Resume
J6XcP4JOHmk • Jeremy Howard: fast.ai Deep Learning Courses and Research | Lex Fridman Podcast #35
Updated: 2026-02-13 13:23:35 UTC
Back Source
Prev Next

Wawancara Eksklusif: Masa Depan Deep Learning, Bahasa Pemrograman, dan Etika AI bersama Jeremy Howard

Inti Sari (Executive Summary)

Video ini membahas wawancara mendalam dengan Jeremy Howard, pendiri fast.ai dan mantan presiden Kaggle, mengenai evolusi bahasa pemrograman, masa depan deep learning, serta penerapan AI di bidang kesehatan. Howard menekankan pentingnya pendekatan praktis dalam mempelajari AI, kritiknya terhadap keterbatasan Python dan dominasi vendor tertentu, serta visinya tentang bagaimana teknologi ini dapat memberdayakan ahli domain. Diskusi juga menyentuh aspek etika dan tanggung jawab sosial yang harus dimiliki oleh para ilmuwan data.

Poin-Poin Kunci (Key Takeaways)

  • Filosofi fast.ai: Membuat deep learning yang mudah diakses, praktis, dan minim teori yang tidak perlu, berfokus pada hasil nyata (hands-on).
  • Kritik Bahasa Pemrograman: Python dianggap tidak cukup "hackable" dan lambat; Swift diprediksi menjadi bahasa masa depan untuk AI karena integrasi compiler yang lebih baik.
  • Efisiensi Data: Terobosan besar dalam AI tidak selalu membutuhkan dataset besar; transfer learning memungkinkan penggunaan data yang jauh lebih sedikit.
  • AI dalam Kedokteran: Fokus utama bukan menggantikan dokter, melainkan meningkatkan produktivitas mereka, terutama di negara berkembang yang kekurangan tenaga medis.
  • Tanggung Jawab Etis: Ilmuwan data memiliki pengaruh besar terhadap masyarakat dan wajib mempertimbangkan dampak etis, seperti feedback loops dan proses banding bagi pengguna.

Rincian Materi (Detailed Breakdown)

1. Profil, Latar Belakang, dan Filosofi fast.ai

Jeremy Howard dikenal sebagai pendiri fast.ai, peneliti di University of San Francisco, dan mantan presiden Kaggle. Platform fast.ai sangat direkomendasikan bagi pemula karena gratis, praktis, dan selalu mengikuti perkembangan teknologi terkini (cutting edge).
* Awal Mula: Howard tertarik pemrograman sejak sekolah menengah dengan Commodore 64 (Basic). Ia juga memiliki latar belakang musik (Saksofon, Piano, dll) namun harus berhenti karena cedera Repetitive Strain Injury (RSI).
* Lingkungan Favorit: Ia sangat menyukai Microsoft Access (VBA) karena kemudahan UI dan data binding-nya, serta bahasa Delphi (Object Pascal) yang diciptakan oleh Anders Hejlsberg. Saat ini, ia tertarik pada bahasa array-oriented seperti J dan APL karena ekspresivitasnya yang tinggi.

2. Evolusi Bahasa Pemrograman dan Masa Depan AI

Howard membahas perbandingan bahasa pemrograman dan arah perkembangan teknologi AI.
* Perl vs. Python: Python menggantikan Perl bukan karena lebih elegan, melainkan karena library sains datanya yang superior. Namun, Howard menganggap Python lambat dan sulit untuk di-"hack" saat menangani deep learning tingkat lanjut.
* Harapan pada Swift: Ia berharap Swift menjadi bahasa utama di masa depan karena sifatnya yang "infinitely hackable" dan didukung teknologi compiler modern (MLIR, LLVM). Swift for TensorFlow dianggap memiliki potensi besar meski masih membutuhkan waktu sekitar 3 tahun untuk menjadi praktis.
* Kritik TensorFlow: Versi Python dari TensorFlow dianggap "bencana" (disaster), berantakan, dan versi Eager-nya jauh lebih lambat dibanding PyTorch.
* Hardware: Saat ini NVIDIA mendominasi melalui CUDA. Google TPU dianggap lebih sulit diprogram karena aksesnya yang dibatasi demi melindungi IP, membuatnya kurang fleksibel untuk penelitian.

3. Metodologi: Transfer Learning dan Dataset Kecil

Howard menekankan bahwa kita tidak membutuhkan dataset raksasa untuk mencapai hasil state-of-the-art.
* Transfer Learning: Teknik ini memungkinkan penggunaan data yang jauh lebih sedikit. Ia bersama Sebastian Ruder menerbitkan paper tentang algoritma transfer learning (disebut GLM fit dalam transkrip) yang berhasil mengalahkan standar industri saat itu.
* Dataset Kecil: Ia merilis subset ImageNet seperti "Imaginet" dan "ImageWharf" untuk membantu peneliti. Pelatihan pada subset kecil ini hanya memakan waktu 10 menit dalam satu GPU namun hasilnya mampu ditransfer ke dataset penuh.
* Kreativitas: Terobosan besar dalam AI (seperti GAN awal) seringkali dilakukan dengan sumber daya terbatas (satu GPU), bukan oleh perusahaan besar dengan ribuan GPU.

4. Penerapan AI dalam Kedokteran dan Tantangannya

Sebelum mendirikan fast.ai, Howard mendirikan Enlitic, perusahaan deep learning pertama di bidang medis.
* Masalah: Dunia mengalami kekurangan dokter yang drastis (diperkirakan butuh 300 tahun untuk melatih cukup dokter).
* Solusi: AI digunakan untuk triase diagnosis, terutama di negara berkembang (Afrika, India, China) yang memiliki populasi besar tapi sedikit ahli radiologi. AI menyoroti kasus berisiko tinggi (5%) untuk ditinjau ahli, membuat dokter 10x lebih produktif.
* Tantangan: Adopsi lambat karena hambatan regulasi, kurangnya kesadaran awal, dan interpretasi hukum (seperti HIPAA) yang konservatif oleh para pengacara, yang seringkali menghambat berbagi data demi inovasi.

5. Privasi, Data, dan Startup Advice

  • Privasi: Howard percaya pada "doing more with less data". Seringkali data internal organisasi sudah cukup dengan bantuan transfer learning. Ia mengkritik vendor besar yang mendorong kebutuhan komputasi besar demi keuntungan mereka sendiri.
  • Tips Startup: Ia menyarankan untuk membiayai startup sendiri (self-funded) daripada mengambil pendanaan VC. Self-funding memungkinkan pengembang bekerja dengan tenang dan fokus memecahkan masalah nyata, bukan sekadar pertumbuhan valuasi semu.
  • Cloud Platform: Bagi pemula, GCP (Google Cloud Platform) disarankan karena lingkungan server yang siap pakai, sedangkan Paperspace dan Salamander adalah pilihan termudah untuk "satu klik" tanpa instalasi rumit.

6. Tips Belajar dan Karir di Bidang Data Science

  • Rekomendasi Framework: Bagi pemula, gunakan Fast.ai dan PyTorch. Menguasai konsep lebih penting daripada terpaku pada satu library tertentu.
  • Kemampuan Koding: Kemampuan coding adalah hambatan utama, bukan statistika. Orang dengan latar belakang coding kuat biasanya lebih mudah sukses daripada statistisi klasik.
  • Ketekunan (Tenacity): Kunci sukses utama adalah tidak menyerah. Howard meyakini siapa saja bisa belajar deep learning jika cukup gigih.
  • Spaced Repetition: Howard menggunakan teknik Spaced Repetition (melalui Anki) untuk mempelajari Bahasa Mandarin, menggabungkannya dengan mnemonik dan cerita yang unik agar mudah diingat.

Kesimpulan & Pesan Penutup

Wawancara ini menegaskan bahwa masa depan AI terletak pada aksesibilitas, efisiensi data, dan penerapan praktis yang memberdayakan ahli domain, terutama di bidang kesehatan. Jeremy Howard mengajak para praktisi untuk tidak terpaku pada keterbatasan alat atau data besar, melainkan berinovasi dengan teknik seperti transfer learning dan bahasa pemrograman yang lebih adaptif. Terakhir, beliau menekankan bahwa keahlian teknis harus diimbangi dengan pertimbangan etis yang kuat demi menciptakan dampak positif bagi masyarakat.