Era Kecerdasan Buatan untuk Pengintaian Telah Tiba

^{Kecerdasan buatan untuk pengintaian di The Dark Knight (Foto : Steemit)}

Selama bertahun-tahun masyarakat telah direkam oleh kamera keamanan, livestream, kiriman media sosial orang lain dan masih banyak yang lainnya.

Namun seandainya muncul wajah anda di kamera, selalu ada sedikit keyakinan bahwa orang asing tidak akan dapat melakukan apa pun terhadap anda dengan bermodal rekaman tersebut.

Waktu dan upaya yang dibutuhkan untuk mencari satu orang dari rekaman keamanan berbulan-bulan atau dari pencarian di dunia maya sangat tidak realistis.

Tapi tidak demikian bagi robot.

Telah lama dicitrakan oleh film-film Hollywood, alat untuk mengidentifikasi satu orang dan apa yang dilakukannya dengan mengandalkan foto dan video perlahan mulai menjadi nyata.

Perusahaan seperti Facebook dan Baidu telah menggarap teknologi yang bertumpu pada kecerdasan buatan ini selama bertahun-tahun.

Dengan menyempitnya rentang kesalahan dan melebarnya ketersediaan sistem ini semakin meramalkan masa depan yang tak lama lagi di mana setiap video dianalisa untuk mengenali orang, obyek dan tindakan yang dimuatnya.

Peneliti kecerdasan buatan berjuang bertahun-tahun untuk membangun algoritma yang dapat melihat pada sebuah citra lantas menceritakan apa isi gambarnya.

Kompleksitas citra yang masing-masing menyimpan jutaan piksel yang membentuk pola unik, sempat terlalu pelik untuk dikerjakan oleh algoritma yang ditulis tangan.

Kemudian pada tahun 2012 sekelompok peneliti mendemonstrasikan teknik yang dinamakan deep learning, sebuah sistem yang ide umumnya berdasar dari keterhubungan neuorn di otak dan menerjemahkannya menjadi fungsi matematika, yang bekerja jauh lebih handal saat menghadapi citra dalam jumlah besar.

Jika jejaring neural ini diberikan cukup contoh dia akan dapat mengenali pola di citra seperti bentuk dan tekstur yang umum pada kucing.

Sejak saat itu sistemnya telah tumbuh dalam hal kompleksitas dan cakupan. Para peneliti mulai membuat jejaring ‘neuron’ yang lebih besar sedangkan pabrikan perangkat keras seperti Nvidia mulai membangun prosesor khusus untuk membuat jejaring ini bekerja lebih kencang lagi.

Hasilnya adalah ledakan dari pencapaian sistem tersebut.

Jika diberikan sekelompok besar data berupa foto atau video, sistem ini dapat dilatih untuk mempelajari seperti apa wajah seseorang, dan mampu mengidentifikasinya lagi dan lagi.

Contoh terbesar dari ini adalah MegaFace, proyek milik University of Washington.

Set data mereka menyimpan 5 juta citra dari 672.000 orang yang diambil dari citra publik di Flickr. Pada bulan Juli, tim MegaFace mempresentasikan skor terbaru hasil pelatihan algoritmanya.

Ketika diuji untuk mencocokkan dua citra dari satu orang yang sama dari 1 juta foto wajah, tim paling bagus mendapat akurasi 75% saat diberikan satu kali kesempatan menebak, dan lebih dari 90% jika boleh menebak hingga 10 kali.

“Kami perlu menguji pengenalan wajah ini dalam taraf yang lebih tinggi untuk memungkinkan aplikasi yang lebih praktis, sebab pengujian yang lebih besar membantu menemukan kelemahan dan kekuatan algoritma tersebut,” kata Ira Kemelmacher-Shlizerman, profesor yang mengawasi proyek MegaFace di blog universitas yang dikutip Quartz.

Video yang menggunakan teknik sama dengan gambar tak bergerak tapi butuh daya pemroses yang lebih kuat, juga mengizinkan kecerdasan buatan untuk memahami peristiwa yang sedang berlangsung.

Baidu, raksasa mesin pencari China pada akhir Agustus memenangkan ActivityNet Challenge, dengan secara tepat melabel aktivitas manusia dari 300.000 video dengan tingkat akurasi 87,6%.

Aktivitas ini meliputi menebang kayu, membersihkan jendela, dan mengajak anjing jalan-jalan.

Facebook juga telah menunjukkan minatnya pada teknologi ini guna memahami siapa yang ada di livestream situsnya dan apa yang mereka perbuat.

Dalam sebuah wawancara tahun lalu, pimpinan dari machine learning terapan Joaquin Quinonero Candela mengatakan idealnya Facebook akan mengerti apa yang terjadi di setiap video siaran langsung, supaya bisa mengkurasi kanal video yang dipersonalisasi bagi penggunanya.

Pengenalan wajah pada citra diam dan video telah merembes masuk ke kehidupan sehari-hari.

Baidu memulai program di mana pengenalan wajah digunakan untuk sebuah acara dan meninggalkan penggunaan tiket.

Tempat acara mengetahui siapa diri anda, mungkin dari foto yang diunggah atau foto profil di media sosial, melihat wajah anda saat datang dan tahu bahwa anda berhak masuk ikut acara.

Paris mengujikan fitur serupa di bandara Charles de Gaulle selama tiga bulan tahun ini, mengikuti program yang dilakukan Jepang tahun 2016, namun keduanya belum membeberkan hasil ujicoba tersebut.

Pemerintah Amerika telah menggunakan teknologi dalam kapasitas yang terbatas. Beberapa pekan lalu departemen kendaraan bermotor New York mengumumkan lebih dari 4.000 penangkapan yang dibantu teknologi pengenalan wajah.

Ketimbang memindai rekaman polisi, perangkat lunaknya digunakan untuk membandingkan foto surat pengajuan SIM yang baru dengan foto di database mereka, yang membuat penipu lebih sulit mencuri identitas seseorang.

Jika pemerintah pusat Amerika juga berniat memanfaatkan teknologi ini di masyarakat, mereka akan mempunyai database lebih dari 50 persen orang Amerika dewasa yang pada akhirnya membuat kecerdasan buatannya lebih baik lagi.

Kenyataan tersebut bisa jadi tidak lama lagi.

Axon, distributor terbesar dari kamera polisi di Amerika telah menyatakan ambisinya baru-baru ini untuk memasukkan kecerdasan buatan ke produk mereka setelah membeli dua perusahaan yang bergerak di bidang serupa.

CEO Axon Rick Smith mengatakan kepada Quartz bahwa pemanfaatan ideal dari kecerdasan buatan adalah pelaporan insiden yang lebih objektif, yang memberi lebih banyak waktu pada polisi untuk bekerja dari balik meja.

Pengenalan wajah, menurutnya belumlah aktif sekarang namun justru di masa depan.

Kamera keamanan juga mendapat sokongan dari kecerdasan buatan. Intel pada bulan April menyampaikan bahwa mereka telah membuat perangkat keras untuk kamera keamanan yang sanggup untuk ‘ memonitor kerumunan yang padat, daya pandang stereoskopis, pengenalan wajah, penghitungan manusia, dan analisis perilaku’.

Kamera lain yang disebut DNNCam adalah kamera deep learning yang kedap air, mandiri, dan diklaim sulit dihancurkan yang berarti dapat ditempatkan untuk mengawasi kehidupan di tempat terpencil yang jauh dari koneksi internet, atau pun dari balik mesin kasir untuk ‘mengenali pembeli langganan’, menurut situs perusahaan.

Jadi apa yang perlu dilakukan warga taat hukum yang menganggap privasi adalah hak ketika pengintaian menjadi norma yang baru?