Bisnis.com, JAKARTA — Kecerdasan buatan, terutama yang berbasis pada pembelajaran mesin (machine learning) pada saat ini menjadi salah satu teknologi utama ponsel pintar.
Kita, misalnya, bisa menemukannya pada asisten digital (Google Assistant, Siri), pengenalan gambar dan wajah, sampai aplikasi seperti FaceApp yang sempat menghebohkan.
Beberapa pembuat cip seperti Qualcomm, Huawei, Samsung, dan Apple sudah mulai mengintegrasikan fitur kecerdasan buatan dalam produk-produknya.
Namun, bagaimanapun, keampuhan daya komputasi yang tersedia pada peranti genggam pada saat ini masih terbatas. Banyak pembuat aplikasi yang memanfaatkan komputasi awan untuk mengakses daya komputasi yang lebih ampuh.
Meskipun keterbatasan cip yang tertanam di ponsel bisa diakali dengan komputasi awan, dalam banyak kasus pembuat ponsel masih menginginkan agar proses pengolahan dapat dilakukan secara lokal.
Alasannya, bisa agar aplikasi tidak harus tergantung terhadap konektivitas internet, tetapi ada pula yang menginginkan kemampuan ini dengan pertimbangan privasi.
Bila semua proses komputasi bisa dilakukan di peranti, tidak perlu mengirim data ke peladen eksternal. Ini bisa mempercepat respons, yang penting pada aplikasi seperti penerjemah real-time, tetapi juga berarti pembuat aplikasi yang mementingkan privasi.
Sayangnya menanamkan cip yang lebih ampuh dalam ponsel saat ini berarti konsumsi daya yang lebih besar.
Diperlukan cip yang lebih efisien untuk menerapkan teknik kecerdasan buatan. Pada saat ini sebagian pembuat aplikasi memilih memanfaatkan prosesor grafis (GPU) untuk mengeksekusi algoritma kecerdasan buatan karena pertimbangan kinerja.
Jenis cip lain yang berdasarkan memristor diperkirakan lebih baik lagi dibandingkan dengan GPU. Solusi inilah yang sedang dijajaki oleh tim peneliti dari Universitas Michigan, Amerika Serikat.
Cip memristor (memory-resistor) memiliki kemampuan untuk menyimpan dan mengolah data di satu tempat. Maka dari itu, cip yang didasarkan pada memristor tidak akan memiliki masalah yang sering dihadapi pada cip konvensional: laju transfer data pada koneksi memori dan prosesor.
Algoritma pembelajaran mesin pada dasarnya melakukan pengolahan pada data berbentuk vektor, yang merupakan salah satu bentuk data yang cocok untuk ditangani prosesor grafis.
Prosesor grafis memiliki puluhan inti yang mampu melakukan perhitungan secara paralel. Cip yang berisi larik memristor bisa melakukan komputasi paralel dengan jumlah ribuan inti.
Pada model eksperimental yang diciptakan tim dari Michigan ini, terdapat 5.800 memristor. Model komersial diperkirakan memiliki memristor dalam jumlah jutaan.
Model tersebut juga memiliki komponen prosesor digital konvensional dan konverter analog-digital untuk menjembatani memristor dengan komponen lain pada komputer.
Untuk menguji kebolehan komputer berbasis memristor ini, tim dari Universitas Michigan mengujinya dengan tiga tugas pembelajaran mesin: perseptron, koding jarang (sparse coding), dan jaringan neural dua lapis (two-layer neural network).
Model eksperimental tersebut berhasil mengenali huruf-huruf Yunani dengan akurasi 100% (perseptron), merekonstruksi gambar dengan akurasi 100% (koding jarang), dan mengklasifikasi kanker payudara dengan akurasi 94,6% (jaringan neural dua lapis).
Hasil penelitian dari Universitas Michigan ini dipublikasikan dengan judul A Fully Integrated Reprogrammable Memristor–CMOS System for Efficient Multiply–Accumulate Operations dalam jurnal Nature Electronics 15 Juli 2019.
