Kamis, 01 April 2010

Mahakarya Teori Intelegensi Buatan Gabungan

Mungkin saja di masa yang akan datang robot humanoid bisa menjadi teman manusia seperti yang digambarkan di berbagai film fiksi ilmiah

berpikir

Pada periode 50an sampai 60an, para peneliti intelegensi buatan (IB) mencoba untuk mengungkap proses berpikir. Namun ternyata proses itu lebih kompleks dari yang pernah dibayangkan. Sejak saat itu para peneliti intelegensi buatan malahan mengandalkan probabilitas yaitu pola statistik yang dapat dimengerti komputer dari kumpulan data latihan.

Pendekatan probabilistik telah menghasilkan hampir keseluruhan kemajuan di bidang intelegensi buatan, seperti berbagai sistem pengenalan suara atau voice recognition systems, atau pun sebuah sistem yang merekomendasikan film bagi para langganan Netfix. Akan tetapi Noah Goodman, seorang peneliti MIT di bagian Otak dan Ilmu Kognisi tapi laboratoriumnya Ilmu Komputer dan Intelegensi Buatan, berpikir bahwa IB kehilangan sesuatu yang berharga dengan tidak meneliti proses berpikir. Dengan mengkombinasikan sistem proses berpikir lama bersama sistem probabilistik baru, Goodman menemukan jalan untuk memetakan pikiran yang memberikan dampak luas bagi IB maupun ilmu kognitif.

Para peneliti IB terdahulu melihat proses berpikir sebagai kesimpulan logika: jika anda tahu bahwa burung bisa terbang dan dikatakan bahwa sayap yang terbuat dari lilin adalah seekor burung, maka anda bisa menyimpulkan bahwa sayap lilin itu bisa terbang. Salah satu dari penelitian IB pertama adalah pengembangan bahasa matematis yang mirip dengah bahasa komputer di mana para peneliti bisa menyandikan atau mengkodekan pernyataan seperti "burung bisa terbang" dan "sayap lilin adalah burung". Jika bahasa itu dulunya cukup tepat, algoritma komputer bisa menyisir pernyataan yang tersimpan dan mengkalkulasi semua kesimpulan logika yang sah. Setelah mereka mengembangkan bahasa seperti itu, para peneliti IB mulai menggunakan bahasa itu untuk mengkodekan banyak pernyataan berdasarkan akal sehat, yang disimpan di basis data yang sangat besar.

Masalah yang dihadapi dengan pendekatan ini yaitu bahwa tak semua burung bisa terbang. Lagi pula di antara burung yang dapat terbang, ada perbedaan antara rajawali dalam sangkar dan rajawali yang patah sayap, dan berbagai perbedaan lain antara rajawali dan pinguin. Bahasa matematis yang dikembangkan oleh para peneliti IB terdahulu cukup fleksibel untuk merepresentasikan perbedaan konseptual seperti itu, namun menulis seluruh perbedaan diperlukan karena bahkan tugas kognitif yang paling dasar terbukti lebih sulit dari yang dibayangkan.

Memeluk Ketidakpastian

Pada IB probabilistik, menurut perbedaan, sebuah komputer diberikan banyak masukan atau contoh seperti gambar berbagai burung dan dibiarkan menyimpulkan sendiri apa yang menjadi ciri umum dari masukan tersebut. Pendekatan ini bekerja cukup baik dengan konsep kongkrit seperti "burung", namun bermasalah dengan konsep yang lebih abstrak seperti penerbangan, suatu kemampuan umum yang dimiliki oleh burung, helikopter, layang-layang dan pahlawan super. Anda bisa menunjukkan kepada suatu sistem probabilistik banyak gambar penerbangan, namun walaupun sistem itu bisa menemukan ciri umum yang dimiliki oleh gambar-gambar tersebut, akan sangat mungkin untuk salah mengidentifikasi awan, atau matahari, atau antena di atas gedung sebagai contoh penerbangan. Dan bahkan penerbangan merupakan konsep kongkrit jika dibandingkan dengan, katakanlah, "tata bahasa", atau "keibuan".

Sebagai alat penelitian, Goodman mengembangkan sebuah bahasa pemrograman komputer yang disebut Church sesuai dengan nama Alonzo Church yakni seorang ahli logika Amerika terkenal. Bahasa itu seperti berbagai bahasa terdahulu IB mengikutsertakan aturan kesimpulan. Namun aturan itu bersifat probabilistik. Katakanlah kasuari adalah seekor burung, sebuah program yang ditulis dalam Church bisa saja mengikutsertakan bahwa kasuari mungkin bisa terbang. Tapi jika program itu diberitahukan bahwa kasuari bisa seberat 90kg, dia bisa saja merevisi perkiraan probabilitas pertamanya, menyimpulkan bahwa, sebenarnya kasuari mungkin tak bisa terbang.

"Dengan penalaran probabilistik, anda mendapat keseluruhan struktur dengan cuma-cuma," kata Goodman seperti yang dikutip Physorg. Sebuah program Church yang tak pernah menemukan burung yang tak bisa terbang bisa saja pada permulaan menetapkan probabilitas bahwa setiap burung bisa terbang di angka 99,99 persen. Namun begitu dia belajar tentang kasuari dan pinguin, juga rajawali di sangkar dan yang patah sayap, dia merevisi probabilitasnya menurut hal-hal itu. Pada akhirnya, probabilitas merepresentasikan seluruh konsep perbedaan yang harus dikodekan secara manual oleh para peneliti IB terdahulu. Tapi sistem itu belajar perbedaan itu dengan sendirinya seiring berjalannya waktu, seperti cara manusia belajar konsep baru dan merevisi yang lama.

"Apa yang istimewa dari program ini yaitu dia memperkenankan anda untuk membangun pemetaan kognisi dengan cara yang lebih jujur dan transparan dari yang pernah anda lakukan sebelumnya," kata Nick Chater, seorang profesor ilmu kognisi dan keputusan di Universitas College London. "Anda bisa membayangkan keseluruhan yang diketahui manusia, dan mencoba untuk mendaftarkan semua itu merupakan sebuah tugas yang tak ada akhirnya, dan mungkin adalah suatu tugas tak terbatas. Tapi trik baru berkata, "tidak, katakan saja beberapa hal kepada saya," dan bagian otaknya dalam hal ini sistem Church, mudah-mudahan agak sejalan dengan pikiran melakukannya, bisa mengocok, menggunakan kalkulasi probabilistiknya, semua akibat dan kesimpulan. Dan juga, ketika anda memberikan informasi baru ke dalam sistem itu, ia bisa menyimpulkan akibatnya."

Pikiran-pikiran Pemetaan

Program-program yang menggunakan kesimpulan probabilistik nampaknya mampu memetakan kapasitas kognisi manusia lebih luas daripada pemetaan kognisi tradisional. Pada konferensi Masyarakat Ilmu Kognisi tahun 2008, sebagai contoh, Goodman dan Charles Kemp, yang merupakan mahasiswa PhD di BCS pada waktu itu, mempresentasikan karya di mana mereka memberikan para subyek manusia sebuah daftar tujuh atau delapan pegawai pada sebuah perusahaan fiktif dan memberitahukan mereka pegawai mana mengirim surel ke yang lain. Kemudian mereka memberikan para subyek sebuah daftar pendek pegawai pada perusahaan fiktif lain. Tanpa data tambahan, para subyek diminta untuk membuat sebuah grafik yang menggambarkan siapa yang mengirim surel kepada siapa di perusahaan kedua.

Jika pola surel di kasus contoh membentuk sebuah rantai - Alice mengirim surel ke Bob yang mengirim surel ke Carol, dan ke, katakanlah Henry - para subyek manusia cenderung memprediksi bahwa pola surel di kasus contoh itu akan juga membentuk suatu rantai. Jika pola surel pada kasus contoh membentuk suatu putaran - Alice mengirim surel ke Bob yang mengirim surel ke Carol, dan seterusnya, tapi Henry mengirim surel ke Alice - para subyek juga memprediksi putaran di kasus contoh itu.

Sebuah program yang menggunakan kesimpulan probabilistik, diminta untuk melakukan tugas yang sama, berperilaku hampir sama dengan subyek manusia, menyimpulkan rantai dari rantai dan putaran dari putaran. Tapi berbagai pemetaan kognisi konvensional sama sekali memprediksikan pola surel acak pada kasus contoh: mereka tak bisa menyimpulkan konsep level tinggi dari putaran dan rantai. Dengan para kolaborator di Bagian Ilmu Otak dan Kognisi, Goodman melakukan percobaan serupa di mana para subyek diminta untuk menyortir gambar-gambar serangga atau pohon ke dalam kategori berbeda, atau membuat kesimpulan yang memerlukan penerkaan apa yang dipikirkan orang lain. Pada semua kasus ini, yang sebagiannya juga dipresentasikan di konferensi Masyarakat Ilmu Kognisi, program Church melakukan pekerjaan memetakan pikiran manusia lebih baik ketimbang algoritme intelegensi buatan tradisional.

Chater memperingatkan hal itu, sementara program Church bekerja dengan baik pada tugas yang ditargetkan, mereka saat itu terlalu intensif berhitung untuk bekerja sebagai simulator pikiran umum."Itu merupakan masalah serius jika anda mau menggunakanya untuk memecahkan setiap masalah di bawah matahari," kata Chater. "Tapi itu baru dibuat, dan hal-hal ini selalu payah dioptimalisasi ketika mereka baru dibuat." Dan Chater menekankan bahwa membuat sistem itu bekerja adalah suatu pencapaian: "Itu merupakan sesuatu yang bisa saja dihasilkan seseorang sebagai saran teoritik, dan anda akan berpikir, 'Wow, itu sangat pintar, tapi saya yakin anda tak bisa membuatnya berjalan, benar saja.' Dan keajaibannya ialah dia benar-benar berjalan, dan bekerja."

Kategori Terkait:

"Mahakarya Teori Intelegensi Buatan Gabungan" - 20.54.00