Revolusi Pembelajaran Mesin: Memahami Ontologi Negatif dan Supervisi Demokratis dalam AI

      Pembelajaran mesin (Machine Learning/ML) telah merevolusi banyak aspek teknologi, memungkinkan sistem untuk belajar dari data dan membuat prediksi yang akurat. Namun, fondasi dari sebagian besar paradigma ML terletak pada asumsi krusial: keberadaan target kebenaran (True Target/TT) atau ground truth yang objektif dan jelas. Target kebenaran ini diibaratkan sebagai "jawaban ideal" yang harus dipelajari oleh model.

      Seiring kompleksitas aplikasi AI di dunia nyata, asumsi ini semakin dipertanyakan. Bagaimana jika target kebenaran itu sendiri ambigu, subjektif, atau bahkan tidak dapat didefinisikan secara inheren? Sebuah studi filosofis yang dipublikasikan oleh Yongquan Yang di arXiv, berjudul "Negative Ontology of True Target for Machine Learning: Towards Evaluation and Learning under Democratic Supervision" (Sumber: Yang, Y. (2024). Negative Ontology of True Target for Machine Learning: Towards Evaluation and Learning under Democratic Supervision. arXiv preprint arXiv:2604.24824. https://arxiv.org/abs/2604.24824), mengeksplorasi pergeseran asumsi ini dan mengusulkan kerangka kerja baru yang menjanjikan untuk evaluasi dan pembelajaran ML.

Paradigma Tradisional vs. Realitas Kompleks

      Dalam ML arus utama, target kebenaran diasumsikan ada secara objektif di dunia nyata. Contohnya, dalam klasifikasi gambar, label "kucing" atau "anjing" dianggap sebagai kebenaran mutlak. Model dilatih untuk meminimalkan perbedaan antara prediksinya dan target kebenaran ini. Asumsi ini sangat fundamental, karena secara implisit menentukan apa yang dipelajari, bagaimana supervisi diinterpretasikan, dan bagaimana model diharapkan mendekati serta menggeneralisasi realitas.

      Namun, semakin banyak bukti dari skenario dunia nyata—seperti evaluasi dengan target yang tidak akurat, pembelajaran dengan label yang bising (noisy-label learning), atau pengaturan banyak anotator—menunjukkan bahwa target kebenaran seringkali tidak jelas, subjektif, atau bahkan tidak dapat didefinisikan secara inheren. Di bidang medis, misalnya, diagnosis penyakit tertentu bisa jadi ambigu atau membutuhkan interpretasi dari banyak ahli, bukan satu "kebenaran" tunggal. Ini menciptakan ketegangan antara asumsi tradisional dan realitas praktis akuisisi serta anotasi data.

Mengadopsi Ontologi Negatif untuk Target Kebenaran

      Studi Yang mengambil sikap yang lebih radikal: secara eksplisit mengasumsikan bahwa target kebenaran (TT) tidak secara objektif ada di dunia nyata, daripada hanya "mungkin tidak ada." Ini disebut sebagai "ontologi negatif." Asumsi ini dapat dipahami sebagai situasi di mana seorang praktisi tidak memiliki spesifikasi atau pemahaman sebelumnya tentang apa itu TT saat menjelajahi pemodelan prediktif berbasis ML. Bahkan jika TT secara fisik ada dalam pengaturan pembelajaran yang diawasi konvensional, seseorang dapat dengan sengaja berasumsi bahwa itu tidak ada secara objektif.

      Mengadopsi ontologi negatif ini membuka perspektif dan wawasan baru. Dari prinsip-prinsip dasar, ini membingkai ulang pertanyaan tentang bagaimana pemodelan prediktif berbasis ML harus berjalan ketika praktisi awalnya tidak memiliki pengetahuan tentang TT. Hal ini mendorong inovasi untuk mengembangkan metodologi baru yang tidak bergantung pada definisi tunggal yang tidak ambigu untuk keberhasilan ML.

Supervisi Demokratis: Pendekatan Kolaboratif dalam ML

      Berdasarkan asumsi non-eksistensi TT, studi tersebut mendefinisikan "Supervisi Demokratis" untuk ML. Meskipun istilah ini sebelumnya dibahas dalam konteks pendidikan dan pengembangan profesional, Yang memperkenalkannya ke ranah ML dengan definisi formal. Supervisi Demokratis di ML adalah paradigma supervisi yang, di bawah non-eksistensi TT, membangun sinyal supervisi melalui agregasi, negosiasi, atau koeksistensi perspektif dari berbagai kontributor, daripada bergantung pada satu ground truth yang otoritatif.

      Ini berarti bahwa alih-alih hanya mengandalkan anotasi dari satu ahli domain, proses supervisi menjadi partisipatif, melibatkan para ahli domain, praktisi ML, dan bahkan non-ahli. Pendekatan ini memungkinkan konstruksi data yang lebih fleksibel dan inklusif. Secara teknis, ini memperluas ruang untuk mengembangkan paradigma evaluasi dan pembelajaran di bawah supervisi pluralistik, mengatasi keterbatasan supervisi tunggal dan membuka pintu bagi solusi AI yang lebih adaptif dalam konteks solusi AI kustom.

Multiple Inaccurate True Targets (MIATTs): Implementasi Konseptual

      Sebagai realisasi tingkat instans dari Supervisi Demokratis, studi ini memperkenalkan konsep "Multiple Inaccurate True Targets" (MIATTs), atau beberapa target kebenaran yang tidak akurat. MIATTs diformalkan sebagai kumpulan terbatas dari target kebenaran yang tidak akurat, di mana masing-masing target hanya menangkap sebagian dari fakta semantik dari target kebenaran yang mendasarinya (yang mungkin tidak dapat didefinisikan). Tidak ada target individual yang lengkap, tetapi kesatuan kolektif dari MIATTs merepresentasikan aspek-aspek sebagian atau seluruhnya.

      Pendekatan ini sangat relevan untuk skenario di mana definisi "benar" itu sendiri bisa jadi kompleks atau multifaset. Misalnya, dalam pengawasan kualitas produk yang subjektif atau analisis perilaku pelanggan, tidak ada satu pun target yang 100% akurat. Namun, dengan menggabungkan beberapa perspektif yang berbeda—masing-masing mungkin "tidak akurat" secara individual tetapi secara kolektif informatif—model ML dapat belajar untuk membuat prediksi yang lebih relevan dan bernuansa.

Kerangka EL-MIATTs: Evaluasi dan Pembelajaran Inovatif

      Studi Yang kemudian mengembangkan prinsip-prinsip untuk generasi dan penilaian MIATTs berbasis logika, formulasi penilaian logis untuk evaluasi dengan MIATTs, dan pembelajaran target kebenaran yang tidak dapat didefinisikan untuk pembelajaran dengan MIATTs. Semua komponen ini membentuk dasar untuk kerangka kerja yang disebut Evaluasi dan Pembelajaran dengan MIATTs (EL-MIATTs) untuk pemodelan prediktif berbasis ML.

      Kerangka EL-MIATTs memberikan metodologi yang terstruktur untuk mengelola ambiguitas bawaan dalam data supervisi. Ini adalah langkah maju yang signifikan dalam desain paradigma ML, terutama dalam domain yang secara tradisional sulit untuk ditangani karena sifat subjektif atau kompleks dari data kebenaran. AI Video Analytics, misalnya, dapat diperkaya dengan kerangka ini untuk menginterpretasi perilaku yang kompleks atau mengidentifikasi anomali yang definisinya tidak tunggal.

Aplikasi Dunia Nyata dan Dampak

      Untuk mendemonstrasikan potensi kerangka EL-MIATTs, penelitian ini mengaplikasikannya pada tugas segmentasi jalur sepeda dalam gambar jalanan. Para peneliti memperlakukan diri mereka sebagai non-ahli dalam mengidentifikasi jalur sepeda (yaitu, mengasumsikan bahwa target kebenaran jalur sepeda tidak ada secara objektif bagi mereka). Hasilnya menunjukkan potensi kerangka EL-MIATTs dalam mendukung pendidikan dan pengembangan profesional bagi individu.

      Ini menunjukkan bahwa kerangka tersebut tidak hanya relevan untuk meningkatkan akurasi model, tetapi juga sebagai alat pedagogis yang memungkinkan pembelajaran dan peningkatan keterampilan di bidang-bidang dengan informasi yang ambigu atau tidak lengkap. Pendekatan ini selaras dengan diskusi sebelumnya tentang supervisi demokratis dalam bidang pendidikan, yang menekankan pendekatan kolaboratif dan partisipatif dalam pengambilan keputusan. Sejak berpengalaman sejak 2018, ARSA Technology telah melihat kebutuhan akan fleksibilitas serupa dalam menghadapi tantangan data yang beragam di berbagai industri.

Kesimpulan

      Pergeseran filosofis dari asumsi keberadaan target kebenaran yang objektif menuju ontologi negatif TT memiliki implikasi mendalam bagi desain dan penerapan sistem Machine Learning. Dengan memperkenalkan Supervisi Demokratis dan realisasi tingkat instansnya, MIATTs, penelitian Yongquan Yang membuka jalan bagi metodologi ML yang lebih tangguh dan adaptif. Kerangka EL-MIATTs menawarkan pendekatan praktis untuk evaluasi dan pembelajaran di mana kebenaran itu sendiri merupakan konstruk yang kompleks, kolaboratif, dan seringkali tidak dapat didefinisikan sepenuhnya. Ini bukan hanya kemajuan teknis, tetapi juga perubahan paradigma yang memberdayakan, memungkinkan AI untuk berkembang di tengah realitas dunia yang serba tidak pasti.

      Jika Anda ingin menjelajahi bagaimana solusi AI & IoT dapat membantu organisasi Anda mengatasi tantangan data yang kompleks, silakan hubungi tim ARSA untuk konsultasi gratis.

      Sumber: Yang, Y. (2024). Negative Ontology of True Target for Machine Learning: Towards Evaluation and Learning under Democratic Supervision. arXiv preprint arXiv:2604.24824. https://arxiv.org/abs/2604.24824