Lihat rajah-rajah di bawah, bolehkah anda tentukan jika imej tersebut ialah segi tiga atau tidak?
Jika anda dapat kelaskan imej 1, 3, dan 4 sebagai segitiga manakala imej 2 dan 5 sebagai bukan segitiga, tahniah! Neuron-neuron anda mampu berfungsi dengan baik dan membolehkan anda mengelaskan bentuk segitiga dengan betul.
Sekarang, bayangkan jika anda mahu mengajar sebuah mesin untuk melakukan perkara yang sama, bagaimana anda mahu melaksanakannya?
Frank Rosenblatt ada jawapannya…
Aspirasi Frank Rosenblatt
Pada tahun 1958, Frank Rosenblatt teraspirasi dengan bengkel Dartmouth dan berhasrat mahu membina neuron buatan.
Matlamat yang mahu dicapai Rosenblatt ialah mengajar mesin neuronnya untuk mengelaskan sesuatu imej sebagai segitiga atau bukan segi tiga.
Maka, Rosenblatt membina sebuah mesin yang bersaiz besar, sehingga memenuhi sebuah bilik! Mesin tersebut dinamakan sebagai Percepteron Mark I.
Sebuah kamera 400 piksel disambungkan kepada mesin tersebut dan Rosenblatt kemudiannya akan menunjukkan imej-imej segitiga dan bukan segitiga.
Mekanisme Percepteron
Setiap titik piksel imej akan dikenalpasti oleh kamera sama ada mengandungi dakwat atau hanya kertas putih. Bergantung kepada titik piksel yang dikenalpasti, kamera akan menghantar isyarat-isyarat elektrik kepada Percepteron.
Percepteron akan menambahkan isyarat-isyarat ini, jika jumlahnya melebihi had ambang (threshold limit), percepteron akan menghantar isyarat elektik untuk menyalakan sebuah mentol yang dipasang pada Percepteron.
Nyalaan mentol ini bermakna Percepteron menyatakan, “ini ialah segitiga”. Dengan kata lain, jika imej yang ditunjukkan bukan segitiga, mentol tidak akan menyala.
Mengajar Percepteron
Jadi, bagaimana Percepteron mengenali bentuk segitiga atau bukan?
Begini, pada Percepteron ada dua butang yang berfungsi sebagai penyata ‘betul’ atau ‘salah’. Apabila Rosenblatt menunjukkan sesuatu imej, Percepteron pada awalnya akan membuat tekaan sahaja samada imej tersebut segitiga atau bukan (tekaan yang dibuat adalah berdasarkan had ambang signal elektrik yang disetkan secara rambang).
Apabila Percepteron mengelaskan imej dengan betul, Rosenblatt akan menetakan butang ‘betul’. Percepteron akan menerima ini sebagai input positif dan tidak akan mengubah apa-apa pada latarnya.
Namun apabila pengelasan imej yang salah dibuat, (seperti menyatakan bulat sebagai segitiga ATAU menyatakan segitiga tegak sebagai bukan segitiga) Rosenblatt akan menekan butang ‘salah’. Perkara ini menyebabkan Percepteron mengubah latar had ambangnya supaya dapat mengelaskan imej tersebut dengan tepat.
Seperti manusia, Percepteron belajar daripada membetulkan kesilapan.
Apabila proses ini dijalankan beberapa kali, had ambangnya menjadi semakin baik, sekaligus keupayaannya untuk mengelaskan imej juga bertambah baik.
Inspirasi neuron biologi
Seperti yang dinyatakan pada awal tulisan ini, Percepteron dibina kerana Rosenblatt mahu menghasilkan neuron buatan.
Jika anda pelajari biologi, neuron ialah sel yang berfungsi untuk menghantar signal impuls dalam sistem saraf kita. Setiap sel neuron akan menghantar impuls melalui akson ke dendrit sel neuron yang lain melalui satu ruang kecil yang dipanggil sinaps.
Hanya impuls yang melepasi had ambang sinaps sahaja akan dipindahkan daripada satu akson ke satu dendrit.
Mekanisme inilah yang direplikasi oleh Rosenblatt dalam menghasilkan Perceptron.
Legasi
Walaupun Perceptron Mark I tidak lagi digunakan, hari ini algoritma Perceptron masih wujud dan digunakan sebagai satu bentuk asas rangkaian neural untuk membuat pengelasan binari. Perkembangan dunia kecerdasan buatan menyebabkan algoritma ini terus berkembang dan berevolusi kepada rangkaian neural yang lebih berkesan dalam membuat pengelasan seperti Perceptron multilapisan (Multilayer Percepteron) yang lazimnya digunakan dalam pembelajaran berpenyelia (supervised learning).
