Bagaimana Algoritma Tiktok Bekerja

PKC iota/lambda, CaMKII, WWC1/KIBRA, PKMzeta

Bagaimana molekul-molekul berorganisasi untuk membedakan satu memori dari memori lainnya? Mengapa setiap masukan sensorik tampak mencari kecocokan interpretasi, baik pada awalnya maupun akhirnya? Apa yang membuat memori menjadi cerdas? Mengapa memori terhadap sesuatu dapat menjadi dasar untuk kehati-hatian—atau tindakan—terhadap sesuatu yang lain? Bagaimana beberapa memori bertahan sementara yang lain memudar? Apakah ada perbedaan antara molekul yang mengatur memori dari molekul yang membuatnya permanen?

Ada dua elemen penentu dalam otak dalam beberapa studi memori, yaitu gen suatu molekul dan molekul itu sendiri. Jika gen diekspresikan—untuk ketersediaan molekul—maka memori akan berfungsi, begitulah istilahnya.

Sekarang, jika beberapa arsitektur konseptual memori dikembangkan, apakah itu akan didasarkan pada gen atau molekul? Diteorikan bahwa gen—seperti neuron—adalah inang, sementara molekul bersifat mekanis. Sederhananya, neuron dan gen harus ada agar molekul tersedia, tetapi molekullah yang memungkinkan memori. Itu seperti rumah dan fasilitas di dalamnya yang berguna bagi manusia.

Ini berarti bahwa dalam mengeksplorasi dasar ingatan manusia, molekul berada di depan gen dan neuron, secara konseptual. Setiap sinaps, kuat atau lemah, memiliki molekul di celahnya. Diteorikan bahwa pembentukan molekul-molekul ini secara berbeda, dalam satu set, dalam gugus neuron, menentukan satu ingatan dari yang berikutnya. Secara sederhana, sinaps dapat digambarkan sebagai katrol penyediaan, tetapi konfigurasi molekullah yang menentukan ingatan.

Ada beberapa molekul memori, WWC1 [atau KIBRA], PKC iota/lambda [PKCι/λ], CaMKII, PKMzeta [PKMζ], cGMP/PKG, cAMP, PKA, CRE, CREB-1, CREB-2, CPEB dan seterusnya. Pertanyaannya adalah untuk mengeksplorasi molekul apa yang menyusun memori dan molekul apa yang membuatnya bertahan lama.

Diketahui bahwa agar beberapa kenangan bertahan, pengulangan sering kali diperlukan. Selain itu, konsekuensi dapat memastikan bahwa kehati-hatian jangka panjang diterapkan. Kemudian mungkin ada kejadian paralel, katakanlah beberapa trauma atau hal lain yang dapat membuat kenangan bertahan. Mungkin juga ada pemahaman tentang hal itu.

Ada sebuah makalah baru-baru ini di Science , KIBRA yang menjangkarkan aksi PKMζ mempertahankan persistensi memori , yang menyatakan bahwa, "Bagaimana molekul berumur pendek dapat secara selektif mempertahankan potensiasi sinapsis yang diaktifkan untuk mempertahankan memori jangka panjang? Di sini, kita menemukan protein adaptor yang diekspresikan oleh ginjal dan otak (KIBRA), protein perancah postsinaptik yang secara genetik terkait dengan kinerja memori manusia, kompleks dengan protein kinase Mzeta (PKMζ), menjangkarkan aksi potensiasi kinase untuk mempertahankan potensiasi jangka panjang fase akhir (late-LTP) pada sinapsis yang diaktifkan. Dua antagonis dimerisasi KIBRA-PKMζ yang secara struktural berbeda mengganggu memori spasial jangka panjang dan late-LTP yang sudah terbentuk, namun keduanya tidak secara terukur memengaruhi transmisi sinaptik basal. Tidak ada antagonis yang memengaruhi LTP independen PKMζ atau memori yang dipertahankan dengan mengompensasi PKC pada tikus ζ-knockout; dengan demikian, kedua agen tersebut membutuhkan PKMζ untuk efeknya. Kompleks KIBRA-PKMζ mempertahankan memori yang berusia 1 bulan meskipun terjadi pergantian PKMζ. Oleh karena itu, bukan hanya PKMζ, atau KIBRA saja, tetapi interaksi berkelanjutan antara keduanya yang mempertahankan LTP akhir dan memori jangka panjang."

Jika KIBRA dan PKMζ harus berinteraksi untuk menghasilkan memori jangka panjang, apa asal muasal memori jangka panjang ini? Pengulangan, konsekuensi, kejadian paralel dari sesuatu, atau pemahaman akan suatu situasi?

Tidak mungkin bahwa molekul untuk keawetan memori dan konfigurasi memori benar-benar independen karena hal pertama yang sering kali terjadi adalah bentuk memori sebelum dapat bersifat permanen atau temporal.

Misalnya, mobil, pintu, jendela, sepatu, buku, perangkat, dan sebagainya memiliki jenis yang berbeda, dan memori menafsirkan semuanya. Memori tidak menyimpan semua mobil secara terpisah, tetapi sering kali mengumpulkan kesamaan antara dua atau lebih mobil lalu mengelompokkannya ke dalam apa yang disebut set tebal. Set tebal inilah yang dapat menjadi dasar permanen untuk penafsiran memori yang serupa, secara konseptual.

Jadi pertanyaannya adalah bagaimana set tebal bekerja? Kemudian untuk set tipis—di mana informasi yang paling unik disimpan—kemungkinan besar bersifat temporal karena hal-hal spesifik tentang setiap pintu hampir tidak diingat, tetapi hal-hal tentang pintu sering diketahui dan diingat.

Molekul dalam formasi memekanisasi memori, secara konseptual . Penempatan mereka dalam memori dapat menentukan apakah molekul permanen dapat bertindak terhadap mereka, secara konseptual. Pembukaan oleh molekul formasi [atau konfigurasi] yang memungkinkan molekul lain untuk bertindak, secara konseptual.

Ada pula peran relai dari satu bagian himpunan tebal ke bagian berikutnya, atau satu bagian memori ke bagian lainnya melalui sinyal listrik yang juga dapat menentukan kelonggaran molekul permanen, secara konseptual. Diteorikan bahwa sinyal listrik dalam suatu himpunan menyerang sinyal kimia, agar sesuai atau cocok dengan apa yang mungkin tersedia untuk interpretasi, pada awalnya atau akhirnya. Kemungkinan untuk interaksi awal dan akhir adalah karena sinyal listrik terbagi, dalam suatu himpunan, dengan beberapa mendahului yang lain, secara konseptual.

Penelitian dalam ilmu saraf seluler dan molekuler diperlukan untuk neurofarmakologi. Namun, ilmu saraf teoritis dapat menjadi jalan untuk membentuk cara menempatkan penelitian saat muncul pilihan yang tepat terhadap masalah pikiran.

Ada sebuah makalah baru-baru ini di Nature , Proses kompetitif membentuk plastisitas multi-sinaps di sepanjang segmen dendritik , yang menyatakan bahwa, "Neuron menerima ribuan masukan ke punjung dendritiknya, tempat sinapsis individual menjalani plastisitas yang bergantung pada aktivitas. Perubahan jangka panjang dalam kekuatan postsinaptik berkorelasi dengan perubahan dalam volume kepala tulang belakang. Besarnya dan arah plastisitas struktural tersebut - potensiasi (sLTP) dan depresi (sLTD) - bergantung pada jumlah dan distribusi spasial sinapsis yang terstimulasi. Namun, bagaimana neuron mengalokasikan sumber daya untuk menerapkan perubahan kekuatan sinaptik melintasi ruang dan waktu di antara sinapsis tetangga masih belum jelas. Di sini kami menggabungkan pendekatan eksperimental dan pemodelan untuk mengeksplorasi proses dasar yang mendasari plastisitas multi-tulang belakang. Kami menggunakan glutamat uncaging untuk menginduksi sLTP pada berbagai jumlah sinapsis yang berbagi cabang dendritik yang sama, dan kami membangun model yang menggabungkan komponen bergantung Ca2+ peran ganda yang menginduksi pertumbuhan atau penyusutan tulang belakang. Hasil penelitian kami menunjukkan bahwa persaingan antar duri untuk mendapatkan sumber daya molekuler merupakan pendorong utama plastisitas multi-duri dan jarak spasial antara duri yang terstimulasi secara bersamaan memengaruhi dinamika duri yang dihasilkan."

Ada makalah terbaru lainnya di Nature , Images with harder-to-reconstruct visual representations leave stronger memory tracks , yang menyatakan bahwa, "Banyak dari apa yang kita ingat bukan karena seleksi yang disengaja, tetapi hanya produk sampingan dari persepsi. Ini menimbulkan pertanyaan mendasar tentang arsitektur pikiran: bagaimana persepsi berinteraksi dengan dan memengaruhi memori? Di sini, terinspirasi oleh proposal klasik yang mengaitkan pemrosesan persepsi dengan daya tahan memori, teori level-of-processing, kami menyajikan model pengkodean jarang untuk mengompresi penyisipan fitur gambar dan menunjukkan bahwa residu rekonstruksi dari model ini memprediksi seberapa baik gambar dikodekan ke dalam memori. Dalam kumpulan data memorabilitas terbuka dari gambar pemandangan, kami menunjukkan bahwa kesalahan rekonstruksi tidak hanya menjelaskan akurasi memori, tetapi juga latensi respons selama pengambilan, yang mencakup, dalam kasus terakhir, semua varians yang dijelaskan oleh model penglihatan saja yang kuat. Kami juga mengonfirmasi prediksi akun ini dengan 'psikofisika yang digerakkan oleh model'. Karya ini menetapkan kesalahan rekonstruksi sebagai sinyal penting yang menghubungkan persepsi dan memori, mungkin melalui modulasi adaptif pemrosesan persepsi."

Pada artikel kali ini saya menjelaskan tentang tema terkait cara memori manusia bekerja.

Pada memori sebagian besar aktivitas manusia tentunya berkaitan dengan memori (ingatan) manusia yang mengingat semua hal yang pernah terjadi. Memori manusia sendiri berisi tentang hal yang terkait dengan pengetahuan.

Lalu bagaimana memori bekerja?

Dalam tubuh manusia terdapat sebuah sistem pengolah informasi yang satu diataranya yang termasuk adalah memori. Memori secara umum memiliki 3 jenis/fungsi memori yang diantaranya;

Memori sensorik mengambil informasi dari lingkungan melalui indera manusia, penglihatan, pendengaran, sentuhan, dan penciuman. Pada memori penyaring ini terdapat tiga saluran penyaring yang diantaranya; pertama iconic yaitu saluran penerima rangsang penglihatan (visual), yang kedua echoic yaitu saluran penerima rangsang suara; dan yang ketiga haptic yaitu saluran penerima rangsang sentuhan Memori sensorik dapat mengambil banyak informasi tetapi informasi disimpan hanya untuk waktu yang sangat singkat dengan visual. Informasi disimpan kurang dari setengah detik dan informasi pendengaran disimpan hanya selama tiga sampai empat detik bekerja.

Memori bekerja pada apa yang kita sadari atau apa yang kita pikirkan pada saat tertentu, disinilah memori bekerja terjadi pada seseorang dan hanya dapat menangani sejumlah kecil informasi dalam memori kerja mereka. pada satu waktu kita tidak dapat memikirkan jutaan hal dalam sekali yang pada kenyataannya kita hanya dapat menyimpan sekitar empat hal dalam memori kerja kita pada suatu waktu, kita juga tidak dapat menyimpan informasi tersebut untuk durasi memori kerja yang sangat lama yaitu sekitar lima hingga 20 detik kecuali kita secara aktif mencoba mengingat informasi dengan mengulang.

Memori jangka pendek merupakan memori kerja yang berfungsi sebagai tempat penyimpaman informasi sementara. seperti contohnya saja ketika seseorang yang mungkin mencoba menghitung 58 x 5, bisa saja dalam pengerjaannya dia mengalikan 8 dengan 5 terlebih dahulu baru kemudian 50x5. Nah, pada proses perhitungan seperti itu diperlukan penyimpanan memori jangka pendek yang dimana penyimpanan sementara itu akan digunakan kembali setelah itu.

Memori jangka pendek ini sendiri dapat diakses dengan cepat dan menghilang lebih cepat, hal ini dikarenakan kapasitas pada memori ini yang kecil dan terbatas menyebabkan jangka penyimpanannya hanya sementara. pada memori jangka pendek ini terdapat 2 metode dasar yang dapat digunakan untuk mengukur kapasitasnya, yaitu dapat mengenali ketinggian dari suatu tempat yang dapat kita ingat berdasarkan penelitian. Karena manusia memiliki kemampuan dalam mengingat; yang kedua manusia mampu mengingat suatu kalimat yang diucapkan, misalnya mengingat kalimat "upin & ipin" ketimbang kalimat "bee atr anu pith etr eet"

Memori jangka panjang adalah tempat kita menyimpan semua ingatan kita. Seperti salah satu tujuan belajar adalah memasukkan informasi ke dalam ingatan jangka panjang sehingga kita dapat menggunakannya nanti ketika kita membutuhkannya, kita memiliki banyak ruang untuk menyimpan ingatan tetapi kita menyimpan representasi ingatan itu yang tidak sempurna dari dunia luar.

Memori jangka panjang relatif permanen namun jika kita ingin mempertahankan akses mudah ke memori, kita perlu mengambil informasi itu secara teratur. Artinya, pembelajaran bergantung pada tiga proses yaitu kritis, pengkodean dan pengambilan perhatian.

Lihat Ilmu Alam & Tekno Selengkapnya

Saat ini, penggunaan kecerdasan buatan telah diimplementasikan dalam parameter algoritma Instagram sehingga cara menampilkan konten Anda akan terus berkembang.

Bagi digital marketing strategist, perhatikan hal ini saat bekerja menggunakan algoritma Instagram untuk meningkat kinerja social media campaign di Instagram.

Apa itu Machine Learning?

Machine Learning (ML) adalah cabang dari kecerdasan buatan (Artificial Intelligence/AI) yang memungkinkan mesin untuk belajar dari data tanpa harus diprogram secara eksplisit. Pada dasarnya, algoritma machine learning dirancang untuk mengenali pola dalam data dan membuat keputusan atau prediksi berdasarkan pola tersebut.

Dengan kata lain, ML memungkinkan sistem komputer untuk meningkatkan kinerjanya secara otomatis berdasarkan pengalaman yang didapat dari data. Berbeda dari metode tradisional di mana setiap langkah harus diatur oleh manusia, ML bekerja secara otomatis untuk meningkatkan presisi prediksi dengan mengasah kemampuannya melalui latihan dengan data yang tersedia.

Baca juga : Bootcamp Machine Learning and AI for Beginner

Hubungan atau Relationship

Instagram mempunyai misi untuk membuat orang-orang menghabiskan lebih banyak waktu dalam aplikasinya.

Oleh karena itu, salah satu algoritma Instagram menonjolkan postingan dari akun-akun yang sudah saling terhubung atau sering berinteraksi.

Jadi, tampilan feed Anda ketika pertama kali membuka Instagram akan memunculkan postingan dari akun-akun yang terakhir kali berinteraksi dengan Anda.

Interaksi yang dimaksudkan di sini bisa dalam bentuk saling memberi likes, komentar, DM, mention, dan tagging.

Penerapan Nyata Algoritma Machine Learning

Machine learning telah diterapkan di berbagai bidang kehidupan dan memiliki dampak dalam mempermudah pekerjaan manusia serta meningkatkan efisiensi di berbagai industri. Beberapa aplikasi nyata dari algoritma machine learning dapat dilihat di bidang teknologi, kesehatan, dan keuangan, yang dijelaskan di bawah ini.

Bidang teknologi adalah salah satu area paling berkembang dalam penerapan machine learning. Salah satu contoh yang paling populer adalah sistem rekomendasi, seperti yang digunakan oleh YouTube, Netflix, atau Spotify. Algoritma di balik sistem ini mempelajari perilaku pengguna untuk memberikan rekomendasi konten yang sesuai dengan preferensi mereka.

Selain itu, machine learning juga memainkan peran penting dalam pengenalan wajah dan suara, seperti yang diterapkan pada perangkat Apple dengan Face ID atau asisten virtual seperti Siri dan Google Assistant. Teknologi ini menggunakan supervised learning untuk mengenali pola dalam data, memungkinkan perangkat mengenali pengguna atau memahami perintah dengan lebih akurat seiring waktu.

Dalam dunia kesehatan, machine learning telah membawa perubahan besar dalam diagnosis medis, pengobatan, dan penelitian farmasi. Contohnya adalah penggunaan algoritma untuk menganalisis gambar medis seperti MRI, CT scan, atau X-ray. Dengan kemampuan untuk mengenali pola yang tidak selalu terlihat oleh mata, algoritma ini dapat mendeteksi penyakit seperti kanker dengan lebih dini dan lebih akurat.

Selain itu, machine learning juga digunakan dalam prediksi perkembangan penyakit serta personalisasi perawatan pasien berdasarkan riwayat kesehatan dan data genetik. Di masa depan, ML diharapkan akan semakin membantu dalam pengembangan obat baru dengan cara mempercepat proses penemuan molekul yang berpotensi menjadi obat.

Dalam industri keuangan, algoritma machine learning telah digunakan secara luas untuk berbagai keperluan, mulai dari deteksi penipuan hingga prediksi pasar saham. Salah satu penerapan penting ML adalah dalam deteksi anomali untuk mengidentifikasi aktivitas transaksi yang mencurigakan dan berpotensi penipuan. Dengan mempelajari pola transaksi yang normal, algoritma dapat mengenali jika ada aktivitas yang tidak biasa dan mengeluarkan peringatan dini.

Selain itu, machine learning juga membantu dalam pengelolaan risiko kredit, di mana algoritma digunakan untuk menilai kelayakan kredit seseorang berdasarkan data historis, seperti riwayat pembayaran dan pengeluaran. Di pasar saham, machine learning digunakan untuk menganalisis tren dan pola historis guna memprediksi pergerakan harga di masa depan, membantu perusahaan dan investor dalam membuat keputusan investasi yang lebih tepat.

Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!

Agar mampu menerapkan ML di berbagai bidang, dibutuhkan pemahaman dasar dulu tentang Machine Learning. Dimana ya tempat belajar yang tepat untuk mengasah skill tersebut? Nah, DQLab adalah jawabannya. Modul ajarnya lengkap dan bervariasi. Semua skill yang dibutuhkan akan diajarkan.

Dilengkapi studi kasus yang membantu kalian belajar memecahkan masalah dari berbagai industri. Bahkan diintegrasikan dengan ChatGPT. Manfaatnya apa?

Membantu kalian menjelaskan lebih detail code yang sedang dipelajari

Membantu menemukan code yang salah atau tidak sesuai

Memberikan solusi atas problem yang dihadapi pada code

Membantu kalian belajar kapanpun dan dimanapun

Selain itu, DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Tunggu apa lagi, segera ikuti Bootcamp Machine Learning and AI for Beginner dan persiapkan diri untuk menguasai machine learning!

Relevansi dengan Minat Pengguna

Shopee menggunakan data perilaku pengguna untuk menampilkan siaran langsung yang relevan di beranda atau rekomendasi. Beberapa faktor yang diperhitungkan:

Bagaimana Algoritma Machine Learning Bekerja?

Secara umum, algoritma machine learning bekerja melalui beberapa tahap utama: pengumpulan data, pra-pemrosesan data, pelatihan model, pengujian model, dan implementasi. Pada tahap pertama, data dikumpulkan sebagai input dasar bagi algoritma.

Selanjutnya, data tersebut diproses melalui langkah-langkah seperti pembersihan data (data cleaning) dan transformasi untuk menghilangkan noise atau data yang tidak relevan. Tahap berikutnya adalah pelatihan model, di mana algoritma mempelajari pola dalam data untuk membuat prediksi atau keputusan.

Model yang telah dilatih ini kemudian diuji menggunakan data baru untuk menilai akurasi dan kinerjanya. Setelah tahap pengujian selesai, model yang berhasil akan diterapkan ke dalam situasi nyata. Seluruh proses ini dilakukan berulang kali, di mana algoritma terus menyempurnakan kinerjanya seiring bertambahnya data yang diproses.

Ulasan dan Reputasi Toko

Shopee lebih cenderung mempromosikan toko dengan reputasi baik, ulasan positif, dan tingkat pemenuhan pesanan tinggi.

Algoritma Shopee Live bertujuan menampilkan konten yang relevan, menarik, dan berkualitas kepada pengguna.

Dengan memahami cara kerjanya, penjual dapat memanfaatkan siaran langsung untuk meningkatkan visibilitas, interaksi, dan penjualan.

Kunci sukses di Shopee Live: fokus pada relevansi, kualitas konten, interaksi yang tinggi, dan konsistensi siaran.

Dengan strategi yang tepat, Anda dapat mengoptimalkan algoritma Shopee Live untuk mengembangkan bisnis Anda.

Informasi Pendaftaran Mahasiswa baru follow IG @infopmbunjani, mau tanya atau ngobrol? DM ya. Terimakasih. informasi ter-update selalu di update disana, sampai jumpa di kampus.

Jenis-Jenis Algoritma Machine Learning

Algoritma machine learning dapat dikategorikan ke dalam tiga kelompok utama: supervised learning, unsupervised learning, dan reinforcement learning. Supervised learning melibatkan pelatihan model menggunakan data yang sudah memiliki label atau jawaban yang benar, seperti pada masalah klasifikasi dan regresi. Algoritma seperti regresi linier, decision tree, dan random forest termasuk dalam kategori ini.

Unsupervised learning digunakan ketika data tidak memiliki label, sehingga algoritma harus menemukan pola atau struktur tersembunyi dalam data, seperti pengelompokan (clustering) dengan algoritma seperti K-Means dan Principal Component Analysis (PCA).

Terakhir, reinforcement learning bekerja dengan cara memberikan reward dan punishment pada sistem berdasarkan tindakan yang diambil, di mana sistem belajar melalui percobaan dan kesalahan untuk mencapai tujuan tertentu. Algoritma ini sering digunakan dalam pengembangan agen AI untuk bermain game atau mengontrol robot.

Konsistensi dan Frekuensi Siaran

Toko yang sering melakukan siaran langsung memiliki peluang lebih besar untuk disukai oleh algoritma. Frekuensi siaran membantu algoritma menganggap toko Anda aktif dan berkontribusi pada pengalaman pengguna.