Apakah Machine Learning Tradisional Masih Relevan?

Beberapa tahun terakhir, AI Generatif telah menunjukkan hasil yang menjanjikan dalam memecahkan tugas AI yang kompleks. Model AI modern seperti ChatGPT, Bard, LLaMA, DALL-E.3, dan SAM telah menunjukkan kemampuan luar biasa dalam memecahkan masalah multidisiplin seperti pertanyaan visual, segmentasi, penalaran, dan generasi konten.

Lebih lanjut, Teknik AI Multimodal telah muncul, yang dapat memproses beberapa modalitas data, yaitu teks, gambar, audio, dan video secara bersamaan. Dengan kemajuan ini, alami untuk bertanya-tanya: Apakah kita mendekati akhir dari machine learning tradisional (ML)?

Dalam artikel ini, kita akan melihat keadaan lanskap machine learning tradisional terkait dengan inovasi AI generatif modern.

Apa itu Machine Learning Tradisional? – Apa Batasannya?

Machine learning tradisional adalah istilah yang luas yang mencakup berbagai algoritma yang didorong oleh statistik. Dua jenis utama algoritma machine learning tradisional adalah supervised dan unsupervised. Algoritma ini dirancang untuk mengembangkan model dari dataset terstruktur.

Algoritma machine learning tradisional standar termasuk:

• Algoritma regresi seperti linear, lasso, dan ridge.
• K-means Clustering.
• Principal Component Analysis (PCA).
• Support Vector Machines (SVM).
• Algoritma berbasis pohon seperti pohon keputusan dan hutan acak.
• Model boosting seperti gradient boosting dan XGBoost.

Batasan Machine Learning Tradisional

Machine learning tradisional memiliki batasan sebagai berikut:

1. Skalabilitas Terbatas: Model ini sering memerlukan bantuan untuk menskalakan dengan dataset besar dan beragam.
2. Pemrosesan Data dan Pengembangan Fitur: Machine learning tradisional memerlukan pemrosesan ekstensif untuk mengubah dataset sesuai dengan kebutuhan model. Selain itu, pengembangan fitur dapat memakan waktu dan memerlukan beberapa iterasi untuk menangkap hubungan kompleks antara fitur data.
3. Data Berdimensi Tinggi dan Tidak Terstruktur: Machine learning tradisional kesulitan dengan jenis data kompleks seperti gambar, audio, video, dan dokumen.
4. Adaptasi terhadap Data yang Tidak Terlihat: Model ini mungkin tidak beradaptasi dengan baik dengan data dunia nyata yang tidak termasuk dalam data pelatihan mereka.

Jaringan Saraf: Pindah dari Machine Learning ke Deep Learning & Beyond

Model jaringan saraf (NN) jauh lebih kompleks daripada model machine learning tradisional. Jaringan saraf sederhana – Multilayer Perceptron (MLP) terdiri dari beberapa neuron yang terhubung bersama untuk memahami informasi dan melakukan tugas, mirip dengan cara kerja otak manusia.

Kemajuan dalam teknik jaringan saraf telah membentuk dasar untuk transisi dari machine learning ke deep learning. Misalnya, NN yang digunakan untuk tugas penglihatan komputer (deteksi objek dan segmentasi gambar) disebut jaringan saraf konvolusi (CNN), seperti AlexNet, ResNet, dan YOLO.

Saat ini, teknologi AI generatif sedang mengambil teknik jaringan saraf satu langkah lebih lanjut, memungkinkannya untuk unggul dalam berbagai domain AI. Misalnya, jaringan saraf yang digunakan untuk tugas pemrosesan bahasa alami (seperti ringkasan teks, pertanyaan jawaban, dan terjemahan) dikenal sebagai transformer. Model transformer yang terkenal termasuk BERT, GPT-4, dan T5. Model ini membawa dampak pada industri yang beragam, mulai dari kesehatan, ritel, pemasaran, keuangan, dan lain-lain.

Apakah Kita Masih Membutuhkan Algoritma Machine Learning Tradisional?

Sementara jaringan saraf dan varian modernnya seperti transformer telah mendapatkan banyak perhatian, metode machine learning tradisional tetap penting. Mari kita lihat mengapa mereka masih relevan.

1. Persyaratan Data yang Lebih Sederhana

Jaringan saraf memerlukan dataset besar untuk pelatihan, sedangkan model machine learning dapat mencapai hasil yang signifikan dengan dataset yang lebih kecil dan sederhana. Oleh karena itu, machine learning lebih disukai daripada deep learning untuk dataset terstruktur yang lebih kecil dan sederhana.

2. Kesederhanaan dan Interpretabilitas

Model machine learning tradisional dibangun di atas model statistik dan probabilitas yang lebih sederhana. Misalnya, garis terbaik dalam regresi linear membangun hubungan input-output menggunakan metode least squares, sebuah operasi statistik.

Demikian pula, pohon keputusan menggunakan prinsip probabilistik untuk mengklasifikasikan data. Penggunaan prinsip seperti ini menawarkan interpretabilitas dan membuatnya lebih mudah bagi praktisi AI untuk memahami cara kerja algoritma machine learning.

Arsitektur jaringan saraf modern seperti transformer dan model difusi (biasanya digunakan untuk generasi gambar seperti Stable Diffusion atau Midjourney) memiliki struktur jaringan yang kompleks dan berlapis-lapis. Memahami jaringan seperti ini memerlukan pemahaman tentang konsep matematika yang canggih. Itulah sebabnya mereka juga disebut sebagai ‘Kotak Hitam’.

3. Efisiensi Sumber Daya

Jaringan saraf modern seperti Large Language Models (LLM) dilatih pada cluster GPU yang mahal sesuai dengan kebutuhan komputasional mereka. Misalnya, GPT4 dilaporkan dilatih pada 25000 Nvidia GPU selama 90 hingga 100 hari.

Namun, perangkat keras yang mahal dan waktu pelatihan yang lama tidak memungkinkan untuk setiap praktisi atau tim AI. Di sisi lain, efisiensi komputasional dari algoritma machine learning tradisional memungkinkan praktisi untuk mencapai hasil yang bermakna bahkan dengan sumber daya yang terbatas.

4. Tidak Semua Masalah Memerlukan Deep Learning

Deep Learning bukanlah solusi mutlak untuk semua masalah. Beberapa skenario ada di mana machine learning lebih unggul daripada deep learning.

Misalnya, dalam diagnosis dan prognosis medis dengan data terbatas, algoritma machine learning untuk deteksi anomali seperti REMED memberikan hasil yang lebih baik daripada deep learning. Demikian pula, machine learning tradisional signifikan dalam skenario dengan kapasitas komputasi yang rendah sebagai solusi yang fleksibel dan efisien.

Utamanya, pemilihan model terbaik untuk setiap masalah tergantung pada kebutuhan organisasi atau praktisi dan sifat masalah yang dihadapi.

Machine Learning di 2023

Gambar yang dihasilkan menggunakan Leonardo AI

Di 2023, machine learning tradisional terus berkembang dan bersaing dengan deep learning dan AI generatif. Ini memiliki beberapa kegunaan di industri, terutama ketika menangani dataset terstruktur.

Misalnya, banyak Perusahaan Barang Konsumsi yang Bergerak Cepat (FMCG) menangani sejumlah besar data tabular yang mengandalkan algoritma machine learning untuk tugas kritis seperti rekomendasi produk yang dipersonalisasi, optimasi harga, pengelolaan inventori, dan optimasi rantai pasokan.

Lebih lanjut, banyak model visi dan bahasa masih berbasis pada teknik tradisional, menawarkan solusi dalam pendekatan hibrida dan aplikasi yang muncul. Misalnya, sebuah studi baru berjudul “Apakah Kita Benar-Benar Membutuhkan Model Deep Learning untuk Peramalan Seri Waktu?” telah membahas bagaimana pohon regresi boosting gradient (GBRTs) lebih efisien untuk peramalan seri waktu daripada jaringan saraf dalam.

Interpretabilitas machine learning tetap sangat berharga dengan teknik seperti SHAP (Shapley Additive Explanations) dan LIME (Local Interpretable Model-agnostic Explanations). Teknik ini menjelaskan model machine learning yang kompleks dan memberikan wawasan tentang prediksi mereka, sehingga membantu praktisi machine learning memahami model mereka dengan lebih baik.

Akhirnya, machine learning tradisional tetap menjadi solusi yang kuat untuk berbagai industri yang menangani skalabilitas, kompleksitas data, dan keterbatasan sumber daya. Algoritma ini tidak dapat digantikan untuk analisis data dan pemodelan prediktif dan akan terus menjadi bagian dari arsenal ilmuwan data.

Jika topik seperti ini menarik bagi Anda, jelajahi Unite AI untuk mendapatkan wawasan lebih lanjut.