Teacher Forcing adalah teknik kecerdasan buatan yang digunakan untuk mengoptimalkan jaringan saraf berulang (RNN). Hal ini juga dikenal sebagai “menyuntikkan pengetahuan guru” karena melibatkan pemberian informasi tambahan kepada RNN sehingga mereka dapat membuat prediksi yang lebih baik. Pemaksaan guru mendorong model untuk menggunakan masukan yang “benar” dalam prediksi masa depan, dibandingkan mengandalkan keluaran yang diprediksi sebelumnya.
Nama, “Teacher Forcing”, berasal dari gagasan seorang guru yang memaksakan jawaban yang benar kepada siswanya dan merupakan perpanjangan dari gagasan pembelajaran yang diawasi dalam pembelajaran mesin. Pemaksaan guru sangat berguna saat melatih RNN karena RNN mempertahankan status sebelumnya saat membuat prediksi di masa mendatang. Namun hal ini tidak selalu bermanfaat, karena dapat mengarah pada penyesuaian pola tetap seperti melakukan tindakan yang sama atau serupa dalam konteks serupa.
Pemaksaan guru digunakan dalam fase pelatihan RNN untuk memaksimalkan jumlah informasi yang dapat dipelajari model. Pendekatan pemaksaan guru adalah dengan menetapkan porsi tetap dari data latih untuk dijadikan masukan dan sisanya menjadi masukan dari keluaran prediksi sebelumnya. Hal ini memungkinkan model menerima informasi tambahan yang biasanya tidak dapat diakses, sehingga dapat meningkatkan performanya secara signifikan.
Pada dasarnya, pemaksaan oleh guru adalah cara efektif untuk mendorong RNN membuat prediksi yang lebih baik dengan memberikan informasi tambahan selama pelatihannya. Dengan memberikan informasi guru yang akurat melalui pemaksaan guru selama pelatihan, pola pembelajaran yang dapat digeneralisasikan dengan baik dapat lebih baik. Hal ini memungkinkannya mengenali urutan dengan lebih baik tanpa terlalu bergantung pada keluaran yang diprediksi sebelumnya.
