Ilmuwan mengembangkan algoritme AI inovatif yang disebut Torque Clustering yang memungkinkan mesin belajar lebih seperti manusia dan hewan—dengan menjelajahi pola dalam data secara mandiri, tanpa pengawasan manusia.

Pendekatan pembelajaran otonom ini merupakan langkah maju yang besar dalam bidang kecerdasan buatan.

Torque Clustering dapat menganalisis sejumlah besar data di berbagai bidang, termasuk biologi, kedokteran, keuangan, psikologi, kimia, dan astronomi.

Ini dapat digunakan untuk mendeteksi pola penyakit, mengungkap penipuan, atau mempelajari perilaku manusia, semuanya tanpa memerlukan data yang diberi label sebelumnya.

Apa Bedanya dengan AI Tradisional?

Sebagian besar sistem AI saat ini menggunakan pembelajaran terbimbing, yang berarti mereka membutuhkan manusia untuk memberi label data secara manual sebelum mereka dapat mengenali pola atau membuat prediksi.

Proses ini memakan waktu, mahal, dan tidak praktis untuk tugas yang kompleks atau berskala besar.

Sebaliknya, pembelajaran tanpa pengawasan—yang menjadi dasar Torque Clustering—tidak memerlukan data berlabel.

Sebaliknya, ia mengidentifikasi struktur dan pola tersembunyi dengan sendirinya, sehingga jauh lebih fleksibel dan dapat diskalakan.

“Hewan belajar dengan mengamati, menjelajahi, dan berinteraksi dengan lingkungannya, tanpa instruksi yang jelas,” kata Profesor CT Lin dari University of Technology Sydney (UTS).

“Gelombang AI berikutnya, ‘pembelajaran tanpa pengawasan,’ bertujuan untuk meniru pendekatan ini.”

Cara Kerja Torque Clustering

Algoritme Torque Clustering mengungguli metode pembelajaran tanpa pengawasan yang ada dalam hal kecepatan, akurasi, dan efisiensi.

Tidak seperti banyak model AI lainnya, algoritma ini sepenuhnya otonom, artinya tidak memerlukan penyesuaian manual atau pengaturan yang telah ditetapkan sebelumnya.

Dalam pengujian ketat pada 1.000 kumpulan data yang beragam, Torque Clustering mencapai skor akurasi sebesar 97,7%, dibandingkan dengan 80% untuk metode pengelompokan AI teratas lainnya.

Peningkatan besar ini dapat mengubah cara AI memproses data di masa mendatang.

“Yang membuat Torque Clustering unik adalah fondasinya dalam konsep torsi fisik, yang membantunya mendeteksi pola dan kelompok dalam data dengan presisi tinggi,” jelas Dr. Jie Yang, penulis pertama studi tersebut.

Terinspirasi oleh Alam Semesta

Menariknya, metode ini terinspirasi oleh cara galaksi bergabung karena gaya gravitasi. Metode ini bergantung pada dua sifat dasar fisika: massa dan jarak.

Dengan menerapkan prinsip-prinsip ini, Torque Clustering dapat mengidentifikasi klaster dalam data secara lebih efektif daripada model AI tradisional.

“Penghargaan Nobel dalam bidang fisika tahun lalu diberikan untuk penemuan yang memungkinkan pembelajaran mesin terbimbing menggunakan jaringan saraf tiruan,” kata Dr. Yang.

“Pembelajaran mesin tak terbimbing—yang dibangun berdasarkan prinsip torsi—memiliki potensi untuk menghasilkan dampak yang sama besarnya.”

Selangkah Menuju AI yang Lebih Otonom

Pengembangan Torque Clustering membawa AI lebih dekat ke kecerdasan buatan umum (AGI)—tingkat AI yang dapat berpikir, beradaptasi, dan belajar tanpa campur tangan manusia.

Hal ini sangat penting untuk robot, sistem otonom, dan pengambilan keputusan yang digerakkan oleh AI.

Dengan menghilangkan kebutuhan akan data berlabel manusia, metode ini dapat mendefinisikan ulang masa depan AI dan membuat algoritme pembelajaran jauh lebih mandiri dan canggih.

Tim peneliti telah menyediakan kode sumber terbuka untuk umum, yang memungkinkan para ilmuwan dan pengembang di seluruh dunia untuk mengeksplorasi dan mengembangkan pendekatan revolusioner terhadap pembelajaran AI ini.

Hasil penelitian dapat ditemukan di IEEE Transactions on Pattern Analysis and Machine Intelligence.