4 Hal Penting Dalam Pengembangan Produk Berbasis Machine Learning

Machine learning sanggup kau gunakan dikala kau tidak sanggup memprogram manual, serta dikala kau harus memecahkan duduk masalah dalam skala besar. Yang tak kalah penting, kau juga membutuhkan tenaga jago 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 menyerupai Facebook, Google, dan Apple berlomba-lomba mengaplikasikannya dalam banyak sekali aspek. Mulai dari mesin pencari, kendaraan beroda empat pintar, sampai periklanan. Reuters melaporkan bahwa pada kuartal pertama 2017 saja, telah terjadi 34 akuisisi startup di bidang AI oleh perusahaan-perusahaan ini.

Mungkin kau sudah sering mendengar topik wacana AI namun masih ingin tau wacana manfaatnya. Bagaimana AI sanggup membantu produk startup milikmu? Apa kelebihan dan kekurangannya? Sebanyak apa waktu serta tenaga yang kau perlukan untuk mulai menerapkannya? Mari kita kupas bersama di bawah.

Sekilas, implementasi kecerdasan buatan melalui machine learning sanggup terdengar menyerupai jalan pintas yang menggiurkan. Kamu tinggal menjejali sebuah mesin dengan banyak data, dan mesin itu akan mencar ilmu sendiri untuk menghasilkan solusi yang kau butuhkan. Tapi pada praktiknya tidak sesederhana itu. Tergantung dari duduk masalah yang dihadapi, machine learning sanggup cocok atau tidak cocok untuk menyelesaikannya.

Amazon Web Services memperlihatkan instruksi singkat wacana kapan kau sebaiknya memakai machine learning ketimbang pemrograman konvensional. Terdapat dua situasi yang dianjurkan, yaitu:

Kamu tidak sanggup memprogram manual. Umumnya, sebuah duduk masalah sanggup dipecahkan dengan solusi menurut aturan-aturan pasti. Tapi ada juga duduk masalah yang dipengaruhi begitu banyak faktor, sehingga mustahil menciptakan solusi akurat secara manual (kecuali kau mau menulis ribuan “if-then-else” untuk satu kasus). Machine learning sanggup kau gunakan untuk memprediksi solusi duduk masalah menyerupai ini.

Kamu harus menangani duduk masalah dalam skala besar. Misalkan kau harus mengenali apakah sebuah e-mail termasuk spam atau bukan. Untuk sejumlah kecil e-mail, kau mungkin masih sanggup mendeteksinya manual. Tapi menerapkannya untuk jutaan e-mail berbeda akan sangat sulit. Sebagai gantinya, kau sanggup memakai machine learning dan teknik Natural Language Processing (NLP).

Machine learning bersifat prediktif

Setelah memastikan bahwa machine learning cocok untuk solusimu, kau harus merancang menyerupai apa implementasinya dalam bentuk produk. Apakah kau harus memakai supervised atau unsupervised learning? Feature apa saja yang memilih hasil klasifikasi? Seperti apa wujud data yang diperlukan untuk training? Apa input dan keluaran yang kau inginkan? Semua pertanyaan ini harus kau jawab dengan saksama.

Satu hal yang perlu kau ingat (terutama kalau kau bukan programmer yang terjun pribadi dalam pengembangan) yakni bahwa keluaran machine learning bersifat prediktif, bukan hasil eksak. Ketika produk gres selesai dikembangkan, kemungkinan besar hasil prediksi yang dihasilkan tidak akan seratus persen akurat. Prediksi yang baik gres akan muncul dari sejumlah pelatihan dan pengembangan dalam waktu lama.

Sesuaikan ekspektasimu dengan karakteristik ini, kemudian tentukan standar yang sempurna untuk menghasilkan minimum viable product. Tergantung jenis solusinya, kau sanggup menambahkan lapisan aplikasi perhiasan yang bersifat rule-based untuk mendukung akurasi mesin tersebut.

Sadari pentingnya domain expertise

Unsur machine learning yang tidak kalah penting dari algoritme yakni data. Kamu akan butuh sangat banyak data, baik untuk melaksanakan pelatihan ataupun testing terhadap model classifier yang kau hasilkan. Proses pengumpulan dan pencucian (preprocessing) data akan makan banyak sumber daya—bisa berupa biaya atau tenaga kerja—jadi kau harus siap berinvestasi besar di departemen ini.

Mengumpulkan data tidak sanggup dilakukan secara sembarangan. Kamu butuh tenaga jago (domain expert) yang paham seluk-beluk bidang yang kau geluti. Bila produkmu berkaitan dengan kesehatan, rekrutlah tenaga jago di bidang kesehatan. Bila kau menciptakan solusi NLP, rekrutlah jago bahasa. Dampaknya akan terasa ketika kau mengumpulkan data dalam jangka panjang.

Selain pengumpulan dan pemeliharaan data, tenaga jago juga sanggup membantu programmer memilih feature yang diperlukan ketika membuatkan model classifier. Sebuah data sanggup mempunyai banyak karakteristik, tapi apakah semua karakteristik itu berkhasiat sebagai penentu klasifikasi? Belum tentu.

Waspada terhadap diminishing return

Produkmu telah jadi dan dipakai oleh masyarakat. Hal berikutnya yang perlu kau lakukan yakni terus melaksanakan perbaikan biar hasil prediksi lebih akurat. Tapi kau harus hati-hati pada ancaman diminishing return yang mungkin muncul di tengah-tengah.

Diminishing return yakni kondisi di mana perjuangan dan biaya yang kau keluarkan tidak sebanding dengan hasilnya. Sebagai teladan mungkin kau merekrut programmer perhiasan dan menghabiskan banyak waktu untuk memodifikasi algoritma, tapi ternyata akurasi yang dihasilkan di masalah riil hanya meningkat kurang dari satu persen.

Bila hal ini terjadi, kau harus mulai berinovasi biar tidak terjebak pada proses pengembangan produk yang tidak efektif. Seperti apa penemuan yang kau butuhkan? Ini yakni tugasmu untuk mencari tahu dan menerapkannya.

Kecerdasan buatan yakni bidang ilmu yang terus berkembang pesat. Dengan implementasi yang baik, ilmu ini sanggup mengubah cara kerja produk teknologi secara drastis dan mendatangkan banyak manfaat. Tapi untuk mencapai hal itu diperlukan banyak biaya serta tenaga-tenaga jago yang tidak sanggup kita dapatkan dengan mudah.

Bila kau ingin menerapkan AI dalam produkmu, sebaiknya lakukan dulu perencanaan yang matang. Pahami dengan baik apa dampak AI terhadap solusi keseluruhan yang kau tawarkan, kemudian kembangkan produk dengan ekspektasi yang tepat. Jangan lupa juga untuk terus berinovasi, sebab dunia tidak akan menunggu.

Referensi :

Amazon Web Services

https://weltam.wordpress.com/2017/04/18/contoh-kasus-machine-learning/

http://www.catatanrobert.com/konsep-dan-implementasi-machine-learning/

https://id.techinasia.com/hal-penting-dalam-pengembangan-machine-learning

Sumber http://meemcode.blogspot.com