Author(s): Toluwani Aremu
Awalnya diterbitkan di Towards AI the World’s Leading AI and Technology News and Media Company. Jika Anda membuat produk atau layanan terkait AI, kami mengundang Anda untuk mempertimbangkan menjadi sponsor AI. Di Towards AI, kami membantu menskalakan AI dan startup teknologi. Biarkan kami membantu Anda melepaskan teknologi Anda kepada massa.
Ini adalah artikel ketiga saya dalam seri ‘What AI Still Can’t Do.’ Jika Anda belum membaca dua yang pertama, tautan ini akan mengarahkan Anda ke daftar bacaan yang saya buat untuk tujuan ini. Harap dicatat bahwa semua pandangan dalam artikel saya sepenuhnya milik saya dan mungkin tidak mencerminkan perspektif penulis/ahli lain.
Sekarang, mari kita ke batas AI yang baru ini.
#003 — Memahami sebab dan akibat masih menjadi masalah besar
Adalah fakta bahwa sistem kecerdasan buatan (AI) dirancang untuk menganalisis data, mengenali pola, dan membuat prediksi atau keputusan berdasarkan analisis tersebut. Namun, memahami konsep sebab dan akibat — gagasan bahwa satu peristiwa atau tindakan menyebabkan terjadinya yang lain — dapat menjadi tantangan bagi sistem AI. Bagi homosapiens, memahami sebab dan akibat adalah aspek mendasar dari kognisi manusia. Ini melibatkan kemampuan untuk mengenali bahwa satu peristiwa atau tindakan (penyebab) dapat menyebabkan peristiwa atau hasil lain (akibat). Ini membantu kita memahami dunia di sekitar kita dan memprediksi apa yang mungkin terjadi di masa depan.
Ada beberapa faktor yang berkontribusi pada kemampuan kita untuk memahami sebab dan akibat. Salah satunya adalah kemampuan kita untuk memahami dan mengingat peristiwa yang terjadi di sekitar kita. Ini termasuk kemampuan kita untuk melihat, mendengar, menyentuh, dan merasakan dunia, serta kemampuan kita untuk mengingat dan mengingat kembali pengalaman-pengalaman ini. Faktor lainnya adalah kemampuan kita untuk membuat kesimpulan logis tentang hubungan antar peristiwa. Misalnya, jika kita melihat seorang anak bermain dengan mainan, kemudian mainan itu rusak, kita dapat menyimpulkan bahwa tindakan anak itu adalah penyebab mainan itu pecah. Kami melakukan ini dengan mempertimbangkan urutan peristiwa dan menerapkan pengetahuan kami tentang bagaimana dunia bekerja untuk sampai pada suatu kesimpulan.
Pemahaman kita tentang sebab dan akibat juga dipengaruhi oleh pengalaman sosial dan budaya kita. Kita belajar tentang sebab dan akibat melalui interaksi kita dengan orang lain, serta melalui mengamati dan berpartisipasi dalam peristiwa yang terjadi di sekitar kita. Sebagai contoh, kita mungkin belajar bahwa menyalakan saklar lampu menyebabkan lampu menyala atau menanam benih dan menyiramnya menyebabkan tanaman tumbuh.
Oleh karena itu, saya dapat mengatakan bahwa pemahaman kita tentang sebab dan akibat adalah proses kompleks yang melibatkan kombinasi persepsi, ingatan, penalaran logis, serta pengalaman sosial dan budaya.
Jika ini mungkin bagi kita sebagai manusia, mengapa sistem AI berjuang untuk mengimbangi kecerdasan alami? Saya hanya bisa memikirkan beberapa alasan:
Data terbatas: Sistem AI mengandalkan data untuk mempelajari dan membuat prediksi. Namun, jika data yang tersedia untuk sistem tidak menyertakan contoh hubungan sebab-akibat, mungkin akan sulit bagi sistem untuk mempelajarinya. Hubungan yang kompleks: Hubungan sebab dan akibat bisa rumit dan mungkin melibatkan banyak faktor atau variabel. Mungkin menantang bagi sistem AI untuk secara akurat mengidentifikasi dan memahami semua faktor yang berkontribusi pada hasil tertentu. Kurangnya konteks: Memahami sebab dan akibat sering membutuhkan pemahaman tentang konteks di mana suatu peristiwa atau tindakan terjadi. Sistem AI mungkin kesulitan untuk memahami konteks di mana peristiwa terjadi, yang dapat mempersulit mereka untuk mengidentifikasi hubungan sebab-akibat secara akurat. Kemampuan penalaran terbatas: Sebelumnya, saya berbicara tentang bagaimana kemampuan kita untuk mengingat peristiwa serta menggunakan organ tertentu untuk memahami dan menarik kesimpulan. Sistem AI sangat terbatas dalam kemampuannya untuk bernalar dan menarik kesimpulan logis dari data. Hal ini dapat mempersulit mereka untuk memahami konsep sebab akibat, yang membutuhkan kemampuan untuk mengidentifikasi pola dan menarik kesimpulan logis dari pola tersebut.
Memahami sebab dan akibat adalah tugas kompleks yang membutuhkan pemahaman mendalam tentang hubungan antara berbagai peristiwa dan tindakan. Sementara sistem AI telah membuat kemajuan yang signifikan di banyak bidang, ini tetap menjadi tantangan bagi mereka.
Bisakah kita menemukan cara untuk memecahkan teka-teki ini? Bisakah AI diajarkan untuk memahami sebab dan akibat? Ya, sistem AI dapat dilatih untuk memahami dan mengenali hubungan sebab-akibat. Sistem NLP tertentu telah dilatih untuk mengenali bahwa kata atau frasa tertentu lebih mungkin muncul dalam kalimat yang menggambarkan hubungan sebab-akibat. Ini bisa melibatkan pelatihan sistem AI pada kumpulan data besar kalimat yang menyertakan hubungan sebab dan akibat dan kemudian menggunakan pelatihan ini untuk mengenali hubungan ini dalam kalimat baru yang belum pernah dilihat oleh sistem AI sebelumnya.
Demikian pula, sistem AI yang dirancang untuk pengambilan keputusan atau pemodelan prediktif dapat dilatih untuk mengenali bahwa peristiwa atau tindakan tertentu cenderung mengarah pada hasil tertentu. Ini bisa melibatkan pelatihan sistem AI pada kumpulan data besar contoh hubungan sebab-akibat dan kemudian menggunakan pelatihan ini untuk membuat prediksi tentang apa yang mungkin terjadi di masa depan berdasarkan input baru.
Saya tidak berani mengatakan bahwa sangat tidak mungkin sistem AI dilatih untuk memahami dan mengenali hubungan sebab-akibat. Itu mungkin tetapi akan membutuhkan sejumlah besar data dan desain serta pelatihan sistem AI yang cermat. Jaringan saraf grafis dapat digunakan untuk mewakili hubungan antara peristiwa atau tindakan yang berbeda dan hasil yang sesuai.
Sebuah metode klasik, yang saya masih yakin para ahli akan kembali ke sana, adalah sistem berbasis Pengetahuan. Sistem berbasis pengetahuan adalah sistem AI klasik yang mengandalkan representasi dan penalaran pengetahuan eksplisit. Dalam konteks ini, sistem ini dapat digunakan untuk mencocokkan hubungan antara peristiwa yang berbeda dan hasil yang sesuai melalui definisi aturan dan prinsip yang jelas yang mengatur hubungan sebab-akibat dan kemudian menggunakan pengetahuan ini untuk membuat kesimpulan tentang situasi baru.
Juga, studi Inferensi Kausal, khususnya yang menggunakan penalaran kontrafaktual, bisa menjadi solusi jangka panjang untuk perjuangan ini. Saya hanya bisa berharap kami menemukan rute yang lebih mudah untuk memenuhi misi utama kami menjadikan AI menjadi ‘manusia’.
Jika Anda menikmati membaca artikel ini, tolong beri suka dan ikuti. Untuk pertanyaan silahkan gunakan kolom komentar. Jika Anda ingin mengobrol, hubungi saya di LinkedIn atau Twitter.
What AI Still Can’t Do #003 awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyorot dan menanggapi cerita ini.
Diterbitkan melalui Menuju AI
