas
AI yang fokus pada tugas-tugas tertentu dalam pemrosesan bahasa alami, seperti ekstraksi informasi atau penerjemahan teks.
f. Sistem Deteksi Anomali
AI yang dirancang untuk mendeteksi anomali atau pola yang tidak biasa dalam data, digunakan dalam keamanan siber atau pemantauan sistem.
g. Sistem Kontrol Otomatis
Sistem otomatis yang dirancang untuk mengontrol dan mengoptimalkan fungsi-fungsi tertentu, seperti sistem pengaturan suhu di rumah atau pabrik.
h. Pengenalan Tulisan Tangan
AI yang dapat mengenali dan mengonversi tulisan tangan manusia menjadi teks, digunakan dalam pengenalan tanda tangan atau formulir tulisan tangan.
i. Sistem Pengenalan Teks dalam Gambar
AI yang dapat mengidentifikasi dan mengekstrak teks dari gambar, digunakan dalam aplikasi seperti OCR (Optical Character Recognition).
j. Sistem Pengenalan Pola
AI yang memahami dan mengenali pola dalam data, digunakan dalam berbagai konteks seperti pengenalan pola medis atau analisis keuangan.
j. Permainan AI
Sistem kecerdasan buatan yang dirancang untuk bermain game tertentu, seperti kecerdasan buatan pada permainan catur atau permainan video.
k. Sistem Monitoring Lingkungan
AI yang digunakan untuk memantau parameter lingkungan tertentu, seperti kualitas udara atau tingkat kelembaban.
- AI Kuat (Strong AI) atau General AI
AI yang memiliki kemampuan untuk memahami, belajar, dan mengeksekusi tugas seperti manusia.
Saat ini, AI kuat masih bersifat teoritis dan belum sepenuhnya terwujud.
AI Kuat atau General AI adalah jenis kecerdasan buatan yang memiliki kemampuan untuk memahami, belajar, dan mengeksekusi tugas seperti manusia. Saat ini, AI Kuat masih bersifat teoritis dan belum sepenuhnya terwujud.
Berikut contoh AI kuat
a. Sistem Kecerdasan Umum
AI yang memiliki pengetahuan dan kemampuan yang sangat luas, mampu menangani tugas-tugas dari berbagai domain sebagaimana yang dapat dilakukan oleh manusia.
b. Pemahaman dan Pembelajaran Seperti Manusia
AI yang mampu memahami konteks, belajar dari pengalaman, dan menyesuaikan diri dengan lingkungan yang berubah, mirip dengan kemampuan pembelajaran manusia.
b. Kemampuan Kreatif
AI yang dapat menghasilkan karya seni, ide kreatif, atau solusi baru untuk masalah, menunjukkan kemampuan kreativitas yang serupa dengan manusia.
c. Penalaran dan Pemecahan Masalah Multidimensional
AI yang dapat melakukan penalaran, pemecahan masalah, dan pengambilan keputusan di berbagai konteks dan situasi, serupa dengan cara manusia memproses informasi.
c. Kesadaran Diri
AI yang memiliki tingkat kesadaran atau pemahaman diri sendiri, memahami konteks sosial, dan dapat berinteraksi dengan manusia secara lebih mendalam.
d. Bahasa Alami yang Fleksibel
AI yang tidak hanya dapat memahami bahasa manusia dengan baik tetapi juga dapat berkomunikasi dengan bahasa alami yang kompleks, seperti mendeteksi nuansa dan konteks.
e. Pemahaman Emosi dan Empati
AI yang dapat memahami emosi manusia, merespon dengan empati, dan berinteraksi dengan tingkat empati yang tinggi.
f. Kemampuan Pembelajaran sepanjang Hayat
AI yang terus belajar dan berkembang sepanjang waktu, mengikuti perkembangan baru dalam pengetahuan dan teknologi, serupa dengan kemampuan pembelajaran sepanjang hayat manusia.
g. Beradaptasi dengan Lingkungan yang Kompleks
AI yang mampu beradaptasi dengan lingkungan yang dinamis dan kompleks, menanggapi perubahan dengan fleksibilitas dan kecerdasan.
h. Penguasaan Keterampilan Fisik
AI yang memiliki kemampuan untuk menggunakan keterampilan fisik seperti robotika, manipulasi objek, atau bahkan melakukan tugas-tugas fisik yang kompleks.
i. Pemecahan Masalah Abstrak
AI yang mampu memecahkan masalah abstrak dan menangani konsep-konsep kompleks di bidang matematika, sains, dan filosofi.
- Machine Learning (ML)
Machine Learning (ML) adalah subbidang dari kecerdasan buatan yang memungkinkan sistem untuk belajar dari data dan meningkatkan kinerjanya seiring waktu.
Subbidang AI yang fokus pada pengembangan algoritma yang memungkinkan komputer untuk belajar dari data.
Jenis ML meliputi supervised learning, unsupervised learning, dan reinforcement learning.
Berikut adalah beberapa contoh jenis Machine Learning
a. Supervised Learning (Pembelajaran Terawasi)
Algoritma mempelajari pola dari data yang telah diberi label, dengan tujuan membuat prediksi atau mengklasifikasikan data baru.
Contoh: Klasifikasi email sebagai spam atau bukan spam.
b. Unsupervised Learning (Pembelajaran Tanpa Pengawasan)
Algoritma mempelajari pola dari data yang tidak memiliki label. Tujuan utamanya adalah mengidentifikasi struktur atau hubungan di dalam data.
Contoh: Pengelompokan (clustering) data pelanggan berdasarkan perilaku pembelian.
c. Semi-Supervised Learning (Pembelajaran Semi-Terawasi)
Gabungan dari pembelajaran terawasi dan tanpa pengawasan, di mana model menggunakan sebagian data yang berlabel dan sebagian lagi yang tidak berlabel.
Contoh: Klasifikasi gambar dengan sebagian gambar berlabel dan sebagian tidak berlabel.
d. Reinforcement Learning (Pembelajaran Penguatan)
Algoritma belajar melalui interaksi dengan lingkungan. Model mengambil tindakan dan menerima umpan balik berupa reward atau hukuman.
Contoh: Pengembangan agen cerdas untuk bermain permainan video atau bermain catur.
e. Transfer Learning (Pembelajaran Transfer)
Menggunakan pengetahuan yang telah diperoleh oleh model dari satu tugas untuk meningkatkan kinerja model pada tugas yang terkait.
Contoh: Menggunakan model yang telah dilatih pada pengenalan wajah untuk tugas deteksi emosi.
f. Deep Learning
Menggunakan arsitektur jaringan saraf tiruan (neural networks) yang mendalam untuk memahami dan memproses data yang kompleks.
Contoh: Jaringan saraf mendalam untuk pengenalan gambar atau bahasa alami.
g. K-Means Clustering
Algoritma pengelompokan yang membagi data ke dalam kelompok-kelompok yang serupa, di mana setiap kelompok mewakili kumpulan data yang mirip satu sama lain.
Contoh: Pengelompokan pelanggan berdasarkan pola pembelian.
h. Decision Trees (Pohon Keputusan)
Metode pengambilan keputusan yang menggunakan struktur pohon untuk menggambarkan konsekuensi keputusan dan alur logika untuk mengklasifikasikan data.
Contoh: Prediksi apakah pelanggan akan membeli suatu produk berdasarkan atribut tertentu.
i. Random Forest
Kombinasi dari beberapa pohon keputusan untuk meningkatkan keakuratan dan mengurangi overfitting.
Contoh: Klasifikasi gambar dengan menggunakan ensambel pohon keputusan.
j. Support Vector Machines (SVM)
Algoritma pembelajaran mesin yang digunakan untuk klasifikasi atau regresi, berfokus pada menemukan batas keputusan optimal.
Contoh: Klasifikasi email sebagai spam atau bukan spam menggunakan SVM.
- Deep Learning
Subbidang Machine Learning yang menggunakan jaringan saraf tiruan (neural networks) untuk belajar dan membuat keputusan. Efektif untuk pengolahan data kompleks, seperti gambar dan suara.
Deep Learning adalah subbidang dari Machine Learning yang menggunakan jaringan saraf tiruan (neural networks) yang mendalam untuk memodelkan dan menganalisis data.
Berikut jenis Deep Learning
a. Convolutional Neural Networks (CNNs)
Digunakan untuk tugas pengolahan gambar dan video. CNNs dapat memahami pola spasial di dalam data dan sering digunakan dalam klasifikasi gambar, deteksi objek, dan segmentasi gambar.
Contoh: Pengenalan wajah, klasifikasi objek dalam gambar.
b. Recurrent Neural Networks (RNNs)
Cocok untuk tugas yang melibatkan urutan data, seperti teks atau waktu. RNNs memiliki kemampuan untuk menyimpan informasi sebelumnya dan mempertahankan konteks jangka panjang.
Contoh: Penerjemahan bahasa, prediksi teks berikutnya.
c. Long Short-Term Memory Networks (LSTMs)
Sejenis RNN yang dirancang untuk mengatasi masalah menghilangnya atau meledaknya gradien pada urutan panjang. LSTMs sangat efektif dalam memahami hubungan temporal dalam data.
Contoh: Pengenalan suara, teks prediksi jangka panjang.
d. Generative Adversarial Networks (GANs)
Terdiri dari dua jaringan neural, generator dan discriminator, yang bersaing satu sama lain. GANs digunakan untuk menghasilkan data baru yang realistis, seperti gambar atau teks.
Contoh: Pembuatan gambar realistis, peningkatan resolusi gambar.
e. Autoencoders
Jaringan yang diajari untuk merepresentasikan data dalam bentuk yang lebih kompak. Autoencoders dapat digunakan untuk kompresi data, denoising, atau pembangkitan konten baru.
Contoh: Reduksi dimensi data, pemulihan citra dari kebisingan.
f. Transformer Models
Arsitektur yang mendominasi dalam pemrosesan bahasa alami. Transformer menggunakan self-attention mechanism untuk memahami hubungan antara kata dalam kalimat.
Contoh: Model bahasa BERT, GPT (Generative Pre-trained Transformer).
g. Capsule Networks
Mencoba mengatasi beberapa kelemahan CNNs dengan menggantikan layer piksel dengan “kapsul” yang merepresentasikan objek atau fitur yang kompleks.
Contoh: Pengenalan objek dalam gambar dengan lebih baik.
h. Deep Q-Networks (DQNs)
Digunakan dalam Reinforcement Learning untuk melatih agen cerdas dalam pengambilan keputusan yang lebih kompleks, terutama dalam permainan dan navigasi.
Contoh: Pembelajaran kecerdasan buatan untuk bermain permainan video.
i. Siamese Networks
Struktur jaringan yang digunakan untuk membandingkan dua input. Berguna dalam tugas seperti pengenalan wajah atau verifikasi objek.
Contoh: Verifikasi sidik jari, pengenalan wajah satu-terhadap-satu.
j. Neural Style Transfer
Menggunakan jaringan untuk mentransfer gaya seni dari satu gambar ke gambar lain, menciptakan hasil yang kreatif.
Contoh: Menerapkan gaya lukisan terkenal ke foto.
- Computer Vision
Computer Vision adalah bidang dalam kecerdasan buatan yang fokus pada pengembangan sistem yang dapat melihat, memahami, dan menginterpretasi dunia visual. Bidang AI yang berfokus pada pengembangan sistem yang dapat melihat dan memahami dunia melalui gambar dan video.
Berikut jenis atau konsep dalam Computer Vision
a. Deteksi Objek
Mencakup identifikasi dan penentuan lokasi objek dalam gambar atau video.
Contoh: Identifikasi mobil dalam gambar lalu lintas.
b. Klasifikasi Gambar
Membagi gambar ke dalam kategori atau kelas yang telah ditentukan sebelumnya.
Contoh: Mengklasifikasikan gambar menjadi kategori seperti “kucing” atau “anjing.”
c. Segmentasi Gambar
Memisahkan gambar menjadi bagian-bagian yang lebih kecil atau berbeda untuk analisis lebih lanjut.
Contoh: Memisahkan objek dari latar belakang pada gambar.
d. Rekonstruksi 3D
Menciptakan representasi tiga dimensi dari dunia nyata berdasarkan data visual dua dimensi.
Contoh: Membangun model 3D dari sebuah objek berdasarkan serangkaian gambar.
e. Pengenalan Wajah
Mengidentifikasi dan memverifikasi identitas individu berdasarkan fitur wajah.
Contoh: Pengenalan wajah untuk membuka kunci perangkat atau akses ke area terbatas.
f. Analisis Gerakan
Memahami dan mengekstraksi informasi tentang pergerakan objek dalam ruang dan waktu.
Contoh: Pemantauan gerakan orang di area keamanan.
g. Pengenalan Tanda Tangan dan Tulisan Tangan
Mengenali dan memverifikasi tanda tangan atau tulisan tangan.
Contoh: Verifikasi transaksi dengan tanda tangan digital.
h. Pengenalan Objek dalam Video
Mencari, melacak, dan mengidentifikasi objek dalam rekaman video.
Contoh: Pelacakan gerakan bola dalam pertandingan sepak bola.
i. Augmented Reality (AR)
Menggabungkan elemen virtual dengan dunia nyata melalui tampilan kamera.
Contoh: Menambahkan informasi digital pada pemandangan dunia nyata melalui aplikasi AR.
j. Pengolahan Gambar Berwarna
Menganalisis dan memproses informasi pada gambar berwarna.
Contoh: Deteksi warna dan tekstur pada produk di garis produksi.
k. Pengenalan Emosi
Mengidentifikasi ekspresi wajah dan menentukan emosi seseorang.
Contoh: Menilai reaksi pengguna terhadap produk atau layanan.
l. Pengenalan Objek dalam Penggunaan Mobil
Meningkatkan sistem pengemudi otomatis dengan kemampuan mengenali dan merespons objek di sekitar.
Contoh: Pengenalan pejalan kaki dan kendaraan lain di jalan.
- AI pada Edge
AI pada Edge merujuk pada implementasi kecerdasan buatan (AI) secara langsung di perangkat keras perangkat atau sensor, tanpa memerlukan koneksi ke cloud atau pusat data eksternal. Ini memberikan kemampuan pemrosesan dan pengambilan keputusan di tempat, yang dapat meningkatkan respons waktu, mengurangi latensi, dan mengurangi ketergantungan pada koneksi internet. Implementasi AI langsung di perangkat keras perangkat atau sensor (seperti di Internet of Things) tanpa memerlukan koneksi ke cloud.
Berikut jenis AI pada Edge
a. Embedded AI
Implementasi AI langsung di perangkat keras yang terintegrasi, seperti mikrokontroler atau sistem tunggal di papan (SoC).
Contoh: Pemrosesan suara di perangkat audio pintar.
b. AI pada Chip
Chip khusus yang dirancang untuk melakukan operasi AI dengan efisien, sering kali disebut sebagai AI accelerators atau AI coprocessors.
Contoh: Penggunaan chip GPU atau ASIC untuk akselerasi tugas pengenalan gambar.
c. AI pada Sensor
Implementasi kecerdasan langsung pada sensor yang menghasilkan data, memungkinkan sensor untuk melakukan analisis dan filtering data sebelum mengirimkannya ke sistem lain.
Contoh: Sensor kamera yang dapat mendeteksi objek atau kejadian tertentu secara langsung.
d. AI pada Robotika
Menerapkan kecerdasan buatan pada robot atau sistem otomatis untuk memungkinkan pengambilan keputusan yang cepat dan adaptasi di lingkungan lokal.
Contoh: Robot yang dapat menghindari rintangan atau menyesuaikan tugasnya berdasarkan situasi sekitar.
e. AI pada Sistem IoT (Internet of Things)
Menanamkan kecerdasan langsung di perangkat IoT untuk memberikan analisis data di tempat dan mengurangi kebutuhan untuk mengirimkan data mentah ke cloud.
Contoh: Lampu jalan pintar yang dapat mendeteksi tingkat cahaya dan mengatur intensitas cahaya secara lokal.
f. AI pada Edge Gateway
Menggunakan perangkat Edge Gateway yang menyediakan kapasitas pemrosesan dan kecerdasan buatan di antara perangkat IoT dan cloud.
Contoh: Gateway yang dapat menganalisis data sensor dari sekelompok perangkat sebelum mengirimkannya ke cloud.
g. AI pada Kendaraan Otonom
Menerapkan AI di dalam kendaraan otonom untuk memungkinkan pengambilan keputusan real-time berdasarkan sensor dan data lokal.
Contoh: Sistem pengereman darurat pada mobil otonom.
h. AI pada Perangkat Wearable
Integrasi kecerdasan buatan di perangkat wearable seperti smartwatch atau augmented reality glasses untuk memberikan fungsionalitas cerdas secara langsung pada perangkat tersebut.
Contoh: Smartwatch yang dapat mengukur dan menganalisis aktivitas fisik.
i. AI pada Peralatan Rumah Tangga
Menggunakan kecerdasan buatan di perangkat rumah tangga seperti kulkas atau oven pintar untuk meningkatkan fungsionalitas dan responsivitas.
Contoh: Kulkas yang dapat memberikan rekomendasi belanja berdasarkan inventarisnya sendiri.