Ketika Tiga Ilmuwan Tetap Percaya pada Sebuah Ide yang Dianggap Gagal oleh Hampir Seluruh Dunia
“Kemajuan terbesar sering kali tidak lahir dari orang yang paling banyak didengar, melainkan dari mereka yang tetap bekerja ketika semua orang berhenti percaya.”
Bahkan istilah Artificial Intelligence sempat menjadi sesuatu yang “dihindari” oleh sebagian peneliti karena dianggap terlalu ambisius dan sulit mendapatkan dukungan.
Jika Anda adalah seorang mahasiswa pada akhir 1970-an dan mengatakan ingin meneliti tentang AI, kemungkinan besar dosen Anda akan berkata,
“Carilah bidang lain yang masa depannya lebih jelas.”
Pada saat itu memang banyak ilmuwan yang menyerah. Tapi tidak semuanya.
Di berbagai laboratorium, masih ada sekelompok kecil peneliti yang tetap bekerja dalam diam. Mereka tidak berusaha membuat AI dengan menuliskan jutaan aturan ke dalam komputer.
Sebaliknya, mereka mulai mengajukan pertanyaan baru.
“Bagaimana jika kita berhenti mengajari komputer segala sesuatu, lalu membiarkan komputer yang belajar sendiri?”
Pertanyaan sederhana inilah yang kelak mengubah arah perkembangan AI. dan di balik perubahan besar itu, ada tiga nama yang hampir selalu disebut bersama.
Geoffrey Hinton.. Yann LeCun.. Yoshua Bengio.
Dan hari ini, ketiganya sering dijuluki sebagai “Godfathers of Deep Learning” atau Bapak Deep Learning. Walau jalan yang mereka tempuh sama sekali tidaklah mudah.
Ketika Cara Lama Tidak Lagi Bekerja
Mari kita kembali sejenak ke masa AI masih mengandalkan ribuan aturan. Bayangkan Anda ingin membuat AI yang mampu mengenali seekor kucing. Cara lama akan bekerja seperti ini.
Programmer akan menulis aturan:
- Hewan berkaki empat
- Punya dua telinga
- Memiliki kumis
- Hewan berekor
- Memiliki mata tertentu
- Berkulit belang, hitam, putih atau kuning
Tapi masalahnya, dunia nyata tidak sesederhana itu. Bagaimana jika kucing tersebut sedang tidur? Atau jika kucing tersebut hanya terlihat sebagian tubuhnya? Bagaimana jika fotonya gelap? Bagaimana jika warna bulunya berbeda?
Setiap kemungkinan baru membutuhkan aturan baru. Dan semakin banyak situasi, maka semakin panjang daftar aturan yang harus ditulis. Dan Ini baru berbicara mengenai cara mengenali seekor kucing.
Lama kelamaan pendekatan ini menjadi hampir mustahil diterapkan. Dunia ini terlalu kompleks untuk dijelaskan melalui jutaan aturan buatan manusia.
Sebuah Ide yang Terlihat “Aneh”
Beberapa peneliti mulai berpikir berbeda. Mereka mengamati cara manusia belajar. Seorang bayi tidak lahir dengan mengetahui apa itu kucing. Tidak ada yang membisikkan ribuan aturan ke telinganya. Tapi sebaliknya, ia melihat.
Berulang kali, hari demi hari. Sedikit demi sedikit otaknya mulai mengenali pola. Ia akhirnya tahu maka kucing, mana anjing, dan mana kelinci. Lalu muncul pertanyaan yang terdengar sederhana.
“Kalau manusia bisa belajar dari contoh, mengapa komputer tidak?”
Memang hari ini pertanyaan itu terdengar masuk akal. Tapi empat puluh tahun yang lalu, ide tersebut dianggap terlalu sulit diwujudkan.
Geoffrey Hinton: Orang yang Terus Percaya pada Jaringan Saraf
Salah satu orang yang paling gigih memperjuangkan ide ini adalah Geoffrey Hinton. Ia percaya bahwa cara terbaik membuat AI bukan dengan menulis aturan. Melainkan dengan meniru cara kerja otak manusia yang sudah diciptakan Tuhan Yang Maha Kuasa.
Tentu saja bukan berarti komputer benar-benar memiliki otak layaknya manusia. Tapi Hinton terinspirasi oleh bagaimana neuron di dalam otak saling terhubung dan belajar dari pengalaman.
Konsep inilah yang dikenal sebagai Artificial Neural Network atau Jaringan Saraf Tiruan.
Bayangkan sebuah kelas yang berisi ribuan siswa. Setiap siswa hanya mengetahui sedikit informasi. Tapi ketika mereka saling bertukar informasi, perlahan-lahan seluruh kelas mulai memahami persoalan yang sedang dipelajari.
Kurang lebih seperti itulah yang jaringan saraf bekerja. Tidak ada satu bagian yang mengetahui semuanya. Tetapi bersama-sama, merepa dapat mengenali pola yang sangat rumit. Sayangnya, banyak ilmuwan saat itu menganggap pendekatan ini tidak realistis.
Komputer terlalu lambat, data terlalu sedikit. Hingga hasilnya belum memuaskan. Dan sebagian besar peneliti akhirnya meninggalkan jaringan saraf. Dan untungnya Geoffrey Hinton tidak.
Yann LeCun: Mengajarkan Komputer Melihat Tanpa Mata
Jika Hinton ingin komputer belajar secara umum, maka Yann LeCun memiliki tantangan yang lebih spesifik. Ia ingin komputer mampu “melihat”.
Bukan melihat seperti kamera, tetap memahami isi dari gambar.
Hari ini kita menganggap biasa ketika ponsel dapat mengenali wajah. Ketika media sosial otomatis menandai teman di dalam foto. Atau ketika kendaraan mampu membaca rambu lalu lintas
Tapi pada tahun 1980-an, semua itu terasa hampir mustahil dilakukan. LeCun mengembangkan pendekatan yang kini dikenal sebagai Convolutional Neural Network (CNN).
Alih-alih memeriksa seluruh gambar sekaligus, CNN belajar mengenali pola-pola kecil terlebih dahulu. Misalnya garis, lalu bentuk, lalu sudut, kemudian menggabungkannya menjadi objek yang lebih kompleks.
Kurang lebih seperti ketika kita menyusun puzzle. Kita tidak langsung melihat gambar utuh, tetapi kita mulai dari potongan-potongan kecil.
Pendekatan inilah yang kemudian menjadi fondasi banyak teknologi pengenalan gambar modern.
Yoshua Bengio: Membuat AI Belajar Lebih Dalam
Sementara itu, Yoshua Bengio berfokus pada satu lagi pertanyaan penting. Bagaimana jika jaringan saraf dibuat jauh lebih dalam?
Bayangkan sebuah sekolah. Jika hanya memiliki satu guru, kemampuan mengajar tentu terbatas. Namun jika ada banyak guru dengan spesialisasi berbeda yang bekerja sama, proses belajar menjadi jauh lebih baik.
Begitu pula dengan jaringan saraf. Semakin banyak lapisan pembelajaran, semakin banyak pola kompleks yang dapat dipahami.
Inilah asal mula istilah Deep Learning.
Kata deep bukan berarti AI menjadi “lebih pintar” secara ajaib. Yang dimaksud adalah jaringan saraf memiliki banyak lapisan (layers) sehingga mampu mempelajari pola dari yang paling sederhana hingga yang paling rumit.
Misalnya ketika mengenali wajah manusia. Lapisan pertama mengenali garis. Lalu lapisan berikutnya mengenali bentuk mata, hidung, dan mulut. Lalu menggabungkan kesemuanya menjadi satu wajah yang utuh.
Konsep inilah yang kini menjadi dasar sebagian besar AI modern.
Bertahun-tahun Tanpa Pengakuan
Hal yang sering terlupakan adalah, ketika ilmuwan ini tidak langsung dianggap hebat. Justru sebaliknya, mereka menghabiskan puluhan tahun mengembangkan ide yang sering dipandang sebelah mata.
Banyak proposal penelitian ditolak. Sebagian kolega menganggap pendekatan mereka tidak akan berhasil. Karena memang terlalu revolusioner pada masa itu.
Tapi mereka tetap melanjutkan penelitiannya. Bukan karena sudah tahu hasilnya, melainkan karena mereka percaya, bahwa mereka berada di jalur yang benar.
Bayangkan bagaimana rasanya mempertahankan sebuah gagasan selama puluhan tahun, sementara dunia terus mengatakan bahwa Anda sedang mengejar sesuatu yang mustahil. Dan memang tidak banyak orang yang mampu melakukannya.
Lalu, Mengapa Mereka Akhirnya Berhasil?
Inilah bagian yang paling menarik. Jawabannya bukan karena algoritma mereka yang tiba-tiba berubah menjadi sempurna. Justru dunia di sekitar mereka yang berubah.
Komputer mulai jauh lebih cepat, internet berkembang pesat. Penyimpanan data menjadi semakin murah. Kamera digital mulai digunakan di mana-mana. Dan Jutaan foto mulai diunggah setiap hari.
Untuk pertama kalinya dalam sejarah, AI memiliki sesuatu yang selama ini tidak dimilikinya.
Data dalam jumlah besar.
Ya, inilah asupan bergizi bagi AI untuk berkembang. Ide yang selama puluhan tahun dianggap gagal mulai menunjukkan hasil yang luar biasa. Seolah-olah benih yang telah lama ditanam akhirnya menemukan musim yang tepat untuk tumbuh.
Sebuah Kemenangan Setelah Puluhan Tahun
Tahun demi tahun berlalu, kemampuan jaringan saraf meningkat pesat. AI mulai mampu mengenali tulisan tangan, mengenali suara, wajah, ataupun menerjemahkan bahasa. Bahkan AI mampu mengalahkan manusia dalam permainan tertentu.
Dunia mulai menyadari bahwa pendekatan yang dulu dianggap jalan buntu ternyata justru menjadi masa depan AI.
Pada tahun 2018, Geoffrey Hinton, Yann LeCun, dan Yoshua Bengio menerima A.M. Turing Award, penghargaan paling bergengsi di bidang ilmu komputer.
Banyak orang menyebut penghargaan ini sebagai “Hadia Nobel”-nya ilmu komputer. Penghargaan tersebut bukan hanya untuk tiga ilmuwan.
Melainkan juga menjadi pengakuan bahwa ketekunan mereka selama puluhan tahun telah membuka babak baru dalam sejarah AI.
Refleksi
Jika AI Winter mengajarkan bahwa ekspektasi yang berlebihan bisa menjadi bumerang, maka kisah Geoffrey Hinton, Yann LeCun, dan Yoshua Bengio mengajarkan hal yang berbeda.
Terkadang sebuah ide bukanlah gagal, ia hanya datang terlalu cepat.
Jaringan saraf tiruan sebenarnya telah diperkenalkan sejak puluhan tahun sebelumnya, namun dunia belum memiliki komputer yang cukup cepat, data yang cukup banyak dan perangkat keras yang cukup kuat untuk memanfaatkannya.
Dan ketika semua syarat itu akhirnya terpenuhi, ide lama yang sempat ditertawakan justru menjadi fondasi teknologi yang kini digunakan miliaran orang.
Sejarah AI mengingatkan kita bahwa inovasi tidak selalu tentang menemukan sesuatu yang benar-benar baru.
Sering kali inovasi adalah tentang bertahan cukup lama hingga dunia siap menerima gagasan kita.
Tahukah Kamu
- Geoffrey Hinton sering dijuluki Godfather of AI karena kontribusinya terhadap pengembangan jaringan saraf tiruan dan Deep Learning. Meski demikian, ia sendiri beberapa kali mengingatkan pentingnya mengembangkan AI secara bertanggung jawab.
- Convolutional Neural Network (CNN) yang dikembangkan Yann LeCun menjadi dasar bagi banyak teknologi modern, mulai dari pengenalan wajah di ponsel hingga analisis citra medis.
- A.M. Turing Award 2018 diberikan kepada Geoffrey Hinton, Yann LeCun, dan Yoshua Bengio atas kontribusi mereka dalam mengembangkan Deep Learning yang menjadi fondasi kebangkitan AI modern.
Bersambung...
Meskipun algoritma Deep Learning mulai menunjukkan hasil yang menjanjikan, masih ada satu teka-teki besar.
Mengapa AI tiba-tiba berkembang sangat pesat pada tahun 2010-an, padahal konsepnya sudah ada sejak puluhan tahun sebelumnya.
Jawabannya ternyata bukan hanya karena algoritma yang lebih baik. Melainkan karena dunia tanpa sadar telah membantu “memberi makan” AI setiap hari.
Internet, smartphone, media sosial, cloud computing, GPU dan miliaran data yang kita hasilkan setiap detiknya. Semuanya itulah yang menjadi bahan bakar yang membuat AI akhirnya tumbuh menjadi seperti sekarang.
→ Chapter 6: Mengapa AI Tiba-Tiba Menjadi Pintar?
Komentar
Posting Komentar
Komen dengan akun asli tidak akan menghilangkan harga diri. Komen yang sopan dan tanpa spam juga akan menunjukkan bagaimana karakter sobat :)