Salah satu tantangan terbesar di abad ke-21 adalah memahami bagaimana otak membuat keputusan dan mereplikasi kemampuan tersebut dalam kecerdasan buatan (AI). Di ranah kognisi, model seperti Drift Diffusion Model (DDM) dan Poisson Counter Model telah lama digunakan untuk menjelaskan kecepatan dan pilihan dalam tugas pengambilan keputusan, memodelkan penumpukan “bukti” seiring waktu.
Namun, model-model tradisional ini memiliki keterbatasan signifikan: mereka tidak memiliki mekanisme belajar. Mereka hanya efektif untuk tugas-tugas di mana sistem atau individu sudah memiliki pengetahuan awal yang jelas tentang kategori atau pilihan yang tersedia. Ini membatasi kemampuan AI untuk beradaptasi dan belajar dari pengalaman baru, sesuatu yang sangat penting dalam banyak aplikasi bisnis di dunia nyata.
Dari Model Kognitif ke Model Biologis: DDM dan SNN
Model Drift Diffusion Model (DDM) memodelkan proses pengambilan keputusan sebagai pergerakan acak (seperti Brownian motion) menuju salah satu batas keputusan. Kecepatan pergerakan ini (disebut ‘drift rate’) mencerminkan seberapa kuat bukti yang mendukung suatu pilihan. Semakin kuat bukti, semakin cepat model mencapai batas dan membuat keputusan.
Sementara itu, Poisson Counter Model melihat penumpukan bukti sebagai peristiwa diskrit, seperti “lonjakan” (spike) aktivitas neuron. Model ini lebih dekat dengan cara neurosaintis memodelkan aktivitas otak. Namun, baik DDM maupun Poisson Counter Model, dalam bentuk klasiknya, tidak dirancang untuk belajar atau beradaptasi terhadap situasi baru.
Spiking Neural Network (SNN): AI yang Lebih Mirip Otak
Untuk menjembatani kesenjangan antara model kognitif dan model biologis yang lebih realistis, para peneliti beralih ke Spiking Neural Network (SNN). Berbeda dengan Artificial Neural Network (ANN) tradisional yang menggunakan nilai kontinu, SNN memproses informasi dalam bentuk “lonjakan” sinyal, mirip dengan cara neuron di otak berkomunikasi.
Aktivitas neuron dalam SNN dapat dimodelkan menggunakan proses matematika canggih seperti Hawkes process, yang mampu menangkap bagaimana satu “lonjakan” dapat memengaruhi kemungkinan terjadinya “lonjakan” lain di masa depan. Ini memungkinkan pemodelan interaksi kompleks antar neuron. Meskipun SNN menawarkan realisme biologis, tantangannya adalah mengintegrasikan mekanisme belajar yang efektif ke dalamnya, yang selama ini menjadi kekuatan utama ANN.
Inovasi Penelitian: SNN yang Belajar untuk Pengambilan Keputusan
Penelitian terbaru yang dibahas dalam paper ini menghadirkan langkah signifikan dengan menunjukkan bagaimana SNN yang dimodelkan menggunakan Hawkes process dapat dihubungkan dengan model DDM yang sudah terbukti akurat dalam memprediksi perilaku pengambilan keputusan. Lebih penting lagi, penelitian ini berhasil mengintegrasikan mekanisme belajar lokal ke dalam SNN ini.
Ini berarti model AI yang baru ini tidak hanya meniru cara otak menumpuk bukti dan membuat keputusan dengan cara yang lebih biologis (menggunakan ‘spikes’), tetapi juga dapat belajar dan meningkatkan kinerjanya seiring waktu. Mekanisme belajar lokal ini memungkinkan jaringan neuron untuk menyesuaikan kekuatan koneksi mereka berdasarkan aktivitas ‘spike’ yang terjadi, mirip dengan apa yang diyakini terjadi di otak.
Implikasi Praktis untuk Industri di Indonesia
Penelitian ini membuka jalan bagi pengembangan sistem AI yang lebih canggih, adaptif, dan berpotensi lebih efisien. Bagi industri di Indonesia, AI yang mampu belajar dan membuat keputusan kompleks dengan cara yang lebih mirip otak memiliki banyak aplikasi potensial:
- Analitik Video AI yang Lebih Cerdas: Sistem pengawasan dapat belajar mengenali pola perilaku mencurigakan yang baru, mendeteksi anomali yang lebih halus di lingkungan industri, atau meningkatkan akurasi pengenalan objek dan wajah dalam kondisi yang bervariasi seiring waktu.
- Sistem Parkir Cerdas & Kontrol Akses Adaptif: Sistem dapat belajar mengenali jenis kendaraan baru, beradaptasi dengan perubahan tata letak area, atau meningkatkan akurasi pembacaan plat nomor dalam kondisi cuaca buruk melalui pengalaman.
- Otomasi Industri yang Belajar: Sistem deteksi cacat produk dapat belajar mengidentifikasi jenis cacat baru yang muncul dalam proses produksi, atau sistem monitoring alat berat dapat belajar memprediksi kegagalan berdasarkan pola data sensor yang kompleks dan terus berubah.
- Self-Check Health Kiosk yang Lebih Akurat: Kios kesehatan atau sistem analisis citra medis berbasis AI dapat belajar dari data pasien baru untuk meningkatkan akurasi diagnosis atau skrining dini.
- Pelatihan VR yang Realistis: Meskipun SNN mungkin tidak langsung berjalan di headset VR, pemahaman yang lebih dalam tentang bagaimana otak membuat keputusan dapat menginformasikan desain simulasi pelatihan yang lebih efektif dan realistis, terutama untuk skenario berisiko tinggi.
Kemampuan belajar ini memungkinkan sistem AI untuk terus meningkatkan kinerjanya di lapangan tanpa perlu pemrograman ulang yang ekstensif, menjadikannya solusi yang lebih skalabel dan berkelanjutan.
Bagaimana ARSA Technology Dapat Membantu?
ARSA Technology, sebagai perusahaan teknologi lokal yang berpengalaman sejak 2018 dalam solusi AI dan IoT di Indonesia, terus mengikuti perkembangan terbaru dalam riset kecerdasan buatan. Kami memahami bagaimana menerjemahkan inovasi teknis yang kompleks seperti model Spiking Neural Network dengan mekanisme belajar menjadi solusi praktis yang memberikan dampak nyata bagi bisnis Anda.
Tim R&D internal kami di Yogyakarta dan tim implementasi kami yang melayani seluruh Indonesia, termasuk Surabaya dan Jakarta, siap membantu Anda mengadopsi teknologi AI dan IoT terdepan untuk meningkatkan efisiensi, keamanan, dan pengambilan keputusan di berbagai sektor, mulai dari manufaktur, smart city, hingga kesehatan.
Kesimpulan
Penelitian yang menghubungkan model pengambilan keputusan kognitif (DDM) dengan model biologis yang dapat belajar (SNN berbasis Hawkes process) merupakan langkah maju yang signifikan dalam pengembangan AI. Ini membawa kita lebih dekat pada penciptaan AI yang tidak hanya cerdas tetapi juga adaptif dan mampu belajar dari pengalaman, mirip dengan cara kerja otak manusia. Bagi bisnis di Indonesia, inovasi ini membuka peluang baru untuk sistem otomasi dan analitik yang lebih canggih dan efektif di masa depan.
Konsultasikan kebutuhan AI Anda dengan tim ARSA Technology untuk membahas bagaimana teknologi ini dapat diimplementasikan dalam operasional bisnis Anda. Kami siap memberikan konsultasi gratis dan solusi yang disesuaikan.
