Berpikir Seperti Manusia

Bertindak Seperti Manusia

Berpikir secara Acak

Berpikir secara Rasional

Lolos Uji Turing

Mengikuti logika formal

Lolos Uji Daring

Menghasilkan perilaku manusia

Untuk menentukan apakah jawaban subjek tidak dapat dibedakan

Untuk mengukur kecepatan respon subjek

Untuk mengevaluasi perilaku dari jawaban subjek

Untuk mengidentifikasi tingkat pengetahuan dari jawaban subjek

Membuat program yang dapat berbicara seperti manusia

Membuat komputer melakukan sesuatu yang pada saat itu lebih baik dilakukan oleh manusia

Membuat robot yang bisa berkelakuan selayaknya manusia

Membuat aplikasi yang dapat digunakan manusia

Alan Turing, Ada Lovelace, Grace Hopper, John von Neumann

John McCarthy, Marvin Minsky, Nathaniel Rochester, Claude Shannon

Bill Gates, Steve Jobs, Mark Zuckerberg, Larry Page

Albert Einstein, Isaac Newton, Stephen Hawking, Richard Feynman

1940-an - 1950-an

1980-an

1990-an

2010-an - Sekarang

Meniru percakapan dengan psikolog

Menghitung data statistik kondisi mental pasien

Menerjemahkan bahasa asing ke bahasa yang dimengerti mesin

Mengendalikan sistem psikologi

Karena ELIZA menggunakan pola yang cerdik dalam merespons pertanyaan

Karena ELIZA dapat berbicara dengan suara yang disukai manusia

Karena ELIZA dapat memahami ekspresi wajah penggunanya

Karena ELIZA dapat memberikan ketenangan batin

Mengganti seluruh pekerjaan manusia

Meniru proses pengambilan keputusan seorang ahli manusia

Mengembangkan perangkat keras komputer

Mengurangi jumlah data yang diproses

Kesehatan, Keuangan, dan Manufaktur

Pembelajaran, Sosial, dan Hukum

Pertanian, Peternakan, dan Perencanaan

Transportasi, Kebijakan Publik, dan Kesehatan

Etika dan privasi data

Kesulitan dalam memahami bahasa manusia

Biaya pengembangan yang tinggi

Kurangnya data untuk pelatihan

Penggunaan logika formal

Penggunaan data yang sangat sedikit

Penggunaan jaringan saraf tiruan yang dalam

Penggunaan perangkat keras yang sederhana

Deep Blue & AlphaGo

Deep Chess & LeeGo

Deep Black & GoogleGo

Deep Red & BetaGo

matematika

ilmu komputer

sosial

filsafat

fundamental, kontribusi, spesialisasi

prinsip, algoritma, spesialisasi

metodologi, teori, aplikasi

metodologi, algoritma, pendekatan

Pengolahan Bahasa Alami, Visi Komputer, Pembelajaran Mesin

Pengolahan Data, Jaringan Komputer, Robotika

Sistem Pakar, Internet of Things, Cloud Computing

Pengolahan Citra, Big Data, Blockchain

analisis visual

pengolahan suara

Melihat dan memahami informasi dari citra

Mengelola data visual menjadi tabulasi

Mengatur komunikasi antar jaringan

Mengembangkan aplikasi berbasis gambar

Hidden Markov Models dan algoritma Naive Bayes

Penerjemahan mesin berbasis aturan

Penggunaan pola IF-THEN

Pengembangan chatbot ELIZA

Data sinyal digunakan untuk kontrol perangkat.

Kompleksitas Pragmatis

Ambiguitas Leksikal

Dependensi Kontekstual

Konjugasi Dinamis

Attention Mechanism

Sequential Modeling

Untuk mempercepat proses produksi tanpa memperhatikan kualitas

Untuk mendeteksi cacat pada produk dan melakukan sorting otomatis

Untuk mengurangi jumlah pekerja di pabrik

Untuk meningkatkan biaya produksi

Algoritma yang tidak berkembang

Bias dalam melatih data

Syarat Komputasi yang tinggi

Masalah Etis dan Privasi

1999

2008

Belajar dari data yang sudah diberi label atau answer

Menemukan pola tersembunyi tanpa label

Belajar melalui trial and error dengan reward system

Menggunakan data tanpa input-output pairs

Decision Trees, SVM, K-Means

Linear Regression, Hierarchical Clustering, PCA

K-Means, Clustering, DBSCAN

Random Forest, Neural Networks, Clustering

inteligensi, kinerja, sensor, dan program

kinerja, aktuator, brainware, dan interface

software, hardware, lingkungan, dan jaringan

kinerja, lingkungan, aktuator, dan sensor

sensor dan konektor

jaringan dan aktuator

input dan output

Tangan robot

Motor servo

Kamera digital

Speaker

Mengumpulkan data dari lingkungan

Mengolah data secara internal

Melakukan tindakan di lingkungan

Menyimpan informasi hasil pengamatan

Mengatur kecepatan agen

Mengumpulkan informasi dan data dari lingkungan

Mengendalikan aktuator

Menentukan tujuan agen

Optimal

Adaptif

Konsisten

Efektif

Lingkungan statis memerlukan agen yang dapat belajar dan menyesuaikan diri

Lingkungan dinamis memerlukan strategi yang deterministik

Lingkungan dinamis memerlukan agen yang dapat belajar dan menyesuaikan diri

Lingkungan kompleks tidak memerlukan adaptasi

Mengemudi di lalu lintas padat

Kalkulasi matematika

Menggerakkan bidak dalam catur

Sistem kontrol industri sederhana

Deterministik

Stokastik

Acak

Probabilistik

roda gigi dalam mesin

melempar dadu

bermain kartu

perdagangan saham

sekuensial

episodik

dinamis

aristektural

utilitas

tujuan

refleks

otonomi

State Tracking

Transition Model

Action Model

Sensor Model

Pengambilan Keputusan Kompleks

Adaptasi Waktu-Nyata (Real Time)

Otonomi Penuh

Refleks Fisik / Digital

A. Policy network dan value network

B. Policy network dan search network

C. Value network dan random network

D. Search network dan deep network

cara mengubah sebuah masalah dari representasi logis menjadi serangkaian langkah untuk menyelesaikannya

cara mengubah sebuah masalah dari representasi teoris menjadi serangkaian langkah logis untuk menyelesaikannya

cara mengkonversi langkah-langkah logis menjadi kode komputer yang bisa dilakukan secara bertahap

cara pengumpulan data dan pencocokan data tersebut pada basis data utama

State Awal

Model Transisi

Aksi

Uji Tujuan

Isi penuh ember A

Buang semua isi ember B

Tambahkan air ke ember A dari sumber lain

Pindahkan air dari B ke A sampai A penuh

pencarian menggunakan informasi heuristik

pencarian yang tidak tahu apakah satu state lebih dekat ke tujuan

pencarian yang selalu tahu posisi tujuan

pencarian yang menggunakan strategi acak

Lengkap dan optimal

Cepat dalam semua kasus

Menggunakan sedikit memori

mudah menemukan solusi

Melacak kembali dari S ke J, lalu ke E, lalu ke B, dan akhirnya ke A

Melacak dari S ke R, lalu ke Q, lalu ke P, lalu ke O

Melacak dari S ke N, lalu ke M, lalu ke L, lalu ke K

Melacak dari S ke F, lalu ke D, lalu ke C, lalu ke A

Stack

Queue

Last-In-First-Out

Open/Close

Stack

Queue

First-in-First-Out

Open/Close

Karena berisiko terjebak dalam siklus (loop) tanpa menemukan solusi optimal.

Karena selalu menemukan solusi terpendek.

Karena menggunakan prinsip FIFO.

Karena tidak menggunakan struktur data apapun.

A → B → K → O → P

A → B → C → D → E → F

A → K → L → M → N

A → B → C → D → J

BFS selalu lengkap, sedangkan DFS tidak jika ada loop

BFS tidak lengkap, sedangkan DFS selalu lengkap

Keduanya selalu lengkap

Keduanya tidak pernah lengkap

Teka-teki Sudoku

AI game

GPS jalur terpendek

Topologi direktori file

B, D, F

B, E, F

C, F

D, F

Membantu memprioritaskan node mana yang akan dieksplorasi selanjutnya

Menghitung biaya aktual perjalanan

Mengabaikan node yang tidak penting

Menyederhanakan semua proses pencarian menjadi acak

Estimasi biaya dari node n ke tujuan

Total biaya aktual dari titik awal ke node n

Jumlah dari biaya aktual dan estimasi biaya

Perkiraan jarak terpendek ke node berikutnya

Menghindari informasi tambahan agar netral

Pemanfaatan informasi tambahan untuk memandu pengambilan keputusan

Mengandalkan pencarian acak

Mengutamakan eksplorasi seluruh ruang keadaan

Evaluasi rute selalu optimal.

Eksplorasi sistematis tanpa panduan yang memicu alokasi sumber daya komputasi berlebihan.

Penggunaan heuristik yang mengurangi eksplorasi yang tidak perlu.

Penelusuran selektif berdasarkan informasi domain.

Uninformed: mengejar rute dengan estimasi biaya terendah; Informed: mencoba semua rute secara acak

Uninformed: eksplorasi ruangan gelap dengan perabaan sistematis; Informed: eksplorasi dengan pengetahuan lokasi objek

Uninformed: selalu memilih cabang terdalam; Informed: selalu memilih cabang terpendek tanpa informasi

Uninformed: menggunakan heuristik h(n); Informed: tanpa heuristik

Greedy Breadth-First Search

Greedy Big-Field Search

Memilih node dengan biaya akumulatif terendah g(n)

Memilih node dengan estimasi jarak terdekat ke tujuan berdasarkan h(n) saja

Memilih node yang memiliki derajat keluar terbanyak

Memilih node secara acak untuk menghindari jebakan lokal

Menggabungkan semua biaya sebelumnya

Mengabaikan biaya yang telah dikeluarkan untuk mencapai node saat ini

Mengalikan biaya sebelumnya dengan faktor heuristik

Menyimpan biaya hanya pada level akar

Menjamin optimalitas rute global

Efisiensi komputasi tinggi dan konvergensi cepat

Selalu mengevaluasi semua rute alternatif

Menggunakan kombinasi g(n) dan h(n)

Greedy Best-First Search

Uniform Cost Search

Depth-First Search

Bidirectional Search

Greedy BFS — f(n) = g(n)

Dijkstra/UCS — f(n) = h(n)

A* — f(n) = g(n) + h(n)

Lambat dan akurat

Efisien dan terarah

Acak dan fleksibel

Komprehensif dan menyeluruh

Biaya akumulatif yang sudah ditempuh

Perkiraan biaya/jarak dari n ke tujuan

Jumlah cabang pada setiap node

Rasio efisiensi dari n ke tujuan

Estimasi jarak yang dibutuhkan untuk mencapai tujuan.

Biaya Aktual dari node saat ini ke tujuan.

Memilih node dengan derajat tertinggi tanpa mempertimbangkan biaya

Menyeimbangkan biaya aktual g(n) dengan estimasi h(n) untuk menemukan jalur optimal

Hanya menggunakan heuristik h(n) seperti Greedy Best-First Search

Hanya menghitung biaya kumulatif g(n) seperti Dijkstra tradisional

Kemampuan menghasilkan solusi terbaik

Kecepatan algoritma dalam berjalan

Jumlah memori yang digunakan

Jumlah node yang dilewati

Greedy BFS

Dijkstra/UCS

A* (A-Star)

Tidak ada

Decoding → evaluation → mutation → crossover

Selection → encoding → evaluation → decoding

Crossover → mutation → evaluation → decoding

Mutation → crossover → selection → encoding

Semua individu memiliki peluang yang sama untuk dipilih tanpa melihat performa

Solusi terburuk dipertahankan agar menjaga keragaman populasi

Survival of the fittest: individu terkuat yang akan bertahan dan bereproduksi

Fitness tidak relevan karena GA acak sepenuhnya

Ketika ruang pencarian sangat besar sehingga eksplorasi menyeluruh tidak realistis

Ketika turunan fungsi mudah dihitung sehingga kalkulus tradisional berlaku

Ketika hanya ada satu variabel bebas yang tidak saling terkait

Ketika solusi optimal sudah diketahui secara analitik

Sekumpulan kromosom (solusi)

Unit dasar dari sebuah solusi

Ukuran kualitas sebuah solusi

Representasi dari satu solusi potensial

Inisialisasi

Seleksi

Mutasi

Generasi Baru

Evaluasi Fitness / Kesesuaian

memilih induk terbaik berdasarkan fitness

menggabungkan gen dari dua induk untuk menciptakan anak

menghitung skor fitness untuk setiap kromosom

mengubah gen secara acak pada beberapa anak untuk menjaga keragaman

membentuk populasi generasi berikutnya

Memilih individu terbaik berdasarkan nilai fitness tertinggi

Menggabungkan materi genetik dari dua induk untuk menghasilkan keturunan baru

Menghapus gen yang tidak relevan dari setiap individu

Menentukan titik mutasi untuk memperkenalkan variasi acak

Menukar posisi dua gen berdekatan

Menghapus gen yang bernilai 0

Membalik nilai bit gen, misalnya 1 menjadi 0 atau 0 menjadi 1

Mengalikan nilai gen dengan konstanta acak

Model ML belajar pola umum dari data pelatihan dan bekerja baik pada data baru

Model ML terlalu spesifik pada detail data, dan gagal berkinerja baik pada data baru

Model ML mengabaikan data pelatihan untuk meningkatkan generalisasi data baru

Model ML selalu lebih baik jika dilatih lebih lama tanpa batas

Mesin Inferensi (Inference Engine)

Basis Pengetahuan (Knowledge Base)

Antarmuka Pengguna (User Interface)

Rule Translator

IF (premis/kondisi)

THEN (konsekuensi/aksi)

Fakta dasar

Inferensi balik

Forward Chaining dimulai dari hipotesis

Forward Chaining digerakkan oleh data dan dimulai dari fakta

Backward Chaining digerakkan oleh tujuan dan dimulai dari hipotesis

Backward Chaining menghasilkan kesimpulan baru melalui iterasi aturan

Ketika tersedia banyak fakta awal dan kita ingin melihat kesimpulan apa yang dapat dihasilkan.

Ketika kita memiliki hipotesis yang spesifik dan perlu mencari fakta-fakta pendukung.

Ketika tidak ada aturan yang tersedia dalam basis pengetahuan.

Ketika data sangat bising sehingga perlu dibersihkan terlebih dahulu sebelum digunakan.

Diagnostik penyakit infeksi darah bakteri dan rekomendasi antibiotik

Deteksi penipuan finansial pada perbankan

Pengenalan wajah untuk keamanan bandara

Optimasi rute logistik untuk pengiriman barang

Explainability

Convergenity

Bottleneck

Statisticsm