Bisakah AI membuat Anda menjadi miliarder pada tahun 2025?

Penerapan praktis pembelajaran mendalam mungkin memerlukan lebih sedikit fokus pada kumpulan data raksasa, lebih pada cara contoh data pelatihan ditangani, kata Andrew Ng.

Bidang pembelajaran mendalam telah menderita dari apa yang mungkin Anda sebut kekeliruan Big Data, keyakinan bahwa semakin banyak data selalu merupakan hal yang baik. 

Mungkin sudah waktunya untuk fokus pada kualitas daripada hanya kuantitas. 

"Ada masalah yang sangat mendasar yang dihadapi banyak AI," kata Andrew Ng, pendiri dan CEO Landing AI, sebuah startup yang bekerja untuk menyempurnakan teknologi untuk penggunaan industri, dalam sebuah wawancara dengan ZDNet minggu ini.

"Banyak AI difokuskan untuk memaksimalkan jumlah kalori, yang bekerja hingga titik tertentu," katanya. 

"Dan terkadang Anda memiliki banyak data, tetapi ketika Anda memiliki kumpulan data kecil, itu lebih merupakan kualitas data daripada volume belaka."

Ng, yang menjalankan pengembangan sistem AI skala besar termasuk teknologi pengenalan suara ketika dia menjadi pendiri unit Google Brain di Google satu dekade lalu, sekarang memiliki mandat untuk membangun teknologi AI untuk digunakan oleh klien korporat untuk tujuan praktis, seperti inspeksi lantai pabrik.

Landing AI telah menerima pembiayaan $57 juta hingga saat ini dalam satu putaran pada November tahun lalu, dari McRock Capital Insight Partners, Taiwania Capital, Canada Pension Plan Investment Board, Intel Capital, Samsung Catalyst Fund, Far Eastern Group's DRIVE Catalyst, Walsin Lihwa, dan AI Fund.

Ng juga salah satu pendiri Coursera, perusahaan kurikulum online, dan profesor ilmu komputer di Universitas Stanford.

Kekeliruan Big Data berasal dari kebutuhan teknis bentuk pembelajaran mendalam AI untuk sampel besar dari domain penyelidikan tertentu. Pendekatan pembelajaran mendalam berfokus pada mendapatkan titik data yang cukup untuk menghindari apa yang disebut "over-fitting", di mana jaringan saraf yang semakin besar hanya akan menghafal data pelatihan.

Jika pembelajaran mendalam menghafal data pelatihan, itu gagal untuk menggeneralisasi tentang sifat data itu, yang umumnya merupakan kunci jaringan saraf yang berguna untuk membuat prediksi. 

Tetapi anggaran jutaan atau bahkan miliaran data tidak layak dalam beberapa konteks seperti sistem inspeksi manufaktur, di mana satu cacat dari satu juta bagian yang identik mungkin merupakan satu-satunya data tentang cacat manufaktur.

"Saya telah membangun sistem AI dari ratusan juta gambar," kata Ng, yang merupakan pendiri grup Google Brain Google, dan kepala ilmuwan di Baidu. "Teknik-teknik itu tidak benar-benar bekerja ketika Anda hanya memiliki 50 gambar," katanya. 

"Saya telah membangun sistem AI dari ratusan juta gambar" di Google dan sebagai kepala ilmuwan di Baidu. "Teknik-teknik itu tidak benar-benar bekerja ketika Anda hanya memiliki 50 gambar," katanya. 

Ng mengatakan Landing AI telah mampu mengembangkan model industri yang berguna untuk klien dengan sampel data yang relatif sedikit. 

"Daripada Big Data, kami harus fokus pada data yang baik," kata Ng.

Berbeda dengan pemikiran khas tentang Big Data, menggunakan ukuran sampel yang begitu kecil, dari lusinan, bukan jutaan contoh, dapat diterapkan.

"Saya telah berulang kali terkejut melihat seberapa baik kami bisa membuat jaringan saraf dilakukan hanya dengan 50 gambar jika Anda memastikannya memiliki 50 gambar yang sangat bagus," kata Ng. "Alat yang telah kami inovasi di Landing AI adalah, Anda hanya memiliki 50 gambar, jadi bagaimana Anda memberi label untuk mendorong kinerja terbaik hanya pada 50 gambar."

"Saya merasa seperti kami telah memecahkan resep" untuk menggunakan pembelajaran mendalam dalam manufaktur, katanya.

Dalam arti tertentu, kekeliruan Big Data dapat dianggap sebagai ekor yang mengibaskan anjing. Untuk menghindari over-fitting, semua perhatian dalam deep learning adalah tentang bagaimana membuat model deep learning, struktur program, beroperasi secara optimal. 

Sekarang, Ng berargumen untuk fokus yang lebih besar pada titik data apa yang paling penting, dan membuat model sesuai dengan itu.

"Resep yang dikembangkan orang-orang seperti saya dan banyak teman saya untuk membuat AI bekerja di perusahaan perangkat lunak konsumen tidak berhasil untuk perusahaan manufaktur dan banyak perusahaan lain," kata Ng. 

"Masalah mendasarnya adalah, jika Anda memiliki seratus miliar atau juta pengguna, Anda dapat membangun sistem AI monolitik; manufaktur adalah sesuatu yang berbeda."

"Dia adalah seorang guru," kata Ng dari pelopor visi komputer dan otomasi industri David L. Dechow.

Kebutuhannya banyak, banyak arsitektur, banyak jaringan saraf yang berbeda agar sesuai dengan data.

"Tantangan yang dihadapi bidang AI adalah bagaimana kita dapat membantu manufaktur membangun tidak hanya satu atau selusin model AI, tetapi untuk membantu 10.000 produsen yang berbeda untuk membangun 10.000 model AI yang berbeda karena setiap pabrik, setiap komponen membutuhkan modelnya sendiri." 

Tantangan bagi sebuah startup, tentu saja, adalah "bagaimana melakukannya tanpa saya mempekerjakan 10.000 insinyur." Pada hari-hari awal Landing AI — perusahaan ini didirikan pada tahun 2017 — Ng mengatakan dia "naif." 

"Pada hari-hari awal, kami melakukan banyak pekerjaan konsultasi, mencoba melakukan banyak penyesuaian sendiri, dan itu tidak berkembang." Ng percaya banyak startup AI mengalami masalah itu, menjadi perusahaan konsultan. 

Perusahaan berputar untuk membuat alat untuk membuat semua pelanggan tersebut melakukan penyesuaian. Hal yang sama, katanya, harus menjadi pendekatan dalam industri seperti perawatan kesehatan.

"Merekayasa data benar-benar menantang," kata Ng. "Saya pikir ada insinyur Ai berpengalaman yang telah melakukannya secara intuitif untuk waktu yang lama, tetapi membangun alat yang membuatnya cepat dan mudah bagi banyak orang untuk melakukannya dengan sukses, itu adalah tantangan teknis yang sangat mendalam."

Ng telah menyebarkan Injil dalam pembicaraan tentang penekanan baru pada kualitas, dan tentang bagaimana menyiapkan data untuk pendekatan pembelajaran mesin. 

Dia menyebut pandangannya "AI yang berpusat pada data."

Lebih lanjut tentang pemikiran Ng dapat dilihat dalam wawancara video pada bulan Maret.

Perusahaan pada hari Rabu mengumumkan telah mempekerjakan David L. Dechow, seorang pelopor di bidang teknologi visi komputer, yang sebelumnya adalah arsitek sistem visi utama untuk startup Integro Technologies.

Sebagian besar pekerjaan pembelajaran mesin yang telah dilakukan di industri selama bertahun-tahun adalah tentang menempatkan kamera di lantai pabrik untuk mengamati lini manufaktur, kata Ng. Dechow telah menjadi pelopor dalam pemindahan pengamatan ke pabrik, katanya. 

"Selama beberapa dekade, bahkan sebelum ledakan baru-baru ini dalam visi komputer, produsen telah menempatkan kamera di pabrik," kata Ng. "Kamera sangat baik dalam mengukur panjang suku cadang yang tepat, dan mendeteksi jenis cacat tertentu jika Anda dapat mengkodekan aturan untuk menentukan dengan tepat apa yang Anda cari."

Dengan sistem pembelajaran mendalam modern, tujuannya adalah untuk membuat AI yang jauh lebih fleksibel untuk deteksi cacat tanpa pendekatan berbasis aturan yang kaku. 

"Di dunia visi mesin, dan dunia otomasi industri, dia adalah seorang guru," kata Ng dari Dechow. "Generasi insinyur visi saat ini telah dilatih oleh David.

"Jika Anda bisa membawa satu orang dari bidang visi mesin, itu adalah dia," kata Ng.