Pengarang: Gaurav Sharma
Pembelajaran mesin
Gambar oleh: Nature.com
Machine Learning mengacu pada proses di mana komputer belajar dan mengubah operasinya berdasarkan pola yang diidentifikasi dalam sejumlah besar data. Ketika kita berpikir tentang pembelajaran mesin, kita memikirkan beberapa contoh terkenal. Misalnya, cara Amazon merekomendasikan produk sangat mirip dengan pencarian Google yang telah Anda lakukan. Jangkauan pembelajaran mesin jauh lebih luas daripada apa yang kita kenal dan amati dalam kehidupan kita sehari-hari.
Karena pembelajaran mesin adalah ilmu yang sangat muda, batas-batas penerapannya terus didorong keluar. Asisten pribadi virtual pernah menjadi barang fantasi, tetapi sekarang mereka dapat ditemukan di setiap rumah lainnya. Sementara beberapa contoh jelas, ada beberapa cara pembelajaran mesin memengaruhi kehidupan kita yang mungkin tidak Anda pertimbangkan.
PREDIKSI DAN DETEKSI GEMPA GEMPA
Pembelajaran mesin baru-baru ini digunakan untuk mendeteksi gelombang seismik dan mengevaluasi pola dari satu juta seismogram berlabel tangan menggunakan data yang dikumpulkan dan pembelajaran mesin. Lebih dari dua kali lebih banyak gempa bumi yang terdeteksi oleh algoritme dibandingkan oleh para ilmuwan. Para ilmuwan akan dapat mengidentifikasi gempa bumi dalam waktu dekat ketika sejumlah besar data telah dikumpulkan dan tren ditetapkan.
Karena sifat pembelajaran mesin, mungkin akan segera layak untuk meramalkan gempa bumi sebelumnya. Ini memiliki pengaruh besar pada pasukan manajemen bencana, perawatan kesehatan, petugas pemadam kebakaran, dan persiapan dan kesiapan responden darurat lainnya.
IDENTIFIKASI PAUS DI LAUT
Polusi suara bawah air menimbulkan bahaya serius bagi mamalia laut seperti paus. Pembelajaran mesin baru-baru ini ditemukan mampu memproses data akustik dan mengenali paus dengan andal. Peserta diundang untuk mengirimkan algoritma pembelajaran mesin terbaik mereka untuk mendeteksi suara tangisan paus dari rekaman audio dalam kompetisi yang diselenggarakan oleh Marinexplore dan Cornell University. Pengangkut kargo, agen, dan pihak berkepentingan lainnya dapat memanfaatkan informasi tersebut untuk merencanakan rute maritim dan menghindari kecelakaan jika paus ditemukan. Jejak kebisingan paus akan berkurang jika kapal dialihkan dari mereka.
Paus beluga di Cook Inlet terancam punah, dan pembelajaran mesin mungkin menjadi kunci untuk menyelamatkan mereka. Suara bawah air mengganggu kehidupan laut, dan gangguan yang dihasilkan dapat menyebabkan perubahan perilaku dan kerusakan fisiologis pada makhluk tersebut. Para ilmuwan dapat merencanakan pemulihan populasi paus ini dengan menggunakan algoritme untuk memahami pola paus secara tepat dan cepat.
PENGGUNAAN MEDIA SOSIAL UNTUK MENENTUKAN KESEHATAN JIWA
Kompetisi berusia 9 tahun mengarah pada gagasan bahwa sifat psikopat dapat dideteksi pada orang berdasarkan pola bahasa dan perilaku sosial mereka, yang keduanya dapat dianalisis menggunakan Twitter. Sebuah survei pengguna Reddit baru-baru ini dilakukan dengan cara yang sama. Algoritme belajar untuk mengidentifikasi orang dengan masalah kesehatan mental dengan mengumpulkan informasi dari posting pengguna di forum tertentu.
Sejak epidemi membuat kontak langsung menjadi tidak mungkin, penggunaan media sosial telah meledak dalam beberapa tahun terakhir. Selain peningkatan penggunaan media sosial, epidemi yang sedang berlangsung telah mengakibatkan peningkatan jumlah individu yang menderita kesehatan mental yang buruk. Akan sangat bermanfaat untuk mengembangkan metode untuk mengidentifikasi orang-orang yang berurusan dengan kesehatan mental mereka. Peneliti yang menggunakan pembelajaran mesin untuk mengevaluasi indikasi gangguan kesehatan mental dapat membagikan temuan mereka dengan bisnis, organisasi, dan orang-orang.
Ada aplikasi yang berbicara seperti manusia untuk membantu pengguna mengatasi kesepian dan meningkatkan kesehatan mental, seperti Replika. Bayangkan sebuah platform yang mendeteksi orang yang paling rentan berdasarkan posting media sosial mereka dan mengarahkan mereka ke aplikasi seperti Replika untuk intervensi awal.
INDUSTRI KECANTIKAN
Pembelajaran mesin sering disebutkan sebagai cara bagi konsumen untuk mengevaluasi bagaimana barang terlihat di kulit mereka dari kenyamanan rumah mereka sendiri. Produsen juga memanfaatkan teknologi ini untuk mengevaluasi barang saat masih dalam tahap pembuatan.
Pembelajaran mesin semakin banyak digunakan di sektor kecantikan untuk menghasilkan barang yang lebih hemat biaya dan tepat waktu. Teknologi yang sama sekarang digunakan untuk ‘objektif’ peringkat orang berdasarkan daya tarik mereka. Aplikasi yang melakukan penilaian ini mengharuskan individu untuk mengirimkan foto wajah mereka tanpa riasan dan membandingkannya dengan foto orang lain. Aspek-aspek seperti simetri, kerutan, lingkaran hitam, dan ketidaksempurnaan wajah semuanya diperhitungkan. Ini adalah pemikiran yang meresahkan, bukan hanya karena banyak individu yang sensitif tentang penampilan mereka, tetapi juga karena konsekuensi kesehatan mental dari dismorfia tubuh dan gangguan terkait lainnya.
Muncul pertanyaan: mengapa kita perlu mengurutkan orang berdasarkan penampilan fisiknya? Jika kita benar-benar berpikir bahwa “kecantikan ada di mata yang melihatnya”, maka algoritme yang membandingkan dan menganalisis orang dan penampilan mereka benar-benar meresahkan. Ini bertentangan dengan konsep bahwa kecantikan itu subjektif dan mungkin memiliki konsekuensi yang buruk bagi persepsi diri orang.
PREDIKSI CEDERA OLAHRAGA
Di sektor olahraga, sejumlah besar data dapat diakses untuk menganalisis kinerja pemain, tingkat keberhasilan, dan statistik lainnya. Salah satu aplikasi pembelajaran mesin yang paling menarik di sektor ini adalah bagaimana hal itu dapat digunakan oleh tim olahraga dan pelatih untuk mengantisipasi cedera. Sistem menganalisis data gerakan otot dan mendeteksi pola yang berulang, memungkinkan tim dan pelatih diberi tahu saat pola default terganggu.
Informasi ini berguna dalam perawatan pencegahan pemain. Tim olahraga akan menghemat jutaan dolar dalam pengeluaran medis, kehilangan pendapatan, dan biaya pemulihan sebagai akibat dari ini. Namun, sementara setiap atlet profesional menyadari bahaya cedera, memiliki algoritme yang memprediksi bahwa Anda akan terluka dalam jangka waktu ini (dengan asumsi akurasi tinggi) mungkin berdampak parah pada kesehatan mental dan kinerja pemain.
PEMBELAJARAN MESIN DI MASA DEPAN
Data diperlukan agar model pembelajaran mesin berfungsi. Bahkan algoritme yang paling berkinerja dapat dianggap tidak berharga tanpa dasar data pelatihan berkualitas tinggi. Memang, ketika model pembelajaran mesin dilatih pada data yang tidak memadai, tidak benar, atau tidak relevan pada tahap awal, mereka mungkin cacat. Dalam hal data pelatihan untuk pembelajaran mesin, pepatah lama “sampah masuk, sampah keluar” masih berlaku.
Blog ini menunjukkan bahwa pembelajaran mesin bersifat dinamis dan mudah beradaptasi. Aplikasinya menjangkau industri dan bahkan waktu. Pembelajaran mesin menjadi semakin penting sebagai akibat dari banyaknya data yang dapat diakses dan fakta bahwa ML berhasil mengumpulkan, menganalisis, dan menafsirkan data ini. Secara paralel, tantangan yang dapat dipecahkan oleh sektor TI menggunakan pembelajaran mesin menjadi semakin mengkhawatirkan. Sangat penting bagi kami untuk menggunakan kepala kami untuk menemukan aplikasi yang inovatif, relevan, dan etis untuk instrumen luar biasa yaitu pembelajaran mesin.
Contoh Pembelajaran Mesin Tidak Begitu Umum yang Menantang Pengetahuan Anda awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.
Diterbitkan melalui Menuju AI