Bagaimanakah Komputer Dapat Mengecam Seekor Kucing Di Dalam Foto?

 

.

Bagaimana Komputer Boleh Mengecam Kucing?

Pada Tahun 2011, Google telah mewujudkan sebuah makmal yang dipanggil X Lab (Melayu: Makmal X). Antara misi besarnya adalah untuk melatih komputer mengecam objek seekor kucing yang berada di dalam sesuatu imej tanpa perlu diajar atau diberitahu oleh manusia. Dengan menggunakan jaringan 16 ribu pemprosesor komputer rangkaian neural dengan 1 bilion sambungan di antaranya, komputer X Lab ini memulakan misi mencari objek kucing di dalam imej. 

https://www.wired.com/2012/06/google-x-neural-network/

.

Selama 3 hari, komputer itu bekerja menganalisis 10 juta imej yang dikumpul secara rawak. Dengan berpandukan 20,000 petunjuk, ia akhirnya berjaya mengecam seekor kucing menggunakan kaedah yang dipanggil Deep Learning. Deep Learning adalah satu kaedah di dalam bidang Machine Learning yang berdasarkan konsep Artificial Neural Network.

https://en.wikipedia.org/wiki/Deep_learning

.

Bagaimana Artificial Neural Network ini berfungsi?

Dalam bahasa mudah konsep Artificial Neural Network adalah sejenis fungsi matematik. Fungsi matematik ini menerima sekelompok nilai atau angka, lalu mendarabnya dengan nilai yang lain dan menghasilkan satu atau sekelompok angka yang baru.

.

Peranan fungsi Neural Network sangat berguna dalam domain masalah di mana tidak ada fungsi matematik sedia ada yang diketahui dapat menghasilkan pengiraan yang tepat bagi sesuatu penyelesaian.

.

Contohnya, seekor kucing itu dikenali dengan sifat seperti mata, telinga, bulu, warna dan sebagainya. Untuk membolehkan pengecaman dibuat, sesuatu imej itu akan dipecahkan kepada cebisan kecil dan komputer akan mengesan samada sifat-sifat ini wujud dalam cebisan tersebut.

Dalam bidang pengkelasan komputer, sifat-sifat ini dipanggil ciri-ciri (features) yang perlu diekstrak dari data yang diterima.

.

(gambar: ilustrasi proses deep learning)

.

Ciri-ciri

Katakan ciri-ciri umum seekor binatang adalah tanduk, mata, kaki, sayap dan ekor. Komputer akan menilai sesuatu cebisan gambar dan cuba menjawab adakah cebisan tersebut mempunyai ciri-ciri ini.

.

(gambar: sifat umum haiwan)

.

Skor pengecaman

Berdasarkan penilaian terhadap jutaan gambar, komputer akan memperolehi skor. Skor yang diperolehi tidak semestinya tepat. Mungkin ada ralat dalam proses pengecaman.

(gambar: skor sifat umum haiwan yang ada pada kucing)

Pemberat 

Setiap ciri mungkin mempunyai kekuatan pengaruh yang berbeza. Contohnya, setiap kucing normal sepatutnya mempunyai 2 mata tetapi tidak semestinya mempunyai ekor. Demikian pula ada ciri-ciri umum haiwan yang tidak sepatutnya wujud pada kucing seperti tanduk dan sayap. Untuk meningkatkan kualiti pengecaman, komputer akan mengira pemberat bagi setiap ciri-ciri itu.

(gambar: pemberat bagi setiap skor sifat umum haiwan untuk kucing)

Dalam gambar di atas, warna merah mewakili arah negatif, maksudnya adalah sangat tidak munasabah kucing mempunyai tanduk. Manakala warna hijau mewakili arah positif, maksudnya adalah sangat munasabah kucing mempunyai 4 kaki.

Activation Function

Maklumat ciri-ciri tadi boleh diungkap dalam bentuk pernyataan fungsi matematik mudah seperti berikut:

Y = 0.83 × (-0.87) + 0.95 × 0.42 + 0.66 × 0.69+ 0.72 × (-0.64) + 0.5 ×0.35 = -0.1535

Fungsi mudah di atas perlu diperhalusi lagi. Kesudahan sesuatu proses pengecaman hanyalah dua situasi sahaja, betul atau tidak betul. Maka graf yang paling cocok untuk menggambarkan hal ini (betul atau tidak betul ataupun 0% atau 100%) adalah graf sigmoid yang berbentuk S. 

(gambar: graf sigmoid yang berada di antara nilai 0 dan 1)

Maka dengan itu fungsi di atas diperhalusi menjadi seperti berikut:

Y = sigmoid (0.83 × (-0.87) + 0.95 × 0.42 + 0.66 × 0.69+ 0.72 × (-0.64)+ 0.5 ×0.35)

Neuron Model

Jika kita lakarkan semula idea di atas iaitu gabungan ciri, pemberat dan activation function, ia akan kelihatan seperti rajah di bawah. Inilah yang dipanggil sebagai Neuron Model.

(gambar: Neuron Model)

Ringkasnya, Neuron Model melakukan perkara perikut:

1) Menerima input lalu menggandakan ciri dan pemberatnya.

2) Menggabungkan semua hasil gandaan.

3) Membina fungsi berdasarkan gabungan hasil gandaan.

Neural Network Model

Model ringkas di atas boleh digabungkan dengan model neuron yang lain lalu membentuk jaringan dipanggil Neural Network Model. Hal ini demikian kerana adakalanya kes pengecaman itu lebih rumit seperti kucing yang ada mata satu, ekor seperti bukan ekor, telinga terkoyak dan lain-lain, maka proses pengecaman itu perlu melalui beberapa peringkat atau layer.

Peringkat atau layer ini kadang-kadang melibatkan ciri-ciri di luar pengetahuan pengguna. Contohnya saiz gambar, sudut pandang dan sebagainya. Komputer mungkin memasukkan ciri-ciri ini untuk menyempurnakan lagi proses pengecamannya. Maka sebab itu hal ini turut digelar Hidden Layer iaitu aspek yang tersorok dari pengetahuan pengguna.

.

Kesimpulannya,

1) Neural network is a set of neurons organized in layers. 

2) Each neuron is a mathematical operation that takes it’s input, multiplies it by it’s weights and then passes the sum through the activation function to the other neurons. 

3) Neural network is learning how to classify an input through adjusting it’s weights based on previous examples.

.

RUJUKAN:

https://becominghuman.ai/understanding-neural-networks-1-the-concept-of-neurons-287be36d40f