Memoar Fei-Fei Li, *Dunia yang Kulihat*, baru-baru ini selesai saya dengarkan dalam versi buku audio. Mari berbagi kesan setelah membacanya.
Awalnya, saya tertarik pada tiga kata kunci: imigran, AI, dan orang Asia. Namun, yang benar-benar melekat adalah kata keempat: rasa ingin tahu.
Buku ini memiliki dua alur yang berjalan berdampingan. Yang pertama adalah perjalanan hidupnya: lahir di Beijing, besar di Chengdu, pindah ke Amerika Serikat pada usia lima belas tahun, bekerja sambil membantu keluarga melunasi utang, sekaligus mencari tempat di sistem pendidikan yang benar-benar asing baginya. Pada akhirnya, ia belajar fisika di Princeton, meraih gelar doktor di Caltech, lalu memimpin laboratorium AI di Stanford. Alur lainnya adalah sejarah sains tentang bagaimana mesin belajar untuk «melihat» dunia. Inti kisahnya adalah ImageNet, sebuah kumpulan data tolok ukur publik yang berisi puluhan juta gambar berlabel dan dikategorikan, sehingga berbagai algoritma dapat dibandingkan secara adil.
Ada satu detail dalam kisah ImageNet yang sangat membekas bagi saya: saat itu banyak orang berlomba-lomba mengembangkan algoritma, sementara tim Fei-Fei Li justru mencurahkan perhatian pada skala dan keragaman data. Pada awalnya, pendekatan ini tampak merepotkan, bahkan kurang «cerdas». Lalu apa yang terjadi? Ketika data berskala besar, GPU, dan jaringan saraf dalam berpadu, barulah visi komputer mengalami lompatan besar.
Hal ini mengubah bayangan saya tentang «terobosan teknologi». Semakin sempit bahan pelatihannya, semakin model hanya akan cerdas di dunia yang sempit. Nilai dari masukan yang luas adalah bahwa hal itu memaksa kita terus membedakan mana objek itu sendiri dan mana yang hanya latar belakang yang sudah biasa kita lihat.
Pemikiran ini juga memengaruhi perencanaan saya untuk belajar kosakata. Ada hampir delapan ratus kata di buku catatan kosakata saya… Bagian ini saya bahas lebih detail di podcast.
Episode ini cocok untuk teman-teman yang penasaran dengan sejarah AI atau sedang membaca buku ini. Tautannya ada di bawah 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8
Awalnya, saya tertarik pada tiga kata kunci: imigran, AI, dan orang Asia. Namun, yang benar-benar melekat adalah kata keempat: rasa ingin tahu.
Buku ini memiliki dua alur yang berjalan berdampingan. Yang pertama adalah perjalanan hidupnya: lahir di Beijing, besar di Chengdu, pindah ke Amerika Serikat pada usia lima belas tahun, bekerja sambil membantu keluarga melunasi utang, sekaligus mencari tempat di sistem pendidikan yang benar-benar asing baginya. Pada akhirnya, ia belajar fisika di Princeton, meraih gelar doktor di Caltech, lalu memimpin laboratorium AI di Stanford. Alur lainnya adalah sejarah sains tentang bagaimana mesin belajar untuk «melihat» dunia. Inti kisahnya adalah ImageNet, sebuah kumpulan data tolok ukur publik yang berisi puluhan juta gambar berlabel dan dikategorikan, sehingga berbagai algoritma dapat dibandingkan secara adil.
Ada satu detail dalam kisah ImageNet yang sangat membekas bagi saya: saat itu banyak orang berlomba-lomba mengembangkan algoritma, sementara tim Fei-Fei Li justru mencurahkan perhatian pada skala dan keragaman data. Pada awalnya, pendekatan ini tampak merepotkan, bahkan kurang «cerdas». Lalu apa yang terjadi? Ketika data berskala besar, GPU, dan jaringan saraf dalam berpadu, barulah visi komputer mengalami lompatan besar.
Hal ini mengubah bayangan saya tentang «terobosan teknologi». Semakin sempit bahan pelatihannya, semakin model hanya akan cerdas di dunia yang sempit. Nilai dari masukan yang luas adalah bahwa hal itu memaksa kita terus membedakan mana objek itu sendiri dan mana yang hanya latar belakang yang sudah biasa kita lihat.
Pemikiran ini juga memengaruhi perencanaan saya untuk belajar kosakata. Ada hampir delapan ratus kata di buku catatan kosakata saya… Bagian ini saya bahas lebih detail di podcast.
Episode ini cocok untuk teman-teman yang penasaran dengan sejarah AI atau sedang membaca buku ini. Tautannya ada di bawah 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8