Komputasi Kuantum Harus Menjadi Bagian Dari Strategi AI – Dalam beberapa minggu mendatang, raksasa fintech China Ant Group akan mengumpulkan $ 34 miliar dalam IPO terbesar yang pernah ada di dunia. Meskipun baru keluar dari Alibaba pada tahun 2014, penilaian Ant, sebesar $ 310 miliar, akan sebanding dengan JPMorgan Chase, yang asalnya berasal dari tahun 1799.
Bagaimana Ant melakukannya? Dalam buku 2018 mereka, Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World, profesor Harvard Business School Marco Iansiti dan Karim R.Lakhani menyatakan bahwa pertumbuhan Ant yang menakjubkan dapat langsung dikaitkan dengan penggunaan buatannya (AI).
AI adalah landasan bisnis Ant. Dengan setiap transaksi pada produk inti Ant, layanan pembayaran seluler Alipay, AI mendapatkan pemahaman yang lebih baik tentang keuangan penggunanya, yang kemudian diterapkan untuk menawarkan layanan keuangan baru kepada pengguna seperti pinjaman, investasi, atau opsi asuransi yang sesuai dengan kebutuhan mereka. Ant juga menggunakan AI untuk mendeteksi penipuan dan memprediksi risiko finansial. idn poker
Menurut Iansiti dan Lakhani, AI telah memungkinkan Ant Group untuk berbuat lebih banyak dengan lebih sedikit, melayani lebih dari 730 juta pelanggan dengan kurang dari 10.000 karyawan. Sebagai perbandingan, American Express mempekerjakan 59.000 orang untuk melayani sekitar 112 juta pemegang kartu. https://3.79.236.213/
Ant Group hanyalah salah satu contoh bagaimana AI membentuk kembali bisnis saat ini. Tetapi AI dalam bentuknya saat ini – yaitu, beroperasi pada komputer klasik – hanyalah permulaan. Faktanya, menurut laporan State of AI terbaru, AI dengan cepat mencapai titik di mana biaya yang sangat mahal diperlukan untuk mendapatkan peningkatan kinerja yang lebih kecil secara bertahap.
Namun, munculnya komputasi kuantum menjanjikan untuk menembus kemacetan kemajuan ini, mengantarkan tingkat daya dan efisiensi AI yang belum pernah terjadi sebelumnya.
Model Machine Learning Lebih Cepat Dan Akurat
AI telah menunjukkan kekuatannya di berbagai kasus penggunaan. Namun hasil yang luar biasa ini belum tentu dikirimkan dengan cepat. Model pembelajaran mesin (ML) perlu dilatih, dan selain menuntut banyak data, ini juga membutuhkan waktu. Beberapa model membutuhkan waktu berbulan-bulan untuk dilatih. Namun mengingat keunggulan inheren mesin kuantum dibandingkan mesin klasik, komputasi kuantum dapat secara substansial mengurangi waktu pelatihan dan meningkatkan akurasi model ML.
Penelitian terbaru dari IBM telah membuktikan keunggulan kuantum ini untuk ML. Para peneliti mendemonstrasikan bahwa, untuk kelas tertentu model ML yang diawasi, algoritme ML berkemampuan kuantum tidak hanya bekerja lebih cepat tetapi juga lebih akurat daripada rekan komputasi klasiknya. Dalam praktiknya, ini berarti ML berkemampuan kuantum akan mengekstrak wawasan yang lebih berharga daripada komputer klasik paling canggih saat ini dan akan mampu melakukannya lebih cepat.
Model AI Generatif
Orang dalam gambar ini di sini tidak ada. Meski tampak seperti aslinya, gambar mereka dihasilkan oleh AI. AI yang dimaksud, dikenal sebagai jaringan adversarial generatif (GAN), terdiri dari dua jaringan saraf yang bekerja satu sama lain. Satu jaringan menghasilkan data yang mirip dengan data pelatihan (dalam hal ini gambar orang sungguhan), dan jaringan lainnya mencoba membedakan data pelatihan dari data yang dihasilkan. Keduanya bolak-balik sampai data yang dihasilkan hampir tidak mungkin dibedakan dari yang sebenarnya.
GAN tidak terbatas pada gambar. Mereka juga dapat digunakan untuk membuat musik, video, dan banyak bentuk data kompleks lainnya. Pada bulan Mei, GAN yang dikembangkan oleh Nvidia membuat ulang versi Pac-Man yang dapat dimainkan hanya dengan menontonnya dimainkan. Kegunaan lain termasuk membuat model 3D dari gambar 2D, memprediksi dampak perubahan iklim dan menghasilkan molekul baru untuk aplikasi farmasi.
Ternyata, perangkat kuantum, bahkan dalam waktu dekat, dapat meningkatkan kualitas pembelajaran jaringan permusuhan. Misalnya, para peneliti di MIT mengembangkan arsitektur jaringan permusuhan yang mereka sebut “jaringan adversarial asosiatif klasik kuantum (QAAN).” Sistem hibrid ini (“hibrid” karena bergantung pada elemen klasik dan kuantum) “terdiri dari jaringan adversarial generatif klasik dengan mesin Boltzmann kuantum tambahan kecil yang secara bersamaan dilatih pada lapisan perantara diskriminator jaringan generatif.” Dengan memanfaatkan perangkat tambahan, QAAN dapat belajar lebih efektif daripada pendahulunya yang murni klasik.
Mengisi Celah Dalam Data Pelatihan Machine Learning
Kemampuan generatif perangkat kuantum memiliki aplikasi potensial lain: mengisi celah dalam data yang diperlukan untuk melatih model ML. Data secara tradisional menjadi faktor pembatas dalam hal melatih algoritme ML. Artinya, saat mencoba menggunakan ML untuk memprediksi hasil untuk peristiwa yang jarang atau jarang terjadi, seperti pandemi global, tidak adanya atau kelangkaan kumpulan data yang kuat menimbulkan tantangan yang signifikan. Model AI generatif berkemampuan kuantum dapat membuat kumpulan data “sintetis” baru yang sangat mirip dengan data pelatihan yang sudah Anda miliki, sehingga sangat mengurangi batasan ini.
Untuk mengilustrasikan, imagine melatih algoritma pengenalan wajah untuk mengenali wajah hanya berdasarkan sisi wajah. Anda mungkin memiliki kumpulan data yang sangat terbatas; Namun, mungkin Anda memiliki banyak gambar depan tetapi tidak cukup gambar samping, atau sebaliknya. Dengan AI generatif berkemampuan kuantum, Anda dapat menggunakan gambar yang cocok yang Anda miliki untuk menghasilkan lebih banyak gambar, memperluas kumpulan data. Pendekatan ini dapat digunakan untuk meningkatkan model ML yang berfokus pada segala hal mulai dari mendeteksi kanker langka hingga membuat model skenario risiko di masa mendatang.
Membuat Bagian Kuantum Dari Strategi AI Anda
Seperti yang kita lihat dengan Ant Group, begitu sebuah perusahaan menggunakan AI untuk melepaskan diri dari para pesaingnya, bahkan institusi terkemuka seperti American Express dan Goldman Sachs menjadi sulit untuk mengejar ketinggalan. Sekarang, saat perangkat kuantum menjadi lebih kuat secara eksponensial daripada perangkat klasiknya, mereka akan mendorong AI ke level baru. Perusahaan yang mengejar strategi AI harus memperhatikan. Tingkat gangguan yang akan diperkenalkan oleh kuantum tidak akan mewakili peningkatan bertahap selama AI saat ini; itu akan mewakili transformasi revolusioner.
Sekarang adalah waktunya untuk mengeksplorasi potensi dampak kuantum pada inisiatif AI Anda dan mulai merencanakannya. Saat AI menjadi taruhannya, AI kuantum akan memisahkan pemenang akhir dari juga-rans.