03 Aplikasi Industri
Tujuan utama AI adalah untuk membangun mesin cerdas yang dapat 1. Representasi
mencapai tugas tertentu, seperti bermain catur, tanpa melewati batas Ini adalah penggunaan bahasa struktur simbol yang meluas untuk
yang ditetapkan oleh ilmuwan komputer. ANN digunakan untuk mewakili pengetahuan umum tentang masalah yang menarik dan
melampaui batasan AI yang berorientasi pada tugas. JST membuat pengetahuan khusus tentang solusi masalah tersebut. Kejelasan
program komputer yang dapat menerima umpan balik dan menanggapi representasi simbolis AI membuka jalan bagi komunikasi manusia-mesin
suatu masalah melalui pembelajaran adaptif. Program-program ini dapat yang lebih mudah.
mengoptimalkan respons mereka dengan memecahkan masalah yang
sama berkali-kali dan menyesuaikan respons berdasarkan umpan balik 2. Penalaran
yang diterima setiap kali (Techopedia.com 2017). Penalaran mengacu pada kemampuan untuk
. Pembelajaran mesin adalah teknik AI yang memecahkan masalah.
memungkinkan mesin belajar dari data input
tanpa harus diprogram secara khusus (The
Scientist Magazine 2019). Tujuan AI adalah
pengembangan algoritme yang mengarahkan
mesin untuk melakukan tugas kognitif. Sistem 3. Belajar
AI harus mampu menyimpan pengetahuan, Elemen pembelajaran memperoleh beberapa informasi dari lingkungan
menerapkan pengetahuan ini untuk dan menggunakan informasi ini untuk meningkatkan komponen basis
memecahkan masalah, dan memperoleh pengetahuan dari proses pembelajaran mesin.
pengetahuan baru melalui pengalaman.
Pembelajaran Mesin
Machine Learning (ML) berkaitan dengan
proses pembangunan komputer yang dapat 1. Model ML sederhana terdiri dari empat elemen yang digambarkan
meningkatkan diri melalui pengalaman. Bidang pada Gambar 1. Lingkungan memasok informasi ke elemen
ML adalah dasar dari AI dan ilmu data, dan pembelajaran. Informasi ini diproses dan digunakan oleh elemen
terletak di persimpangan ilmu komputer dan pembelajaran untuk memastikan kemajuan dalam basis pengetahuan.
statistik. Pada tahap akhir, elemen kinerja melakukan tugasnya dengan
menggunakan basis pengetahuan. Informasi yang diterima oleh
Tujuan utama dari ML adalah untuk mengembangkan sistem komputer mesin biasanya tidak sempurna, sehingga unsur pembelajaran tidak
yang secara otomatis dapat meningkatkan diri melalui pengalaman. ML mengetahui detail informasi sebelumnya. Untuk alasan ini, mesin
juga berfokus pada bidang metode statistik komputasi dasar yang beroperasi dengan menebak sambil menerima "umpan balik" dari
melibatkan semua sistem pembelajaran. Disiplin ML telah muncul elemen kinerja. Saat mesin menerima umpan balik, ia mengevaluasi
sebagai cabang AI dan digunakan sebagai perangkat lunak praktis untuk keputusannya dan merevisinya jika diperlukan (Haykin 1998).
visi komputer, pengenalan suara, pemrosesan bahasa alami, dan kontrol
robot.
3 Diagnosa 5 Asosiasi
1 Visi Komputer 7 Prediksi
Medis Pembelajaran
4. Arbitrase
6 Klasifikasi
2 Pengenalan Statistik
Ucapan
Jaringan saraf Dua Metode Machine Learning
Jaringan saraf adalah salah satu
teknik yang digunakan dalam
penelitian ML yang memungkinkan
Jaringan Syaraf Tiruan dan
pemrosesan algoritma melalui node
yang saling berhubungan yang Pembelajaran Mendalam
disebut neuron buatan. Jaringan
saraf tiruan pertama diciptakan oleh
Marvin Minsky pada tahun 1951. Deep Learning Deep Learning
Struktur otak manusia menjadi
inspirasi bagi para peneliti untuk Deep learning (DL) adalah
teknik AI dan jenis pendekatan DL adalah jenis teknik ML
merancang JST. Pada tahun-tahun
ML yang mengarahkan sistem tertentu yang kekuatan dan
awal, pendekatan JST sangat
komputer untuk meningkatkan fleksibilitasnya berasal dari
terbatas, dan pendekatan lain di
dengan pengalaman dan data. kemampuannya untuk terus
bidang AI telah menarik lebih banyak
ML adalah satu-satunya cara belajar dari dunia fisik dan
perhatian. Dalam beberapa tahun
yang layak untuk membangun menggambarkan dunia ini
terakhir, ANN kembali ke panggung
sistem AI yang berhasil yang sebagai hierarki konsep
sebagai bentuk pendekatan ML yang
dapat beradaptasi dan bersarang. DL dulu dikenal
disebut deep learning (The Scientist
beroperasi di lingkungan dunia sebagai sibernetika pada tahun
Magazine 2019).
nyata yang kompleks. 1940-an-1960-an, dan
kemudian dikenal sebagai
Neuron koneksionisme pada 1980-an-
1990-an. Kemudian itu
Neuron adalah unit pemrosesan diciptakan sebagai
informasi dari jaringan saraf, dan pembelajaran yang mendalam
diperlukan untuk operasi jaringan saraf.
Tiga Elemen Model Neuronal
Satu set sinapsis atau tautan
penghubung Penambah
Masing-masing diidentifikasi Ini menjumlahkan sinyal input
dengan bobot atau kekuatannya yang diberi bobot oleh masing-
sendiri. Bobot sinaptik dari masing sinapsis neuron.
neuron buatan mungkin terletak
pada kisaran yang mencakup
nilai negatif dan positif. Pada
gambar di bawah ini, sinyal Xj
pada input sinaps j yang
terhubung ke neuron k dikalikan
dengan bobot sinaptik wkj.
Perusahaan berinvestasi dalam sistem otomatis dan robot untuk mengurangi kemacetan ini
dalam operasi gudang mereka. Upaya ini mencakup otomatisasi aliran material dan aliran
informasi
Kesimpulan dan Penelitian
Masa Depan AI bersama dengan teknologi
robotika adalah dua pendorong
penting transformasi digital.
Ketika para pemain sistem manufaktur
Abad 21 telah menjadi era menjadi otonom dan mandiri, efisiensi
transformasi digital disertai manufaktur dan produktivitas karyawan
dengan teknologi baru yang meningkat pesat. Otomasi industri
muncul. menyebabkan lahirnya gudang cerdas dan
sistem pengiriman. Banyak teknologi
Pabrik cerdas dan proses manufaktur pergudangan yang saling berhubungan
cerdas telah mengubah cara manufaktur yang mampu bekerja sama membentuk
tradisional menjadi pendekatan sistem pergudangan yang cerdas. Barang
manufaktur berbasis teknologi yang diterima, diidentifikasi, disortir, diatur, dan
memanfaatkan keunggulan teknologi. disiapkan untuk pengiriman secara otomatis
Digitalisasi manufaktur mengubah cara tanpa memerlukan operator manusia.
barang dibuat dan dikirimkan sekaligus Sistem ini mengotomatisasi seluruh operasi
meningkatkan efisiensi operasional (dari pemasok hingga pelanggan akhir)
pabrikan dan membuatnya lebih dengan biaya dan kesalahan minimal
menguntungkan. Ketika perusahaan sambil memberikan posisi pasar yang kuat
bergeser dari rantai pasokan yang dan keunggulan kompetitif bagi perusahaan
terorganisir secara linier ke operasi dengan meningkatkan daya tanggap
rantai pasokan yang saling berhubungan, pelanggan dan kualitas layanan mereka
proses manufaktur menjadi lebih dinamis
dan terkendali.
Thank You