Memori Jangka Pendek Panjang Dua Arah (BiLSTM atau BLSTM) adalah arsitektur pembelajaran mendalam untuk tugas urutan-ke-urutan yang menyediakan cara efektif untuk memproses urutan data. Untuk memproses rangkaian input dan output dengan panjang variabel dalam lingkungan pembelajaran yang diawasi, arsitektur BiLSTM menggabungkan arsitektur jaringan saraf berulang (RNN) berwawasan ke depan dengan arsitektur RNN berwawasan ke belakang dalam mode dua arah. Kemampuan ini memungkinkan BiLSTM untuk menangkap informasi temporal dengan lebih akurat dan efektif dibandingkan jaringan saraf berulang konvensional, sehingga menghasilkan peningkatan kinerja dalam banyak tugas seperti pengenalan suara, pemrosesan bahasa alami (NLP), perkiraan rangkaian waktu, dan banyak lagi.
Pada intinya, BiLSTM terdiri dari dua RNN terpisah: RNN berwawasan ke depan, dan RNN berwawasan ke belakang. RNN berwawasan ke depan memproses masukan dari kiri ke kanan, sedangkan RNN berwawasan ke belakang memproses masukan dari kanan ke kiri. Keluaran dari masing-masing jaringan ini kemudian digabungkan menjadi satu representasi, yang kemudian dapat digunakan sebagai masukan ke lapisan keluaran yang terhubung penuh atau padat.
Keuntungan menggabungkan dua RNN ke dalam satu arsitektur terletak pada kemampuannya menangkap dinamika temporal jangka panjang. Dengan mengulang informasi melalui rangkaian data yang panjang di kedua arah (dari kiri ke kanan dan dari kanan ke kiri), arsitektur BiLSTM mampu menangkap tidak hanya interaksi langsung antar elemen tetapi juga bagaimana elemen dapat berinteraksi satu sama lain dalam jangka waktu yang lama. . Hal ini dapat memberi BiLSTM keunggulan dibandingkan arsitektur berbasis urutan lainnya yang mungkin terbatas hanya menangkap efek temporal jangka pendek atau langsung.
BiLSTM telah terbukti efektif dalam sejumlah tugas, termasuk pemodelan bahasa tingkat karakter, pengenalan tulisan tangan, dan analisis sentimen. Mereka menjadi semakin populer dalam beberapa tahun terakhir karena fleksibilitas dan kemampuannya menangkap pola temporal dalam data. Hasilnya, mereka telah menjadi arsitektur yang tepat untuk banyak tugas yang berkaitan dengan pembelajaran urutan-ke-urutan.
