Apa Itu Artificial Intelligence?

Artificial intelligence (AI) memungkinkan mesin untuk mereplikasi kemampuan pikir manusia. Dari pengembangan mobil self-driving hingga menjamurnya asisten pintar seperti Siri dan Alexa, AI adalah bagian yang berkembang dari kehidupan sehari-hari. Akibatnya, banyak perusahaan teknologi di berbagai industri berinvestasi dalam teknologi AI.

Apa itu Artificial Intelligence?

Artificial Intelligence adalah cabang luas dari ilmu komputer yang berkaitan dengan membangun mesin pintar yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia.

Bagaimana AI Bekerja?

Apa Itu AI?

Kurang dari satu dekade setelah membantu pasukan Sekutu memenangkan Perang Dunia II dengan memecahkan Enigma mesin enkripsi Nazi, matematikawan Alan Turing mengubah sejarah untuk kedua kalinya dengan pertanyaan sederhana: “Bisakah mesin berpikir?”

Makalah Turing tahun 1950, Computing Machinery and Intelligence dan Turing Test berikutnya menetapkan tujuan dan visi dasar AI.

Pada intinya, AI adalah cabang ilmu komputer yang bertujuan untuk menjawab pertanyaan Turing secara afirmatif. Ini adalah upaya untuk mereplikasi atau mensimulasikan kecerdasan manusia dalam mesin.

Tujuan AI yang luas telah menimbulkan banyak pertanyaan dan perdebatan. Sedemikian rupa sehingga tidak ada definisi tunggal bidang yang diterima secara universal.

Bisakah mesin berpikir?

Alan Turing, 1950

Mendefinisikan AI

Keterbatasan utama dalam mendefinisikan AI hanya sebagai membuat mesin yang cerdas adalah bahwa AI tidak benar-benar menjelaskan apa itu AI dan apa yang membuat mesin menjadi cerdas. AI adalah ilmu interdisipliner dengan berbagai pendekatan, tetapi kemajuan dalam machine learning dan deep learning menciptakan perubahan paradigma di hampir setiap sektor industri teknologi.

Dalam bukunya Artificial Intelligence: A Modern Approach, penulis Stuart Russell dan Peter Norvig mendekati konsep AI dengan menyatukan pekerjaannya di sekitar tema agen cerdas dalam mesin. Dengan pemikiran ini, AI adalah studi tentang agen yang menerima persepsi dari lingkungan dan melakukan tindakan.

Norvig dan Russell melanjutkan untuk mengeksplorasi empat pendekatan berbeda yang secara historis mendefinisikan bidang AI:

  • Berpikir secara manusiawi: meniru pikiran berdasarkan pikiran manusia
  • Berpikir secara rasional: meniru pemikiran berdasarkan penalaran logis
  • Bertindak secara manusiawi: bertindak dengan cara yang meniru perilaku manusia
  • Bertindak secara rasional: bertindak dengan cara yang dimaksudkan untuk mencapai tujuan tertentu

Dua ide pertama menyangkut proses berpikir dan penalaran, sementara yang lain berurusan dengan perilaku. Norvig dan Russell fokus terutama pada agen rasional yang bertindak untuk mencapai hasil terbaik, mencatat semua keterampilan yang dibutuhkan untuk Turing Test juga memungkinkan agen untuk bertindak secara rasional.

Mantan profesor AI dan ilmu komputer MIT Patrick Winston mendefinisikan AI sebagai algoritme yang diaktifkan oleh kendala, diekspos oleh representasi yang mendukung model yang ditargetkan pada loop yang mengikat pemikiran, persepsi dan tindakan bersama-sama.

Meskipun definisi ini mungkin tampak abstrak bagi kebanyakan orang, definisi ini membantu memfokuskan bidang ini sebagai bidang ilmu komputer dan memberikan cetak biru untuk memasukkan mesin dan program dengan ML dan subset AI lainnya.

Empat Jenis AI

AI dapat dibagi menjadi empat kategori, berdasarkan jenis dan kompleksitas tugas yang dapat dilakukan sistem. Misalnya, pemfilteran spam otomatis termasuk dalam kelas AI yang paling dasar, sementara potensi mesin yang lebih jauh yang dapat memahami pikiran dan emosi orang adalah bagian dari subset AI yang sama sekali berbeda.

Apa saja empat jenis AI ini?

  • Reactive Machines: mampu merasakan dan bereaksi terhadap dunia di depannya saat melakukan tugas terbatas
  • Limited Memory: dapat menyimpan data dan prediksi masa lalu untuk menginformasikan prediksi tentang apa yang mungkin terjadi selanjutnya
  • Theory of Mind: mampu membuat keputusan berdasarkan persepsinya tentang bagaimana perasaan orang lain dan membuat keputusan
  • Self-Awareness: mampu beroperasi dengan kesadaran tingkat manusia dan memahami keberadaannya sendiri

Reactive Machines

Reactive machines mengikuti prinsip AI yang paling dasar, dan seperti namanya, hanya mampu menggunakan kecerdasannya untuk melihat dan bereaksi terhadap dunia di depannya. Reactive machines tidak dapat menyimpan memori, dan akibatnya, tidak dapat mengandalkan pengalaman masa lalu untuk menginformasikan pengambilan keputusan secara realtime.

Memahami dunia secara langsung berarti bahwa reactive machines dirancang untuk menyelesaikan hanya sejumlah tugas khusus yang terbatas. Namun, mempersempit pandangan dunia reactive machines secara sengaja bukanlah tindakan pemotongan biaya apapun, dan sebaliknya berarti bahwa jenis AI ini akan lebih dapat dipercaya dan dapat diandalkan – akan bereaksi dengan cara yang sama terhadap rangsangan yang sama setiap saat.

Contoh terkenal dari reactive machine adalah Deep Blue, yang dirancang oleh IBM pada 1990-an sebagai superkomputer yang bermain catur dan mengalahkan grandmaster internasional Gary Kasparov dalam sebuah permainan. Deep Blue hanya mampu mengidentifikasi bidak-bidak di papan catur dan mengetahui bagaimana setiap gerakan berdasarkan aturan catur, mengenali posisi masing-masing bidak saat ini dan menentukan langkah apa yang paling logis pada saat ini. Komputer tidak mengejar gerakan potensial di masa depan oleh lawannya atau mencoba menempatkan bagiannya sendiri di posisi yang lebih baik. Setiap giliran dipandang sebagai realitasnya sendiri, terpisah dari gerakan lain yang dibuat sebelumnya.

Contoh lain dari reactive machine bermain game adalah Google AlphaGo. AlphaGo juga tidak mampu mengevaluasi gerakan di masa depan tetapi bergantung pada jaringan sarafnya sendiri untuk mengevaluasi perkembangan game saat ini, memberikan keunggulan atas Deep Blue dalam game yang lebih komplek. AlphaGo juga mengalahkan pesaing game kelas dunia, mengalahkan pemain juara Go Lee Sedol pada tahun 2016.

Meskipun cakupannya terbatas dan tidak mudah diubah, AI reactive machine dapat mencapai tingkat kerumitan, dan menawarkan keandalan saat dibuat untuk memenuhi tugas yang berulang.

Limited Memory

Limited memory AI memiliki kemampuan untuk menyimpan data dan prediksi sebelumnya saat mengumpulkan informasi dan menimbang keputusan potensial – pada dasarnya melihat ke masa lalu untuk mencari petunjuk tentang apa yang mungkin terjadi selanjutnya. AI limited memory lebih komplek dan menghadirkan kemungkinan yang lebih besar daripada reactive machines.

AI limited memory dibuat saat tim terus melatih model tentang cara menganalisis dan memanfaatkan data baru atau lingkungan AI dibangun sehingga model dapat dilatih dan diperbarui secara otomatis.

Saat menggunakan AI limited memory dalam ML, enam langkah harus diikuti: data pelatihan harus dibuat, model ML harus dibuat, model harus dapat membuat prediksi, model harus dapat menerima umpan balik manusia atau lingkungan, umpan balik ini harus disimpan sebagai data dan langkah-langkah ini harus diulang sebagai siklus.

Ada tiga model ML utama yang menggunakan AI limited memory :

  • Reinforcement learning, yang belajar membuat prediksi yang lebih baik, melalui coba-coba berulang
  • Long short term memory (LSTM), yang memanfaatkan data masa lalu untuk membantu memprediksi item berikutnya secara berurutan. LSTM melihat informasi yang lebih baru sebagai yang paling penting ketika membuat prediksi dan mengabaikan data dari masa lalu, meskipun masih menggunakannya untuk membuat kesimpulan
  • Evolutionary generative adversarial networks (E-GAN), yang berkembang dari waktu ke waktu, tumbuh untuk mengeksplorasi jalur yang sedikit dimodifikasi berdasarkan pengalaman sebelumnya dengan setiap keputusan baru. Model ini terus-menerus mengejar jalur yang lebih baik dan menggunakan simulasi dan statistik, atau peluang, untuk memprediksi hasil sepanjang siklus mutasi evolusionernya

Theory of Mind

Theory of mind hanya teoretis. Kita belum mencapai kemampuan teknologi dan ilmiah yang diperlukan untuk mencapai level AI berikutnya ini.

Konsep tersebut didasarkan pada premis psikologis pemahaman bahwa makhluk hidup lain memiliki pikiran dan emosi yang memengaruhi perilaku diri seseorang. Dalam hal mesin AI, ini berarti AI dapat memahami bagaimana perasaan manusia, hewan dan mesin lain dan membuat keputusan melalui refleksi dan tekad diri, dan kemudian akan memanfaatkan informasi ini untuk membuat keputusan sendiri. Pada dasarnya, mesin harus mampu memahami dan memproses konsep pikiran, fluktuasi emosi dalam pengambilan keputusan dan serangkaian konsep psikologis lainnya secara realtime, menciptakan hubungan dua arah antara manusia dan AI.

Self-awareness

Setelah Theory of Mind dapat ditetapkan, suatu saat jauh ke masa depan AI, langkah terakhir adalah AI menjadi sadar diri. Jenis AI ini memiliki kesadaran tingkat manusia dan memahami keberadaannya sendiri di dunia, serta kehadiran dan keadaan emosional orang lain. Ini akan dapat memahami apa yang mungkin dibutuhkan orang lain tidak hanya berdasarkan apa yang dikomunikasikan kepadanya tetapi bagaimana mengomunikasikannya.

Self-awareness dalam AI bergantung pada peneliti manusia yang memahami premis kesadaran dan kemudian mempelajari cara mereplikasinya sehingga dapat dibangun ke dalam mesin.

Mengapa AI Penting?

AI memiliki banyak kegunaan – mulai dari meningkatkan pengembangan vaksin hingga mengotomatiskan deteksi potensi penipuan.

Aktivitas pasar swasta AI mencapai rekor tahun 2021, menurut CB Insights, dengan pendanaan global naik 108% dibandingkan tahun 2020. Karena adopsi yang cepat, AI membuat gelombang di berbagai industri.

Laporan Business Insider Intelligence tahun 2022 tentang AI di perbankan menemukan lebih dari setengah perusahaan jasa keuangan sudah menggunakan solusi AI untuk manajemen risiko dan pendapatan. Penerapan AI di perbankan dapat menghasilkan penghematan hingga $400 miliar.

Sedangkan untuk obat-obatan, laporan World Health Organization tahun 2021 mencatat bahwa meskipun mengintegrasikan AI ke dalam bidang perawatan kesehatan memiliki tantangan, teknologi tersebut sangat menjanjikan, karena dapat menghasilkan manfaat seperti kebijakan kesehatan yang lebih terinformasi dan peningkatan akurasi dalam mendiagnosis pasien.

AI juga telah memiliki nilai pada hiburan. Pasar global untuk AI di media dan hiburan diperkirakan mencapai $99.48 miliar pada tahun 2030, tumbuh dari nilai $10.87 miliar pada tahun 2021, menurut Grand View Research. Ekspansi ini mencakup penggunaan AI seperti mengenali plagiarisme dan mengembangkan grafik definisi tinggi.

Pro dan Kontra Artificial Intelligence

Sementara AI tentu saja dipandang sebagai aset yang penting dan berkembang dengan cepat, bidang yang baru muncul ini hadir dengan bagian kelemahannya.

Pew Research Center mensurvei 10.260 orang Amerika pada tahun 2021 tentang sikapnya terhadap AI. Hasilnya ditemukan 45% responden sama-sama bersemangat dan prihatin, dan 37% lebih khawatir daripada bersemangat. Selain itu, lebih dari 40% responden mengatakan menganggap mobil tanpa pengemudi buruk bagi masyarakat. Namun gagasan menggunakan AI untuk mengidentifikasi penyebaran informasi palsu di media sosial lebih diterima dengan baik, dengan hampir 40% dari yang disurvei menyebutnya sebagai ide yang bagus.

AI adalah keuntungan untuk meningkatkan produktivitas dan efisiensi sementara pada saat yang sama mengurangi potensi kesalahan manusia, tetapi ada kerugian seperti biaya pengembangan dan kemungkinan mesin otomatis untuk menggantikan pekerjaan manusia.

Bagaimana AI Digunakan?

Saat berbicara kepada orang banyak di Japan AI Experience pada tahun 2017, CEO DataRobot Jeremy Achin memulai pidatonya dengan memberikan definisi berikut tentang bagaimana AI digunakan saat ini:

“AI adalah sistem komputer yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia. Banyak dari sistem artificial intelligence ini didukung oleh machine learning, beberapa di antaranya didukung oleh deep learning dan beberapa di antaranya didukung oleh hal-hal yang sangat membosankan seperti aturan.”

AI umumnya berada di bawah dua kategori besar:

  • Narrow AI: kadang-kadang disebut sebagai Weak AI, jenis AI ini beroperasi dalam konteks terbatas dan merupakan simulasi kecerdasan manusia. Narrow AI sering difokuskan untuk melakukan satu tugas dengan sangat baik dan meskipun mesin ini mungkin tampak cerdas, mereka beroperasi di bawah batasan dan batasan yang jauh lebih banyak daripada kecerdasan manusia yang paling dasar sekalipun
  • Artificial General Intelligence (AGI): AGI, kadang-kadang disebut sebagai Strong AI, adalah jenis AI yang kita lihat di film – seperti robot dari Westworld atau karakter Data dari Star Trek: The Next Generation. AGI adalah mesin dengan kecerdasan umum, dan seperti halnya manusia, dapat menerapkan kecerdasan ini untuk memecahkan masalah apapun

Narrow Artificial Intelligence

Narrow AI, atau yang sering disebut Weak AI, ada di sekitar kita dan dengan mudah merupakan realisasi AI yang paling sukses hingga saat ini. Memiliki fungsi terbatas yang dapat membantu mengotomatisasi tugas-tugas tertentu.

Karena fokus ini, Narrow AI telah mengalami banyak terobosan dalam dekade terakhir yang memiliki manfaat sosial yang signifikan dan telah berkontribusi pada vitalitas ekonomi bangsa, menurut laporan tahun 2016 yang dirilis oleh pemerintahan Obama.

Contoh Artificial Intelligence: Narrow AI

  • Siri, Alexa dan smart assistant lainnya
  • Mobil self-driving
  • Pencarian Google
  • Bot percakapan
  • Filter spam email
  • Rekomendasi Netflix

Machine Learning dan Deep Learning

Sebagian besar Narrow AI didukung oleh terobosan dalam ML dan deep learning. Memahami perbedaan antara AI, ML dan deep learning dapat membingungkan. Kapitalis ventura Frank Chen memberikan gambaran yang baik tentang bagaimana membedakan di antaranya, dengan menekankan:

Artificial intelligence adalah seperangkat algoritme dan kecerdasan untuk mencoba meniru kecerdasan manusia. Machine learning adalah salah satunya, dan deep learning adalah salah satu teknik machine learning ini

Sederhananya, ML memberi makan komputer data dan menggunakan teknik statistik untuk membantunya belajar bagaimana menjadi lebih baik secara progresif dalam suatu tugas, tanpa diprogram secara khusus untuk tugas ini, menghilangkan kebutuhan akan jutaan baris kode tertulis. ML terdiri dari supervised learning (menggunakan kumpulan data berlabel) dan unsupervised learning (menggunakan kumpulan data tidak berlabel).

Deep learning adalah jenis ML yang menjalankan input melalui arsitektur jaringan saraf yang terinspirasi secara biologis. Jaringan saraf mengandung sejumlah lapisan tersembunyi di mana data diproses, memungkinkan mesin untuk masuk dalam pembelajarannya, membuat koneksi dan memberi bobot input untuk hasil terbaik.

Artificial General Intelligence

Penciptaan mesin dengan kecerdasan tingkat manusia yang dapat diterapkan pada tugas apapun adalah cawan suci bagi banyak peneliti AI, tetapi pencarian artificial general intelligence penuh dengan kesulitan.

Pencarian algoritme universal untuk belajar dan bertindak di lingkungan apapun, seperti yang dikatakan Russel dan Norvig, bukanlah hal baru. Berbeda dengan Weak AI, Strong AI mewakili mesin dengan kemampuan kognitif yang lengkap, tetapi waktu tidak mengurangi kesulitan untuk mencapai prestasi seperti ini.

AGI telah lama menjadi inspirasi fiksi ilmiah dystopian, di mana robot super cerdas menguasai umat manusia, tetapi para ahli setuju bahwa ini bukan sesuatu yang perlu kita khawatirkan dalam waktu dekat.

Timeline AI: Sejarah Artificial Intelligence

Robot cerdas dan makhluk buatan pertama kali muncul dalam mitos Yunani Kuno. Perkembangan silogisme Aristoteles dan penggunaan penalaran deduktifnya adalah momen kunci dalam pencarian manusia untuk memahami kecerdasannya sendiri. Meskipun akarnya panjang dan dalam, sejarah AI seperti yang kita pikirkan saat ini hanya berlangsung kurang dari satu abad. Berikut ini adalah sekilas beberapa peristiwa terpenting dalam AI.

1940an

(1942) Isaac Asimov menerbitkan Three Laws of Robotics, sebuah gagasan yang biasa ditemukan di media fiksi ilmiah tentang bagaimana artificial intelligence seharusnya tidak membahayakan manusia.

(1943) Warren McCullough dan Walter Pitts menerbitkan makalah A Logical Calculus of Ideas Immanent in Nervous Activity, yang mengemukakan model matematika pertama untuk membangun jaringan saraf.

(1949) Dalam bukunya The Organization of Behavior: A Neuropsychological Theory, Donald Hebb mengemukakan teori bahwa jalur saraf diciptakan dari pengalaman dan bahwa hubungan antar neuron menjadi lebih kuat semakin sering digunakan. Pembelajaran Hebbian terus menjadi model penting dalam AI.

1950an

(1950) Alan Turing menerbitkan makalah Computing Machinery and Intelligence, mengemukakan apa yang sekarang dikenal sebagai Turing Test, sebuah metode untuk menentukan apakah sebuah mesin cerdas.

(1950) Mahasiswa Harvard Marvin Minsky dan Dean Edmonds membangun SNARC, komputer jaringan saraf pertama.

(1950) Claude Shannon menerbitkan makalah Programming a Computer for Playing Chess.

(1952) Arthur Samuel mengembangkan program belajar mandiri untuk bermain catur.

(1954) Eksperimen terjemahan mesin Georgetown-IBM secara otomatis menerjemahkan 60 kalimat bahasa Rusia yang dipilih dengan cermat ke dalam bahasa Inggris.

(1956) Ungkapan artificial intelligence diciptakan di Dartmouth Summer Research Project on Artificial Intelligence. Dipimpin oleh John McCarthy, konferensi ini secara luas dianggap sebagai tempat kelahiran AI.

(1956) Allen Newell dan Herbert Simon mendemonstrasikan Logic Theorist (LT), program penalaran pertama.

(1958) John McCarthy mengembangkan bahasa pemrograman AI Lisp dan menerbitkan Programs with Common Sense, sebuah makalah yang mengemukakan Advice Taker hipotetis, sistem AI lengkap dengan kemampuan untuk belajar dari pengalaman seefektif manusia.

(1959) Allen Newell, Herbert Simon dan J.C. Shaw mengembangkan General Problem Solver (GPS), sebuah program yang dirancang untuk meniru pemecahan masalah manusia.

(1959) Herbert Gelernter mengembangkan program Geometry Theorem Prover.

(1959) Arthur Samuel menciptakan istilah machine learning saat berada di IBM.

(1959) John McCarthy dan Marvin Minsky mendirikan MIT Artificial Intelligence Project.

1960an

(1963) John McCarthy menjalankan AI Lab di Stanford.

(1966) Laporan Automatic Language Processing Advisory Committee (ALPAC) oleh pemerintah AS merinci kurangnya kemajuan dalam penelitian terjemahan mesin, sebuah inisiatif Perang Dingin utama dengan harapan terjemahan otomatis dan instan dari bahasa Rusia. Laporan ALPAC menyebabkan pembatalan semua proyek MT yang didanai pemerintah.

(1969) Sistem pakar pertama yang berhasil dikembangkan di DENDRAL, sebuah program XX, dan MYCIN, yang dirancang untuk mendiagnosis infeksi darah, dibuat di Stanford.

1970an

(1972) Bahasa pemrograman logika PROLOG dibuat.

(1973) Lighthill Report, yang merinci kekecewaan dalam penelitian AI, dirilis oleh pemerintah Inggris dan menyebabkan pemotongan besar-besaran dalam pendanaan untuk proyek AI.

(1974-1980) Frustasi dengan kemajuan pengembangan AI menyebabkan pengurangan besar DARPA dalam hibah akademik. Dikombinasikan dengan laporan ALPAC sebelumnya dan Lighthill Report tahun sebelumnya, pendanaan AI mengering dan penelitian terhenti. Periode ini dikenal sebagai First AI Winter.

1980an

(1980) Digital Equipment Corporations mengembangkan R1 (juga dikenal sebagai XCON), sistem pakar komersial pertama yang sukses. Dirancang untuk mengonfigurasi pesanan untuk sistem komputer baru, R1 memulai ledakan investasi dalam sistem pakar yang akan bertahan selama sebagian besar dekade, yang secara efektif mengakhiri First AI Winter.

(1982) Kementerian Perdagangan dan Industri Internasional Jepang meluncurkan proyek Fifth Generation Computer Systems yang ambisius. Tujuan FGCS adalah untuk mengembangkan kinerja seperti komputer super dan platform untuk pengembangan AI.

(1983) Menanggapi FGCS Jepang, pemerintah AS meluncurkan Strategic Computing Initiative untuk menyediakan penelitian yang didanai DARPA dalam komputasi canggih dan AI.

(1985) Perusahaan menghabiskan lebih dari satu miliar dolar setahun untuk sistem pakar dan seluruh industri yang dikenal sebagai pasar mesin Lisp bermunculan untuk mendukungnya. Perusahaan seperti Symbolics dan Lisp Machines Inc. membangun komputer khusus untuk dijalankan pada bahasa pemrograman AI Lisp.

(1987-1993) Ketika teknologi komputasi meningkat, alternatif yang lebih murah muncul dan pasar mesin Lisp runtuh pada tahun 1987, mengantarkan Second AI Winter. Selama periode ini, sistem pakar terbukti terlalu mahal untuk dipelihara dan diperbarui, akhirnya tidak disukai.

1990an

(1991) Pasukan AS mengerahkan DART, alat perencanaan dan penjadwalan logistik otomatis, selama Perang Teluk.

(1992) Jepang mengakhiri proyek FGCS pada tahun 1992, dengan alasan kegagalan dalam memenuhi tujuan ambisius yang digariskan satu dekade sebelumnya.

(1993) DARPA mengakhiri Strategic Computing Initiative pada tahun 1993 setelah menghabiskan hampir $1 miliar dan jauh dari harapan.

(1997) Deep Blue dari IBM mengalahkan juara catur dunia Gary Kasparov.

2000an

(2005) STANLEY, mobil self-driving, memenangkan DARPA Grand Challenge.

(2005) Militer AS mulai berinvestasi dalam robot otonom seperti Big Dog Boston Dynamics dan PackBot iRobot.

(2008) Google membuat terobosan dalam pengenalan suara dan memperkenalkan fitur di aplikasi iPhone-nya.

2010an

(2011) Watson IBM dengan mudah mengalahkan kompetisi di Jeopardy.

(2011) Apple merilis Siri, asisten virtual bertenaga AI melalui sistem operasi iOS-nya.

(2012) Andrew Ng, pendiri proyek Google Brain Deep Learning, menjalankan jaringan saraf menggunakan algoritme deep learning 10 juta video YouTube sebagai satu set pelatihan. Jaringan saraf belajar mengenali kucing tanpa diberi tahu apa itu kucing, mengantarkan era terobosan untuk jaringan saraf dan pendanaan deep learning.

(2014) Google membuat mobil self-driving pertama yang lulus tes mengemudi negara.

(2014) Alexa Amazon, perangkat home smart virtual, dirilis.

(2016) AlphaGo dari Google DeepMind mengalahkan juara dunia pemain Go Lee Sedol. Kompleksitas permainan China kuno dipandang sebagai rintangan utama yang harus diselesaikan dalam AI.

(2016) Warga robot pertama, robot humanoid bernama Sophia, dibuat oleh Hanson Robotics dan mampu mengenali wajah, komunikasi verbal dan ekpresi wajah.

(2018) Google merilis mesin pemrosesan bahasa alami BERT, mengurangi hambatan dalam terjemahan dan pemahaman oleh aplikasi ML.

(2018) Waymo meluncurkan layanan Waymo One, yang memungkinkan pengguna di seluruh wilayah metropolitan Phoenix untuk meminta penjemputan dari salah satu kendaraan self-driving perusahaan.

(2020) Baidu merilis algoritme AI LinearFold kepada tim ilmiah dan medis yang bekerja untuk mengembangkan vaksin selama tahap awal pandemi SARS-CoV-2. Algoritme ini mampu memprediksi urutan RNA virus hanya dalam 27 detik, 120 kali lebih cepat dari metode lain.

(2020) OpenAI merilis model pemrosesan bahasa alami GPT-3, yang mampu menghasilkan teks yang dimodelkan setelah cara orang berbicara dan menulis.

(2021) OpenAI dibangun di atas GPT-3 untuk mengembangkan DALL-E, yang mampu membuat gambar dari perintah teks.

(2022) National Institute of Standards and Technology merilis draf pertama AI Risk Management Framework-nya, panduan sukarela AS untuk mengelola risiko individu, organisasi dan masyarakat yang terkait dengan kecerdasan buatan yang lebih baik.

(2022) DeepMind memperkenalkan Gato, sistem AI yang dilatih untuk melakukan ratusan tugas, termasuk memainkan Atari, membuat teks gambar dan menggunakan lengan robot untuk menumpuk balok.

(Visited 9 times, 3 visits today)

Leave a Reply

Your email address will not be published.