Tren Pengembangan Masa Depan Kecerdasan Buatan (Bagian 1)

  Seiring dengan kecerdasan buatan (AI) Semakin umum dan terintegrasi dalam pengambilan keputusan yang mengubah hidup, tuntutan akan transparansi pun kian meningkat. Dalam beberapa tahun terakhir, kasus-kasus di mana kecerdasan buatan memperburuk bias dan diskriminasi semakin sering terjadi; penggunaan pengenalan wajah untuk penegakan hukum hanyalah salah satu contohnya. Dalam beberapa tahun mendatang, sangat mungkin terjadi pergeseran dari pengaturan mandiri yang longgar menuju keterlibatan pemerintah dalam bidang kecerdasan buatan. Sebaliknya, perusahaan teknologi besar semakin banyak menggunakan kecerdasan buatan untuk menyelesaikan masalah privasi dan bias yang justru ditimbulkan oleh teknologi itu sendiri.

 

01

 

  Berikut ini adalah tren teknologi utama yang telah diidentifikasi oleh perusahaan data global AITema tren teknologi kunci:

 

Kecerdasan buatan yang dapat dijelaskan (XAI)

 

  Kecerdasan buatan semakin banyak terlibat dalam pengambilan keputusan yang mengubah hidup, seperti pembayaran tunjangan, persetujuan kredit hipotek, dan diagnosis medis. Oleh karena itu, transparansi dan kemampuan menjelaskan menjadi sangat penting. Seputar AIKontroversi seputar bias model telah menarik banyak perhatian, mendorong perusahaan untuk memperbarui pedoman internal AIpengembangan guna membangun kepercayaan. Hanya dengan memperluas identifikasi aplikasi (XAI）tidak cukup untuk mengurangi bias dalam data, karena hal itu hanya memungkinkan perusahaan mengidentifikasi potensi diskriminasi. Perusahaan akan memperbaiki model mereka sesuai kebutuhan, dan memperluas penerapan pengenalan serta kecerdasan buatan telah menjadi prioritas utama bagi sebagian besar perusahaan yang terkait dengan AI, seperti Google dan raksasa pertahanan Lockheed Martin.

 

Pembelajaran federasi

 

  Mungkin terdengar bertentangan dengan logika bahwa kecerdasan buatan dapat menjadi solusi atas masalah privasi yang diciptakan oleh teknologi itu sendiri; pendekatan ini diperkenalkan oleh Google pada 2017Diluncurkan pada tahun ini, teknologi ini dirancang untuk memanfaatkan kumpulan data yang melimpah yang tersedia di perangkat lokal seperti smartphone, sambil tetap menjaga kerahasiaan data sensitif. Singkatnya, perangkat mengunduh model terkini dari cloud, kemudian meningkatkan model tersebut dengan belajar dari data yang disimpan di memorinya, dan selanjutnya memperbarui model berdasarkan data lokal. Google merupakan contoh paling terkenal dalam penerapan pembelajaran federasi; misalnya, pada aplikasi keyboard, kata atau frasa disarankan berdasarkan data dari tindakan sebelumnya. Di industri kesehatan, pembelajaran federasi memungkinkan berbagai organisasi untuk berkolaborasi dalam satu model yang dapat meningkatkan layanan pasien tanpa harus berbagi data sensitif.

 

Pengenalan wajah

 

        2020 年 6 bulan, Amazon, International Business Machines (IBM) dan Microsoft semuanya mengumumkan bahwa mereka tidak akan lagi menjual teknologi pengenalan wajah kepada aparat penegak hukum maupun masyarakat umum(FR)alat. Meskipun Amazon menunda selama satu tahun penggunaan pengenalan wajah oleh aparat penegak hukum, Microsoft menyatakan bahwa mereka tidak akan menjual teknologi pengenalan wajah kepada kepolisian sebelum ada undang-undang nasional yang mengatur teknologi tersebut. Sebaliknya, International Business Machines mengumumkan bahwa mereka tidak akan lagi menyediakan perangkat lunak pengenalan atau analisis wajah yang bersifat umum. George Floyd (George Floyd) dan protes anti-rasisme yang menyusul, pengawasan semakin ketat, yang mendorong perusahaan teknologi besar untuk menjauhkan diri dari teknologi pengenalan wajah; namun, masalah etika dan contoh bias telah lama menjadi hal yang umum.

 

Pembelajaran mandiri mesin (AutoML)

 

Pembelajaran mandiri mesin bertujuan untuk mengurangi penerapan pembelajaran mandiri (ML）yang diperlukan untuk menangani masalah dunia nyata, baik dari segi tenaga maupun energi. Hal ini dicapai dengan mengotomatisasi aspek pengembangan model pembelajaran mandiri yang memakan waktu dan bersifat iteratif, sehingga memungkinkan para pengembang dan ilmuwan data yang memiliki pengetahuan ML yang terbatas untuk menggunakan model dan teknologi pembelajaran mandiri, sekaligus mengurangi kesalahan manusia dan bias dalam model pembelajaran mesin. Deteksi penipuan, penetapan harga, dan manajemen penjualan merupakan bidang aplikasi umum dari pembelajaran mandiri mesin. Google Cloud, DataRobot（DataRobot） dan H20.ai adalah contoh solusi perangkat lunak pembelajaran mandiri mesin terkemuka.

 

Efisiensi yang dua kali lipat dengan upaya yang sama

 

Pada 2019 , Jeff Dean, kepala kecerdasan buatan Google, mengatakan bahwa kami berharap dapat membangun sistem yang dapat digeneralisasi ke tugas-tugas baru; akan menarik dan penting jika sistem tersebut mampu melakukan berbagai hal dengan data dan komputasi yang lebih sedikit. Sebagian besar orang sepakat bahwa manfaat regulasi dan komersial dari kemampuan belajar dengan jumlah titik data yang lebih sedikit sangat signifikan. Perusahaan rintisan pengenalan emosi Affecta , Kaljubi, menyatakan bahwa metode sintesis data akan memungkinkan perusahaan untuk mengambil data yang telah dikumpulkan dan mensintesisnya guna menciptakan data baru. Misalnya, video seseorang mengemudikan mobil dapat digunakan untuk membuat skenario baru, seperti pengemudi yang memutar kepala atau mengirim pesan singkat melalui Internet of Things (IoT) berbasis kecerdasan tepi AIoT）

 

Salah satu bidang utama di mana tema-tema disruptif bertemu adalah kecerdasan buatan dan Internet of Things. Kombinasi ini telah melahirkan kecerdasan buatan untuk Internet of Things. Dengan menggabungkan data yang dikumpulkan oleh sensor dan aktuator yang terhubung dengan AI, dapat mengurangi latensi, meningkatkan privasi, dan menciptakan kecerdasan real-time di edge. Perusahaan Apple (Apple) pada 2020 年 1 bulan mengakuisisi Xnor.ai, perusahaan ini menyediakan alat yang dapat berjalan pada perangkat berdaya rendah dan mendukung AI untuk pengenalan gambar, guna memperkuat produknya di edge.

 

komputasi kuantum

 

  Komputasi kuantum mulai memasuki tahap kematangan, dengan Google, Microsoft, dan IBM berada di garis depan. Dengan dukungan komputer kuantum, aplikasi kecerdasan buatan dapat bekerja lebih cepat. Menurut profesor informasi kuantum Universitas Chicago, Dr. David ·Oshalom, penggunaan komputer kuantum dapat mempercepat banyak tugas komputasi yang menekankan pembelajaran mesin. Komputer kuantum akan mewujudkan perhitungan yang lebih cepat, memungkinkan pengembangan algoritma yang lebih efisien secara sumber daya, sekaligus memungkinkan kecerdasan buatan menangani tugas-tugas yang lebih kompleks. Sejak 2016 , IBM telah menyediakan layanan komputasi awan kuantum bagi para pelanggan, 2019 , Microsoft (Azure Quantum) dan Amazon Quantum Solutions Lab sama-sama mengumumkan bahwa para pelanggan kini dapat menguji algoritma eksperimental mereka pada beberapa komputer kuantum.

 

Chip generasi berikutnya

 

  Fokus desain chip telah beralih dari pada 1Perlombaan untuk menempatkan lebih banyak transistor pada wafer silikon berukuran milimeter persegi telah beralih ke pembuatan mikroprosesor sebagai sebuah sistem, yang terdiri dari beberapa komponen, masing-masing menjalankan tugas khusus. Dalam beberapa tahun mendatang, komputer akan semakin banyak meniru cara otak manusia menyimpan dan memproses informasi. Di sinilah peran komputasi neuromorfik dan chip neuromorfik menjadi sangat penting. Chip neuromorfik sangat cocok untuk memproses sejumlah besar data serta memberi daya pada aplikasi pembelajaran mendalam yang menggunakan jaringan saraf, sambil mengonsumsi energi yang jauh lebih sedikit dibandingkan prosesor tradisional. Perusahaan IBM Amerika Serikat bersama dengan Trunose (TrueNorth）bekerja sama, Intel dan Rohi（Loihi）bekerja sama, saat ini berada di posisi terdepan dalam penelitian dan pengembangan, namun menghadapi persaingan dari perusahaan ternama seperti Qualcomm, HP Enterprise（HPE）dan Samsung serta Graphcore Persaingan dengan startup yang memiliki dana besar seperti Cambricon.