Pengantar Artificial Intelligence

00:41:25
https://www.youtube.com/watch?v=R-P8nv-sdHI

Summary

TLDRLa sessió explora la intel·ligència artificial (IA) i la seva rellevància en l'educació i altres àmbits. Es discuteixen els conceptes de machine learning i deep learning, així com la seva aplicació en la predicció de malalties, especialment durant la pandèmia de COVID-19. La IA s'utilitza en diverses aplicacions quotidianes, com ara chatbots en comerç electrònic i reconeixement facial. També es destaca la importància de gestionar la dependència de la IA amb prudència i la necessitat d'ensenyar als estudiants a programar i a pensar críticament.

Takeaways

  • 🤖 La IA imita la intel·ligència humana.
  • 📊 Machine learning permet als ordinadors aprendre de les dades.
  • 🧠 Deep learning utilitza xarxes neuronals per a prediccions complexes.
  • 🛒 La IA s'aplica en el comerç electrònic amb chatbots.
  • 🩺 La IA ajuda a detectar malalties com el COVID-19.
  • 🌍 La IA pot predir la propagació de malalties.
  • 📚 L'educació pot beneficiar-se de sistemes d'aprenentatge adaptatius.
  • ⚖️ És important gestionar la dependència de la IA amb prudència.
  • 💻 Els estudiants han d'aprendre a programar i pensar críticament.
  • 🔍 La IA és una eina poderosa, però no substitueix la intel·ligència humana.

Timeline

  • 00:00:00 - 00:05:00

    En aquesta reunió, es va discutir sobre la intel·ligència artificial (IA) i la seva rellevància actual, tot i que el material es va presentar fa cinc anys. La IA s'integra en sistemes cognitius, aprenentatge automàtic i robòtica, permetent als ordinadors imitar la intel·ligència humana.

  • 00:05:00 - 00:10:00

    Es va explicar el concepte d'aprenentatge automàtic, que permet als ordinadors realitzar prediccions sense ser programats explícitament. L'aprenentatge profund, una branca de l'aprenentatge automàtic, utilitza xarxes neuronals per a prediccions complexes, com ara en vehicles autònoms.

  • 00:10:00 - 00:15:00

    Es va discutir com la IA s'aplica en el comerç electrònic, amb exemples com xatbots i reconeixement facial. També es va mencionar la traducció de llenguatges com una aplicació d'IA que ja existia abans de l'actual auge de la IA.

  • 00:15:00 - 00:20:00

    Durant la pandèmia, la IA va jugar un paper important en la predicció de casos de COVID-19 mitjançant imatges radiològiques i altres dades. Es va utilitzar l'algoritme CNN per a l'anàlisi d'imatges i la predicció de la propagació del virus.

  • 00:20:00 - 00:25:00

    Es va abordar la importància de la IA en la detecció de riscos geospatials, com la propagació de COVID-19 i altres desastres naturals, destacant la necessitat de dades massives per a la seva efectivitat.

  • 00:25:00 - 00:30:00

    Es va concloure que, tot i que la IA pot imitar certes capacitats humanes, no pot igualar la sensibilitat i les emocions humanes. La IA és una eina que ha de ser utilitzada amb prudència i no ha de substituir el pensament crític humà.

  • 00:30:00 - 00:41:25

    Finalment, es va discutir la importància de l'educació en programació i la creativitat en l'aprenentatge, així com la necessitat de preparar els estudiants per a un futur on la IA jugarà un paper cada vegada més important.

Show more

Mind Map

Video Q&A

  • Què és la intel·ligència artificial?

    La intel·ligència artificial és una tecnologia que permet als ordinadors imitar la intel·ligència humana.

  • Quina és la diferència entre machine learning i deep learning?

    El machine learning és un subconjunt de la IA que permet als ordinadors aprendre de les dades, mentre que el deep learning és una tècnica de machine learning que utilitza xarxes neuronals.

  • Com s'aplica la IA en l'educació?

    La IA s'aplica en l'educació mitjançant sistemes d'aprenentatge personalitzats i eines d'ensenyament adaptatives.

  • Quins són alguns exemples d'ús de la IA en la vida quotidiana?

    Exemples inclouen chatbots en comerç electrònic, reconeixement facial i traducció de llenguatges.

  • Quina és la importància de la IA durant la pandèmia de COVID-19?

    La IA ha ajudat a predir la propagació del COVID-19 i a analitzar imatges radiològiques per detectar la malaltia.

View more video summaries

Get instant access to free YouTube video summaries powered by AI!
Subtitles
id
Auto Scroll:
  • 00:00:04
    oke asalamualaikum warahmatullahi
  • 00:00:06
    wabarakatuh untuk pertemuan kali ini
  • 00:00:08
    kita akan membahas berkaitan dengan AI
  • 00:00:11
    secara umum
  • 00:00:13
    nah untuk AI ini meskipun materinya
  • 00:00:18
    beberapa tahun lalu berkaitan dengan
  • 00:00:21
    pandemi dan pasca pandemi namun AI ini
  • 00:00:24
    tentunya banyak digunakan
  • 00:00:26
    di ee masa kita sekarang baik itu untuk
  • 00:00:31
    pekerjaan pembelajaran ataupun hal
  • 00:00:34
    lainnya
  • 00:00:37
    nah di sini ada materi yang cukup
  • 00:00:39
    menarik berkaitan dengan artificial
  • 00:00:44
    intelligence dalam
  • 00:00:46
    pembelajaran yang di susun oleh Cahya
  • 00:00:50
    Karati si Molek RNB manager pada tahun
  • 00:00:54
    2020 ya meskipun sudah 5 tahun yang lalu
  • 00:00:56
    namun di sini masih relevan berkaitan
  • 00:00:58
    dengan AI dalam pelajaran baik itu dalam
  • 00:01:02
    hal pendidikan ataupun dari segi teknis
  • 00:01:06
    nah di sini ada pengantar berkaitan
  • 00:01:09
    dengan kejelasan
  • 00:01:10
    buatan yang memiliki tentunya banyak
  • 00:01:14
    definisi nah secara
  • 00:01:17
    umum untuk AI
  • 00:01:19
    ini mengintegrasikan dari tiga bagian ya
  • 00:01:24
    meskipun sedikit teknis juga di sini
  • 00:01:27
    namun beberapa hal yang sering dibahas
  • 00:01:30
    oleh Menteri Pendidikan Tinggi kita
  • 00:01:34
    yaitu sistem kognitif kemudian ada
  • 00:01:38
    machine learning yang banyak dibahas di
  • 00:01:40
    bidang informatika berkaitan dengan
  • 00:01:42
    prediksi kemudian bidang
  • 00:01:46
    robotik nah integrasi ketiga bagian ini
  • 00:01:51
    tentunya ee berdasarkan beberapa hal di
  • 00:01:53
    sini ada human work itu dunia
  • 00:01:56
    manusia itu sistem kognitif ataupun otak
  • 00:02:01
    kita kemudian ada machine learning yaitu
  • 00:02:06
    information word ataupun dunia informasi
  • 00:02:09
    kemudian berkaitan dengan data juga
  • 00:02:12
    kemudian ada hal yang berkaitan
  • 00:02:15
    dengan physical word ataupun robotik
  • 00:02:18
    implementasi dari sistem kognitif
  • 00:02:21
    kemudian machine learning yang
  • 00:02:23
    terintegrasi pada robotika
  • 00:02:39
    nah beberapa hal
  • 00:02:50
    tersebut nah beberapa hal tersebut
  • 00:02:53
    tentunya ee
  • 00:02:56
    tergabung pada suatu kecerdasan buatan
  • 00:02:59
    yang kita sebut artificial intelligence
  • 00:03:02
    itu teknik dari ee
  • 00:03:05
    suatu matematis ya sini yang mengizinkan
  • 00:03:09
    komputer ataupun allow komputer to mimic
  • 00:03:11
    human intelligence ataupun menyerupai
  • 00:03:13
    dari kecerdasan manusia
  • 00:03:40
    nah jadi untuk AI ini
  • 00:03:43
    tentunya mengizinkan komputer untuk
  • 00:03:46
    menyerupai dari kecerdasan manusia ya
  • 00:03:49
    kemudian ada berkaitan
  • 00:03:51
    dengan machine learning nah machine
  • 00:03:54
    learning ini banyak dibahas tentunya
  • 00:03:57
    berkaitan dengan prediksi selain
  • 00:03:59
    prediksi juga di sini a technique that
  • 00:04:01
    allow computer to perform T without
  • 00:04:05
    being program jadi program yang disusun
  • 00:04:09
    oleh programmer
  • 00:04:11
    itu secara sederhananya dapat diprediksi
  • 00:04:16
    oleh suatu sistem yang disebut machine
  • 00:04:19
    learning setelah sistem tersebut
  • 00:04:22
    mengolah data jadi machine learning
  • 00:04:24
    membutuhkan data nah data itu kemudian
  • 00:04:28
    diolah kemudian dilatih juga untuk
  • 00:04:31
    memprediksi dari suatu target prediksi
  • 00:04:34
    nah itu untuk machine
  • 00:04:36
    learning kemudian ada deep learning di
  • 00:04:39
    mana deep learning ini
  • 00:04:41
    pembelajaran mesin ataupun machine
  • 00:04:43
    learning yang lebih dalam yaitu bagian
  • 00:04:45
    dari machine learning itu sendiri yang
  • 00:04:47
    menggunakan neural network nah neural
  • 00:04:50
    network ini merupakan jaringan seperti
  • 00:04:54
    otak manusia yang dibentuk secara
  • 00:04:57
    matematis dalam bentuk statistik nah
  • 00:05:01
    statistik itu digunakan pada neural
  • 00:05:03
    network untuk melakukan prediksi yang
  • 00:05:06
    lebih kompleks nah contohnya di sini itu
  • 00:05:09
    memprediksi
  • 00:05:11
    dari ee sistem kecerdasan yang ada pada
  • 00:05:15
    mobil untuk memprediksi dari jarak
  • 00:05:18
    kemudian dari
  • 00:05:21
    ee geraknya juga di sini untuk
  • 00:05:23
    memprediksi dari
  • 00:05:25
    gambarnya untuk memprediksi dari ee
  • 00:05:27
    mobil pintar di sini untuk secara
  • 00:05:29
    otomatis memprediksi dari ee jarak ee
  • 00:05:34
    baik itu untuk pengereman kemudian untuk
  • 00:05:36
    jarak
  • 00:05:37
    tempuhnya juga nah ini memprediksi suatu
  • 00:05:40
    hal yang kompleks menggunakan deep
  • 00:05:42
    learning di sini tentunya
  • 00:05:44
    mengimplementasikan dari neural network
  • 00:05:47
    nah neural network ini menyerupai dari
  • 00:05:50
    otak manusia yang dibentuk dalam suatu
  • 00:05:53
    ee persamaan matematis
  • 00:05:55
    tentunya untuk memprediksi dari suatu
  • 00:05:58
    pengolahan data nah secara umum seperti
  • 00:06:01
    itu gambaran umumnya seperti itu karena
  • 00:06:04
    machine learning dan deep learning ini
  • 00:06:05
    dibahas lebih mendalam dari sisi ee
  • 00:06:09
    teknis ataupun informatik berkaitan
  • 00:06:12
    dengan matematis berkaitan dengan
  • 00:06:13
    statistik kemudian berkaitan dengan
  • 00:06:16
    hal-hal yang matematis untuk pengolahan
  • 00:06:19
    dari data
  • 00:06:28
    kemudian daya komputasi meningkat
  • 00:06:31
    banyaknya data yang tidak mahal
  • 00:06:33
    merupakan kemajuan dari mesin ini jadi
  • 00:06:36
    data is new oil ya istilahnya jadi data
  • 00:06:39
    itu merupakan minyak bumi yang ee
  • 00:06:43
    terbaru ya di sini merupakan suatu hal
  • 00:06:46
    yang mahal sini untuk pengolahan dari
  • 00:06:48
    data baik itu untuk diploning ataupun AI
  • 00:06:52
    secara keseluruhan contohnya pada CPT ya
  • 00:06:54
    untuk zaman sekarang itu membutuhkan
  • 00:06:56
    data yang eh luar biasa banyak dan super
  • 00:07:04
    komplek
  • 00:07:06
    kemudian AI yang ada di sekitar kita di
  • 00:07:10
    sini yang banyak kita gunakan contohnya
  • 00:07:13
    di sini ada e-commerce nah e-commerce
  • 00:07:16
    ini tentunya menggunakan beberapa AI
  • 00:07:19
    baik itu dari chatbot di sini ataupun AI
  • 00:07:23
    secara otomatis untuk
  • 00:07:26
    mengucapkan beberapa hal yang
  • 00:07:28
    mens-suggest ataupun memprediksi apa
  • 00:07:30
    yang kita cari di sini tentunya itu
  • 00:07:33
    berkaitan dengan AI kemudian chatboot
  • 00:07:35
    juga di sini chatboot yang tersedia
  • 00:07:38
    di ee e-commerce-nya yang menyediakan
  • 00:07:42
    pelayanan untuk membantu kita
  • 00:07:45
    dalam ee baik itu untuk e-commerce untuk
  • 00:07:47
    mencari barang ataupun di sini untuk
  • 00:07:50
    pesan pelayanan di ee suatu provider ya
  • 00:07:54
    di
  • 00:07:56
    sini nah ini personal assistant ya
  • 00:07:59
    kemudian selain dari personal assistant
  • 00:08:01
    ini ada special recognition ataupun
  • 00:08:05
    memprediksi dari wajah biasanya
  • 00:08:07
    digunakan untuk absensi ya di
  • 00:08:10
    sini ataupun di sini untuk mendeteksi
  • 00:08:13
    dari wajah siapa saja yang bisa di kita
  • 00:08:17
    ee prediksi tentunya harus melakukan
  • 00:08:20
    pelatihan terlebih dahulu di mana
  • 00:08:22
    pelatihan data tersebut memprediksi dari
  • 00:08:25
    wajah yang sudah diinputkan di sini
  • 00:08:28
    misalkan di sini ee cahaya karati ya di
  • 00:08:31
    sini untuk memprediksi dari wajahnya
  • 00:08:34
    tentunya harus melakukan inputan data
  • 00:08:37
    wajah terlebih dahulu untuk memprediksi
  • 00:08:39
    wajah dari setiap eh yang akan kita
  • 00:08:43
    prediksi adbot kemudian language
  • 00:08:45
    translation merupakan salah satu AI juga
  • 00:08:48
    tentunya sebelum eh hype AI juga langage
  • 00:08:53
    ini sudah banyak di gunakan tentunya
  • 00:09:00
    kemudian peran a di
  • 00:09:03
    masa ee pandemi ya tentunya pada
  • 00:09:06
    beberapa tahun
  • 00:09:07
    lalu di sini bisa memprediksi dari
  • 00:09:10
    beberapa hal tentunya beberapa hal
  • 00:09:13
    teknis ini juga masih digunakan pada
  • 00:09:16
    penelitian di bidang informatika
  • 00:09:18
    sekarang ya di sini memprediksi citra ya
  • 00:09:22
    memprediksi gambar yang tersedia
  • 00:09:25
    berdasarkan ee hasil radiologi nah
  • 00:09:28
    data-data yang diprediksi ini tentunya
  • 00:09:31
    bisa dilatih untuk memprediksi
  • 00:09:34
    apakah kemungkinan ataupun
  • 00:09:36
    probabilitas
  • 00:09:38
    COVID-nya meningkat ataupun probabilitas
  • 00:09:41
    kemungkinan COVID-nya tidak terjadi di
  • 00:09:44
    sini berdasarkan gambarnya
  • 00:09:46
    tentunya sistem ataupun aplikasi yang
  • 00:09:49
    dibentuk itu membutuhkan data gambar
  • 00:09:52
    yang cukup banyak untuk dilatih dan
  • 00:09:55
    sehingga secara otomatis dapat
  • 00:09:58
    memprediksi apakah kemungkinan misalkan
  • 00:10:00
    di kasus ini berkaitan dengan
  • 00:10:03
    pandemi apakah akan terdeteksi COVID
  • 00:10:06
    ataupun tidak terdeteksi COVID
  • 00:10:07
    berdasarkan citranya nah di sini
  • 00:10:10
    menggunakan ee algoritma CNN salah satu
  • 00:10:14
    algoritma neural network yang menyerupai
  • 00:10:17
    dari cara kerja otak kita di sini ya
  • 00:10:21
    tentunya
  • 00:10:22
    menggunakan ee persamaan matematis yang
  • 00:10:25
    diaplikasikan pada suatu sistem
  • 00:10:30
    kemudian ada salah satu
  • 00:10:34
    dari geospasial ya ataupun sistem
  • 00:10:36
    informasi geografis di
  • 00:10:39
    sini menggunakan blue.global global di
  • 00:10:42
    sini juga menggunakan AI juga yaitu
  • 00:10:46
    memprediksi dari penyebaran
  • 00:10:49
    COVID-nya tentunya membutuhkan data
  • 00:10:51
    inputan yang ee cukup banyak juga di
  • 00:10:54
    sini sehingga data berkaitan dengan kopi
  • 00:10:59
    di setiap daerah ataupun berkaitan
  • 00:11:00
    dengan data stunting lah misalkan
  • 00:11:03
    ataupun data bencana
  • 00:11:06
    berdasarkan ee tutupan lahan lah kalau
  • 00:11:08
    misalkan di bencana itu tutupan lahan
  • 00:11:10
    yang memprediksi
  • 00:11:12
    ee kerawanan bencana di suatu daerah nah
  • 00:11:15
    di sini pada kasus COVID ini tingkat
  • 00:11:18
    kerawanan COVID berdasarkan data yang
  • 00:11:21
    diinputkan pada suatu sistem itu dapat
  • 00:11:25
    ee memperlihatkan indikasi daerah mana
  • 00:11:28
    yang ee memiliki tingkat ee COVID yang
  • 00:11:32
    tinggi di sini tentunya menggunakan AI
  • 00:11:34
    tentunya AI ini membutuhkan data yang
  • 00:11:38
    banyak yang diolah sehingga bisa ee
  • 00:11:41
    mendeteksi ataupun memprediksi daerah
  • 00:11:44
    penyebaran ee COVID di
  • 00:11:47
    sini yang ee terindikasi meningkat
  • 00:11:51
    ataupun ee rawan
  • 00:11:57
    nah di sini personal assistant juga sama
  • 00:11:59
    seperti
  • 00:12:00
    tadi yaitu menggunakan chatbot untuk
  • 00:12:03
    telediagnosis yang banyak ee digunakan
  • 00:12:06
    juga untuk
  • 00:12:08
    sekarang nah di sini P and cure ataupun
  • 00:12:11
    eh melihat dari hal yang ada pada suatu
  • 00:12:16
    obat di sini menggunakan violent AI di
  • 00:12:21
    sini kandungan yang ada pada obat
  • 00:12:26
    nah secara umum AI ini mendekati
  • 00:12:29
    kemampuan manusia namun tentunya dalam
  • 00:12:32
    hal sensitivitas kemudian dalam hal
  • 00:12:37
    ee perasaan dan hal yang tidak bisa
  • 00:12:40
    dibuat oleh robot itu tentunya belum
  • 00:12:44
    bisa mendekati kemampuan manusia nah itu
  • 00:12:48
    hal yang harus digaris bawahi namun EA
  • 00:12:50
    ini
  • 00:12:52
    tentunya ee memiliki prinsip dari ATM
  • 00:12:56
    yaitu meniru dan
  • 00:12:59
    memodifikasi namun tidak sampai
  • 00:13:02
    mendekati kemampuan manusia untuk hal
  • 00:13:04
    sekarang mungkin ke depannya ee
  • 00:13:06
    kemungkinan bisa nah di
  • 00:13:09
    sini lebih dari 95% dalam suatu
  • 00:13:13
    penelitian itu akurasi dalam skala besar
  • 00:13:15
    kosakata pada speak recognition ataupun
  • 00:13:20
    sistem yang ee membuat prediksi
  • 00:13:24
    berkaitan dengan suara di sini
  • 00:13:28
    kemudian lebih dari 90% akurasi dalam
  • 00:13:31
    sebagian speakation dalam teks ataupun
  • 00:13:35
    komentar-komentar ulasan pada suatu
  • 00:13:38
    aplikasi misalkan aplikasi di Google
  • 00:13:40
    Play Store yang diolah
  • 00:13:43
    apakah komentar-komentar yang
  • 00:13:46
    ada di ulasan
  • 00:13:49
    tersebut ee
  • 00:13:51
    mengindikasikan bahwa komentar tersebut
  • 00:13:53
    positif komentar negatif ataupun netral
  • 00:13:57
    nah misalkan speakation
  • 00:14:00
    ini ee berkaitan dengan ee prediksi
  • 00:14:05
    suara nah ini berdasarkan penelitiannya
  • 00:14:08
    di sini lebih dari 90% akurasinya sesuai
  • 00:14:11
    dengan yang ada di
  • 00:14:15
    ee suatu prediksi speak identification
  • 00:14:19
    dalam teks kemudian kurang dari 5%
  • 00:14:22
    kesalahan dalam pengenalan visual skala
  • 00:14:24
    besar ataupun
  • 00:14:26
    prediksi gambar seperti prediksi tadi di
  • 00:14:30
    ee radiologi
  • 00:14:32
    tadi kalau misalkan dihitung dari
  • 00:14:34
    persentasi akurasinya itu miss-nya
  • 00:14:37
    errornya itu kurang dari 5% kesalahan
  • 00:14:39
    dalam pengenalan visual skala yang cukup
  • 00:14:44
    besar nah AI ini tentunya dapat meniru
  • 00:14:48
    ya ee sama seperti yang tadi saya
  • 00:14:51
    sebutkan itu ATM yaitu meniru dan
  • 00:14:54
    tentunya
  • 00:14:55
    memodifikasi itu mendekati dalam hal
  • 00:14:57
    mendekati dalam beberapa aspek seperti
  • 00:14:59
    berpikir belajar dan berbicara
  • 00:15:03
    nah ini identik disebut ee dalam bentuk
  • 00:15:06
    suatu mesin jadi ya ini istilahnya mesin
  • 00:15:10
    ya di sini itu ataupun yang dibuat oleh
  • 00:15:13
    manusia dalam bentuk robot ataupun dalam
  • 00:15:15
    bentuk aplikasi ataupun mesin nah ini
  • 00:15:19
    dapat mengerjakan banyak tugas dengan
  • 00:15:20
    cepat namun bagaimana dengan masa depan
  • 00:15:23
    kita nah tentunya kita harus bijak
  • 00:15:26
    menggunakan era ini dalam hal ee
  • 00:15:30
    pekerjaan kita kemudian dalam HAM tugas
  • 00:15:32
    kita yang tentunya kita tidak terlalu
  • 00:15:35
    bergantung pada AI itu kita masih perlu
  • 00:15:41
    menggunakan sense kita ataupun ee logika
  • 00:15:45
    secara rasional manusia
  • 00:15:49
    kita nah di sini ada beberapa pertanyaan
  • 00:15:52
    yang cukup ee menarik di
  • 00:15:55
    sini yaitu apa perbedaan AI dan robot
  • 00:16:00
    kemudian apakah robot tersebut
  • 00:16:02
    memiliki apakah yang menjadikan manusia
  • 00:16:05
    berbeda dengan mesin kemudian apakah
  • 00:16:06
    robot tersebut menunjukkan kekeranesan
  • 00:16:08
    yang lebih daripada
  • 00:16:10
    manusia apakah robot tersebut lebih
  • 00:16:12
    memiliki emosi daripada manusia dan
  • 00:16:15
    memperhatikan natural liquid processing
  • 00:16:17
    ini
  • 00:16:19
    dan tentunya dari beberapa pertanyaan
  • 00:16:21
    ini
  • 00:16:23
    bahwa AI
  • 00:16:25
    ini merupakan hal yang mendekati pada
  • 00:16:29
    kemampuan manusia namun masih belum
  • 00:16:33
    tentu melebihi dari kemampuan manusia
  • 00:16:35
    itu
  • 00:16:36
    sendiri karena ya ini tentunya dibuat
  • 00:16:39
    oleh manusia untuk membantu men-support
  • 00:16:42
    dari pekerjaan manusia
  • 00:16:45
    jadi tentunya natural intelligent
  • 00:16:48
    manusia ataupun kecerdasan alami yang
  • 00:16:50
    dimiliki manusia itu ee harus kita
  • 00:16:54
    manage ataupun harus kita kelola dengan
  • 00:16:56
    bijak sehingga kita tidak bergantung
  • 00:17:00
    dari itu
  • 00:17:01
    sendiri itulah ee
  • 00:17:05
    kesimpulannya oke di sini ada ee hal
  • 00:17:09
    yang ee dapat kita ee identifikasi sini
  • 00:17:14
    bahwa AI adalah alat seperti lainnya
  • 00:17:17
    sama seperti yang saya bahas tadi bahwa
  • 00:17:19
    AI itu merupakan support yang bisa kita
  • 00:17:22
    gunakan untuk membantu pekerjaan kita
  • 00:17:25
    jadi AI ini bukanlah hal ajaib ataupun
  • 00:17:28
    bebuk ajaib yang Anda taburkan pada
  • 00:17:30
    suatu benda-benda jadi pada saat
  • 00:17:32
    tertentu A mampu melaksanakan tugas yang
  • 00:17:34
    dikerjakan seorang anak tapi dengan
  • 00:17:37
    lebih cepat dan secara paralel
  • 00:17:41
    nah meskipun program komputer pada tahun
  • 00:17:45
    2017 dapat mengarahkan manusia dalam
  • 00:17:47
    bermain gol tapi ia tidak dapat bermain
  • 00:17:50
    tang masih ada kelemahan pada AI itu
  • 00:17:53
    sendiri
  • 00:17:58
    dan beberapa hal yang bisa kita
  • 00:18:02
    searching di ee Google juga bahwa
  • 00:18:05
    kelemahan-kelemahan itu dalam
  • 00:18:08
    hal logik sederhana juga dalam menyusun
  • 00:18:12
    kata
  • 00:18:14
    ada beberapa penelitian yang bisa kita
  • 00:18:16
    cek di Google bahwa EA
  • 00:18:18
    itu ee masih belum bisa mengalahkan
  • 00:18:22
    manusia dalam hal logik di penyusunan
  • 00:18:26
    kata nah itu masih beberapa hal yang dia
  • 00:18:29
    miss untuk ataupun error dalam
  • 00:18:31
    menebaknya ya meskipun secara cepat AI
  • 00:18:34
    itu bisa menyelesaikan lebih cepat dan
  • 00:18:38
    secara paralel ataupun secara menyeluruh
  • 00:18:40
    nah namun dalam beberapa hal penyusunan
  • 00:18:43
    kata misalkan A B C D D E E nah itu
  • 00:18:46
    disusun di acak manusia lebih unggulah
  • 00:18:50
    beberapa persen itu ada ada beberapa
  • 00:18:52
    penelitiannya di
  • 00:18:54
    sana nah sini cara belajar manusia dan
  • 00:18:59
    AI nah bagi manusia bagaimana informasi
  • 00:19:02
    diterima dan indraman saja yang terlibat
  • 00:19:04
    berpengaruh terhadap bagaimana informasi
  • 00:19:06
    tersebut diproses dan diingat
  • 00:19:09
    jadi inputan yang ee manusia terima
  • 00:19:15
    kemudian ee manusia ungkapkan itu
  • 00:19:19
    berpengaruh terhadap bagaimana informasi
  • 00:19:21
    tersebut diproses dan diingat secara
  • 00:19:23
    natural ataupun secara kecerdasan alami
  • 00:19:25
    manusia
  • 00:19:29
    nah kemudian ada pernyataan juga yang
  • 00:19:32
    lain pada tahun 2011 dan 2008 bahwa
  • 00:19:35
    pembelajaran terjadi karena proses
  • 00:19:37
    secara terus-menerus untuk mengenali
  • 00:19:39
    pola menemukan koneksi mengembangkan
  • 00:19:42
    pertanyaan-pertanyaan dan
  • 00:19:43
    menghubungkannya dengan emosi manusia
  • 00:19:45
    meli cerita nah hal ini merupakan yang
  • 00:19:48
    diimplementasikan pada AI yaitu untuk
  • 00:19:52
    proses terus-menerus untuk mengenali
  • 00:19:53
    pola tentunya harus ada data kemudian
  • 00:19:56
    menemukan koneksi dari pola tersebut
  • 00:19:59
    ditemukan koneksi yang dapat
  • 00:20:02
    diidentifikasi kemudian mengembangkan
  • 00:20:06
    pertanyaan-pertanyaan dan
  • 00:20:08
    mengkoneksikannya atau menghubungkannya
  • 00:20:09
    dengan emosi manusia melalui cerita nah
  • 00:20:12
    ini yang kemungkinan
  • 00:20:15
    ee masih belum bisa dicapai oleh I yaitu
  • 00:20:19
    berkaitan dengan
  • 00:20:21
    emosi nah di sini hal yang bisa
  • 00:20:26
    dikerjakan oleh
  • 00:20:28
    suatu bagian dari AI yaitu machine
  • 00:20:30
    learning
  • 00:20:32
    di mana machine learning ini inputan
  • 00:20:35
    baik itu teks kemudian image kemudian
  • 00:20:38
    suara dan
  • 00:20:40
    lain-lain
  • 00:20:42
    dikirimkan menjadi suatu
  • 00:20:45
    pola jadi data baik itu teks kemudian
  • 00:20:48
    gambar ataupun
  • 00:20:51
    suara kemudian
  • 00:20:53
    dikirimkan menjadi suatu pola nah nanti
  • 00:20:56
    biasanya itu pada sisi teknisnya itu
  • 00:20:59
    dibagi menjadi data tren dan data
  • 00:21:04
    validasi ataupun data uji kemudian
  • 00:21:07
    polanya juga terbentuk baik itu dari
  • 00:21:10
    segi teks gambar ataupun
  • 00:21:13
    suara nah deteksi ini
  • 00:21:16
    kemudian dilakukan suatu update
  • 00:21:18
    pemahaman ataupun prediksi pengambilan
  • 00:21:21
    keputusan yaitu Y-nya ataupun target
  • 00:21:24
    prediksinya baik itu untuk memprediksi
  • 00:21:27
    misalkan teks
  • 00:21:29
    apakah ee ulasannya termasuk positif
  • 00:21:33
    apakah ulasannya termasuk ataupun
  • 00:21:35
    komentarnya termasuk negatif ataupun
  • 00:21:37
    netral nah itu berdasarkan perhitungan
  • 00:21:39
    matematis tenterinya yang nanti
  • 00:21:42
    diimplementasikan pada suatu sistem
  • 00:21:44
    yaitu ada update pemahaman itu prediksi
  • 00:21:47
    ataupun pengambilan keputusan
  • 00:21:50
    nah ini secara gambaran umum dari sinon
  • 00:21:54
    dan tentunya dengan prinsip kecepatan
  • 00:21:57
    ketepatan dan ketahanan nah di mana
  • 00:21:59
    kecepatan kecepatan dan ketahanan ini
  • 00:22:02
    tentunya sudah diimplementasikan pada
  • 00:22:03
    salah satu dari kecerdasan buatan yang
  • 00:22:06
    sering kita gunakan di chat open AI
  • 00:22:09
    karena itu tentunya bisa menjawab secara
  • 00:22:12
    cepat dan ee tepat
  • 00:22:16
    juga dan
  • 00:22:18
    bisa ee stabil ataupun stabil sesuai
  • 00:22:22
    dengan ee chat yang kita berikan di
  • 00:22:29
    sana kemudian data terus-menerus
  • 00:22:31
    diterima tanpa
  • 00:22:33
    keingintahuan nah ini machine learning
  • 00:22:35
    ya tanpa keinginahuan jadi sesuai dengan
  • 00:22:38
    pola yang
  • 00:22:43
    ada kemudian bagaimana manusia melatih
  • 00:22:47
    mesin mengenali gambar
  • 00:22:49
    nah di sini gambar ataupun citra ya
  • 00:22:53
    diidentifikasi sebagai citra kalau
  • 00:22:55
    misalkan di ee sisi teknisnya di
  • 00:22:58
    sini bahwa gambar yang diinputkan pada
  • 00:23:01
    suatu sistem atau pada suatu aplikasi
  • 00:23:05
    AI di mana aplikasi itu di belakang dari
  • 00:23:09
    pengerjaan secara sistemiknya
  • 00:23:12
    itu membuat suatu pola matematis
  • 00:23:14
    tentunya menggunakan jaringan saraf
  • 00:23:16
    tiruan yang menyerupai dari cara kerja
  • 00:23:18
    otot
  • 00:23:20
    manusia kemudian membentuk suatu pola di
  • 00:23:23
    sini pola ini nanti diubah menjadi suatu
  • 00:23:27
    pikel ee piksel piksel nah piksel ini
  • 00:23:30
    diubah menjadi ee matematis karena
  • 00:23:34
    komputer itu hanya bisa membaca 1 dan 0
  • 00:23:37
    kemudian diolah menggunakan jaringan
  • 00:23:40
    secara tiruan menggunakan metode dan
  • 00:23:43
    algoritma yang khusus
  • 00:23:45
    menggunakan citra sini kemudian secara
  • 00:23:50
    matematis dikelola polanya nah di mana
  • 00:23:53
    pola tersebut nanti diubah secara
  • 00:23:55
    matematis
  • 00:23:56
    kembali ee memprediksi
  • 00:23:59
    apakah ee
  • 00:24:01
    diidentifikasi dalam
  • 00:24:03
    bentuk ee prediksi baik itu prediksi A
  • 00:24:07
    prediksi B ataupun prediksi C di sini
  • 00:24:09
    misalkan memprediksi dari kucing di
  • 00:24:14
    sini saya memprediksi dari suatu hal
  • 00:24:18
    kata prediksi juga bisa dibentuk dalam
  • 00:24:21
    suatu
  • 00:24:22
    kalimat yang tentunya kita inputkan ee
  • 00:24:25
    terlebih
  • 00:24:26
    dahulu
  • 00:24:28
    ee datanya di sini misalkan di sini
  • 00:24:32
    memprediksi bahwa a cat lying on a bad
  • 00:24:35
    in a blanket nah ini
  • 00:24:37
    kucingnya ada di blanket di sini ya di
  • 00:24:41
    ee kasur nah ini memprediksi tentunya ee
  • 00:24:45
    menggunakan pola secara matematis
  • 00:24:51
    nah di sini yang disusun oleh
  • 00:24:54
    ee penyusun dari materi ini ataupun
  • 00:24:57
    Cahaya Karati beberapa aplikasi yang
  • 00:25:01
    digunakan untuk AI di sini misalkan
  • 00:25:05
    memprediksi dari buah di sini tentunya
  • 00:25:09
    menggunakan citra ya menggunakan gambar
  • 00:25:11
    yang diolah secara matematis dan di sini
  • 00:25:13
    ada beberapa gambaran ataupun
  • 00:25:15
    flow dari
  • 00:25:17
    proses ee pengolahan data hingga menjadi
  • 00:25:21
    suatu ee prediksi nah dibagi dari dua
  • 00:25:25
    fase yaitu fase training ataupun fase
  • 00:25:28
    pelatihan dan fase testing nah ini lebih
  • 00:25:31
    teknis ya namun coba saya gambarkan
  • 00:25:33
    secara
  • 00:25:34
    sederhana apa yang terjadi di belakang
  • 00:25:37
    dari proses
  • 00:25:39
    prediksinya yang dimulai dari training
  • 00:25:42
    data di sini nah di sini data yang kita
  • 00:25:45
    inputkan ya tentunya gambar-gambar yang
  • 00:25:47
    kita inputkan baik itu kita
  • 00:25:50
    secara ee manual mempotret gambar-gambar
  • 00:25:54
    buah ataupun kita cari di internet juga
  • 00:25:56
    data yang tersedia untuk data yang kita
  • 00:25:59
    latih kemudian data tersebut
  • 00:26:02
    dilatih kemudian di sini ada feature
  • 00:26:05
    extraction ataupun ekstraksi fature nah
  • 00:26:09
    ekstraksi bitur ini
  • 00:26:11
    misalkan secara sederhananya
  • 00:26:13
    itu ee misalkan dalam kasus memprediksi
  • 00:26:16
    buah
  • 00:26:18
    tadi apakah buahnya
  • 00:26:20
    berwarna X berwarna Y berwarna Z ataupun
  • 00:26:24
    bentuknya berwarna X berwarna Y berwarna
  • 00:26:27
    ee berbentuk z nah itu merupakan fitur
  • 00:26:31
    ekstraksi ataupun ekstraksi fitur
  • 00:26:35
    kemudian setelah ekstraksi fature ini
  • 00:26:37
    menjadi fitur secara utuh yang akan kita
  • 00:26:41
    identifikasi dan dilakukan proses
  • 00:26:44
    training menggunakan CNN ataupun
  • 00:26:46
    convolution mineral network di sini
  • 00:26:48
    ataupun jaringan saraf tiruan yang bisa
  • 00:26:51
    kita
  • 00:26:53
    olah mengubah dari bentuk gambar menjadi
  • 00:26:58
    bentuk matematis di sini
  • 00:27:01
    nah CNN ini mengolah pikselnya piksel
  • 00:27:06
    dari gambar tersebut kemudian diolah
  • 00:27:07
    secara matematis secara secara
  • 00:27:09
    sederhananya seperti itu
  • 00:27:13
    kemudian ee diimplementasikan dalam
  • 00:27:15
    bentuk model yang sudah diolah kemudian
  • 00:27:18
    dilakukan suatu inferensi
  • 00:27:21
    nah di
  • 00:27:23
    mana impersi ini masuk pada tahap
  • 00:27:25
    testing mulai lagi dari mulai testing
  • 00:27:29
    data data gambar yang telah kita
  • 00:27:32
    download ataupun kita potret dilakukan
  • 00:27:35
    fitur ekstraksi kembali ataupun bisa
  • 00:27:38
    langsung masuk pada fase
  • 00:27:44
    inferensi atau kita sesuaikan menjadi
  • 00:27:48
    hal yang dapat kita prediksi
  • 00:27:51
    baik itu misalkan ee contoh sederhananya
  • 00:27:54
    selain mengidentifikasi apakah warnanya
  • 00:27:57
    apa apakah bentuknya apa misalkan itu
  • 00:28:00
    kita prediksi apakah buah tersebut
  • 00:28:03
    terdapat
  • 00:28:04
    ee gejala penyakit ya di sana di buahnya
  • 00:28:09
    itu berdasarkan yang kita identifikasi
  • 00:28:12
    di ee buahnya jadi data yang sudah
  • 00:28:15
    tersedia misalkan datanya itu sudah
  • 00:28:17
    tersedia di internet itu data buah yang
  • 00:28:20
    terdeteksi penyakit ataupun data buah
  • 00:28:23
    yang sudah matang yang lebih
  • 00:28:24
    sederhananya yang sudah matang yang
  • 00:28:26
    belum matang yang masih
  • 00:28:29
    ee baru bisa dipetik nah itu bisa kita
  • 00:28:33
    prediksi berdasarkan
  • 00:28:36
    data training dan data
  • 00:28:38
    testing nah biasanya secara umum machine
  • 00:28:41
    learning itu bekerja seperti itu yang
  • 00:28:43
    diimplementasikan dalam suatu aplikasi
  • 00:28:45
    yang ada pada aplikasi Simolec AI
  • 00:28:48
    prototype ini nah itu prosesnya dari
  • 00:28:52
    mulai training hingga proses testing
  • 00:28:55
    jadi ada beberapa proses yaitu proses
  • 00:28:59
    deteksi mengenai gambar proses rekognisi
  • 00:29:02
    ataupun pengenalan gambarnya kemudian
  • 00:29:05
    ada
  • 00:29:07
    identifikasi nah di sini selain ee
  • 00:29:11
    mengidentifikasi buahnya matang ataupun
  • 00:29:14
    belum matang di sini juga bisa
  • 00:29:16
    menghitung nutrisi dari buah pada porsi
  • 00:29:18
    yang akan dikonsumsi tentunya pada
  • 00:29:22
    proses training data ini perlu inputan
  • 00:29:25
    berkaitan nutrisi
  • 00:29:27
    juga jadi kandungan nutrisi yang ada
  • 00:29:30
    pada setiap buah yang kita inputkan itu
  • 00:29:32
    perlu kita inputkan
  • 00:29:34
    juga kandungan nutrisi dengan warna
  • 00:29:37
    sekian dengan warna yang cukup terang
  • 00:29:41
    sekian nah itu nutrisinya perlu kita
  • 00:29:43
    inputkan juga sehingga nanti di proses
  • 00:29:46
    inferensi ataupun nanti proses
  • 00:29:47
    prediksinya itu akan memprediksi dengan
  • 00:29:50
    cukup baik ataupun dengan ee
  • 00:29:54
    sempurna nah itu proses dari pengenalan
  • 00:29:58
    buah eh fruit recognition di sana
  • 00:30:05
    nah tentunya apabila kita ee menjadi
  • 00:30:10
    pengajar misalkan ke depannya apa yang
  • 00:30:13
    dapat kita siapkan untuk
  • 00:30:15
    siswa tentunya mengajarkan bagaimana
  • 00:30:17
    siswa untuk melakukan coding atau
  • 00:30:19
    programming adalah hal yang baik
  • 00:30:21
    meskipun tidak wajib juga seperti yang
  • 00:30:23
    pernah kita kerjakan juga di programmer
  • 00:30:26
    programming Python di modul yang ada di
  • 00:30:30
    beberapa pertemuan yang lalu itu
  • 00:30:32
    tentunya secara sederhananya kita
  • 00:30:34
    melakukan suatu
  • 00:30:37
    ee coding secara sederhana
  • 00:30:41
    nah akan tetapi bagaimana jika mampu
  • 00:30:43
    untuk lebih cepat membuat lebih banyak
  • 00:30:45
    kode-kode
  • 00:30:46
    sederhana kita harus memaksimalkan aspek
  • 00:30:49
    eh human ataupun keingintahuan membuat
  • 00:30:53
    koneksi berkreasi dalam pembelajaran
  • 00:30:55
    ataupun istilahnya ngulik nah di
  • 00:30:58
    sana jika tidak kita akan mengajarkan
  • 00:31:00
    mereka sebagaimana mesin yang hanya
  • 00:31:02
    mengikuti satu set prosedur jadi hanya
  • 00:31:04
    mengikuti satu set prosedur yang baku
  • 00:31:06
    tidak bisa mengembangkan dari apa yang
  • 00:31:09
    telah kita
  • 00:31:15
    terima nah di sini ada beberapa
  • 00:31:17
    pendekatan kepada siswa di
  • 00:31:21
    sini yaitu high touch and high tech
  • 00:31:24
    learning
  • 00:31:26
    lebih banyak pembelajaran berbasis
  • 00:31:27
    project dengan bimbingan guru yang
  • 00:31:29
    meskipun berbasis projek
  • 00:31:31
    ini tidak perlu secara kompleks yang ee
  • 00:31:36
    menyulitkan siswa ataupun mahasiswa
  • 00:31:40
    hightech pembelajaran adaptif dengan
  • 00:31:42
    dukungan teknologi tentunya dengan
  • 00:31:43
    beberapa materi secara teoritis juga
  • 00:31:45
    membutuhkan dukungan teknologi jadi
  • 00:31:47
    tidak ee tabu ataupun tidak menghindari
  • 00:31:51
    dari penerapan teknologi kemudian ada
  • 00:31:54
    desain thinking sini divergence thinking
  • 00:31:57
    kemudian ada visual thinking yaitu
  • 00:32:00
    tentunya membutuhkan suatu diskusi
  • 00:32:04
    ataupun kerja kelompok untuk eh
  • 00:32:07
    memunculkan dari divergent thinking dan
  • 00:32:09
    visual thinking kemudian
  • 00:32:12
    contex
  • 00:32:14
    storyting ajak siswa untuk bertanya bisa
  • 00:32:18
    juga use inbal jangan percaya kepada
  • 00:32:21
    yang lain pertanyaan fakta dan teori ber
  • 00:32:24
    bukti yang ada perspektif yang
  • 00:32:25
    berbeda-beda ya meskipun beberapa hal
  • 00:32:27
    ini belum tentu bisa kita terapkan dari
  • 00:32:30
    setiap siswa ataupun mahasiswa karena
  • 00:32:32
    memiliki karakteristik yang
  • 00:32:36
    berbeda-beda cerita mana yang lebih
  • 00:32:38
    mempengaruhi yang lain ataupun
  • 00:32:40
    menganalogikan dari suatu teoritis dan
  • 00:32:44
    cara praktisnya
  • 00:32:49
    bagaimana nah project AI bagi siswa SD
  • 00:32:52
    SMP SMA di sini ada berapa contohnya
  • 00:32:55
    from scratch ya di sini
  • 00:32:57
    app Inventor sini juga ada bisa kita
  • 00:33:00
    skip ya
  • 00:33:06
    itu nah ini juga beberapa hal yang bisa
  • 00:33:09
    kita coba di sini ada teachable
  • 00:33:13
    machine bas by Google where you can
  • 00:33:15
    train imag nah ini mengimplementasikan
  • 00:33:19
    dari dikognisi ee gambar ataupun
  • 00:33:23
    pengenalan gambar seperti tadi pada
  • 00:33:25
    pengenalan eh prediksi buah tadi
  • 00:33:29
    kemudian ada Google I
  • 00:33:30
    Experiment for simple experiment for
  • 00:33:33
    anyone machine learning ataupun untuk
  • 00:33:36
    mempelajari dari machine learning
  • 00:33:38
    kemudian ada Google AI AI di
  • 00:33:42
    sini kita bisa membuat system untuk
  • 00:33:46
    intelligent system that she speak and
  • 00:33:48
    understand sama seperti Ming juga
  • 00:33:51
    kemudian ada artificial
  • 00:33:53
    intelligence di sini bisa kita gunakan
  • 00:33:57
    untuk memahami dari AI bagaimana bekerja
  • 00:34:00
    bagaimana kerjanya dan bagaimana yang
  • 00:34:02
    ada di belakang AI itu sendiri
  • 00:34:05
    nah ini research untuk AI di Google
  • 00:34:12
    Educational nah ini untuk
  • 00:34:14
    tautan-tautannya bisa kita
  • 00:34:17
    gunakan other reset
  • 00:34:22
    juga nah ini GitHub untuk mengeksplorasi
  • 00:34:26
    dari kode kemudian ada tensor playground
  • 00:34:28
    nah ini lebih kompleks lagi untuk
  • 00:34:31
    memprediksi dari pola data yang kita ee
  • 00:34:34
    gunakan di
  • 00:34:36
    sini menggunakan jaringan serap
  • 00:34:39
    tiruan dan menggunakan framework tenser
  • 00:34:47
    flow can play di sini masih sama
  • 00:34:51
    menggunakan network juga di sini
  • 00:34:59
    jadi di sini ada beberapa resort untuk
  • 00:35:02
    lebih mendalam mempelajari dari machine
  • 00:35:04
    learning ataupun deep
  • 00:35:06
    learning yang mana pada zaman sekarang
  • 00:35:08
    itu chat GPT itu tentunya menggunakan
  • 00:35:11
    beberapa hal di belakang sistemnya ini
  • 00:35:14
    secara matematisnya bisa kita pelajari
  • 00:35:16
    secara polanya kita pelajari juga pada
  • 00:35:19
    beberapa resourch ini baik itu dari
  • 00:35:23
    percodeub kemudian ada transfer
  • 00:35:25
    playground kemudian ada Genply dan ada
  • 00:35:28
    Meet Media Lab GitHub ini lebih secara
  • 00:35:34
    teknikalnya kemudian dari bahasa
  • 00:35:37
    pemrogramannya di
  • 00:35:41
    sini ataupun secara aplikasi yang sudah
  • 00:35:44
    diterapkan nah untuk pasannya di slide
  • 00:35:46
    selanjutnya ya nah di sini ada dua
  • 00:35:48
    linggo untuk speak recognition di sini
  • 00:35:51
    kemudian ada ee beberapa aplikasi lain
  • 00:35:55
    di sini ada ORI sini untuk speak
  • 00:35:58
    recognition juga dan speak
  • 00:36:01
    identification untuk pembelajaran dari
  • 00:36:04
    bahasa kemudian research for teacher di
  • 00:36:07
    sini masih menggunakan GitHub untuk
  • 00:36:10
    mempelajari AI
  • 00:36:14
    juga simul nah ini aplikasi yang
  • 00:36:17
    disediakan
  • 00:36:20
    nah ini beberapa aplikasi yang
  • 00:36:22
    disediakan juga untuk mempelajari dari
  • 00:36:24
    machine learning kemudian AI dan deep
  • 00:36:26
    learning dari mulai AI for kid kemudian
  • 00:36:30
    AI unplug Nvidia teaching kit Python
  • 00:36:34
    Python yang sudah pernah kita gunakan
  • 00:36:36
    juga kode.org G i all
  • 00:36:40
    moc element for AI course course di sini
  • 00:36:46
    Microsoft course ML mastery machine
  • 00:36:49
    learning mastery dan on center nah ini
  • 00:36:51
    banyak juga yang bisa kita pelajari di
  • 00:36:53
    sana
  • 00:36:56
    dan bahasa pemrograman di machine
  • 00:36:58
    learning yang biasa
  • 00:37:00
    digunakan Python yang sudah ee kita
  • 00:37:03
    gunakan juga kemarin R yang sejenis
  • 00:37:06
    untuk bahasa pemogram learning ada
  • 00:37:09
    visualisasi
  • 00:37:11
    tools
  • 00:37:13
    ataupun ee lingkungan bahasa pemrograman
  • 00:37:16
    yang bisa kita gunakan di sini pada
  • 00:37:18
    suatu aplikasi di Jupiter Notebook
  • 00:37:22
    kemudian ada MBL untuk memvisualisasikan
  • 00:37:24
    dan ada sibon
  • 00:37:26
    juga dan machine learning tool untuk
  • 00:37:29
    memprediksi atau menerapkan dari eh
  • 00:37:32
    proses prediksi itu menggunakan
  • 00:37:34
    framework tenser flow ada learn dan
  • 00:37:38
    wk ada analytic tool spark kemudian di
  • 00:37:42
    learning tool ada cross
  • 00:37:45
    dan juga termasuk dari deing tool untuk
  • 00:37:49
    menggunakan yang lebih
  • 00:37:52
    kompleks dan ada ada tool seperti SQL
  • 00:37:56
    untuk database apa untuk pemrograman
  • 00:38:00
    terdistribusi dan ada pandas untuk
  • 00:38:02
    analisis data nah beberapa bahasa
  • 00:38:05
    pemrograman ini ataupun beberapa tools
  • 00:38:08
    ini bisa kita gunakan untuk memperkaya
  • 00:38:12
    dan mengekspor dari AI itu sendiri jadi
  • 00:38:14
    tidak hanya kita klik kita chat kita isi
  • 00:38:17
    chat open AI langsung ada hasilnya namun
  • 00:38:21
    ini yang bisa kita pelajari apa yang
  • 00:38:24
    berjalan di belakang sistem EAI itu
  • 00:38:26
    sendiri
  • 00:38:29
    jadi tentunya catatan akhir pada
  • 00:38:31
    pembelajaran
  • 00:38:33
    ini bahwa AI telah hadir berbagai
  • 00:38:35
    perangkat yang kita
  • 00:38:41
    gunakan dan bagaimana kita
  • 00:38:44
    menyiapkan A ini yang menjadi peran
  • 00:38:48
    penting dalam kehidupan dan karir kita
  • 00:38:51
    ataupun karir mahasiswa
  • 00:38:54
    jadi mahasiswa itu kita perlu
  • 00:38:58
    memahami siapa mereka sebagai manusia
  • 00:39:01
    mengapa masyarakat budaya dan tradisi
  • 00:39:03
    adalah hal yang
  • 00:39:04
    penting dan
  • 00:39:07
    tentunya ee ketergantungan perayaan itu
  • 00:39:09
    kita perlu kelola dengan baik dan kelola
  • 00:39:13
    dengan bijak
  • 00:39:17
    dan tentunya mahasiswa ataupun siswa
  • 00:39:19
    sebaiknya mengetahui bagaimana learn
  • 00:39:22
    unlearn and relarn ataupun mempelajari
  • 00:39:25
    hal yang tidak perlu
  • 00:39:27
    dipelajari dan mempelajari yang sudah
  • 00:39:31
    dipelajari
  • 00:39:33
    ataupun ada hal keingintahuan atau
  • 00:39:35
    mengeksplore lebih
  • 00:39:39
    nah ini merupakan pernyataan dari
  • 00:39:41
    Diversity Medal untuk desain thinking
  • 00:39:44
    projecting dan
  • 00:39:46
    steam oke terima kasih untuk ee
  • 00:39:51
    pelatihannya untuk pertemuan kali ini ee
  • 00:39:55
    kita cukkan sekian asalamualaikum
  • 00:39:57
    warahmatullahi wabarakatuh
Tags
  • intel·ligència artificial
  • machine learning
  • deep learning
  • educació
  • COVID-19
  • reconeixement facial
  • comerç electrònic
  • predicció
  • tecnologia
  • aprenentatge personalitzat