Mungkin saja di masa yang akan datang robot humanoid bisa menjadi
teman manusia seperti yang digambarkan di berbagai film fiksi ilmiah.
Pada periode 50an sampai 60an, para peneliti intelegensi buatan (IB) mencoba untuk mengungkap proses berpikir.
Namun ternyata proses itu lebih kompleks dari yang pernah dibayangkan.
Sejak saat itu para peneliti intelegensi buatan malahan mengandalkan
probabilitas yaitu pola statistik yang dapat dimengerti komputer dari kumpulan data latihan.
Pendekatan probabilistik telah menghasilkan hampir keseluruhan kemajuan
di bidang intelegensi buatan, seperti berbagai sistem pengenalan suara
atau voice recognition systems, atau pun sebuah sistem yang merekomendasikan film bagi para langganan Netfix. Akan tetapi Noah Goodman, seorang peneliti MIT di bagian Otak
dan Ilmu Kognisi tapi laboratoriumnya Ilmu Komputer dan Intelegensi
Buatan, berpikir bahwa IB kehilangan sesuatu yang berharga dengan tidak
meneliti proses berpikir. Dengan mengkombinasikan sistem proses berpikir
lama bersama sistem probabilistik baru, Goodman menemukan jalan untuk
memetakan pikiran yang memberikan dampak luas bagi IB maupun ilmu
kognitif.
Para peneliti IB terdahulu melihat proses berpikir sebagai kesimpulan
logika: jika anda tahu bahwa burung bisa terbang dan dikatakan bahwa
sayap yang terbuat dari lilin adalah seekor burung, maka anda bisa
menyimpulkan bahwa sayap lilin itu bisa terbang. Salah satu dari
penelitian IB pertama adalah pengembangan bahasa matematis yang mirip
dengah bahasa komputer di mana para peneliti bisa menyandikan atau
mengkodekan pernyataan seperti "burung bisa terbang" dan "sayap lilin
adalah burung". Jika bahasa itu dulunya cukup tepat, algoritma komputer
bisa menyisir pernyataan yang tersimpan dan mengkalkulasi semua
kesimpulan logika yang sah. Setelah mereka mengembangkan bahasa seperti
itu, para peneliti IB mulai menggunakan bahasa itu untuk mengkodekan
banyak pernyataan berdasarkan akal sehat, yang disimpan di basis data
yang sangat besar.
Masalah yang dihadapi dengan pendekatan ini yaitu bahwa tak semua burung
bisa terbang. Lagi pula di antara burung yang dapat terbang, ada
perbedaan antara rajawali dalam sangkar dan rajawali yang patah sayap,
dan berbagai perbedaan lain antara rajawali dan pinguin. Bahasa
matematis yang dikembangkan oleh para peneliti IB terdahulu cukup
fleksibel untuk merepresentasikan perbedaan konseptual seperti itu,
namun menulis seluruh perbedaan diperlukan karena bahkan tugas kognitif
yang paling dasar terbukti lebih sulit dari yang dibayangkan.
Memeluk Ketidakpastian
Pada IB probabilistik, menurut perbedaan, sebuah komputer diberikan
banyak masukan atau contoh seperti gambar berbagai burung dan dibiarkan
menyimpulkan sendiri apa yang menjadi ciri umum dari masukan tersebut.
Pendekatan ini bekerja cukup baik dengan konsep kongkrit seperti
"burung", namun bermasalah dengan konsep yang lebih abstrak seperti
penerbangan, suatu kemampuan umum yang dimiliki oleh burung, helikopter,
layang-layang dan pahlawan super. Anda bisa menunjukkan kepada suatu
sistem probabilistik banyak gambar penerbangan, namun walaupun sistem
itu bisa menemukan ciri umum yang dimiliki oleh gambar-gambar tersebut,
akan sangat mungkin untuk salah mengidentifikasi awan, atau matahari,
atau antena di atas gedung sebagai contoh penerbangan. Dan bahkan
penerbangan merupakan konsep kongkrit jika dibandingkan dengan,
katakanlah, "tata bahasa", atau "keibuan".
Sebagai alat penelitian, Goodman mengembangkan sebuah bahasa pemrograman
komputer yang disebut Church sesuai dengan nama Alonzo Church yakni
seorang ahli logika Amerika terkenal. Bahasa itu seperti berbagai bahasa
terdahulu IB mengikutsertakan aturan kesimpulan. Namun aturan itu
bersifat probabilistik. Katakanlah kasuari adalah seekor burung, sebuah
program yang ditulis dalam Church bisa saja mengikutsertakan bahwa
kasuari mungkin bisa terbang. Tapi jika program itu diberitahukan bahwa
kasuari bisa seberat 90kg, dia bisa saja merevisi perkiraan probabilitas
pertamanya, menyimpulkan bahwa, sebenarnya kasuari mungkin tak bisa
terbang.
"Dengan penalaran probabilistik, anda mendapat keseluruhan struktur dengan cuma-cuma," kata Goodman seperti yang dikutip Physorg.
Sebuah program Church yang tak pernah menemukan burung yang tak bisa
terbang bisa saja pada permulaan menetapkan probabilitas bahwa setiap
burung bisa terbang di angka 99,99 persen. Namun begitu dia belajar
tentang kasuari dan pinguin, juga rajawali di sangkar dan yang patah
sayap, dia merevisi probabilitasnya menurut hal-hal itu. Pada akhirnya,
probabilitas merepresentasikan seluruh konsep perbedaan yang harus
dikodekan secara manual oleh para peneliti IB terdahulu. Tapi sistem itu
belajar perbedaan itu dengan sendirinya seiring berjalannya waktu,
seperti cara manusia belajar konsep baru dan merevisi yang lama.
"Apa yang istimewa dari program ini yaitu dia memperkenankan anda untuk
membangun pemetaan kognisi dengan cara yang lebih jujur dan transparan
dari yang pernah anda lakukan sebelumnya," kata Nick Chater, seorang
profesor ilmu kognisi dan keputusan di Universitas College London. "Anda
bisa membayangkan keseluruhan yang diketahui manusia,
dan mencoba untuk mendaftarkan semua itu merupakan sebuah tugas yang
tak ada akhirnya, dan mungkin adalah suatu tugas tak terbatas. Tapi trik
baru berkata, "tidak, katakan saja beberapa hal kepada saya," dan
bagian otaknya dalam hal ini sistem Church, mudah-mudahan agak sejalan
dengan pikiran melakukannya, bisa mengocok, menggunakan kalkulasi
probabilistiknya, semua akibat dan kesimpulan. Dan juga, ketika anda
memberikan informasi baru ke dalam sistem itu, ia bisa menyimpulkan
akibatnya."
Pikiran-Pikiran Pemetaan
Program-program yang menggunakan kesimpulan probabilistik nampaknya
mampu memetakan kapasitas kognisi manusia lebih luas daripada pemetaan
kognisi tradisional. Pada konferensi Masyarakat Ilmu Kognisi tahun 2008,
sebagai contoh, Goodman dan Charles Kemp, yang merupakan mahasiswa PhD
di BCS pada waktu itu, mempresentasikan karya di mana mereka memberikan
para subyek manusia sebuah daftar tujuh atau delapan pegawai pada sebuah
perusahaan fiktif dan memberitahukan mereka pegawai mana mengirim surel
ke yang lain. Kemudian mereka memberikan para subyek sebuah daftar
pendek pegawai pada perusahaan fiktif lain. Tanpa data tambahan, para
subyek diminta untuk membuat sebuah grafik yang menggambarkan siapa yang
mengirim surel kepada siapa di perusahaan kedua.
Jika pola surel di kasus contoh membentuk sebuah rantai - Alice mengirim
surel ke Bob yang mengirim surel ke Carol, dan ke, katakanlah Henry -
para subyek manusia cenderung memprediksi bahwa pola surel di kasus
contoh itu akan juga membentuk suatu rantai. Jika pola surel pada kasus
contoh membentuk suatu putaran - Alice mengirim surel ke Bob yang
mengirim surel ke Carol, dan seterusnya, tapi Henry mengirim surel ke
Alice - para subyek juga memprediksi putaran di kasus contoh itu.
Sebuah program yang menggunakan kesimpulan probabilistik, diminta untuk
melakukan tugas yang sama, berperilaku hampir sama dengan subyek
manusia, menyimpulkan rantai dari rantai dan putaran dari putaran. Tapi
berbagai pemetaan kognisi konvensional sama sekali memprediksikan pola
surel acak pada kasus contoh: mereka tak bisa menyimpulkan konsep level
tinggi dari putaran dan rantai. Dengan para kolaborator di Bagian Ilmu Otak
dan Kognisi, Goodman melakukan percobaan serupa di mana para subyek
diminta untuk menyortir gambar-gambar serangga atau pohon ke dalam
kategori berbeda, atau membuat kesimpulan yang memerlukan penerkaan apa
yang dipikirkan orang lain. Pada semua kasus ini, yang sebagiannya juga
dipresentasikan di konferensi Masyarakat Ilmu Kognisi, program Church
melakukan pekerjaan memetakan pikiran manusia lebih baik ketimbang
algoritme intelegensi buatan tradisional.
Chater memperingatkan hal itu, sementara program Church bekerja dengan
baik pada tugas yang ditargetkan, mereka saat itu terlalu intensif
berhitung untuk bekerja sebagai simulator pikiran umum."Itu merupakan
masalah serius jika anda mau menggunakanya untuk memecahkan setiap
masalah di bawah matahari," kata Chater. "Tapi itu baru dibuat, dan
hal-hal ini selalu payah dioptimalisasi ketika mereka baru dibuat." Dan
Chater menekankan bahwa membuat sistem itu bekerja adalah suatu
pencapaian: "Itu merupakan sesuatu yang bisa saja dihasilkan seseorang
sebagai saran teoritik, dan anda akan berpikir, 'Wow, itu sangat pintar,
tapi saya yakin anda tak bisa membuatnya berjalan, benar saja.' Dan
keajaibannya ialah dia benar-benar berjalan, dan bekerja."
Tidak ada komentar:
Posting Komentar