1
Referensi 1
Artificial Intelligence
-- A Modern Approach
Fourth Edition, 2021
Stuart J. Russell and Peter Norvig
https://s.id/aima4
Chapter 1 - Introduction
2
Referensi 2
Artificial Intelligence
Teknik dan Aplikasinya
Sri Kusumadewi
Penerbit Graha Ilmu
Cetakan pertama, 2003
Bab 1 Pendahuluan
3
Tugas Awal
Apa definisi / pengertian
sistem cerdas (SC) / kecerdasan buatan (KB) (=artificial
intelligence, AI)?
Berikan contoh penerapan SC
4
Artificial Intelligence:
Inilah Hebatnya Kecerdasan Buatan
5
https://youtu.be/DLjuQuwfHlw
Kecerdasan Buatan
6
https://youtu.be/ySnfQGuCbSY
1. Pengantar
1.1 Apa itu AI?
1.2 Dasar-dasar Kecerdasan Buatan
1.3 Sejarah Kecerdasan Buatan
1.4 Pencapaian Tertinggi
1.5 Risiko dan Manfaat Sistem Cerdas
7
1. Pengantar
Di mana kami mencoba menjelaskan
mengapa kami menganggap kecerdasan buatan sebagai subjek yang
paling layak dipelajari, dan
di mana kami mencoba memutuskan apa sebenarnya kecerdasan buatan
itu,
ini adalah hal yang baik untuk diputuskan sebelum memulai.
AI saat ini mencakup berbagai macam subbidang, mulai dari yang umum (belajar, menalar,
persepsi, dan sebagainya) hingga yang khusus, seperti bermain catur, membuktikan
teorema matematika, menulis puisi, mengendarai mobil, atau mendiagnosis penyakit.
AI relevan dengan tugas intelektual apa pun; itu benar-benar bidang universal.
10
1.1 Apa itu AI?
(What Is AI?)
Apakah Sistem Cerdas / Kecerdasan Buatan itu?
Kecerdasan buatan atau kecerdasan artifisial atau artificial intelligence (AI)
merupakan salah satu bagian ilmu komputer yang membuat agar mesin
(komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh
manusia.
Pada awal diciptakannya komputer hanya difungsikan sebagai alat hitung saja.
Namun seiring dengan perkembangan jaman, maka peran komputer semakin
mendominasi kehidupan umat manusia.
Komputer tidak lagi hanya digunakan sebagai alat hitung, lebih dari itu, komputer
diharapkan untuk dapat diberdayakan untuk mengerjakan segala sesuatu yang
bisa dikerjakan oleh manusia.
11
1.1 Apa itu AI?
(What Is AI?)
Manusia bisa menjadi pandai dalam menyelesaikan segala per masalahan di dunia ini
karena manusia mempunyai pengetahuan dan pengalaman.
Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki
oleh seseorang tentu saja diharapkan akan lebih mampu dalam menyelesaikan
permasalahan.
Namun bekal pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan
penalaran, mengambil kesimpulan berdasar kan pengetahuan dan pengalaman yang
mereka miliki.
Tanpa memiiki kemampuan untuk menalar dengan baik, manusia dengan segudang
pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah dengan baik.
Demikian pula, dengan kemampuan menalar yang sangat baik, namun tanpa bekal
pengetahuan dan pengalaman yang memadai, manusia juga tidak akan bisa
menyelesaikan masalah dengan baik.
12
1.1 Apa itu AI?
(What Is AI?)
Agar komputer bisa bertindak seperti dan sebaik
manusia, maka komputer juga harus
diberi bekal pengetahuan, dan
mempunyai kemampuan untuk menalar.
Untuk itu pada bidang ilmu artificial intelligence, kita akan
mencoba untuk mempelajari beberapa metoda untuk
membekali komputer dengan kedua komponen tersebut agar
komputer bisa menjadi mesin yang pintar.
13
1.1 Apa itu AI?
(What Is AI?)
Lebih detilnya, pengertian kecerdasan buatan dapat dipandang
dari berbagai sudut pandang, antara lain
1. Sudut pandang kecerdasan
2. Sudut pandang penelitian
3. Sudut pandang bisnis
4. Sudut pandang pemrograman
14
1.1 Apa itu AI?
(What Is AI?)
1. Sudut pandang kecerdasan
Kecerdasan Buatan akan membuat mesin menjadi 'cerdas' (mampu berbuat seperti apa yang
dilakukan oleh manusia)
15
1.1 Apa itu AI?
(What Is AI?)
a. Mundane task
Persepsi (vision & speech)
Robot control
b. Formal task
Permainan/games
c. Expert task
Analisis finansial
Analisis medikal
16
1.1 Apa itu AI?
(What Is AI?)
3. Sudut pandang bisnis
Kecerdasan buatan adalah kumpulan peralatan yang sangat
powerfull dan metodologis dalam menyelesaikan masalah-
masalah bisnis.
20
1.1 Apa itu AI?
(What Is AI?)
1.1.1 Bertindak secara manusiawi: Pendekatan uji Turing
1.1.2 Berpikir secara manusiawi: Pendekatan pemodelan kognitif
1.1.3 Berpikir secara rasional: Pendekatan "hukum pemikiran"
1.1.4 Bertindak rasional: Pendekatan agen rasional
1.1.5 Mesin yang bermanfaat
21
1.1.1. Bertindak secara manusiawi:
Pendekatan uji Turing
Uji Turing (Turing test)
Pemrosesan bahasa alami (Natural language processing)
Representasi pengetahuan (Knowledge representation)
Penalaran otomatis (Automated reasoning)
Pembelajaran mesin (Machine learning)
Tes Turing Total (Total Turing test)
Visi computer (Computer vision)
Robotika (Robotics)
22
1.1.1. Bertindak secara manusiawi:
Pendekatan uji Turing
23
1.1.1. Bertindak secara manusiawi:
Pendekatan uji Turing
24
1.1.1. Bertindak secara manusiawi:
Pendekatan uji Turing
25
1.1.1. Bertindak secara manusiawi:
Pendekatan uji Turing
26
1.1.1. Bertindak secara manusiawi:
Pendekatan uji Turing
Keenam disiplin ilmu ini menyusun sebagian besar AI.
Namun peneliti AI telah mencurahkan sedikit upaya untuk lulus tes
Turing, percaya bahwa lebih penting untuk mempelajari prinsip-
prinsip yang mendasari kecerdasan.
Pencarian "penerbangan buatan" berhasil ketika para insinyur dan
penemu berhenti meniru burung dan mulai menggunakan terowongan
angin dan belajar tentang aerodinamika.
Teks-teks teknik penerbangan tidak mendefinisikan tujuan bidang
mereka sebagai membuat "mesin yang terbang persis seperti merpati
sehingga mereka dapat menipu bahkan merpati lain."
27
1.1.2. Berpikir secara manusiawi:
Pendekatan pemodelan kognitif
Introspeksi (Introspection)
Eksperimen psikologis (Psychological experiments)
Pencitraan otak (Brain imaging)
Ilmu kognitif (Cognitive science)
28
1.1.2. Berpikir secara manusiawi:
Pendekatan pemodelan kognitif
29
1.1.2. Berpikir secara manusiawi:
Pendekatan pemodelan kognitif
30
1.1.2. Berpikir secara manusiawi:
Pendekatan pemodelan kognitif
Pada hari-hari awal AI sering terjadi kebingungan antara pendekatan.
Seorang penulis akan berargumen bahwa suatu algoritma berkinerja baik pada suatu
tugas dan oleh karena itu merupakan model kinerja manusia yang baik, atau sebaliknya.
Penulis modern memisahkan dua jenis klaim; perbedaan ini memungkinkan AI dan ilmu
kognitif berkembang lebih cepat. Kedua bidang saling melengkapi, terutama dalam visi
komputer, yang menggabungkan bukti neurofisiologis ke dalam model komputasi.
Baru-baru ini, kombinasi metode neuroimaging yang dikombinasikan dengan teknik
pembelajaran mesin untuk menganalisis data tersebut telah menyebabkan awal dari
kemampuan untuk "membaca pikiran"—yaitu, untuk memastikan konten semantik dari
pikiran batin seseorang.
Kemampuan ini, pada gilirannya, dapat menjelaskan lebih lanjut tentang cara kerja
kognisi manusia.
31
1.1.3. Berpikir secara rasional:
Pendekatan "hukum pemikiran"
Silogisme (Syllogism)
Ahli logika (Logicist)
Kemungkinan (Probability)
32
1.1.3. Berpikir secara rasional:
Pendekatan "hukum pemikiran"
33
1.1.3. Berpikir secara rasional:
Pendekatan "hukum pemikiran"
34
1.1.4. Bertindak rasional: Pendekatan
agen rasional
Agen (Agent)
Agen rasional (Rational agent)
Lakukan hal yang benar (Do the right thing)
Model standar (Standard model)
Rasionalitas terbatas (Limited rationality)
35
1.1.4. Bertindak rasional: Pendekatan
agen rasional
36
1.1.4. Bertindak rasional: Pendekatan
agen rasional
Semua keterampilan yang diperlukan untuk tes Turing juga memungkinkan agen untuk bertindak
secara rasional. Representasi pengetahuan dan penalaran memungkinkan agen untuk
mencapai keputusan yang baik. Kita harus mampu menghasilkan kalimat yang dapat dipahami
dalam bahasa alami untuk bertahan dalam masyarakat yang kompleks. Kita perlu belajar tidak
hanya untuk pengetahuan, tetapi juga karena itu meningkatkan kemampuan kita untuk
menghasilkan perilaku yang efektif, terutama dalam keadaan yang baru.
Pendekatan agen rasional untuk AI memiliki dua keunggulan dibandingkan pendekatan
lainnya.
Pertama, ini lebih umum daripada pendekatan "hukum pemikiran" karena inferensi yang benar
hanyalah salah satu dari beberapa mekanisme yang mungkin untuk mencapai rasionalitas.
Kedua, lebih sesuai untuk pengembangan ilmiah. Standar rasionalitas didefinisikan dengan baik
secara matematis dan sepenuhnya umum. Kita sering dapat bekerja kembali dari spesifikasi ini
untuk mendapatkan desain agen yang terbukti mencapainya—sesuatu yang sebagian besar tidak
mungkin jika tujuannya adalah untuk meniru perilaku atau proses berpikir manusia.
37
1.1.4. Bertindak rasional: Pendekatan
agen rasional
38
1.1.4. Bertindak rasional: Pendekatan
agen rasional
39
1.1.5 Mesin yang bermanfaat
Masalah penyelarasan nilai (Value alignment problem)
Terbukti bermanfaat (Provably beneficial)
40
1.1.5 Mesin yang bermanfaat
Model standar telah menjadi panduan yang berguna untuk penelitian AI sejak awal, tetapi mungkin bukan
model yang tepat dalam jangka panjang. Alasannya adalah bahwa model standar mengasumsikan bahwa
kami akan memasok tujuan yang ditentukan sepenuhnya ke mesin.
Untuk tugas yang didefinisikan secara artifisial seperti catur atau komputasi jalur terpendek, tugas
tersebut dilengkapi dengan tujuan bawaan—sehingga model standar dapat diterapkan.
Namun, saat kita pindah ke dunia nyata, menjadi semakin sulit untuk menentukan tujuan secara lengkap
dan benar. Misalnya, dalam mendesain mobil self-driving, orang mungkin berpikir bahwa tujuannya
adalah untuk mencapai tujuan dengan selamat. Tetapi mengemudi di sepanjang jalan mana pun
menimbulkan risiko cedera karena pengemudi lain yang salah, kegagalan peralatan, dan sebagainya;
dengan demikian, tujuan keamanan yang ketat mengharuskan Anda tetap berada di garasi. Ada tawar-
menawar (tradeoff) antara membuat kemajuan menuju tujuan dan menimbulkan risiko cedera. Bagaimana
tradeoff ini harus dilakukan? Selanjutnya, sejauh mana kita dapat membiarkan mobil melakukan tindakan
yang akan mengganggu pengemudi lain? Berapa banyak mobil harus memoderasi akselerasi, kemudi,
dan pengeremannya untuk menghindari goncangan penumpang? Pertanyaan-pertanyaan semacam ini
sulit untuk dijawab secara apriori. Mereka sangat bermasalah di area umum interaksi manusia-robot, di
mana mobil self-driving adalah salah satu contohnya.
41
1.1.5 Mesin yang bermanfaat
42
1.1.5 Mesin yang bermanfaat
43
Kecerdasan Buatan vs
Pemrograman Konvensional
Dimensi Kecerdasan Buatan Pemrograman Konvensional
Pemrosesan Mengandung konsep- Algoritmik
konsep simbolik
Sifat input Bisa tidak lengkap Harus lengkap
Pencarian Kebanyakan bersifat Biasanya didasarkan
Heuristik pada algoritma
Keterangan Disediakan Biasanya tidak disediakan
Fokus Pengetahuan Data & informasi
Struktur Kontrol dipisahkan Kontrol terintegrasi
dari pengetahuan dengan informasi (data)
Sifat output Kuantitatif Kualitatif
Pemeliharaan & update Relatif mudah Sulit
Kemampuan menalar Ya Tidak 44
1.2. Dasar-Dasar Kecerdasan Buatan
Di bagian ini, kami memberikan sejarah singkat dari disiplin ilmu
yang menyumbangkan ide, sudut pandang, dan teknik untuk AI.
Seperti sejarah apapun, yang satu ini berkonsentrasi pada sejumlah
kecil orang, peristiwa, dan ide-ide dan mengabaikan orang lain
yang juga penting.
Kami mengatur sejarah di sekitar serangkaian pertanyaan.
Kami tentu tidak ingin memberi kesan bahwa pertanyaan-pertanyaan
ini adalah satu-satunya yang dibahas oleh disiplin ilmu atau bahwa
semua disiplin telah bekerja menuju AI sebagai hasil akhir mereka.
45
1.2. Dasar-Dasar Kecerdasan Buatan
1.2.1. Filsafat
1.2.2. Matematika
1.2.3. Ekonomi
1.2.4. Ilmu saraf
1.2.5. Psikologi
1.2.6. Teknik Komputer
1.2.7. Teori kontrol dan sibernetika
1.2.8. Ilmu bahasa
46
1.2. Dasar-Dasar Kecerdasan Buatan
47
48
1.2.1. Filsafat
Dualisme (Dualism)
Empirisme (Empiricism)
Induksi (Induction)
Positivisme logis (Logical positivism)
Kalimat observasi (Observation sentence)
Teori konfirmasi (Confirmation theory)
Kegunaan (Utility)
Utilitarianisme (Utilitarianism)
Etika deontologis (Deontological ethics)
49
1.2.1. Filsafat
Dapatkah aturan formal digunakan untuk menarik kesimpulan
yang valid?
Bagaimana pikiran muncul dari otak fisik?
Dari mana asal pengetahuan?
Bagaimana pengetahuan mengarah pada tindakan?
50
1.2.1. Filsafat
Aristoteles (384–322 SM) adalah orang pertama yang merumuskan seperangkat hukum yang tepat yang
mengatur bagian rasional dari pikiran. Dia mengembangkan sistem silogisme informal untuk penalaran yang
tepat, yang pada prinsipnya memungkinkan seseorang untuk menghasilkan kesimpulan secara mekanis, mengingat
premis awal.
Ramon Llull (c. 1232-1315) merancang sistem penalaran yang diterbitkan sebagai Ars Magna atau The Great Art
(1305). Llull mencoba menerapkan sistemnya menggunakan perangkat mekanis yang sebenarnya: satu set roda
kertas yang dapat diputar menjadi permutasi yang berbeda.
Sekitar tahun 1500, Leonardo da Vinci (1452-1519) merancang tetapi tidak membuat kalkulator mekanik;
rekonstruksi baru-baru ini telah menunjukkan desain menjadi fungsional. Mesin penghitung pertama yang diketahui
dibangun sekitar tahun 1623 oleh ilmuwan Jerman Wilhelm Schickard (1592–1635). Blaise Pascal (1623-1662)
membangun Pascaline pada tahun 1642 dan menulis bahwa "menghasilkan efek yang tampak lebih dekat ke
pikiran daripada semua tindakan hewan." Gottfried Wilhelm Leibniz (1646–1716) membangun perangkat mekanis
yang dimaksudkan untuk melakukan operasi pada konsep daripada angka, tetapi cakupannya agak terbatas. Dalam
bukunya tahun 1651 Leviathan, Thomas Hobbes (1588-1679) menyarankan gagasan mesin berpikir, "binatang
buatan" dalam kata-katanya, dengan alasan "Untuk apa jantung tapi pegas; dan saraf, tetapi begitu banyak senar;
dan persendiannya, tetapi begitu banyak roda.” Dia juga menyarankan bahwa penalaran itu seperti perhitungan
numerik: "Untuk 'alasan' . . . tidak lain adalah 'perhitungan', yaitu penambahan dan pengurangan.”
51
1.2.1. Filsafat
52
1.2.1. Filsafat
53
1.2.1. Filsafat
Elemen terakhir dalam gambaran filosofis tentang pikiran adalah hubungan antara pengetahuan dan
tindakan. Pertanyaan ini sangat penting untuk AI karena kecerdasan membutuhkan tindakan serta
penalaran. Selain itu, hanya dengan memahami bagaimana tindakan dibenarkan, kita dapat memahami
bagaimana membangun agen yang tindakannya dapat dibenarkan (atau rasional).
Aristoteles berpendapat (dalam De Motu Animalium) bahwa tindakan dibenarkan oleh hubungan logis
antara tujuan dan pengetahuan tentang hasil tindakan:
Tetapi bagaimana bisa terjadi bahwa pemikiran terkadang disertai dengan tindakan dan terkadang tidak,
terkadang dengan gerakan, dan terkadang tidak? Sepertinya hal yang hampir sama terjadi seperti dalam
kasus penalaran dan membuat kesimpulan tentang objek yang tidak berubah. Tetapi dalam kasus itu
akhirnya adalah proposisi spekulatif : : : sedangkan di sini kesimpulan yang dihasilkan dari dua premis
adalah suatu tindakan. : : : Saya butuh perlindungan; jubah adalah penutup. Aku butuh jubah. Apa yang
saya butuhkan, saya harus membuat; Aku butuh jubah. Aku harus membuat jubah. Dan kesimpulannya,
“Saya harus membuat jubah,” adalah sebuah tindakan.
54
1.2.1. Filsafat
Dalam Nicomachean Ethics (Buku III. 3, 1112b), Aristoteles lebih lanjut menguraikan topik ini,
menyarankan sebuah algoritma:
Kami berunding bukan tentang tujuan, tetapi tentang cara. Untuk dokter tidak mempertimbangkan
apakah ia akan menyembuhkan, atau orator apakah ia akan membujuk, : : : Mereka menganggap akhir
dan mempertimbangkan bagaimana dan dengan cara apa itu dicapai, dan jika tampaknya mudah dan
terbaik dihasilkan dengan demikian; sementara jika itu dicapai dengan satu cara saja mereka
mempertimbangkan bagaimana hal itu akan dicapai dengan ini dan dengan cara apa ini akan dicapai,
sampai mereka sampai pada penyebab pertama, : : : dan apa yang terakhir dalam urutan analisis
tampaknya pertama dalam urutan menjadi. Dan jika kita menemukan ketidakmungkinan, kita menyerah
pada pencarian, misalnya, jika kita membutuhkan uang dan ini tidak dapat diperoleh; tetapi jika sesuatu
tampak mungkin, kami mencoba melakukannya.
Algoritma Aristoteles diimplementasikan 2300 tahun kemudian oleh Newell dan Simon dalam program
Pemecah Masalah Umum mereka. Kami sekarang akan menyebutnya sistem perencanaan regresi
serakah (lihat Bab 11). Metode berdasarkan perencanaan logis untuk mencapai tujuan yang pasti
mendominasi beberapa dekade pertama penelitian teoretis di AI.
55
1.2.1. Filsafat
Berpikir murni dalam hal tindakan untuk mencapai tujuan seringkali berguna tetapi terkadang tidak dapat
diterapkan. Misalnya, jika ada beberapa cara berbeda untuk mencapai suatu tujuan, perlu ada beberapa
cara untuk memilih di antara mereka. Lebih penting lagi, mungkin tidak mungkin untuk mencapai tujuan
dengan pasti, tetapi beberapa tindakan masih harus diambil. Lalu bagaimana seharusnya seseorang
memutuskan? Antoine Arnauld (1662), menganalisis gagasan keputusan rasional dalam perjudian,
mengusulkan formula kuantitatif untuk memaksimalkan nilai moneter yang diharapkan dari hasil.
Kemudian, Daniel Bernoulli (1738) memperkenalkan gagasan utilitas yang lebih umum untuk menangkap
nilai subjektif internal dari sebuah hasil. Gagasan modern tentang pengambilan keputusan rasional di
bawah ketidakpastian melibatkan memaksimalkan utilitas yang diharapkan, seperti yang dijelaskan dalam
Bab 15.
Dalam hal etika dan kebijakan publik, seorang pengambil keputusan harus mempertimbangkan
kepentingan banyak individu. Jeremy Bentham (1823) dan John Stuart Mill (1863) mempromosikan
gagasan utilitarianisme: bahwa pengambilan keputusan rasional berdasarkan memaksimalkan utilitas
harus berlaku untuk semua bidang aktivitas manusia, termasuk keputusan kebijakan publik yang dibuat
atas nama banyak individu. Utilitarianisme adalah jenis konsekuensialisme tertentu: gagasan bahwa apa
yang benar dan salah ditentukan oleh hasil yang diharapkan dari suatu tindakan.
56
1.2.1. Filsafat
Sebaliknya, Immanuel Kant, pada tahun 1785, mengusulkan teori etika
berbasis aturan atau deontologis, di mana "melakukan hal yang benar" tidak
ditentukan oleh hasil tetapi oleh hukum sosial universal yang mengatur
tindakan yang diperbolehkan, seperti "jangan berbohong ” atau ”jangan bunuh”.
Jadi, seorang utilitarian dapat mengatakan kebohongan putih jika kebaikan
yang diharapkan melebihi yang buruk, tetapi seorang Kantian tidak akan
melakukannya, karena berbohong pada dasarnya salah.
Mill mengakui nilai aturan, tetapi memahaminya sebagai prosedur
keputusan yang efisien yang disusun dari alasan prinsip pertama tentang
konsekuensi. Banyak sistem AI modern mengadopsi pendekatan ini dengan
tepat.
57
1.2.2. Matematika
Apa aturan formal untuk menarik kesimpulan yang valid?
Apa yang bisa dihitung?
Bagaimana kita bernalar dengan informasi yang tidak pasti?
58
1.2.3. Ekonomi
Bagaimana seharusnya kita mengambil keputusan untuk
memaksimalkan hasil?
Bagaimana seharusnya kita melakukan ini ketika orang lain
tidak setuju?
Bagaimana seharusnya kita melakukan ini ketika hasilnya
mungkin jauh di masa depan?
59
1.2.4. Ilmu saraf
Bagaimana otak memproses informasi?
60
61
1.2.5. Psikologi
62
1.2.6. Teknik Komputer
Bagaimana kita dapat membangun komputer yang efisien?
63
1.2.7. Teori kontrol dan sibernetika
Bagaimana artefak beroperasi di bawah kendali mereka sendiri?
Ktesibios dari Alexandria (sekitar 250 SM) membangun mesin pengontrol diri
pertama: jam air dengan regulator yang mempertahankan laju aliran konstan.
Tokoh sentral dalam penciptaan apa yang sekarang disebut disebut teori
kontrol adalah Norbert Wiener (1894–1964).
Teori kontrol modern, terutama cabang yang dikenal sebagai kontrol optimal
stokastik, memiliki tujuan desain sistem yang memaksimalkan fungsi tujuan
dari waktu ke waktu.
64
1.2.8. Ilmu bahasa
Bagaimana bahasa berhubungan dengan pemikiran?
Pada tahun 1957, B. F. Skinner menerbitkan Perilaku Verbal. Ini adalah
laporan komprehensif dan terperinci tentang pendekatan behavioris untuk
pembelajaran bahasa, yang ditulis oleh pakar terkemuka di lapangan.
Linguistik modern dan AI, kemudian, "lahir" pada waktu yang hampir
bersamaan, dan tumbuh bersama, berpotongan dalam bidang hibrida yang
disebut linguistik komputasional atau pemrosesan bahasa alami (natural
language processing, NLP)
65
1.3. Sejarah Kecerdasan Buatan
1.3.1 Lahirnya kecerdasan buatan (1943-1956)
1.3.2 Antusiasme awal, harapan besar (1952-1969)
1.3.3 Sebuah dosis realitas (1966-1973)
1.3.4 Sistem pakar (1969-1986)
1.3.5 Kembalinya jaringan saraf (1986-sekarang)
1.3.6 Penalaran probabilistik dan pembelajaran mesin (1987-sekarang)
1.3.7 Data besar (2001-sekarang)
1.3.8 Pembelajaran mendalam (2011-sekarang)
66
1.3.1 Lahirnya kecerdasan buatan
(1943-1956)
Pekerjaan pertama yang sekarang dikenal sebagai system
cerdas / kecerdasan buatan (artificial intelligent, AI)
dilakukan oleh Warren McCulloch dan Walter Pitts (1943).
Mereka menggunakan tiga sumber:
pengetahuan tentang fisiologi dasar dan fungsi neuron di otak;
analisis formal dari logika proposisional menurut Russell dan
Whitehead; dan
teori komputasi Turing.
67
1.3.1 Lahirnya kecerdasan buatan
(1943-1956)
68
1.3.2 Antusiasme awal, harapan besar
(1952-1969)
Tahun-tahun awal AI penuh dengan kesuksesan — dengan
cara yang terbatas.
Mengingat komputer primitif dan alat pemrograman saat itu
dan fakta bahwa hanya beberapa tahun sebelumnya
komputer dipandang sebagai hal yang dapat melakukan
aritmatika dan tidak lebih, adalah mengejutkan setiap kali
komputer melakukan sesuatu yang jauh pintar.
69
70
1.3.3 Sebuah dosis realitas (1966-1973)
Sejak awal, para peneliti AI tidak segan membuat prediksi keberhasilan yang
akan datang.
Pernyataan Herbert Simon pada tahun 1957 berikut sering dikutip:
Bukan tujuan saya untuk mengejutkan atau mengejutkan Anda — tetapi cara paling
sederhana yang dapat saya simpulkan adalah dengan mengatakan bahwa sekarang ada
di dunia mesin yang berpikir, yang belajar dan yang menciptakan.
Selain itu, kemampuan mereka untuk melakukan hal-hal ini akan meningkat dengan
cepat sampai — di masa depan yang terlihat — berbagai masalah yang mereka bisa
tangani akan menjadi koeksensif dengan rentang yang telah diterapkan pikiran manusia.
71
1.3.4 Sistem pakar (Expert systems)
(1969-1986)
Gambaran tentang penyelesaian masalah yang muncul selama dekade pertama penelitian
AI adalah tentang mekanisme pencarian tujuan umum yang mencoba merangkai langkah-
langkah penalaran elementer untuk menemukan solusi lengkap.
Pendekatan seperti itu disebut metode yang lemah (weak methods) karena, meskipun
secara umum, cara ini tidak meningkat untuk memberi solusi masalah yang besar atau yang
sulit.
Alternatif untuk metode yang lemah adalah menggunakan pengetahuan yang lebih kuat,
domain khusus yang memungkinkan langkah-langkah penalaran yang lebih besar dan lebih
mudah menangani kasus-kasus yang biasanya terjadi di bidang keahlian yang sempit.
72
1.3.4 Sistem pakar (Expert systems)
(1969-1986)
Sistem pakar komersial pertama yang berhasil, R1, mulai beroperasi di Digital
Equipment Corporation (McDermott, 1982).
Program ini membantu mengonfigurasi pesanan untuk sistem komputer baru;
pada 1986, itu menyelamatkan perusahaan sekitar $ 40 juta per tahun.
Pada tahun 1988, kelompok AI DECs memiliki 40 sistem pakar yang digunakan.
DuPont memiliki sistem pakar 100 digunakan dan 500 dalam pengembangan,
menghemat sekitar $ 10 juta per tahun.
Hampir setiap perusahaan besar AS memiliki grup AI sendiri dan menggunakan
atau menyelidiki sistem pakar.
73
1.3.5 Kembalinya jaringan saraf
(1986-sekarang)
Pada pertengahan 1980-an, setidaknya empat kelompok berbeda
menciptakan kembali algoritma pembelajaran propagasi balik yang
pertama kali ditemukan pada tahun 1969 oleh Bryson dan Ho.
74
1.3.6 Penalaran probabilistik dan
pembelajaran mesin (1987-sekarang)
Beberapa tahun terakhir telah terjadi revolusi dalam konten dan
metodologi kerja dalam kecerdasan buatan.
Sekarang lebih umum untuk membangun di atas teori yang ada
daripada mengusulkan yang baru, untuk mendasarkan klaim pada
teorema yang kukuh atau bukti eksperimental yang kuat daripada
pada intuisi, dan untuk menunjukkan relevansi dengan aplikasi
dunia nyata daripada hanya sekedar contoh.
75
1.3.6 Penalaran probabilistik dan
pembelajaran mesin (1987-sekarang)
Mungkin didorong oleh kemajuan dalam menyelesaikan sub-masalah AI, para
peneliti juga mulai melihat masalah “seluruh agen” lagi. Karya Allen Newell,
John Laird, dan Paul Rosenbloom pada SOAR (Newell, 1990; Laird et al., 1987)
adalah contoh paling terkenal dari arsitektur agen lengkap.
Salah satu lingkungan terpenting bagi agen cerdas adalah Internet.
Sistem AI telah menjadi sangat umum dalam aplikasi berbasis web sehingga
sufiks “-bot” telah memasuki bahasa sehari-hari. Selain itu, teknologi AI
mendasari banyak alat Internet, seperti mesin pencari, sistem rekomendasi,
dan agregator situs Web.
76
1.3.7 Data besar (Big Data)
(2001-sekarang)
Sepanjang 60 tahun sejarah ilmu komputer, penekanannya telah pada algoritma
sebagai subjek utama studi.
Ini benar karena meningkatnya ketersediaan sumber data yang sangat besar:
misalnya,
triliunan kata-kata bahasa Inggris dan
miliaran gambar dari Web (Kilgarriff dan Grefenstette, 2006); atau
milyaran pasangan basa dari urutan genomik (Collins et al., 2003).
77
1.3.7 Data besar (Big Data)
(2001-sekarang)
78
1.3.8 Pembelajaran mendalam (Deep
learning) (2011-sekarang)
79
Bidang Ilmu
Kecerdasan Buatan
80
https://medium.com/@sidereal/what-are-artificial-intelligence-machine-learning-and-deep-learning-2cec8e76a3f3
81
82
https://medium.com/@sidereal/what-are-artificial-intelligence-machine-learning-and-deep-learning-2cec8e76a3f3
https://towardsdatascience.com/clarity-around-ai-language-2dc16fdb6e82
83
Sub Bidang Sistem Cerdas
Jaringan Syaraf Tiruan (Neural Networks)
Komputasi Evalusioner (Evolutionary Computations)
Penglihatan (Vision)
Robotik (Robotics)
Sistem Pakar (Expert Systems)
Pemrosesan Suara (Speech Processing)
Pemrosesan Bahasa Alami
(Natural Language Processing)
Pemelajaran Mesin (Machine Learning)
84
1.4 Pencapaian Tertinggi AI
(The State of the Art)
Kendaraan robotic (robotic vehicles)
Penggerak berkaki (legged locomotion)
Perencanaan dan penjadwalan otonom
(autonomous planning and scheduling)
Mesin penerjemah (machine translation)
Pengenalan suara (speech recognition)
Rekomendasi (recommendations)
Bermain game (game playing)
Pemahaman gambar (image understanding)
Pengobatan (medicine)
Ilmu iklim (climate science)
85
86
1.5 Risiko dan Manfaat Sistem Cerdas
Senjata otonom yang mematikan (Lethal autonomous weapons)
Pengawasan dan persuasi (Surveillance and persuasion)
Pengambilan keputusan yang bias (Biased decision making)
Dampak pada pekerjaan (Impact on employment)
Aplikasi penting keselamatan (Safety-critical applications)
Keamanan cyber (Cybersecurity)
87
Ringkasan
Bab ini mendefinisikan AI dan menetapkan latar belakang budaya yang menjadi
dasar pengembangannya. Beberapa poin penting adalah sebagai berikut:
Orang yang berbeda mendekati AI dengan tujuan yang berbeda dalam pikiran.
Dua pertanyaan penting untuk ditanyakan adalah: Apakah Anda peduli dengan
pemikiran, atau perilaku? Apakah Anda ingin mencontoh manusia, atau
mencoba untuk mencapai hasil yang optimal?
Menurut apa yang kami sebut model standar, AI terutama berkaitan dengan
tindakan rasional. Agen cerdas yang ideal mengambil tindakan terbaik dalam
suatu situasi. Kami mempelajari masalah agen bangunan yang cerdas dalam
pengertian ini.
88
Ringkasan
Diperlukan dua penyempurnaan untuk gagasan sederhana ini: pertama,
kemampuan agen mana pun, manusia atau lainnya, untuk memilih tindakan
rasional dibatasi oleh kerumitan komputasi untuk melakukannya; kedua,
konsep mesin yang mengejar tujuan yang pasti perlu diganti dengan mesin
yang mengejar tujuan untuk memberi manfaat bagi manusia, tetapi tidak
pasti apa tujuan itu.
Filsuf (kembali ke 400 SM) membuat AI dapat dibayangkan dengan
menyarankan bahwa pikiran dalam beberapa hal seperti mesin, yang
beroperasi pada pengetahuan yang dikodekan dalam beberapa bahasa
internal, dan pemikiran itu dapat digunakan untuk memilih tindakan apa yang
akan diambil.
89
Ringkasan
Matematikawan menyediakan alat untuk memanipulasi pernyataan
kepastian logis serta tidak pasti, pernyataan probabilistik. Mereka juga
menetapkan dasar untuk memahami komputasi dan penalaran tentang
algoritma.
Para ekonom memformalkan masalah pengambilan keputusan yang
memaksimalkan utilitas yang diharapkan bagi pembuat keputusan.
Ahli saraf menemukan beberapa fakta tentang cara kerja otak dan cara otak
mirip dan berbeda dari komputer.
Psikolog mengadopsi gagasan bahwa manusia dan hewan dapat dianggap
sebagai mesin pengolah informasi. Ahli bahasa menunjukkan bahwa
penggunaan bahasa cocok dengan model ini.
90
Ringkasan
Insinyur komputer menyediakan mesin yang semakin canggih yang
memungkinkan aplikasi AI, dan insinyur perangkat lunak membuatnya lebih
berguna
Teori kontrol berkaitan dengan merancang perangkat yang bertindak secara
optimal berdasarkan umpan balik dari lingkungan. Awalnya, alat matematis
teori kontrol sangat berbeda dari yang digunakan dalam AI, tetapi bidangnya
semakin dekat.
Sejarah AI memiliki siklus kesuksesan, optimisme yang salah tempat, dan
mengakibatkan berkurangnya antusiasme dan pendanaan. Ada juga siklus
memperkenalkan pendekatan baru yang kreatif dan secara sistematis
menyempurnakan yang terbaik.
91
Ringkasan
AI telah jauh lebih matang dibandingkan dekade-dekade awal, baik secara
teoritis maupun metodologis. Ketika masalah yang ditangani AI menjadi lebih
kompleks, bidang ini beralih dari logika Boolean ke penalaran probabilistik,
dan dari pengetahuan buatan tangan ke pembelajaran mesin dari data. Hal ini
telah menyebabkan peningkatan kemampuan sistem nyata dan integrasi yang
lebih besar dengan disiplin ilmu lain.
Ketika sistem AI menemukan aplikasi di dunia nyata, menjadi penting untuk
mempertimbangkan berbagai risiko dan konsekuensi etis.
Dalam jangka panjang, kita menghadapi masalah sulit dalam mengendalikan
sistem AI super cerdas yang mungkin berkembang dengan cara yang tidak
terduga. Memecahkan masalah ini tampaknya memerlukan perubahan dalam
konsepsi kami tentang AI.
92