karakteristik Artificial Intelligence 2

Karakteristik Utama AI

Berikut adalah 3 karakteristik utama AI kerangka kerja yang berkontribusi besar pada Kecerdasan Buatan.

1. Rekayasa Fitur

Ekstraksi fitur adalah proses mengidentifikasi set nominal yang tepat dari atribut atau fitur dari dataset informasi yang di berikan. Performanya sangat tergantung pada pemilihan set fitur yang benar, bukan yang salah.

2. Jaringan saraf tiruan

Jaringan saraf tiruan (JST) juga dikenal sebagai jaringan saraf (NNS) didasarkan pada kumpulan node terhubung yang di kenal sebagai neuron buatan serta sel-sel otak manusia. Setiap koneksi mentransmisikan sinyal dari satu neuron ke neuron lain setelah memprosesnya. Dengan bantuan beberapa fungsi non-linier, output dari setiap neuron menghasilkan bilangan real untuk sinyal dalam koneksi. Koneksi juga disebut tepi. Neuron di tambahkan dalam lapisan yang berbeda untuk transformasi yang berbeda dengan bantuan algoritma.

Sinyal biasanya bergerak dari lapisan pertama ke lapisan terakhir beberapa kali. Ada dua jenis jaringan, salah satunya adalah jaringan maju saraf, juga di kenal sebagai asiklik di mana sinyal hanya bergerak dari satu arah ke arah lain. Beberapa yang umum adalah perceptrones, perceptrones dari beberapa lapisan dan jaringan basis radio. Tipe kedua adalah jaringan saraf berulang yang memungkinkan opini dan ingatan kecil tentang peristiwa entri sebelumnya.

3. Pembelajaran mendalam

Dunia modern penuh dengan banyak data dan dengan bantuan pembelajaran mendalam, dunia digital menjadi tempat yang indah. Ini adalah teknik pembelajaran otomatis yang mengotomatiskan komputer untuk berpikir sebagai manusia. Arsitektur teknik ini mencakup beberapa lapisan tersembunyi antara lapisan input dan lapisan keluar di bandingkan dengan jaringan saraf tiruan. Dalam kerangka pembelajaran mendalam, lakukan karakteristik otomatis setelah ekstraksi bersama dengan pembelajaran klasifikasi. Ini telah meningkatkan kinerja banyak program secara signifikan, seperti visi komputer, klasifikasi gambar, pengenalan suara, dan lainnya. Meskipun arsitektur kompleks atau banyak lapisan tersembunyi. Kinerja model dapat di tingkatkan dengan GPU paralel berkinerja tinggi.

Misalnya, kendaraan otonom (mobil otonom seperti Tesla dalam mode pilot otomatis), di mana pembelajaran mendalam membantu membedakan antara tanda berhenti atau sinyal hijau dan membuat keputusan untuk mengemudi atau tidak mengemudi. Contoh lain adalah menyesuaikan makanan di jejaring sosial, pengenalan gambar, pengenalan teks online, dan banyak lagi.

 

Tinggalkan Komentar

Alamat email Anda tidak akan dipublikasikan.