Sebagai manusia, simbolisme adalah kunci untuk memahami dunia di sekitar kita, yaitu cara kita menafsirkan objek, ide, dan hubungan di antara mereka.

Kita sepenuhnya bergantung pada analogi, yang menjadikan teknologi komputasi kita saat ini sangat berbelit-belit, kompleks, dan pada saat ini sudah kuno.

Semakin populernya kecerdasan buatan (AI) dan kasus penggunaan yang telah kita lihat pada ChatGPT OpenAI belum tentu merupakan aplikasi terbaik yang lebih dari sekadar "hype" dan inflasi saham.

Dalam komputasi tradisional, kita tidak sepenuhnya memahami apa yang dilakukan jaringan syaraf tiruan (JST) ini atau mengapa jaringan tersebut bekerja dengan baik. Kurangnya transparansi juga memberikan kerugian besar dalam pemahaman kita tentang bagaimana data dikumpulkan dan dianalisis untuk mengeluarkan hasil yang sangat kita anggap sebagai “kemajuan.”

Perhatikan contoh ANN berikut yang mampu membedakan “lingkaran” dan “kotak” satu sama lain.

Salah satu cara untuk mencapai perbedaan tersebut adalah dengan cara yang jelas – jika satu lapisan keluaran menunjukkan sebuah lingkaran, dan lapisan lainnya menunjukkan sebuah persegi.

Namun bagaimana jika Anda ingin ANN membedakan “warna” bentuk tertentu – apakah “merah” atau “biru”?

Karena "warna" adalah kumpulan data yang sepenuhnya terpisah, maka diperlukan neuron keluaran tambahan agar dapat memperhitungkan fitur tersebut pada keluaran akhir. Dalam hal ini, diperlukan empat neuron keluaran – masing-masing satu untuk lingkaran biru, kotak biru, lingkaran merah, dan kotak merah.

Sekarang, bagaimana jika kita menginginkan penghitungan yang juga mempertimbangkan informasi tambahan, seperti “ukuran” atau “posisi/lokasi”?

Lebih banyak fitur berarti lebih banyak neuron yang perlu memperhitungkan setiap kemungkinan yang terkait dalam mendefinisikan fitur tertentu (atau kombinasi fitur) dengan “lingkaran” dan “persegi”.

Dengan kata lain, ini menjadi sangat kompleks.

Bruno Olshausen, ahli saraf di Universitas California, Berkeley, baru-baru ini berbicara tentang perlunya memiliki neuron untuk setiap kemungkinan kombinasi fitur.

“Ini bukanlah cara otak kita memandang alam, dengan segala variasinya. Anda harus mengusulkan…sebuah neuron untuk semua kombinasi,” katanya, menjelaskan lebih lanjut bahwa pada dasarnya kita memerlukan “detektor Volkswagen berwarna ungu” atau sesuatu yang sangat tidak jelas untuk memperhitungkan setiap kemungkinan kombinasi informasi yang ingin kita pertimbangkan dalam kondisi apa pun. percobaan.

Masukkan 'komputasi hiperdimensi'.

Apa Itu 'Komputasi Hiperdimensi'?

Inti dari komputasi hiperdimensi adalah kemampuan algoritme untuk menguraikan bagian informasi tertentu dari gambar kompleks (pikirkan metadata) dan kemudian merepresentasikan informasi kolektif tersebut sebagai satu kesatuan, yang dikenal sebagai “vektor hiperdimensi”.

Tidak seperti komputasi tradisional, komputasi hiperdimensi memungkinkan kita memecahkan masalah secara simbolis dan dalam arti tertentu, mampu “memprediksi” hasil dari suatu masalah tertentu secara efisien dan akurat berdasarkan data yang terkandung dalam vektor hiperdimensi.

Apa yang dikemukakan Olshausen, di antara rekan-rekannya, adalah bahwa informasi di otak diwakili oleh aktivitas berton-ton neuron, membuat persepsi “Volkswagen ungu” fiktif kita tidak mungkin dapat ditampung oleh satu tindakan neuron, melainkan melalui ribuan tindakan. neuron yang, secara kolektif, membentuk Volkswagen ungu.

Dengan kumpulan neuron yang sama yang bertindak berbeda, kita dapat melihat konsep atau hasil yang sama sekali berbeda, misalnya Cadillac merah muda.

Kuncinya, menurut diskusi baru-baru ini di WIRED, adalah setiap informasi, seperti ide mobil atau mereknya, model, warna, atau gabungan semuanya, direpresentasikan sebagai satu kesatuan – vektor hiperdimensi atau hipervektor.

“Vektor” hanyalah deretan angka – 1, 2, 3, dst – dengan vektor 3D terdiri dari tiga angka – koordinat x, y, dan z dari suatu titik pasti dalam ruang 3D.

Sebaliknya, “hipervektor” dapat berupa susunan ribuan atau ratusan ribu angka yang mewakili suatu titik dalam ruang dimensi sebesar itu. Misalnya, hipervektor yang mewakili array 10.000 angka mewakili sebuah titik dalam ruang 10.000 dimensi.

Tingkat abstraksi ini memberi kita fleksibilitas dan kemampuan untuk mengembangkan komputasi modern dan menyelaraskannya dengan teknologi baru, seperti kecerdasan buatan (AI).

“Ini adalah hal yang paling membuat saya bersemangat, hampir sepanjang karier saya,” kata Olshausen. Baginya dan banyak orang lainnya, komputasi hiperdimensi menjanjikan dunia baru di mana komputasi menjadi efisien dan kuat serta keputusan yang dibuat oleh mesin sepenuhnya transparan.

Mengubah 'Metadata' Menjadi Algoritma Hyperdimensional untuk Menghasilkan Hasil yang Kompleks

Aljabar yang mendasarinya memberi tahu kita mengapa sistem memilih jawaban tertentu, yang tidak dapat dikatakan untuk jaringan saraf tradisional.

Dalam mengembangkan sistem hibrida di mana jaringan saraf ini dapat memetakan IRL ke hipervektor, dan kemudian memungkinkan aljabar hiperdimensi untuk mengambil alih adalah inti dari bagaimana AI harus digunakan untuk benar-benar memberdayakan kita agar lebih memahami dunia di sekitar kita.

“Inilah yang kita harapkan dari sistem AI mana pun,” kata Olshausen. “Kita harus bisa memahaminya seperti kita memahami pesawat terbang atau pesawat televisi.”

Kembali ke contoh “lingkaran” dan “persegi” dan menerapkannya pada ruang berdimensi tinggi, kita memerlukan vektor untuk mewakili variabel “bentuk” dan “warna” – tetapi juga, kita memerlukan vektor untuk mewakili nilai yang dapat ditugaskan ke variabel – “LINGKARAN”, “KOTAK”, “BIRU”, dan “MERAH.”

Yang terpenting, vektor-vektor ini harus cukup berbeda untuk dapat mengukur variabel-variabel ini.

Sekarang, mari kita perhatikan Eric Weiss, mahasiswa Olshausen, yang pada tahun 2015, mendemonstrasikan salah satu aspek kemampuan unik komputasi hiperdimensi dalam cara terbaik untuk merepresentasikan gambar kompleks sebagai vektor hiperdimensi tunggal yang berisi informasi tentang SEMUA objek dalam gambar – warna, posisi, ukuran.

Dengan kata lain, representasi metadata gambar yang sangat canggih.

“Saya praktis terjatuh dari kursi saya,” kata Olshausen. “Tiba-tiba, bola lampunya menyala.”

Pada saat itu, lebih banyak tim mulai memfokuskan upaya mereka pada pengembangan “algoritme hiperdimensi” untuk mereplikasi tugas-tugas “sederhana” yang telah dilakukan jaringan saraf dalam dua dekade sebelumnya – seperti mengklasifikasikan gambar.

Membuat 'Hypervector' Untuk Setiap Gambar

Misalnya, jika Anda mengambil kumpulan data beranotasi yang terdiri dari gambar angka tulisan tangan, algoritme hiperdimensi ini akan menganalisis fitur spesifik setiap gambar, menciptakan “hipervektor” untuk setiap gambar.

Membuat “Kelas” Hipervektor untuk Setiap Digit

Dari sana, algoritme akan menambahkan hipervektor untuk semua gambar “nol” untuk membuat hipervektor untuk “ide nol”, dan mengulanginya untuk semua digit, menghasilkan 10 hipervektor “kelas” – satu untuk setiap digit.

Kelas hipervektor yang disimpan tersebut sekarang diukur dan dianalisis terhadap hipervektor yang dibuat untuk gambar baru yang tidak berlabel untuk tujuan algoritme menentukan digit mana yang paling cocok dengan gambar baru (berdasarkan kelas hipervektor yang telah ditentukan untuk setiap digit).

Penelitian IBM Menyelami

Pada bulan Maret, Abbas Rahimi dan dua rekannya di IBM Research di Zurich menggunakan komputasi hiperdimensi dengan jaringan saraf untuk memecahkan masalah klasik dalam penalaran visual abstrak – sesuatu yang menghadirkan tantangan signifikan bagi ANN pada umumnya, dan bahkan beberapa manusia.

Tim pertama-tama membuat “kamus” hipervektor untuk mewakili objek di setiap gambar, di mana setiap hipervektor dalam kamus mewakili objek tertentu dan beberapa kombinasi atributnya.

Dari sana, tim melatih jaringan saraf untuk memeriksa gambar guna menghasilkan hipervektor bipolar – di mana atribut atau elemen tertentu dapat berupa +1 atau -1.

“Anda memandu jaringan saraf menuju ruang konseptual yang bermakna,” kata Rahimi.

Nilainya di sini adalah setelah jaringan menghasilkan hipervektor untuk masing-masing gambar konteks, dan untuk setiap kandidat slot kosong, algoritme lain digunakan untuk menganalisis hipervektor guna menciptakan “distribusi probabilitas” untuk sejumlah objek dalam gambar.

Dengan kata lain, aljabar mampu digunakan untuk memprediksi calon gambar yang paling mungkin mengisi slot yang kosong. Dan pendekatan tim ini menghasilkan akurasi hampir 88 persen pada satu rangkaian masalah, sedangkan solusi jaringan saraf saja kurang dari 61 persen akurat.

Kami Masih Dalam Masa Bayi

Meskipun memiliki banyak keuntungan, komputasi hiperdimensi masih dalam tahap awal dan memerlukan pengujian terhadap permasalahan dunia nyata dan pada skala yang jauh lebih besar daripada apa yang telah kita lihat sejauh ini – misalnya, kebutuhan untuk mencari lebih dari 1 miliar item atau hasil secara efisien. dan menemukan hasil yang spesifik.

Pada akhirnya, hal ini akan terjadi seiring berjalannya waktu, namun hal ini menimbulkan pertanyaan tentang di mana dan bagaimana kita menerapkan dan mengintegrasikan penggunaan kecerdasan buatan.

Baca tentang bagaimana kebaktian gereja berdurasi 40 menit, yang didukung oleh AI, menarik lebih dari 300 peserta di Jerman sebagai eksperimen pertama.

Klik di sini untuk melihat galeri lengkap di Hypemoon