Machine learning bisa kamu gunakan saat kamu tidak bisa
memprogram manual, serta saat kamu harus memecahkan masalah dalam
skala besar. Yang tak kalah penting, kamu juga membutuhkan tenaga
ahli untuk mengumpukan dan membersihkan data.
Kecerdasan buatan atau artificial intelligence (AI) telah menjadi
salah satu topik terhangat di ranah teknologi dalam beberapa tahun
terakhir. Para raksasa seperti Facebook, Google, dan Apple
berlomba-lomba mengaplikasikannya dalam berbagai aspek. Mulai dari
mesin pencari, mobil pintar, hingga periklanan. Reuters melaporkan
bahwa pada kuartal pertama 2017 saja, telah terjadi 34 akuisisi
startup di bidang AI oleh perusahaan-perusahaan ini.
Mungkin kamu sudah sering mendengar topik tentang AI namun masih
penasaran tentang manfaatnya. Bagaimana AI bisa membantu produk
startup milikmu? Apa kelebihan dan kekurangannya? Sebanyak apa waktu
serta tenaga yang kamu perlukan untuk mulai menerapkannya? Mari kita
kupas bersama di bawah.
Sekilas, implementasi kecerdasan buatan melalui machine learning bisa
terdengar seperti jalan pintas yang menggiurkan. Kamu tinggal
menjejali sebuah mesin dengan banyak data, dan mesin itu akan belajar
sendiri untuk menghasilkan solusi yang kamu butuhkan. Tapi pada
praktiknya tidak sesederhana itu. Tergantung dari masalah yang
dihadapi, machine learning bisa cocok atau tidak cocok untuk
menyelesaikannya.
Amazon Web Services memberikan arahan singkat tentang kapan kamu
sebaiknya menggunakan machine learning ketimbang pemrograman
konvensional. Terdapat dua situasi yang dianjurkan, yaitu:
Kamu tidak bisa memprogram manual. Umumnya, sebuah masalah bisa
dipecahkan dengan solusi berdasarkan aturan-aturan pasti. Tapi ada
juga masalah yang dipengaruhi begitu banyak faktor, sehingga tidak
mungkin membuat solusi akurat secara manual (kecuali kamu mau menulis
ribuan “if-then-else”
untuk satu kasus). Machine learning bisa kamu gunakan untuk
memprediksi solusi masalah seperti ini.
Kamu harus menangani masalah dalam skala besar. Misalkan kamu
harus mengenali apakah sebuah e-mail termasuk spam atau bukan. Untuk
sejumlah kecil e-mail, kamu mungkin masih bisa mendeteksinya manual.
Tapi menerapkannya untuk jutaan e-mail berbeda akan sangat sulit.
Sebagai gantinya, kamu bisa menggunakan machine learning dan teknik
Natural Language Processing (NLP).
Machine learning bersifat prediktif
Setelah memastikan bahwa machine learning cocok untuk solusimu, kamu
harus merancang seperti apa implementasinya dalam bentuk produk.
Apakah kamu harus menggunakan supervised atau unsupervised learning?
Feature apa saja yang menentukan hasil klasifikasi? Seperti apa wujud
data yang dibutuhkan untuk training? Apa input dan keluaran yang kamu
inginkan? Semua pertanyaan ini harus kamu jawab dengan saksama.
Satu hal yang perlu kamu ingat (terutama bila kamu bukan programmer
yang terjun langsung dalam pengembangan) adalah bahwa keluaran
machine learning bersifat prediktif, bukan hasil eksak. Ketika produk
baru selesai dikembangkan, kemungkinan besar hasil prediksi yang
dihasilkan tidak akan seratus persen akurat. Prediksi yang baik baru
akan muncul dari sejumlah training dan pengembangan dalam waktu lama.
Sesuaikan ekspektasimu dengan karakteristik ini, lalu tentukan
standar yang tepat untuk menghasilkan minimum viable product.
Tergantung jenis solusinya, kamu bisa menambahkan lapisan aplikasi
tambahan yang bersifat rule-based untuk mendukung akurasi mesin
tersebut.
Sadari pentingnya domain expertise
Unsur machine learning yang tidak kalah penting dari algoritme adalah
data. Kamu akan butuh sangat banyak data, baik untuk melakukan
training ataupun testing terhadap model classifier yang kamu
hasilkan. Proses pengumpulan dan pembersihan (preprocessing) data
akan makan banyak sumber daya—bisa berupa biaya atau tenaga
kerja—jadi kamu harus siap berinvestasi besar di departemen ini.
Mengumpulkan data tidak bisa dilakukan secara sembarangan. Kamu butuh
tenaga ahli (domain expert) yang paham seluk-beluk bidang yang kamu
geluti. Bila produkmu berkaitan dengan kesehatan, rekrutlah tenaga
ahli di bidang kesehatan. Bila kamu membuat solusi NLP, rekrutlah
ahli bahasa. Dampaknya akan terasa ketika kamu mengumpulkan data
dalam jangka panjang.
Selain pengumpulan dan pemeliharaan data, tenaga ahli juga bisa
membantu programmer menentukan feature yang dibutuhkan ketika
mengembangkan model classifier. Sebuah data bisa memiliki banyak
karakteristik, tapi apakah semua karakteristik itu berguna sebagai
penentu klasifikasi? Belum tentu.
Waspada terhadap diminishing return
Produkmu telah jadi dan digunakan oleh masyarakat. Hal berikutnya
yang perlu kamu lakukan adalah terus melakukan perbaikan agar hasil
prediksi lebih akurat. Tapi kamu harus hati-hati pada bahaya
diminishing return yang mungkin muncul di tengah-tengah.
Diminishing return adalah kondisi di mana usaha dan biaya yang
kamu keluarkan tidak sebanding dengan hasilnya. Sebagai contoh
mungkin kamu merekrut programmer tambahan dan menghabiskan banyak
waktu untuk memodifikasi algoritma, tapi ternyata akurasi yang
dihasilkan di kasus riil hanya meningkat kurang dari satu persen.
Bila hal ini terjadi, kamu harus mulai berinovasi agar tidak terjebak
pada proses pengembangan produk yang tidak efektif. Seperti apa
inovasi yang kamu butuhkan? Ini adalah tugasmu untuk mencari tahu dan
menerapkannya.
Kecerdasan buatan adalah bidang ilmu yang terus berkembang pesat.
Dengan implementasi yang baik, ilmu ini bisa mengubah cara kerja
produk teknologi secara drastis dan mendatangkan banyak manfaat. Tapi
untuk mencapai hal itu dibutuhkan banyak biaya serta tenaga-tenaga
ahli yang tidak bisa kita dapatkan dengan mudah.
Bila kamu ingin menerapkan AI dalam produkmu, sebaiknya lakukan dulu
perencanaan yang matang. Pahami dengan baik apa dampak AI terhadap
solusi keseluruhan yang kamu tawarkan, kemudian kembangkan produk
dengan ekspektasi yang tepat. Jangan lupa juga untuk terus
berinovasi, karena dunia tidak akan menunggu.
Referensi :
Amazon Web Services
https://weltam.wordpress.com/2017/04/18/contoh-kasus-machine-learning/
https://id.techinasia.com/hal-penting-dalam-pengembangan-machine-learning
0 Comments