Sistem Pembelajaran Dalam Mengembangkan Kemampuan yang Lebih Baik Ketika Terganggu

Ilmuwan komputer dari Belanda dan Spanyol telah menentukan bagaimana sistem pembelajaran dalam mengembangkan kemampuan yang lebih baik ketika terganggu. Kecerdasan buatan (AI) ini ditujukan untuk pengenalan gambar dan dapat belajar untuk mengenali lingkungannya. Tim tersebut berhasil menyederhanakan proses pembelajaran setelah memaksa sistem untuk fokus pada karakteristik sekunder.

Jaringan Saraf Konvolusi

Sistem pembelajaran dalam mengembangkan kemampuan yang lebih baik ketika terganggu ini bergantung pada jaringan saraf konvolusi (CNN), yang merupakan bentuk pembelajaran dalam untuk sistem AI.

Estefanía Talavera Martinez adalah dosen dan peneliti di Institut Bernoulli untuk Matematika, Ilmu Komputer, dan Kecerdasan Buatan di Universitas Groningen di Belanda.

‘CNN ini sukses, tetapi kita tidak sepenuhnya memahami bagaimana mereka bekerja’, kata Talavera Martinez.

Talavera Martinez telah menggunakan CNN untuk menganalisis gambar yang berasal dari kamera wearable saat mempelajari perilaku manusia. Beberapa pekerjaannya berkaitan dengan mempelajari interaksi manusia dengan makanan, sehingga dia berusaha membuat sistem mengenali pengaturan yang berbeda di mana orang-orang bertemu dengan makanan.

‘Saya menyadari bahwa sistem membuat kesalahan dalam klasifikasi beberapa gambar dan perlu tahu mengapa hal ini terjadi’, katanya.

Dia menggunakan peta panas dan menganalisis bagian mana dari gambar yang digunakan oleh CNN untuk mengidentifikasi pengaturan.

‘Hal ini menyebabkan hipotesis bahwa sistem tidak melihat cukup detail’, katanya.

Contoh yang diberikan adalah sistem AI yang mengajar dirinya sendiri untuk menggunakan cangkir untuk mengidentifikasi dapur. Dalam contoh ini, AI dapat salah mengklasifikasikan area seperti ruang tamu dan kantor, yang juga sering memiliki cangkir.

Talavera Martinez dan timnya kemudian berusaha mengembangkan solusi. Rekan-rekannya termasuk David Morales dan Beatriz Remeseiro, keduanya dari Spanyol. Solusi yang diusulkan adalah mengalihkan perhatian sistem dari target utama mereka.

Mengembangkan Solusi

Tim tersebut melatih CNN dengan set gambar standar pesawat atau mobil, dan mereka mengidentifikasi bagian mana dari gambar yang digunakan untuk klasifikasi melalui peta panas. Bagian-bagian gambar tersebut kemudian diburamkan dalam set gambar, dan set gambar tersebut digunakan untuk putaran pelatihan kedua.

‘Hal ini memaksa sistem untuk mencari di tempat lain untuk pengidentifikasi. Dan dengan menggunakan informasi tambahan ini, sistem menjadi lebih halus dalam klasifikasinya’, kata Talavera Martinez.

Sistem baru tersebut bekerja dengan baik dalam set gambar standar dan sukses dalam gambar yang dikumpulkan dari kamera wearable.

‘Rezim pelatihan kami memberikan hasil yang serupa dengan pendekatan lain, tetapi lebih sederhana dan memerlukan waktu komputasi yang lebih sedikit’, katanya.

Upaya sebelumnya untuk meningkatkan klasifikasi halus telah fokus pada kombinasi dari berbagai set CNN, tetapi pendekatan baru yang dikembangkan jauh lebih ringan.

‘Studi ini memberi kami gambaran yang lebih baik tentang bagaimana CNN ini belajar, dan itu telah membantu kami untuk meningkatkan program pelatihan’, kata Talavera Martinez.