Daftar istilah dan definisi dalam bidang kecerdasan artifisial (AI).
Tindakan yang diambil oleh agen dalam reinforcement learning.
Dalam reinforcement learning (RL), "action" merupakan tindakan yang diambil oleh agen dalam suatu lingkungan untuk mencapai tujuan tertentu. Setiap action mempengaruhi state berikutnya dari lingkungan dan menghasilkan reward sebagai umpan balik, yang digunakan agen untuk belajar dan meningkatkan performanya. Action diambil berdasarkan policy, yang bisa berupa fungsi deterministik atau stokastik yang menentukan pilihan action pada setiap state.
http://incompleteideas.net/book/the-book-2nd.html
Metode yang menggabungkan policy gradient dan value-based methods dalam reinforcement learning.
Metode Actor-Critic dalam reinforcement learning adalah sebuah pendekatan yang menggabungkan dua komponen utama: Actor dan Critic. Actor bertanggung jawab untuk memilih aksi berdasarkan kebijakan saat ini, sementara Critic mengevaluasi kebijakan tersebut dengan memperkirakan nilai fungsi atau advantage function. Metode ini menggabungkan keunggulan dari metode kebijakan murni (policy gradient methods) dan metode nilai (value-based methods), sehingga dapat menghasilkan pembaruan kebijakan yang lebih stabil dan efisien.
https://spinningup.openai.com/en/latest/spinningup/rl_intro.html#actor-critic-methods
Kecerdasan buatan, yaitu simulasi kecerdasan manusia dalam mesin yang diprogram untuk berpikir dan belajar seperti manusia.
Artificial Intelligence (AI) adalah bidang ilmu komputer yang berfokus pada penciptaan mesin cerdas yang mampu melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia, seperti pengenalan suara, pengambilan keputusan, pemecahan masalah, dan pembelajaran. AI dapat diterapkan dalam berbagai bentuk, termasuk sistem berbasis aturan, pembelajaran mesin (machine learning), jaringan saraf tiruan (neural networks), dan pemrosesan bahasa alami (natural language processing).
https://www.ibm.com/topics/artificial-intelligence
Tanggung jawab individu atau organisasi dalam penggunaan AI.
AI accountability merujuk pada prinsip dan proses yang memastikan bahwa sistem kecerdasan buatan (AI) bertanggung jawab atas dampak dan keputusan yang dibuatnya. Ini melibatkan pengukuran, pelacakan, dan pengungkapan kinerja, kebijakan, dan proses AI untuk memastikan transparansi, keadilan, dan keamanan. AI accountability juga mencakup pengembangan kerangka hukum dan etika yang mengatur penggunaan AI, serta mekanisme untuk mengatasi masalah yang mungkin timbul dari penggunaan sistem AI.
https://oecd.ai/en/ai-principles
Entitas yang melakukan tugas berdasarkan kecerdasan buatan.
AI agent, atau agen kecerdasan buatan, adalah entitas yang dapat merasionalisasi dan mengambil tindakan secara mandiri dalam suatu lingkungan untuk mencapai tujuan tertentu. Agen AI dapat berupa program komputer atau sistem yang menggunakan algoritma pembelajaran dan pengambilan keputusan untuk berinteraksi dengan lingkungannya. Agen ini dapat dioptimalkan melalui pembelajaran yang diperkuat (reinforcement learning), pembelajaran berbasis pengawasan (supervised learning), atau pembelajaran tanpa pengawasan (unsupervised learning). Agen AI memiliki aplikasi yang luas, termasuk robotika, otomatisasi, permainan, dan sistem rekomendasi.
https://www.britannica.com/technology/artificial-intelligence
Proses menghilangkan informasi pribadi dari data sebelum digunakan dalam AI.
Aplikasi atau sistem yang membantu pengguna dengan tugas-tugas sehari-hari menggunakan AI.
Proses penilaian untuk memastikan bahwa penggunaan AI sesuai dengan aturan dan standar.
Teknik untuk mengurangi atau menghilangkan bias dalam model AI.
Kepatuhan terhadap aturan dan standar yang berlaku dalam penggunaan AI.
Teknik untuk meningkatkan jumlah dan variasi data dengan memodifikasi data yang ada.
Proses memberi label pada data untuk pelatihan model AI.
Prinsip mengumpulkan dan menggunakan data sesedikit mungkin untuk tujuan tertentu.
Teknik untuk menstandarisasi data agar memiliki skala yang seragam.
Tahapan persiapan data sebelum digunakan dalam pelatihan model AI.
Teknik untuk menghapus atau mengaburkan identitas pribadi dalam data.
Proses mengintegrasikan model AI ke dalam sistem atau produk yang digunakan oleh pengguna akhir.
Studi tentang etika dan dampak sosial dari pengembangan dan penggunaan AI.
Kelompok yang bertanggung jawab atas penilaian etika dan dampak sosial dari penggunaan AI.
Upaya untuk memastikan bahwa model AI tidak memiliki bias dan memperlakukan semua pengguna secara adil.
Alat yang membantu dalam mengidentifikasi dan mengurangi bias dalam model AI.
Proses mengekstrak informasi penting dari data mentah.
Penilaian pentingnya setiap fitur dalam model AI.
Metode untuk mengubah skala fitur agar model dapat belajar lebih efisien.
Kerangka kerja yang menyediakan alat dan library untuk membangun dan melatih model AI.
Pengaturan dan pengelolaan penggunaan AI untuk memastikan keadilan dan keamanan.
Evaluasi dampak sosial, ekonomi, dan lingkungan dari penggunaan AI.
Tanggung jawab hukum atas kerugian yang disebabkan oleh kegagalan atau kesalahan AI.
Representasi matematis atau logis dari proses kecerdasan yang dapat dilatih dan dievaluasi.
Serangkaian tahapan yang digunakan dalam pengolahan data dan pelatihan model AI.
Sistem yang menyediakan lingkungan untuk pengembangan, pelatihan, dan penerapan model AI.
Dokumen yang menetapkan aturan dan pedoman untuk penggunaan AI dalam organisasi atau negara.
Perlindungan data pribadi dalam penggunaan AI.
Teknik dan metode untuk melindungi data pribadi dalam penggunaan AI.
Peraturan yang mengatur penggunaan AI oleh pemerintah atau badan regulasi.
Proses mengidentifikasi, mengevaluasi, dan mengurangi risiko yang terkait dengan penggunaan AI.
Ketahanan model AI terhadap serangan atau input yang tidak biasa.
Aspek keamanan dalam pengembangan dan penggunaan AI.
Keterbukaan dalam proses pengembangan, pelatihan, dan penerapan model AI.
Teknik untuk mengidentifikasi data yang tidak normal atau outlier.
Kecerdasan buatan yang memiliki kemampuan umum seperti manusia.
Mekanisme yang memungkinkan model fokus pada bagian tertentu dari input.
Jenis jaringan saraf yang digunakan untuk belajar representasi data (encoding).
Kendaraan yang dapat mengemudi sendiri tanpa intervensi manusia.
Model grafis probabilistik yang mewakili hubungan antara variabel acak.
Bidirectional Encoder Representations from Transformers: model NLP yang menggunakan transformer untuk memahami konteks dua arah.
Kecenderungan atau prasangka yang muncul dalam model AI akibat data atau algoritma yang digunakan.
Dataset yang sangat besar dan kompleks yang sulit diolah menggunakan metode tradisional.
Implementasi gradient boosting yang fokus pada data kategorikal.
Program komputer yang dirancang untuk mensimulasikan percakapan dengan pengguna manusia.
Teknik supervised learning untuk mengklasifikasikan data ke dalam kategori tertentu.
Teknik unsupervised learning untuk mengelompokkan data ke dalam kelompok yang serupa.
Cabang dari AI yang fokus pada pengenalan dan pemahaman gambar dan video.
Jenis jaringan saraf yang digunakan untuk pengolahan gambar dan visi komputer.
Teknik untuk mengevaluasi performa model dengan membagi data menjadi beberapa bagian dan melatih model pada bagian yang berbeda.
Proses mengekstrak informasi penting dari dataset besar.
Model prediksi yang menggunakan struktur pohon untuk membuat keputusan.
Subset dari machine learning yang menggunakan jaringan saraf tiruan dengan banyak lapisan (deep neural networks).
Variasi dari Q-learning yang menggunakan jaringan saraf untuk memperkirakan Q-value.
Penggabungan deep learning dengan reinforcement learning.
Sistem yang memungkinkan interaksi percakapan antara manusia dan komputer.
Teknik untuk mengurangi jumlah variabel input tanpa mengurangi informasi penting.
Teknik visi komputer untuk mengenali emosi dari wajah atau suara.
Sistem AI yang menggabungkan pengetahuan manusia dengan kemampuan komputer untuk memecahkan masalah.
Bidang AI yang fokus pada pembuatan model yang dapat dijelaskan dan dipahami.
Dilema dalam reinforcement learning antara mengeksplorasi lingkungan baru dan memanfaatkan tindakan yang diketahui.
Teknik visi komputer untuk mengenali wajah manusia.
Proses memilih dan mengubah variabel input untuk meningkatkan performa model.
Proses memilih variabel input yang paling relevan untuk model.
Logika yang memungkinkan nilai-nilai antara benar dan salah.
Studi tentang interaksi strategis antara pemain atau agen dalam permainan.
Jenis RNN yang lebih sederhana dari LSTM.
Jenis jaringan saraf yang terdiri dari dua model, generator dan diskriminator, yang saling bersaing.
Algoritma yang terinspirasi oleh teori evolusi untuk mencari solusi optimal.
Model NLP yang menggunakan transformer untuk generasi teks.
Metode ensemble learning yang menggabungkan beberapa model lemah menjadi model yang kuat.
Hidden Markov Model (HMM)
Model statistik yang digunakan untuk memodelkan proses stokastik dengan state tersembunyi.
Parameter yang ditentukan sebelum proses pelatihan model dan mempengaruhi performa model.
Teknik AI untuk mengenali objek, orang, atau aktivitas dalam gambar.
Teknik visi komputer yang menggabungkan object detection dan semantic segmentation.
Kumpulan fakta dan aturan yang digunakan oleh sistem AI untuk membuat keputusan.
Grafik yang mewakili pengetahuan dalam bentuk entitas dan hubungan antara entitas.
Implementasi gradient boosting yang menggunakan algoritma berbasis pohon.
Jenis RNN yang dapat belajar dependensi jangka panjang.
Cabang dari AI yang fokus pada pengembangan algoritma yang memungkinkan komputer belajar dari data.
Model matematika yang digunakan dalam reinforcement learning untuk memodelkan keputusan dan tindakan.
Analisis serangan adversarial pada model machine learning.
Pendekatan yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Studi kasus tentang serangan adversarial pada model machine learning.
Konsep yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Dataset yang digunakan untuk menguji serangan adversarial pada model machine learning.
Teknik untuk mendeteksi dan melindungi model machine learning dari serangan adversarial.
Evaluasi dampak serangan adversarial pada model machine learning.
Kerangka kerja yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Library yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Kumpulan literatur tentang serangan adversarial pada model machine learning.
Metodologi yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Teknik untuk mengurangi dampak serangan adversarial pada model machine learning.
Teknik untuk mencegah serangan adversarial pada model machine learning.
Prinsip yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Penelitian tentang serangan adversarial pada model machine learning.
Simulasi serangan adversarial pada model machine learning.
Strategi yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Teknik yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Pengujian model machine learning terhadap serangan adversarial.
Teori yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Alat yang digunakan untuk melakukan serangan adversarial pada model machine learning.
Teknik untuk melindungi model machine learning dari input adversarial.
Teknik untuk mendeteksi input adversarial pada model machine learning.
Contoh input yang dirancang untuk mengelabui atau merusak model machine learning.
Ketahanan model machine learning terhadap input adversarial.
Pelatihan model machine learning dengan contoh adversarial untuk meningkatkan ketahanan.
Serangan yang dilakukan untuk mengganggu atau merusak model machine learning.
Teknik ensemble learning yang menggunakan bootstrap aggregating untuk mengurangi varians.
Proses membandingkan performa model machine learning dengan model lain dalam tugas yang sama.
Teknik ensemble learning yang menggabungkan beberapa model lemah menjadi model yang kuat.
Proses membuat duplikat model machine learning yang identik.
Kemampuan model machine learning untuk bekerja dengan sistem atau perangkat lunak lain.
Teknik untuk mengurangi ukuran dan kompleksitas model machine learning tanpa mengurangi performa.
Teknik untuk melindungi model machine learning dari serangan.
Proses mengintegrasikan model machine learning ke dalam sistem atau produk yang digunakan oleh pengguna akhir.
Proses mengubah format serialisasi kembali menjadi model machine learning yang dapat digunakan.
Teknik untuk mentransfer pengetahuan dari model besar ke model kecil.
Perubahan dalam distribusi data yang mempengaruhi performa model machine learning.
Penggabungan beberapa model machine learning untuk meningkatkan akurasi dan ketahanan.
Proses mengevaluasi performa model machine learning menggunakan metrik tertentu.
Teknik untuk memberikan penjelasan terhadap prediksi atau keputusan model machine learning.
Proses mengekspor model machine learning ke format yang dapat digunakan di berbagai platform.
Proses menggunakan model machine learning untuk membuat prediksi atau keputusan.
Waktu yang dibutuhkan untuk melakukan inferensi dengan model machine learning.
Proses mengintegrasikan model machine learning ke dalam sistem atau aplikasi yang ada.
Kemampuan untuk menjelaskan dan memahami keputusan yang dibuat oleh model machine learning.
Waktu tunda antara input dan output dalam inferensi model machine learning.
Pemberian izin penggunaan model machine learning sesuai dengan ketentuan hukum.
Platform untuk berbagi dan menjual model machine learning.
Proses memantau performa dan kesehatan model machine learning setelah di-deploy.
Proses meningkatkan performa dan efisiensi model machine learning.
Proses menyimpan dan memuat model machine learning dari penyimpanan.
Kemampuan model machine learning untuk digunakan di berbagai platform atau lingkungan.
Teknik untuk menghapus bagian dari model machine learning yang tidak signifikan untuk meningkatkan efisiensi.
Teknik untuk mengurangi presisi parameter model machine learning untuk meningkatkan kecepatan dan efisiensi.
Penyimpanan dan manajemen model machine learning yang telah dilatih.
Proses membuat salinan model machine learning untuk tujuan pengujian atau penggunaan lain.
Proses melatih ulang model machine learning dengan data baru untuk menjaga performa.
Pengujian ketahanan model machine learning terhadap input yang tidak biasa atau serangan.
Kemampuan model machine learning untuk menangani peningkatan beban atau data.
Perlindungan model machine learning dari serangan atau penggunaan yang tidak sah.
Proses memilih model machine learning yang paling sesuai untuk tugas tertentu.
Proses mengubah model machine learning menjadi format yang dapat disimpan dan dikirim.
Proses menyediakan akses ke model machine learning untuk digunakan dalam produksi.
Teknik ensemble learning yang menggabungkan prediksi dari beberapa model.
Proses menghasilkan model machine learning baru dari model yang ada.
Proses menguji model machine learning untuk memastikan bahwa model bekerja sesuai dengan harapan.
Jumlah inferensi yang dapat dilakukan oleh model machine learning dalam satuan waktu.
Proses menyesuaikan parameter model machine learning untuk meningkatkan performa.
Proses memvalidasi model machine learning untuk memastikan bahwa model bekerja dengan baik pada data baru.
Pengelolaan versi model machine learning untuk memudahkan pembaruan dan pemeliharaan.
Kerentanan model machine learning terhadap serangan atau kesalahan.
Metode yang menggunakan simulasi untuk memperkirakan nilai atau policy dalam reinforcement learning.
Sistem yang terdiri dari beberapa agen yang bekerja sama atau bersaing.
Kecerdasan buatan yang hanya mampu melakukan tugas tertentu.
Cabang dari AI yang fokus pada interaksi antara komputer dan bahasa manusia.
Model komputasi yang terinspirasi oleh struktur dan fungsi otak manusia.
Teknik visi komputer untuk mengenali dan menempatkan objek dalam gambar.
Struktur yang mendefinisikan konsep dan hubungan dalam domain tertentu.
Teknik untuk mengenali dan mengekstrak teks dari gambar.
Kondisi di mana model machine learning terlalu menyesuaikan diri dengan data pelatihan dan tidak mampu menggeneralisasi ke data baru.
Aturan atau strategi yang digunakan oleh agen untuk memilih tindakan.
Metode reinforcement learning yang langsung mempelajari policy (tindakan) yang optimal.
Teknik visi komputer untuk mengestimasi posisi dan gerakan tubuh.
Penggunaan data, statistik, dan teknik machine learning untuk memprediksi kejadian di masa depan.
Algoritma reinforcement learning yang menggunakan tabel Q-value untuk memilih tindakan.
Ensemble learning method yang menggunakan banyak decision tree.
Jenis jaringan saraf yang digunakan untuk pengolahan data berurutan seperti teks dan waktu.
Teknik supervised learning untuk memprediksi nilai kontinu.
Metode machine learning di mana model belajar dengan melakukan tindakan dan menerima reward atau punishment.
Agen yang belajar dengan melakukan tindakan dan menerima reward atau punishment.
Fungsi yang menentukan reward yang diterima oleh agen dalam reinforcement learning.
Cabang dari AI yang fokus pada pengembangan robot yang dapat melakukan tugas fisik.
Teknik visi komputer untuk mengklasifikasikan setiap piksel dalam gambar.
Teknik AI untuk mengidentifikasi emosi atau sikap dalam teks.
Teknik AI untuk mengenali dan mengartikan ucapan manusia.
Teknik untuk menghasilkan suara dari teks.
Teknik untuk menerjemahkan suara ke bahasa lain.
Teknik AI untuk mengubah suara menjadi teks.
Kondisi atau situasi yang dialami oleh agen dalam reinforcement learning.
Metode machine learning di mana model dilatih menggunakan dataset berlabel.
Algoritma supervised learning yang digunakan untuk klasifikasi dan regresi.
Model NLP yang menggunakan transformer untuk berbagai tugas NLP.
Metode yang menggabungkan ide dari Monte Carlo dan dynamic programming dalam reinforcement learning.
Teknik AI untuk mengubah teks menjadi suara.
Teknik di mana model yang telah dilatih pada tugas tertentu digunakan sebagai titik awal untuk tugas lain.
Model yang menggunakan attention mechanism untuk memproses data berurutan.
Probabilitas perubahan dari satu state ke state lain setelah mengambil tindakan.
Kondisi di mana model machine learning tidak mampu menangkap pola dalam data pelatihan.
Metode machine learning di mana model dilatih menggunakan dataset tanpa label.
Fungsi yang menghitung nilai atau keuntungan dari suatu state atau state-action pair.
Jenis autoencoder yang digunakan untuk generasi data.
Agen virtual yang membantu pengguna dengan tugas-tugas sehari-hari.
Implementasi efisien dari gradient boosting.