Dunia industri semakin mengandalkan Artificial Intelligence (AI) untuk otomatisasi dan pengambilan keputusan cerdas. Namun, seringkali model AI yang paling canggih, seperti deep neural networks, beroperasi layaknya “kotak hitam” (black-box). Mereka memberikan hasil yang akurat, tetapi sulit untuk dipahami mengapa keputusan tersebut diambil. Ini menjadi tantangan besar, terutama dalam aplikasi kritis yang membutuhkan transparansi, kepercayaan, dan kepatuhan regulasi.
Di sisi lain, sistem berbasis aturan (rule-based) menawarkan transparansi penuh (white-box) karena logikanya jelas dalam bentuk “jika-maka”. Sayangnya, sistem ini seringkali kesulitan menangani data yang kompleks dan bervariasi di dunia nyata. Kebutuhan akan solusi yang menggabungkan kekuatan performa AI dengan kejelasan logika inilah yang mendorong pengembangan Neurosymbolic AI.
Neurosymbolic AI: Menjembatani Kekuatan dan Kejelasan
Neurosymbolic AI adalah bidang yang berkembang pesat, berupaya mengintegrasikan kekuatan machine learning (Neural Networks) dengan penalaran simbolik (logika dan aturan). Tujuannya adalah menciptakan model AI yang tidak hanya berkinerja tinggi, tetapi juga mampu menjelaskan proses pengambilan keputusannya dalam format yang dapat dimengerti manusia. Model ini sering disebut sebagai “kotak abu-abu” (gray-box), menawarkan keseimbangan antara performa dan interpretasi.
Salah satu model Neurosymbolic AI yang menarik adalah RL-Net (Rule Learning neural Network). Model ini dirancang khusus untuk mempelajari daftar aturan (rule lists) yang terstruktur dan dapat dibaca langsung dari data, melalui proses optimasi neural. Ini berarti AI secara otomatis menemukan pola dan mengubahnya menjadi aturan “jika-maka” yang logis.
Aplikasi Nyata: Pengenalan Gerakan Tangan Berbasis Radar
Pengenalan gerakan tangan (Hand Gesture Recognition – HGR) adalah modalitas interaksi manusia-komputer yang intuitif. Aplikasi HGR sangat luas, mulai dari keselamatan berkendara di otomotif, kontrol peralatan medis di rumah sakit, hingga interaksi dalam augmented reality. Teknologi radar, khususnya FMCW radar, menawarkan keunggulan unik untuk HGR: tahan terhadap kondisi cahaya dan cuaca, menjaga privasi (tidak merekam gambar visual), dan ukurannya ringkas.
Meskipun deep learning telah menunjukkan performa tinggi untuk HGR berbasis radar, sifat black-box mereka menjadi kendala dalam aplikasi yang membutuhkan kepercayaan tinggi. Di sinilah Neurosymbolic AI seperti RL-Net berperan. Dengan menerapkan RL-Net pada data radar HGR, kita dapat membangun sistem yang tidak hanya mengenali gerakan dengan akurat, tetapi juga memberikan penjelasan berupa aturan logis di baliknya.
Keunggulan RL-Net untuk HGR Radar
Sebuah penelitian terbaru mengeksplorasi penerapan RL-Net untuk pengenalan gerakan tangan berbasis radar. Ini adalah aplikasi pertama Neurosymbolic AI pada data radar FMCW dunia nyata. Penelitian ini membandingkan RL-Net dengan model berbasis aturan murni (white-box) dan model black-box yang diberi penjelasan (explainable black-box).
Hasilnya menunjukkan bahwa RL-Net berhasil mencapai keseimbangan yang baik. Model ini mempertahankan performa yang kuat (dengan akurasi F1 mencapai 93.03%) sambil secara signifikan mengurangi kompleksitas aturan yang dipelajari dibandingkan sistem berbasis aturan murni. Selain itu, penelitian ini juga menguji kemampuan adaptasi RL-Net melalui transfer learning spesifik pengguna, yang berhasil meningkatkan akurasi dan menyederhanakan aturan yang dipelajari untuk setiap individu.
Manfaat bagi Industri di Indonesia
Penerapan Neurosymbolic AI untuk pengenalan gerakan berbasis sensor, seperti radar atau bahkan analitik video AI, membuka peluang baru bagi industri di Indonesia.
- Transparansi dan Kepercayaan: Dalam sektor seperti manufaktur atau konstruksi, memahami mengapa sistem AI mendeteksi potensi bahaya atau ketidaksesuaian APD sangat penting untuk investigasi insiden dan peningkatan proses. Aturan yang jelas dari Neurosymbolic AI membangun kepercayaan pada sistem otomatis.
Kepatuhan Regulasi: Dengan semakin ketatnya regulasi terkait penggunaan AI, kemampuan untuk menjelaskan cara kerja model menjadi krusial. Model gray-box* memfasilitasi audit dan validasi.
- Debugging dan Peningkatan: Ketika sistem membuat kesalahan, aturan yang dapat diinterpretasikan memudahkan identifikasi akar masalah dan perbaikan model.
Adaptasi Pengguna: Kemampuan transfer learning* memungkinkan sistem untuk disesuaikan dengan karakteristik atau gaya gerakan spesifik pengguna atau lingkungan, meningkatkan akurasi dan efisiensi. Ini relevan untuk kontrol akses atau interaksi mesin.
Penerapan di Perangkat Edge: Model RL-Net yang menghasilkan daftar aturan sederhana cocok untuk diterapkan langsung pada perangkat keras di lokasi (edge deployment*), mengurangi ketergantungan pada koneksi cloud dan meningkatkan kecepatan respons, mirip dengan konsep ARSA AI Box.
Bagaimana ARSA Technology Dapat Membantu?
ARSA Technology, sebagai perusahaan teknologi AI dan IoT terkemuka di Indonesia, memiliki keahlian mendalam dalam mengubah data sensor menjadi wawasan yang dapat ditindaklanjuti. Fokus kami pada analitik video AI, sistem kendaraan & parkir cerdas, dan otomasi industri sangat relevan dengan prinsip di balik Neurosymbolic AI.
Kami memahami pentingnya solusi AI yang tidak hanya akurat tetapi juga memberikan dampak nyata dan dapat dipercaya. Meskipun penelitian ini spesifik pada radar, konsep inti dari AI yang dapat dijelaskan dan diadaptasi sangat sejalan dengan visi ARSA dalam menyediakan teknologi lokal yang canggih untuk memecahkan masalah operasional di berbagai sektor seperti manufaktur, retail, dan smart city. Kami terus mengeksplorasi inovasi terbaru untuk memastikan solusi kami relevan dan memberikan nilai maksimal bagi bisnis Anda.
Kesimpulan
Penelitian tentang penerapan Neurosymbolic AI seperti RL-Net untuk pengenalan gerakan tangan berbasis radar menunjukkan langkah maju yang signifikan dalam menciptakan sistem AI yang berkinerja tinggi sekaligus transparan. Kemampuan untuk mempelajari aturan yang dapat diinterpretasikan, dikombinasikan dengan potensi adaptasi pengguna, menjadikan model gray-box ini ideal untuk aplikasi di mana kepercayaan, keamanan, dan kepatuhan sangat penting.
Bagi industri di Indonesia, inovasi ini membuka jalan menuju adopsi AI yang lebih luas dan percaya diri. Solusi AI yang dapat “berbicara” dan menjelaskan logikanya akan menjadi aset berharga dalam meningkatkan efisiensi, keamanan, dan pengalaman pengguna.
Konsultasikan kebutuhan AI Anda dengan tim ARSA Technology untuk menemukan solusi cerdas yang tepat bagi bisnis Anda. Hubungi kami untuk konsultasi gratis.
