Pembelajaran mesin pada dasarnya adalah cabang dari ilmu data yang menggunakan data untuk menemukan model di dalamnya. Dengan menerapkan pengetahuan matematika dan statistik, model-model ini disempurnakan dalam proses yang disebut "pelatihan."

Meskipun banyak yang mengaitkan pembelajaran mesin (ML) dan kecerdasan buatan (AI) dengan teknologi kompleks dan futuristik—seperti yang digambarkan dalam film di mana AI memberontak terhadap manusia—realitas saat ini jauh kurang canggih. Sebagian besar sistem AI saat ini mengandalkan pemrograman "if-then", hanya merespons instruksi manusia yang telah ditentukan sebelumnya. Namun, pembelajaran mesin melangkah lebih jauh dengan memungkinkan model untuk mengoreksi dan meningkatkan diri sendiri.

Kategori Pembelajaran Mesin

Pembelajaran mesin dapat dibagi secara luas menjadi beberapa jenis berikut:

1. Pembelajaran Terawasi

• Mengandalkan dataset berlabel untuk pelatihan.

• Sistem belajar untuk memetakan input ke output berdasarkan contoh yang diberikan.

• Contoh: Mengajari mesin untuk mengidentifikasi kupu-kupu di antara serangga dengan menyediakan data berlabel dengan karakteristik spesifik seperti jumlah kaki, sayap, struktur antena, dan proporsi tubuh.

• Setelah pelatihan, mesin dapat menganalisis gambar serangga baru dan menentukan apakah itu kupu-kupu berdasarkan model yang telah dipelajari.

2. Pembelajaran Tidak Terawasi

• Bekerja tanpa data berlabel; mesin mengidentifikasi pola dan mengelompokkan titik data berdasarkan fitur-fiturnya.

• Contoh: Dalam mengidentifikasi kupu-kupu, tidak ada label yang diberikan. Mesin harus secara mandiri mengidentifikasi fitur-fitur utama seperti sayap, kaki, dan struktur tubuh untuk membedakan kupu-kupu dari serangga lainnya.

• Model pembelajaran tidak terawasi yang populer termasuk Jaringan Adversarial Generatif (GANs) dan algoritma pengelompokan.

• Keterbatasan: Model tidak terawasi sering dianggap sebagai "kotak hitam", di mana proses internal tidak sepenuhnya transparan bagi pengembang.

Algoritma Pembelajaran Mesin Populer

Ada banyak algoritma pembelajaran mesin, masing-masing disesuaikan untuk aplikasi tertentu. Beberapa contoh terkenal termasuk:

• Jaringan Saraf

• Pohon Keputusan

• Mesin Vektor Pendukung (SVMs)

• Pengklasifikasi Bayesian

• Metode Pengelompokan

Salah satu algoritma yang banyak digunakan dan ramah pemula adalah K-Means Clustering, yang mengelompokkan titik data ke dalam cluster berdasarkan kemiripan.

1. Algoritma K-Means: Metode Pengelompokan Tidak Terawasi yang Sederhana

K-Means adalah algoritma pengelompokan tidak terawasi yang sederhana dan banyak digunakan. Ide utama pengelompokan adalah mengelompokkan sampel berdasarkan jarak atau kemiripan, mengelompokkan sampel yang mirip (atau dekat) bersama-sama sambil memisahkan sampel yang berbeda (atau jauh) ke dalam kelompok yang berbeda. Konsep dasar K-Means adalah secara iteratif membagi dataset menjadi K cluster sedemikian rupa sehingga rata-rata setiap cluster meminimalkan Jumlah Kesalahan Kuadrat (SSE) untuk semua titik dalam cluster tersebut.

Dalam bahasa matematika, untuk satu set sampel, K-means meminimalkan fungsi kesalahan pengelompokan.

Visualisasi di atas secara efektif mengilustrasikan konsep: varians setiap titik biru atau merah ke pusat cluster masing-masing diminimalkan. Untuk cluster merah dan biru, kedua titik pusat memenuhi kondisi SSE minimal untuk partisi ini.

Contoh: K = 2 (Membagi Sampel menjadi Dua Cluster)

Secara visual, jika kita ingin membagi titik-titik hijau dalam Gambar A menjadi dua cluster, kita bisa menggambar garis diagonal dari kiri atas ke kanan bawah. Tapi bagaimana kita menginstruksikan mesin untuk melakukan partisi ini secara akurat? Langkah-langkahnya adalah sebagai berikut:

1. Inisialisasi Acak:

Pilih dua titik acak (misalnya, merah dan biru) dalam sistem koordinat sebagai pusat cluster awal. Untuk setiap titik dalam dataset, hitung jaraknya ke titik merah dan biru.

• Tetapkan titik ke pusat cluster terdekat: jika lebih dekat ke titik biru, warnai biru; jika lebih dekat ke titik merah, warnai merah.

• Iterasi melalui semua titik sampai setiap titik diberi warna, seperti yang ditunjukkan pada Langkah 1.

2. Hitung Ulang Pusat Cluster:

Hitung ulang pusat setiap cluster (rata-rata semua titik dalam cluster). Sesuaikan pusat cluster untuk meminimalkan kesalahan kuadrat rata-rata (MSE) dari semua titik dalam cluster tersebut, seperti yang ditunjukkan pada Langkah 2.

3. Ulangi Hingga Konvergen:

Ulangi langkah 1 dan 2 sampai pusat cluster stabil dan proses konvergen. Proses iteratif ini selesai seperti yang ditunjukkan pada Langkah 3-6.

Blockchain dan Pembelajaran Mesin

Blockchain memiliki dua atribut kunci yang membuatnya sangat cocok untuk memajukan pembelajaran mesin dan kecerdasan buatan:

1. Privasi: Blockchain memungkinkan pelatihan pada data pribadi yang sensitif tanpa mengkompromikannya.

2. Mekanisme Insentif: Sistem reward unik blockchain memungkinkan pengguna mendapatkan imbalan untuk berbagi data atau mempublikasikan model di blockchain. Siapa pun dapat menjual data mereka sambil menjaga privasi, dan pengembang dapat mempublikasikan dan melatih model mereka di blockchain, menerima insentif sebagai imbalannya.

Gambar yang direferensikan menunjukkan siklus standardisasi dan komodifikasi dalam teknologi. Era monopoli data hampir berakhir. Aksesibilitas blockchain membuka peluang untuk partisipasi yang lebih luas dalam era teknologi berikutnya.

Tiga faktor kritis dalam pembelajaran mesin adalah algoritma, daya komputasi, dan data. Raksasa teknologi seperti Amazon, Apple, Google, dan Facebook mendominasi sumber daya komputasi dan data, memungkinkan mereka mempertahankan keunggulan yang signifikan. Blockchain memperkenalkan kesempatan untuk mengganggu dominasi ini dengan mendesentralisasi pembelajaran mesin. Pergeseran ini dapat memfokuskan kembali penciptaan nilai dari pendekatan berbasis data ke inovasi berbasis algoritma. Insentif ekonomi blockchain menyediakan lingkungan yang subur bagi pengembang untuk melatih dan mengoptimalkan model, mendorong pertumbuhan bagi pengembang algoritma.

2.1 Tinjauan Proyek

Mengintegrasikan pembelajaran mesin dan blockchain adalah bidang yang baru namun menjanjikan. Meskipun banyak perusahaan mengembangkan alat di bidang ini, potensinya masih sangat besar. Berikut adalah tiga proyek penting:

2.1.1 DeepBrain Chain

DeepBrain Chain, didirikan pada November 2017, bertujuan untuk membangun jaringan komputasi kinerja tinggi terdistribusi terbesar di dunia yang didukung oleh blockchain, berfungsi sebagai infrastruktur kritis untuk era 5G+AI.

• Komponen Utama:

1. Jaringan Komputasi Kinerja Tinggi: Diluncurkan pada Agustus 2018.

2. Blockchain Mainnet: Secara resmi diluncurkan pada 20 Mei 2021, berbasis kerangka kerja Substrate dari Polkadot.

DeepBrain Chain adalah salah satu dari sedikit proyek blockchain yang berhasil mencapai penerapan skala besar dalam komputasi kinerja tinggi. Proyek ini telah membuat kemajuan signifikan dalam kegunaan dan komersialisasi, dengan aplikasi di berbagai bidang seperti blockchain, AI, cloud gaming, rendering visual, biofarmasi, dan simulasi semikonduktor.

Lebih dari 50 perusahaan global telah menerapkan platform cloud GPU kinerja tinggi di jaringannya, melayani ratusan bisnis dan puluhan ribu pengembang AI.

2.1.2 Numerai

Numerai adalah dana lindung nilai yang memanfaatkan komunitas global ilmuwan data anonim untuk memprediksi harga di masa depan. Menggabungkan kecerdasan terdistribusi, pembelajaran mesin, blockchain, dan tokenisasi, Numerai menciptakan model baru manajemen dana yang didorong oleh kecerdasan kolektif.

• Distribusi Data:

Ilmuwan data menerima kumpulan data anonim sebagai input untuk model prediktif mereka. Dataset ini dapat mencakup indikator makroekonomi, harga komoditas, atau nilai tukar—data eksklusif yang biasanya tidak dapat diakses oleh pihak luar. Penghapusan metadata memungkinkan Numerai untuk membagikan data secara terbuka.

• Kompetisi:

Data menjadi dasar untuk kompetisi dalam menciptakan model prediktif yang paling efektif. Data historis dengan hasil yang telah diketahui membantu memvalidasi model, sementara data real-time tetap tidak pasti untuk prediksi kritis.

• Penilaian dan Penghargaan:

Prediksi dinilai setelah diunggah ke "meta-model" Numerai. Ilmuwan data diberi penghargaan berdasarkan seberapa besar prediksi mereka meningkatkan meta-model.

• Kekayaan Intelektual:

Peserta mempertahankan kepemilikan atas model mereka dan terus menerima penghargaan jika model mereka meningkatkan meta-model Numerai.

2.1.3 Protokol HUMAN

Protokol HUMAN adalah kerangka kerja terdesentralisasi yang memberikan penghargaan atas kontribusi berdasarkan pengetahuan dan keterampilan, menjembatani AI dan pembelajaran mesin melalui model hybrid.

Dibangun di atas blockchain, Protokol HUMAN mengefisienkan proses manajemen dan penyelesaian untuk menciptakan infrastruktur yang dapat diaudit dan bersumber terbuka untuk pasar tenaga kerja terdesentralisasi, menghubungkan pencari data dengan pasar pengetahuan.

• Aplikasi dalam Pembelajaran Mesin:

Protokol ini secara langsung menangani tugas-tugas yang membutuhkan tenaga kerja intensif dalam pembelajaran mesin, seperti anotasi manual dan verifikasi kualitas inferensi model, untuk membuat dataset lebih sesuai untuk pelatihan.

• Visi Masa Depan:

3.Penutup

Di luar aplikasi saat ini, Protokol HUMAN dirancang untuk evolusi berikutnya dari kecerdasan mesin, di mana mesin secara langsung meminta data dari manusia untuk menyempurnakan diri mereka sendiri.

Pembelajaran mesin dan blockchain adalah dua teknologi paling menarik dan mutakhir saat ini. Pembelajaran mesin berfungsi sebagai fondasi untuk kecerdasan buatan dan big data, sementara blockchain memiliki potensi untuk merevolusi arsitektur keuangan saat ini. Kedua teknologi ini berbasis data, secara alami memungkinkan sinergi dalam arah penelitian tertentu.

Blockchain menawarkan berbagi dan analisis data yang aman dan efisien, sementara pembelajaran mesin memanfaatkan data ini untuk mendorong kemajuan teknologi. Kita sudah menyaksikan banyak pengembang yang bekerja pada proyek-proyek yang layak di persimpangan ini, dan lebih banyak sumber daya dan talenta yang disalurkan ke bidang-bidang ini.

Kemampuan bersama dan saling melengkapi dari teknologi-teknologi ini akan terus mendorong satu sama lain maju. Menunggangi gelombang blockchain dan mengarahkan kapal pembelajaran mesin, kita siap menjelajahi lautan teknologi masa depan yang luas dan berbintang!

Pengantar Pembelajaran Mesin dan Penerapannya dalam Blockchain