WARTA LOMBOK - Algoritma pembelajaran mesin menyajikan berita yang kita baca, iklan yang kita lihat, dan dalam beberapa kasus bahkan mengemudikan mobil kita.
Namun, ada lapisan berbahaya pada algoritma ini yang mengandalkan data yang dikumpulkan oleh dan tentang manusia, dan algoritma tersebut langsung melontarkan bias terburuk.
Misalnya, algoritma penyaringan kandidat pekerjaan dapat secara otomatis menolak nama yang terdengar seperti milik orang bukan kulit putih, sementara perangkat lunak pengenalan wajah seringkali jauh lebih buruk dalam mengenali wajah wanita atau bukan kulit putih daripada dalam mengenali wajah pria kulit putih.
Baca Juga: Amerika Serikat Larang Xiaomi dan Delapan Aplikasi China Beredar, Termasuk SHAREIt dan WeChat Pay
Semakin banyak ilmuwan dan institusi yang menyadari masalah ini, dan berbicara tentang potensi Artificial Intelligence (AI)/kecerdasan buatan untuk menyebabkan kerusakan.
Brian Nord adalah salah satu peneliti yang menimbang karyanya sendiri terhadap potensi menyebabkan kerusakan dengan algoritma AI.
Nord adalah seorang kosmolog di Fermilab dan University of Chicago, di mana dia menggunakan kecerdasan buatan untuk mempelajari kosmos, dan dia telah meneliti konsep untuk "teleskop yang dapat mengemudi sendiri" yang dapat menulis dan menguji hipotesis dengan bantuan algoritma pembelajaran mesin.
Pada saat yang sama, dia berjuang dengan gagasan bahwa algoritma yang dia tulis mungkin suatu hari akan bias terhadapnya dan bahkan digunakan untuk melawannya dan bekerja untuk membangun koalisi fisikawan dan ilmuwan komputer untuk memperjuangkan lebih banyak pengawasan dalam pengembangan algoritma AI.
Brian Nord menjawab ketika ditanya tentang bagaimana Anda bisa menjadi fisikawan yang tertarik dengan AI dan jebakannya.
"Ph.d saya di bidang kosmologi, dan ketika saya pindah ke Fermilab pada tahun 2012, saya pindah ke sub bidang lensa gravitasi yang kuat", kata Nord.
Baca Juga: Microsoft Persembahkan Windows 10X untuk Chrome OS
Lensa gravitasi adalah tempat di langit malam di mana cahaya dari benda jauh telah dibengkokkan oleh medan gravitasi benda berat di latar depan, membuat objek latar belakang tampak melengkung dan lebih besar.
Brian Nord menghabiskan beberapa tahun melakukan ilmu lensa yang kuat dengan cara tradisional, di mana kami akan mencari secara visual melalui terabyte gambar, melalui ribuan kandidat lensa gravitasi yang kuat ini, karena mereka sangat aneh, dan tidak ada yang menemukan algoritma yang lebih konvensional untuk mengidentifikasinya.
Sekitar tahun 2015, saya merasa sedih karena kemungkinan hanya menemukan hal-hal ini dengan mata saya, jadi saya mulai melihat-lihat dan menemukan pembelajaran yang dalam.
Inilah kita beberapa tahun kemudian saya dan beberapa orang lainnya mempopulerkan gagasan tentang penggunaan pembelajaran mendalam ini dan sekarang menjadi cara standar untuk menemukan objek ini.
Orang tidak mungkin kembali menggunakan metode yang bukan pembelajaran mendalam untuk melakukan pengenalan galaksi.
Kami sampai pada titik ini di mana kami melihat bahwa pembelajaran mendalam adalah hal yang paling penting, dan dengan sangat cepat melihat potensi dampaknya di seluruh astronomi dan sains.
Baca Juga: Mau Dapat Bantuan LIstrik Gratis Begini Cara Login di www.pln.co.id atau langsung WhatsApp (WA)
Ini mengenai setiap sains sekarang. Itu adalah bukti janji dan bahaya teknologi ini, dengan alat yang relatif sederhana. Setelah semua bagian disatukan dengan benar, Anda dapat melakukan banyak hal berbeda dengan mudah, tanpa perlu memikirkan implikasinya.
Nord adalah astrofisikawan Amerika dan peneliti pembelajaran mesin di Fermi National Accelerator Laboratory (juga dikenal sebagai Fermilab atau FNAL). Nord adalah fisikawan kulit hitam ketiga dan termuda yang ditunjuk di FNAL.
Jadi, apa itu deep learning? Mengapa itu baik dan mengapa itu buruk?
Brian Nord mengatakan model matematika tradisional (seperti F = ma hukum Newton) dibuat oleh manusia untuk mendeskripsikan pola dalam data.
Kita menggunakan pemahaman kita saat ini tentang alam, yang juga dikenal sebagai intuisi, untuk memilih potongan, bentuk model ini. Ini berarti bahwa mereka sering kali dibatasi oleh apa yang kita ketahui atau bayangkan tentang kumpulan data.
Model ini juga biasanya lebih kecil dan kurang dapat diterapkan untuk banyak masalah.
Di sisi lain, model kecerdasan buatan bisa sangat besar, dengan banyak, banyak derajat kebebasan, sehingga bisa dibuat sangat umum dan mampu menggambarkan banyak kumpulan data yang berbeda.
Selain itu, yang sangat penting, mereka terutama dibentuk oleh data yang mereka hadapi model AI dibentuk oleh data yang digunakan untuk melatihnya.
Baca Juga: Ini Alasan Mengapa Elon Musk Ajak Gunakan Signal, Facebook Mesti Waspada
Manusia memutuskan apa yang dimasukkan ke dalam set pelatihan, yang kemudian dibatasi lagi oleh apa yang kita ketahui atau bayangkan tentang data itu.
Bukan lompatan besar untuk mengetahui bahwa jika Anda tidak memiliki data pelatihan yang tepat, Anda dapat jatuh dari tebing dengan sangat cepat.
Dalam kasus AI, janji terletak pada kemampuan untuk mendeskripsikan data yang manusia belum tahu bagaimana mendeskripsikannya dengan model 'intuitif', namun yang berbahaya, kumpulan data yang digunakan untuk melatihnya menyertakan bias kita sendiri.
Ketika kumpulan data bias terhadap wajah Black dan Brown misalnya, berisiko mengalami diskriminasi yang mencegah orang menggunakan layanan, yang mengintensifkan aparat pengawasan, yang membahayakan kebebasan manusia.
Sangat penting bagi kita untuk mempertimbangkan dan mengatasi konsekuensi ini sebelum kita membahayakan kehidupan orang dengan penelitian kita.
Nord mengatakan itu dengan artikel Bias Mesin dari ProPublica pada tahun 2016, di mana mereka membahas residivisme dan prosedur hukuman di pengadilan.
Pada saat artikel itu dibuat, ada algoritma sumber tertutup yang digunakan untuk membuat rekomendasi untuk menjatuhkan hukuman, dan hakim diizinkan untuk menggunakannya.
Baca Juga: Inilah 3 Laptop Terbaik Tahun 2021, Tampilan Elegan dengan Performa Fantastis
Tidak ada pengawasan publik atas algoritme ini, yang menurut ProPublica bias terhadap orang kulit hitam. Orang dapat menggunakan algoritma seperti ini mau tidak mau tanpa akuntabilitas.
"Saya menyadari bahwa sebagai orang kulit hitam, saya telah menghabiskan beberapa tahun terakhir untuk bersemangat tentang jaringan saraf, kemudian melihat dengan jelas bahwa aplikasi yang dapat membahayakan saya ini sudah ada di luar sana, sudah digunakan, dan kami sudah mulai menjadi tertanam dalam struktur sosial kita melalui sistem peradilan pidana", kata Nord.
Ia menyadari negara-negara di seluruh dunia menggunakan teknologi pengawasan, menggabungkan algoritma pembelajaran mesin, untuk penggunaan yang menindas secara luas.