Pada pertengahan Maret 2016 ini AlphaGo, sistem kecerdasan buatan dari Google, berhasil mengalahkan grandmaster permainan Go, Lee Sedol.
Kesuksesan ini merupakan pencapaian penting dalam penelitian kecerdasan buatan, khususnya yang menggunakan teknik pembelajaran mesin (machine learning).
Keberhasilan AlphaGo mungkin akan mengingatkan kita akan pencapaian sistem serupa bikinan IBM pada akhir dasawarsa 1990-an, DeepBlue. Pada 1997, Deep Blue dari IBM berhasil mengalahkan grandmaster catur, Gary Kasparov.
Namun permainan catur berbeda dengan permainan Go. Teknik komputasi tradisional tidak memungkinkan komputer untuk menghitung semua langkah yang bisa dilakukan dalam permainan.
Dalam konteks agar dapat memenangkan permainan yang berasal dari China ini, komputer harus bisa berpikir lebih seperti manusia.
Inilah yang mendorong pencipta AlphaGo untuk mendayagunakan teknik pembelajaran mesin, khususnya deep learning. Dengan teknik ini, AlphaGo bisa “belajar” bermain Go dari rekaman permainan yang sudah ada.
Seperti disebutkan situs web Wired, AlphaGo menganalisis 30 juta pergerakan permainan Go agar dapat bermain sehebat manusia. Tapi ini saja tidak cukup: pembuat AlphaGo kemudian mengadu sistem kecerdasan buatan ini untuk bertanding melawan dirinya sendiri, dan pada gilirannya belajar dari pertandingan antarkomputer ini.
Agar dapat mempelajari data permainan Go, dan berpikir lebih mirip manusia, AlphaGo menggunakan teknologi jaringan saraf tiruan (neural networks), yang pada
awalnya diilhami oleh saraf makhluk hidup.
Tentunya penerapan teknik jaringan saraf tiruan ini tidak hanya terbatas pada bermain Go. Neural networks sudah digunakan pada tugas-tugas pengenalan pola, seperti pengenalan suara atau pembicaraan (speech recognition), pengenalan citra (baik foto maupun video), sampai pengambilan keputusan dan robotika.
Meskipun sudah mencapai kemajuan, antara lain dengan mengalahkan grandmaster permainan Go, masih banyak tantangan yang mesti dihadapi oleh peneliti
dalam bidang ini, terutama ketika hendak menerapkannya dalam bentuk produk.
Salah satu kunci kesuksesan perusahaan seperti Google, Microsoft, Facebook, dan Apple ketika mengintegrasikan teknik pembelajaran mesin adalah ketersediaan
kumpulan data dalam jumlah besar sebagai bahan pelajaran.
Ini belum tentu dimiliki oleh semua pihak. Peneliti harus mencari cara agar sistem kecerdasan buatan dapat belajar dengan lebih cepat dari data yang lebih sedikit, seperti yang mampu dilakukan oleh manusia.
Tantangan lain juga adalah tuntutan terhadap daya komputasi. Dewasa ini ponsel pintar (berbasis Android, iOS, ataupun Windows) sudah memiliki fitur asisten pribadi yang antara lain memanfaatkan pembelajaran mesin untuk memberikan informasi kepenggunanya.
Chip yang tertanam di dalam ponsel pada saat ini belum cukup kuat menangani komputasi yang dibutuhkan, dan karena itu biasanya pengolahan data dilakukan secara daring (online), memanfaatkan komputasi awan. Ini tentunya bermasalah bila ponsel tidak mungkin atau tidak berhasil terkoneksi ke server.
Langkah terakhir ini sudah mulai dilakukan antara lain oleh tim peneliti Google, yang dipimpin oleh Ian McGraw.
Teknologi pengenalan pembicaraan luring (offline) yang diteliti oleh tim dari Google tersebut berhasil mencapai tingkat kesalahan 13,5 persen, pada ponsel Nexus 5.
Ini memang masih lebih buruk daripada sistem daring yang memiliki tingkat kesalahan delapan persen, namun ini merupakan langkah awal yang menarik dalam penerapan pembelajaran mesin.
