Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
Achmad Benny Mutiara
Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma
SEKJEN-APTIKOM
2020
Strategi Nasional Kecerdasan Artifisial (KA), dan Penerapan KA, Machine Learning,
Deep Learning di Fisika
Strategi Nasional Kecerdasan Artifisial
StraNas KA 2020-2045
Strategi Nasional Kecerdasan Artifisial adalah arah kebijakan nasional yang
memuat area fokus dan bidang prioritas teknologi kecerdasan artifisial yang
sebagai acuan kementerian, lembaga, pemerintah daerah dan pemangku
kepentingan lainnya dalam melaksanakan kegiatan di bidang teknologi kecerdasan
artifisial di Indonesia.
4 Area Fokus dan 5 Bidang Prioritas
Kerangka Kerja StraNas KA 2020-2045
Kebutuhan SDM untuk Infrastruktur dan Data
Kebutuhan SDM untuk INFRASTUKTUR dan DATA
Arah Strategis Pembangunan KA Sektor Industri
Peran Aktor dari Sinergi Quad Helix Kori-KA
Proses Riset dan Inovasi Industri Kecerdasan Artifisial
Sumber Daya dan Enabler
Peta Aplikasi KA di Bidang Pendidikan
Peta Riset di Bidang KA
Program Percepatan KA
Program Percepatan KA
Pengantar Kecerdasan Artifisial (KA)
Apa itu Kecerdasan Artifisial (KA) ?
Studi tentang bagaimana melatih komputer sehingga komputer dapat melakukan hal-hal yang saat ini dapat dilakukan manusia dengan lebih baik.
Teori dan perkembangan sistem komputer yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia, seperti persepsi visual, pengenalan suara, pengambilan keputusan, terjemahan bahasa, dll.
KA adalah kemampuan program komputer atau mesin untuk berpikir dan belajar.
Cabang ilmu komputer yang menekankan pada pengembangan mesin kecerdasan, berpikir dan bekerja seperti manusia.
Lingkup Kecerdasan Artifisial (KA) dalam Konteks
Decision Support System (DSS)
Knowledge Mngt System (KMS)
Reinforcement Learning
Rule-based
Tiga Jenis Kecerdasan Artifisial (KA)
Artificial Narrow Intelligence (ANI) , berfokus pada satu tugas tertentu. Misalnya: mesin perjemahan mesin, mesin Q / A, pengambilan keputusan, dll.
Artificial General Intelligence (AGI) , akan dapat berpikir lebih atau kurang pada tingkat yang sama dengan manusia. Misalnya, pembelajaran mesin, pembelajaran mendalam. pembelajaran penguatan.
Artificial Super Intelligence (ASI) , akan memiliki kemampuan lebih dari manusia, mereka akan memiliki emosi dan hubungan (Human to Machine dan Machine to Human Touch).
Hubungan AI, DS, Big Data
Machine Learning (ML) dan Deep Learning sebagai Bagian dari KA
Deep Learning
Any techniques that enables computers to mimic human
intelligence
Application of AI that provides systems the
ability to learn
Application of AI that imitates the
process of human brain
Hubungan AI, ML, dan DL
Artificial intelligence (AI) vs Machine Learning (ML)
Artificial intelligence (AI)
“studi tentang bagaimana melatih komputer sehingga komputer dapat melakukan hal-hal yang saat ini dapat dilakukan manusia dengan lebih baik.”
Machine Learning (ML) sebagai Bagian dari AI
“ Pembelajaran di mana mesin dapat belajar sendiri tanpa diprogram secara eksplisit. Jadi ML ini adalah sebuah aplikasi”
Artificial intelligence (AI) Machine Learning (ML)
AI stands for Artificial intelligence, where intelligence is defined acquisition of knowledge intelligence is defined as a ability to acquire and apply knowledge.
ML stands for Machine Learning which is defined as the acquisition of knowledge or skill
The aim is to increase chance of success and not accuracy.
The aim is to increase accuracy, but it does not care about success
It work as a computer program that does smart work It is a simple concept machine takes data and learn from data.
The goal is to simulate natural intelligence to solve complex problem
The goal is to learn from data on certain task to maximize the performance of machine on this task.
AI is decision making. ML allows system to learn new things from data.
It leads to develop a system to mimic human to respond behave in a circumstances.
It involves in creating self learning algorithms.
AI will go for finding the optimal solution. ML will go for only solution for that whether it is optimal or not.
AI leads to intelligence or wisdom. ML leads to knowledge.
https://www.geeksforgeeks.org/difference-between-machine-learning-and-artificial-intelligence/
Machine Learning (ML) sebagai Bagian dari AI
Artificial Intelligence artinya mesin dapat melakukan tugas dengan cara yang "cerdas". Mesin ini tidak hanya diprogram untuk melakukan satu gerakan berulang - mereka dapat melakukan lebih banyak dengan beradaptasi dengan situasi yang berbeda.
Machine learning didasarkan pada gagasan bahwa kita dapat membuat mesin untuk memproses data dan belajar sendiri, tanpa pengawasan terus-menerus.
Machine learning mengacu pada jenis AI tertentu yang belajar dengan sendirinya. Dan karena mendapatkan lebih banyak data, ia menjadi lebih baik dalam belajar
Apa yang membuat ML menjadi mungkin?
Big Data (Kumpulan Data Besar)
Daya Komputasi
Munculnya Bahasa Statistik (Python, R, SAS, dll.)
Paket kemajuan Algoritma
Munculnya Platform dan Alat Perangkat Lunak
IoT untuk menangkap semua Jenis Data untuk menghasilkan Big Data
Broadband untuk menjamin Kecepatan Transfer Data
Teknologi Cloud, seseorang tidak harus memiliki TIK yang Canggih.
Kemampuan Penanganan Memori Besar
Zainal A. Hasibuan, 2020
Definisi ML: Revisi Mesin yang dapat belajar tanpa diprogram secara eksplisit.
Seseorang harus "mengajari" mesin tersebut terlebih dahulu.
Untuk "mengajarkan" mesin, mesin membutuhkan data, lebih disukai data besar.
Mesin dapat belajar dari yang telah diajarkan sebagai pengalaman.
Tetapkan tujuan pembelajaran mesin.
Pilih algoritma terbaik untuk menghitung input untuk mendapatkan tujuan.
Panduan Prinsip dari Machine Learning
Algoritme pembelajaran mesin dideskripsikan sebagai pembelajaran fungsi target (f) yang paling baik memetakan variabel input (X) ke variabel output (Y): Y = f (X).
Kita ingin membuat prediksi (Y) di masa depan dengan contoh baru dari variabel input (X).
Kita tidak tahu seperti apa fungsi (f) itu atau bentuknya. Jika kita tahu, kita akan menggunakannya secara langsung.
Pembelajaran mesin adalah mempelajari pemetaan Y = f (X) untuk membuat prediksi Y untuk X baru.
Fungsi vs. Algoritme
Fungsi Fungsi dalam Komputasi adalah tugas dasar komputer, terutama yang berhubungan
dengan satu instruksi dari pengguna.
Fungsi dalam matematika adalah hubungan atau ekspresi yang melibatkan satu variabel atau lebih.Algorithm
Algoritme adalah sekumpulan instruksi. Dalam pemrograman komputer, fungsi merupakan implementasi dari suatu algoritma.
Algoritme adalah serangkaian langkah (proses) untuk melakukan perhitungan, sedangkan fungsi adalah hubungan matematis antara parameter dan hasil.
Bagaimana Machine Learning Bekerja
Train Dataset, Labeling
10 Top Algoritme untuk Machine Learning
1. Linear Regression
2. Logistic Regression
3. Linear Discriminant Analysis
4. Classification and Regression Trees
5. Naive Bayes
6. K-Nearest Neighbors
7. Learning Vector Quantization
8. Support Vector Machines
9. Bagging and Random Forest
10. Boosting and AdaBoost
No Algorithm Objective
1 Linear Regression For prediction the trend
2 Logistic Regression For classification
3 Linear Discriminant Analysis For separation two or more classes of objects or events. For reducing dimension before classification.
4 Classification and Regression Trees For classification categorical data
5 Naive Bayes For classification
6 K-Nearest Neighbors For classification and regression in non-parametric, used similarity
7 Learning Vector Quantization For classification
8 Support Vector Machines For classification & regression
9 Bagging and Random Forest For classification, regression and other tasks of decision trees
10 Boosting and AdaBoost To create a strong classifier from a number of weak classifiers
10 Top Algoritme untuk Machine Learning
Proses Machine Learning / Deep Learning
Deep Learning Algorithms
Definisi Deep Learning Deep learning adalah jenis pembelajaran mesin dengan model belajar
dengan melakukan tugas-tugas klasifikasi langsung dari gambar, teks, atau suara.
Deep Learning biasanya diimplementasikan menggunakan arsitektur jaringan saraf.
Istilah “Deep" mengacu pada jumlah lapisan dalam jaringan — semakin banyak lapisan, semakin dalam jaringan (deeper network).
Jaringan saraf tradisional hanya mengandung 2 atau 3 lapisan, sedangkan Deep Network dapat memiliki ratusan.
Aplikasi Deep Learning
Beberapa Contoh Aplikasi DL
Kendaraan yang bisa menyetir sendiri me-lambat saat mendekati penyeberangan pejalan kaki.
ATM menolak uang kertas palsu.
Aplikasi smartphone memberikan terjemahan instan tanda jalan berbahasa asing
DL sangat cocok untuk aplikasi identifikasi seperti pengenalan wajah, terjemahan teks, pengenalan suara, dan sistem bantuan pengemudi tingkat lanjut, termasuk, klasifikasi jalur dan pengenalan rambu lalu lintas.
Hanya kunci satu kata, akurasi Tool dan teknik canggih telah secara dramatis mening-katkan algoritme DL — ke titik di mana mereka dapat mengungguli manusia dalam mengklasifikasikan gambar, menang melawan pemain GO terbaik dunia, atau memungkinkan asisten yang dikendalikan suara seperti Amazon Echo® dan Google Home untuk menemukan dan mengunduh yang lagu baru yang kita suka.
Peneliti UCLA membangun mikroskop canggih yang meng-hasilkan dataset dimensi tinggi yang digunakan untuk melatih jaringan DL untuk mengidenti-fikasi sel-sel kanker dalam sampel jaringan.
Apa yang Membuat DL Menjadi Terdepan?
Apa yang Membuat DL Menjadi Terdepan? Tiga enabler teknologi memungkinkan tingkat akurasi ini:
Akses mudah ke sejumlah besar data berlabel Datasets seperti ImageNet dan PASCAL
VoC tersedia secara bebas, dan berguna untuk pelatihan berbagai jenis objek.
Peningkatan kekuatan komputasi GPU berkinerja tinggi mempercepat
pelatihan sejumlah besar data yang diperlukan untuk DL, mengurangi waktu pelatihan dari minggu ke jam.
Model pra-pelatihan dibangun oleh para ahli Model seperti AlexNet dapat dilatih ulang
untuk melakukan tugas-tugas pengenalan baru meng-gunakan teknik yang disebut transfer learning. Sementara AlexNet dilatih pada 1,3 juta gambar resolusi tinggi untuk mengenali 1000 objek yang berbeda, pembelajaran transfer yang akurat dapat dicapai dengan dataset yang jauh lebih kecil.
Bagan Umum Deep Neural Netwok (DNN) DNN menggabungkan beberapa lapisan pemrosesan nonlinear, menggunakan elemen sederhana yang beroperasi secara paralel dan terinspirasi oleh sistem saraf biologis.
Terdiri dari lapisan input, beberapa lapisan tersembunyi, dan lapisan keluaran.
Lapisan saling berhubungan melalui node, atau neuron, dengan setiap lapisan tersembunyi menggunakan output dari lapisan sebelumnya sebagai inputnya.
Bagaimana DNN Belajar ? Katakanlah kita memiliki satu set gambar di mana setiap gambar berisi satu dari empat kategori objek yang berbe-da, dan kita ingin DNN untuk secara otomatis mengenali objek mana yang ada di setiap gambar. Kita memberi label gambar agar kita memiliki data pelatihan untuk jaringan.
Dengan menggunakan data pelatihan ini, jaringan kemu-dian dapat mulai memahami fitur spesifik objek dan me-ngaitkannya dengan kategori yang sesuai.
Setiap lapisan dalam jaringan mengambil data dari lapisan sebelumnya, mentransformasikannya, dan meneruskan-nya. Jaringan meningkatkan kompleksitas dan detail dari apa yang dipelajari dari lapisan ke lapisan.
Perhatikan bahwa jaringan belajar langsung dari data — kita tidak memiliki pengaruh atas fitur apa yang sedang dipelajari.
Convolutional Neural Networks (CNN) Jaringan saraf convolutional (CNN, atau ConvNet) adalah salah satu algoritma paling populer dari DL untuk gambar dan video.
Seperti jaringan saraf lainnya, CNN terdiri dari lapisan input, lapisan output, dan banyak lapisan tersembunyi di antaranya.
Lapisan Deteksi Fitur
Lapisan-lapisan ini melakukan salah satu dari tiga jenis operasi pada data: konvolusi, pooling, atau unit linear yang diperbaiki (ReLU).
Konvolusi menempatkan gambar input melalui serangkaian filter konvolusional, yang masing-masing mengaktifkan fitur tertentu dari gambar.
Pooling menyederhanakan output dengan melakukan non-linear downsampling, mengurangi jumlah parameter yang perlu dipelajari jaringan.
Rectified linear unit (ReLU) memungkinkan pelatihan yang lebih cepat dan lebih efektif dengan memetakan nilai negatif menjadi nol dan mempertahankan nilai positif.
Ketiga operasi ini diulang lebih dari puluhan atau ratusan lapisan, dengan setiap lapisan belajar untuk mendeteksi fitur yang berbeda.
Lapisan Klasifikasi
Setelah deteksi fitur, arsitektur CNN bergeser ke klasifikasi.
Lapisan berikutnya ke yang terakhir adalah lapisan yang sepenuhnya terhubung (FC) yang menghasilkan vektor dimensi K di mana K adalah jumlah kelas yang akan dapat diprediksi oleh jaringan.
Vektor ini berisi probabilitas untuk setiap kelas dari gambar apa pun yang diklasifikasikan.
Lapisan terakhir dari arsitektur CNN menggunakan fungsi softmax untuk memberikan hasil klasifikasi.
Catatan:
Tidak ada formula yang tepat untuk memilih lapisan.
Pendekatan terbaik adalah dengan mencoba beberapa dan melihat seberapa baik mereka bekerja - atau menggunakan jaringan yang sudah ada sebelumnya.
Convolutional Neural Networks (CNN)
Apa Perbedaan antara DL dan ML? DL adalah subtipe ML.
Dengan ML, kita mengekstraksi fitur gambar yang relevan secara manual.
Dengan DL , kita memasukkan gambar mentah langsung ke DNN yang mempelajari fitur secara otomatis.
DL sering membutuhkan ratusan ribu atau jutaan gambar untuk hasil terbaik.
DL juga intensif secara komputasi dan membutuhkan GPU berkinerja tinggi.
ML DL
+ Hasil bagus dengan dataset kecil
Membutuhkan dataset yang sangat besar
+ Cepat untuk melatih model
Intensif secara komputasi
Perlu mencoba berbagai fitur dan pengklasifikasi untuk mencapai hasil terbaik
Mempelajari fitur dan pengklasifikasi secara otomatis
Akurasi datar (stabil tanpa kemajuan)
Akurasi tidak terbatas
Machine Learning Tradisional
Deep Learning
Memulai dengan Deep Learning Belajar DL: cara cepat dan mudah untuk memulai adalah dengan menggunakan jaringan yang ada, seperti AlexNet, CNN yang dilatih pada lebih dari satu juta gambar.
AlexNet paling umum digunakan untuk klasifikasi gambar.
AlexNet dapat mengklasifikasikan gambar ke dalam 1000 kategori yang berbeda, termasuk keyboard, mouse komputer, pensil, dan peralatan kantor lainnya, serta berbagai jenis anjing, kucing, kuda, dan hewan lainnya.
AlexNet pertama kali diterbitkan pada tahun 2012, dan telah menjadi model yang terkenal di komunitas penelitian.
Contoh AI, ML, DL di Fisika
Machine Learning di Fisika Materi Terkonden-sasi (condensed matter)
OUTLINE
Latar Belakang Teoretis
Riset dan Karya terkenal
Metode Pendekatan Penyelesaian Masalah
Ringkasan dan Pandangan
Agrawal, A. & Choudhary, A. Perspective: Materials informatics and big data: realization of the ‘fourth paradigm’ of science in materials science. APL Mater.4, 053208 (2016).
Latar Belakang Teoretis
1. Naïve Bayes 2. Genetic algorithm 3. Rules Decision trees
Latar Belakang Teoretis
4. BP neural network 5. SVM
Latar Belakang Teoretis
6. Convolutional neural network (CNN)
Convolution Pooling Rectified Linear Units
Latar Belakang Teoretis
Latar Belakang Teoretis
Kalinin,S.V.,Sumpter,B.G.&Archibald,R.K.Big–deep–smartdatainimaging for guiding materials design. Nat. Mater. 14, 973–980 (2015).
Riset dan Karya terkenal
Ziatdinov, M., Maksov, A. & Kalinin, S. V. Learning surface molecular structures via machine vision. npj Comput. Mater. 3, 31 (2017).
2.1
Riset dan Karya terkenal
Ziatdinov, M., Maksov, A. & Kalinin, S. V. Learning surface molecular structures via machine vision. npj Comput. Mater. 3, 31 (2017).
2.1
Riset dan Karya terkenal
Carrasquilla, J. & Melko, R. G. Machine learning phases of matter. Nat. Phys. 13,431–434 (2017).
2.2
Riset dan Karya terkenal
Rashidi M, Wolkow R A. Autonomous scanning probe microscopy in situ
tip conditioning through machine learning[J]. ACS nano, 2018, 12(6): 5185-5189.
2.3
Riset dan Karya terkenal
Brockherde, F. et al. Bypassing the Kohn-Sham equations with machine learning. Nat. Commun. 8, 872 (2017).
2.4
Riset dan Karya terkenal
Schoenholz S S , Cubuk E D , Sussman D M , et al. A structural approach to relaxation in glassy?liquids[J]. Nature Physics, 2016.
2.5
Riset dan Karya terkenal
Segler, M. H. S., & Waller, M. P. (2017). Neural-Symbolic Machine Learning for Retrosynthesis and Reaction Prediction. Chemistry – A
European Journal, 23(25), 5966-5971. doi:10.1002/chem.201605499
2.6
Riset dan Karya terkenal
Weight: W0, W1, W2
Metode Pendekatan Penyelesaian Masalah
Ringkasan dan Pandangan
Tinjau dasar-dasar pendekatan machine-learning
Kemajuan dalam penerapan machine-learning untuk mengatasi tantangan dalam penelitian molekuler dan material
Pengembangan yang diperlukan untuk memungkinkan dampak yang lebih luas
Karya 2020: Machine Learning di Fisika Materi Terkondensasi (condensed matter) dan Materi Kuantum (quantum matter)
Karya 2020
https://arxiv.org/abs/2005.14228
Karya 2020
Karya 2020
Karya 2020
Research trends: Machine learning in simulations of
strongly correlated fermions Machine learning phases of matter in
simulated and experimental data Neural-network quantum states and their
applications Machine learning acceleration of Monte
Carlo simulations Quantum information, quantum control,
and quantum computation Quantum physics-inspired machine
learning
Terima Kasih