AI tidak belajar persis seperti manusia. Pada banyak sistem AI modern, proses belajar berarti menyesuaikan parameter matematis berdasarkan data sehingga model semakin baik dalam melakukan suatu tugas.
Bayangkan kita ingin membuat AI yang dapat membedakan gambar kucing dan anjing.
Kita menyediakan banyak contoh gambar. Pada metode pembelajaran tertentu, setiap gambar juga memiliki label seperti “kucing” atau “anjing”.
Pada awal training, model mungkin sering salah.
Model melihat sebuah gambar dan memperkirakan:
“Kemungkinan ini kucing: 40%.”
Padahal gambar tersebut memang kucing.
Sistem kemudian menghitung seberapa jauh prediksi model dari target yang diharapkan. Informasi kesalahan tersebut digunakan untuk menyesuaikan parameter di dalam model.
Proses ini dilakukan berulang kali menggunakan banyak contoh.
Secara sederhana:
Input → Prediksi → Hitung kesalahan → Sesuaikan model → Ulangi.
Setelah training, model diharapkan mampu menerima gambar yang belum pernah dilihat sebelumnya dan tetap memperkirakan apakah gambar tersebut merupakan kucing atau anjing.
Kemampuan menghadapi data baru ini disebut generalization.
Tetapi tidak semua AI belajar dengan cara yang sama.
Dalam supervised learning, model belajar dari contoh yang memiliki label atau target. Dalam unsupervised learning, sistem mencoba menemukan struktur atau pola dalam data tanpa label eksplisit. Dalam reinforcement learning, sebuah sistem belajar melalui interaksi serta sinyal seperti reward.
Model AI modern dapat menggunakan kombinasi berbagai teknik tersebut.
Karena itu, ketika kita mengatakan “AI belajar”, yang terjadi bukan mesin tiba-tiba memperoleh pengalaman seperti manusia.
Yang terjadi adalah proses komputasi yang mengubah parameter model berdasarkan pola dan sinyal yang ditemukan dalam data.