Komputer Dapat Mengidentifikasi 200 Spesies Burung dari Satu Foto

Peneliti dari Duke University menggunakan pembelajaran mesin untuk melatih komputer mengidentifikasi hingga 200 spesies burung yang berbeda. Komputer hanya memerlukan satu foto untuk menyelesaikan proses identifikasi. Bagi manusia, tahun-tahun pengamatan burung seringkali diperlukan untuk dapat mengidentifikasi spesies yang berbeda satu sama lain. 

Penelitian ini dipimpin oleh mahasiswa Ph.D. ilmu komputer Duke, Chaofan Chen, bersama dengan mahasiswa sarjana Oscar Li. Penelitian ini juga dikerjakan oleh anggota tim lain dari Prediction Analysis Lab yang dipimpin oleh profesor Duke, Cynthia Rudin. 

A.I. Menunjukkan Proses Berpikirnya

Sementara proses identifikasi yang mengesankan, ada aspek yang lebih penting dari pengembangan ini. A.I. dapat menunjukkan proses berpikirnya, sehingga bahkan pengamat burung yang tidak berpengalaman dapat memahami prosesnya. 

Jaringan neural dalam, atau algoritma yang berbasis pada cara kerja otak, dilatih dengan 11.788 foto. Foto-foto tersebut termasuk 200 spesies burung yang berbeda, termasuk segalanya dari bebek hingga kolibri. 

Tim peneliti tidak perlu melatih jaringan secara khusus untuk mengidentifikasi paruh atau bulu sayap. Sebaliknya, jaringan dapat mengambil foto burung dan mengidentifikasi pola tertentu dalam gambar. Kemudian, jaringan dapat mengambil pola tersebut dan mengidentifikasi pola sebelumnya yang telah ditemuinya dalam ciri-ciri spesies yang khas. 

Menurut tim, jaringan kemudian membuat serangkaian peta panas yang mengidentifikasi ciri-ciri tertentu. Misalnya, dapat membedakan antara burung perang yang biasa dan burung perang yang berhelm, bersama dengan ciri-ciri seperti kepala yang bertopeng dan perut yang berwarna kuning. Kemudian, jaringan menunjukkan bahwa ciri-ciri tersebut yang menyebabkan identifikasi. 

Tidak Seperti Sistem Lain

Jaringan neural dapat mengidentifikasi spesies yang benar hingga 84% dari waktu. Ini serupa dengan beberapa sistem yang berkinerja terbaik. Perbedaannya adalah bahwa sistem tersebut tidak menjelaskan proses berpikir seperti ini. 

Menurut Rudin, aspek yang paling revolusioner dari proyek ini adalah bahwa itu menyediakan visualisasi untuk apa yang jaringan neural dalam lihat ketika mereka melihat gambar. 

Teknologi ini juga saat ini digunakan pada situs media sosial, untuk mengidentifikasi tersangka kriminal dalam kamera pengawas, dan membantu kendaraan otonom mengidentifikasi lampu lalu lintas dan pejalan kaki. 

Perangkat lunak pembelajaran dalam seringkali tidak memerlukan untuk diprogram secara eksplisit untuk belajar dari data, yang tidak seperti perangkat lunak tradisional. Namun, prosesnya tidak selalu jelas atau ditunjukkan, sehingga seringkali sulit untuk menjelaskan bagaimana algoritma “berpikir” ketika mengklasifikasikan gambar. 

Di Masa Depan

Rudin dan yang lainnya saat ini bekerja pada model pembelajaran dalam baru untuk A.I., mendorong bidang ini maju. Model baru dapat menjelaskan alasan dan proses identifikasi. Ini membantu peneliti melihat dari awal hingga akhir, dan membuatnya lebih mudah untuk mengidentifikasi alasan di balik kesalahan atau masalah. 

Rudin dan timnya akan bekerja pada menggunakan algoritma dalam bidang medis. Ini dapat mengidentifikasi area masalah tertentu dalam gambar medis seperti mammogram. Ini akan membantu profesional medis mendeteksi benjolan, kalsifikasi, dan tanda-tanda lain dari kanker payudara. 

Menurut Rudin, jaringan meniru cara dokter membuat diagnosis. 

“Ini adalah penalaran berbasis kasus,” kata Rudin. “Kami berharap kami dapat menjelaskan lebih baik kepada dokter atau pasien mengapa gambar mereka diklasifikasikan oleh jaringan sebagai ganas atau tidak ganas.” 

Tim akan mempresentasikan makalah yang mencakup penelitian mereka pada Konferensi ke-33 tentang Sistem Pemrosesan Informasi Neural (NeurlIPS2019) di Vancouver pada 12 Desember. 

Studi ini juga mencakup penulis Daniel Tao dan Alina Barnerr dari Duke dan Jonathan Su di MIT Lincoln Laboratory.