TEMPO.CO, Michigan - Ilmuwan baru saja mengembangkan jaringan saraf baru (neural network) berbasis teknologi memristor yang memungkinkan mesin pembelajaran (machine learning) dan kecerdasan buatan (artificial intelligence) berpikir serta memprediksi sesuatu sangat cepat.

Baca: 10 Tren Teknologi 2018: Semua tentang Kecerdasan Buatan

Jaringan yang disebut sistem komputasi penyimpanan alias reservoir computing system generasi baru ini bisa memprediksi kata-kata yang belum diucapkan dalam percakapan. Sistem ini, menurut studi yang terbit dalam Nature Communications edisi 19 Desember 2017, nantinya bahkan bisa meramal masa depan bak cenayang.

Reservoir computing system sebetulnya sudah diciptakan dekade lalu. Fungsinya untuk meningkatkan kinerja jaringan saraf tiruan. Namun bentuknya masih berupa komponen optik besar yang berukuran satu unit personal computer (PC) atau bahkan lebih besar.

Tim yang dipimpin Wei Lu, peneliti sistem elektronik nano dari Universitas Michigan, Amerika Serikat, ini mampu menciptakan sistem yang sangat kecil dengan metode memristor. Ukurannya mungkin hanya sebesar prosesor modern.

“Dan lebih mudah untuk mengintegrasikannya ke perangkat elektronik berbasis silikon,” demikian menurut tim dalam artikel berjudul “Reservoir Computing Using Dynamic Memristors for Temporal Information Processing” ini.

Memristor merupakan sebuah alat bersifat resistif—tidak mampu memproduksi energi listrik—yang berfungsi sebagai prosesor sekaligus memori. Ini berbeda dengan sistem komputer biasa, yang memiliki prosesor terpisah dengan perangkat memori.

Dalam studi ini, Lu dan tim membuat memristor khusus yang ditugaskan menghafal kejadian dalam sejarah dan menganalisisnya menjadi sebuah prediksi. Lu dan tim terinspirasi dari sistem cara kerja otak dan jaringan saraf berbasis neuron, serta nodus, sinapsis, juga hubungan antar-nodus.

Di otak, nodus berfungsi mempercepat penyampaian informasi dari inti sel otak satu ke inti sel otak lain. Sedangkan sinapsis adalah titik temu antar-sel otak. Jika kerja sama dua fungsi bagian sel otak ini efisien, informasi dari semua organ tubuh akan cepat sampai ke otak.

Namun, sebelum menjadi pintar, otak memang harus dilatih dan diberi pelajaran. Lu dan tim lantas melatih jaringan saraf tiruan besutan mereka untuk menjawab banyak pertanyaan. Dalam proses pembelajaran ini, terungkap beban kerja yang dipikul dalam hubungan antar-nodus untuk mencapai jawaban yang benar. Dari situ tim lalu memasukkan data-data pendukung pada nodus yang cukup lama menjawab soal.

Pada tes kedua, hampir semua nodus bekerja tanpa ada halangan. Misalnya, pengenalan wajah manusia. Sistem milik Lu dan tim mampu menjawab persoalan dalam waktu singkat.

“Karena kecerdasan ini sudah diajarkan menganalisis fitur wajah manusia dari jutaan foto,” kata Lu, seperti dilansir laman kampusnya.

Pengenalan wajah termasuk permasalahan sederhana. Tugas yang lebih kompleks adalah memprediksi ucapan. Hal ini sangat bergantung pada konteks dan memerlukan banyak jaringan saraf tiruan untuk mengetahui apa yang baru saja terjadi atau apa yang akan dikatakan. Tugas ini membutuhkan kerja jaringan yang berulang layaknya otak manusia, serta memori jangka panjang. Namun, untuk mengembangkannya, butuh biaya yang mahal.

Nah, sistem yang Lu dan tim bentuk bisa memangkas hal itu. “Jaringan saraf tiruan kami tidak butuh pelatihan,” ujar Lu.

Caranya, satu set data dimasukkan ke dalam jaringan pertama. Kemudian, jaringan ini mengidentifikasi fitur data yang saling berkaitan dan membuatnya lebih sederhana sebelum diserahkan ke jaringan kedua.

Sedangkan jaringan kedua hanya membutuhkan beberapa modifikasi agar bisa menggunakan data tersebut. “Keindahan komputasi reservoir adalah saat kita merancangnya, bukan melatihnya,” kata Lu.

Lu dan tim memberi tes sistem mereka menggunakan pengenalan tulisan tangan—tolak ukur umum untuk menguji jaringan saraf tiruan. Sistem kemudian memecah deretan baris tulisan menjadi beberapa baris piksel dan dikonversi menjadi voltase dalam bentuk sandi morse.

Voltase nol untuk piksel gelap dan sedikit di atas satu volt untuk piksel putih. Hasilnya, hanya menggunakan 88 memristor—dibanding jaringan konvensional yang butuh ribuan nodus—sistem Lu mencapai ketepatan 91 persen.

Saat dicoba untuk menganalisis sejarah masa lalu pun, sistem tersebut mampu menebak dengan kesalahan kecil. Kesalahan inilah yang akan diperbaiki Lu bersama timnya ke depan. Mereka berencana memasukkan dua hal baru, yakni pengenalan suara (speech recognition) dan analisis prediksi (predictive analysis).

“Nantinya, kecerdasan buatan kami bisa memprediksi bahasa lisan manusia. Anda bahkan tak perlu mengucapkan kata kedua, sistem kami akan bisa menebaknya,” ujar Lu.

Dalam analisis prediksi, tim berharap bisa menggunakan kecerdasan buatan mereka untuk menerima sinyal dengan latar belakang suara bising, seperti stasiun radio jarak jauh, sehingga menghasilkan aliran data yang bersih.

Sudah siapkah kita menghadapi teknologi yang bisa memprediksi setiap perkataan kita pada masa depan?

Baca: Kecerdasan Buatan Bisa Bongkar Captcha, Apa Artinya Buat Manusia?

Simak berita tentang kecerdasan buatan di tempo.co

NATURE COMMUNICATIONS | UNIVERSITY OF MICHIGAN | SCIENCE DAILY