Perkembangan Machine Learning Pada Aplikasi Dan Pendapat Hacker Indonesia Jim Geovedi

Ilustrasi  Machine Learning

Machine Learning bukanlah hal gres dalam lanskap ilmu komputer. Bagian dari konsep Artificial Intelligence ini makin terkenal remaja ini seiring dengan meningkatnya awareness banyak pihak atas pengelolaan data digital dan otomatisasi sistem guna menggantikan tugas manual oleh manusia. Untuk mengulas perihal teknologi ini, terutama kaitannya dengan development approach di startup, DailySocial berbincang dengan Jim Geovedi sebagai salah satu praktisi terbaik dalam teknologi ini.

Memulai diskusi, Jim, yang juga terlibat dalam pengembangan teknologi di layanan media online Beritagar.id, menyampaikan bahwa implementasi dan manfaat Machine Learning bekerjsama sudah kita rasakan, walau mungkin tidak banyak dari kita menyadarinya. Dalam bahasa yang sederhana, Jim mendefinisikan teknik Machine Learning sebagai algoritma komputer untuk mempelajari data, mengenali pola, dan menciptakan model menurut data historis(sejarah). Model tersebut dipakai untuk melaksanakan pembagian terstruktur mengenai atau prediksi terhadap data gres yang memungkinkan kita untuk menciptakan atau mendukung pengambilan keputusan.

ilustrasi kondisi percabangan sebagai analogi  awal

Analogi konsep Machine Learning

Misalnya DailySocial ingin mengadakan program yang akan mengundang banyak startup untuk presentasi terkait dengan produk dan potensinya di pangsa pasar Indonesia. Panitia berhasil mengumpulkan 10 startup yakni Go-Jek, FitInline, GrabBike, OkeTiket, Kulina, Abraresto, Traveloka, Tees, Tiket, dan foodpanda.

Agar lebih rapi tim program memutuskan supaya sesi presentasi dikelompokkan menurut kategori startup. Katakanlah kebetulan tim redaksi DailySocial ketika ini sedang tidak di kantor semua untuk liputan, jadi tim program harus melaksanakan identifikasi startup tersebut menurut kategori secara mandiri. Berhubung tim program DailySocial sudah mengadakan program serupa beberapa kali dan sudah sering bertemu dengan aneka macam startup maka tim program tersebut mempunyai beberapa hal untuk dijadikan evaluasi untuk menentukan startup menurut kategorinya, yakni:

Dari dua hal tersebut tim masih bisa mendefinisikan secara lebih gamblang, yakni:

Nama Startup

Biasanya nama startup dengan kategori produk kuliner akan mengandung kata-kata yang herhubungan dengan kuliner atau restoran.

Biasanya nama startup dengan kategori produk travel akan mengandung kata-kata yang herhubungan dengan aneka macam hal yang berafiliasi dengan kebutuhan perjalanan.

Biasanya nama startup dengan kategori produk transportasi akan mengandung kata-kata yang herhubungan dengan alat-alat transportasi.

Biasanya nama startup produk fashion akan mengandung kata berafiliasi dengan fashion dan pakaian.

Logo Startup

Biasanya startup dengan kategori produk kuliner akan memakai logo bergambarkan atribut perlengkapan makanan.

Biasanya startup dengan kategori travel akan memakai logo yang merepresentasikan perjalanan.

Biasanya startup dengan kategori transportasi akan mempunyai logo yang berafiliasi dengan perlengkapan jalan.

Biasanya startup dengan kategori produk fashion akan mempunyai logo yang berafiliasi dengan fashion dan pakaian.

Dari dua detail tersebut maka tim program sudah bisa mengelompokkan 10 startup tersebut menurut kategori produk:

Berdasarkan nama startup

Kategori produk makanan: Kulina (mendekati kata kuliner), Abraresto (ada kata resto), foodpanda (ada kata food)

Kategori produk travel: Traveloka (ada kata travel), Tiket dan OkeTiket (ada kata tiket)

Kategori produk trasnportasi: Go-Jek (mendekati kata ojek) dan GrabBike (terdapat kata bike)

Kategori produk fashion: FitInline (fit merupakan ukuran yang sering direpresentasikan untuk produk baju) dan Tees

Berdasarkan logo startup

Kira-kira didefinisikan ibarat pada poin nama startup.

Dalam istilah teknis Machine Learning, nama startup dan logo merupakan bab yang disebut sebagai fitur (features) dan beberapa detail dari masing-masing fitur disebut dengan distribusi frekuensi (frequency distribution). Proses berguru mesin kira-kira ibarat itu. Kadang dalam fitur tertentu suatu objek tidak mempunyai spesifikasi yang pas, contohnya dari contoh di atas logo Tees yang hanya berupa tulisan, namun sanggup diindentifikasi dengan terperinci pada fitur sebelumnya yaitu nama startup. Namun sanggup disiasati dengan memperlihatkan fitur dan frekuensi distribusi yang lebih banyak dan mendetil. Begitulah kira-kira sebuah algoritma Machine Learning disusun supaya sebuah mesin komputer belajar.

Pengembangan solusi berbasis Machine Learning untuk tech-startup

Sebelum berbicara lebih detail perihal ruang lingkup yang sanggup digarap sebuah tech-startup dengan konsep Machine Learning, Jim Geovedi menjelaskan tantangan implementasi teknologi tersebut, khususnya di Indonesia. Jim mengatakan: “Cukup banyak tantangan terhadap implementasi teknologi Machine Learning di Indonesia, di antaranya upah kerja insan yang masih relatif rendah yang sulit menjadi argumen efisiensi biaya, pemahaman perihal manfaat teknologi yang masih minimum, hingga rasa takut tenaga kerja insan akan tergantikan.”

Namun demikian kalau berbicara perihal kemampuan dan teknis pengembangan, Machine Learning yang ada ketika ini sudah begitu canggih, dan sangat memungkinkan untuk menciptakan sistem yang mempelajari sendiri data set kompleks dan berskala besar dengan intervensi insan yang minimum. Tentunya implementasi dianggap berhasil kalau hasil proses otomatisasi yang dilakukan bisa mendekati kualitas pekerjaan insan dengan harga yang terjangkau. Manfaat ibarat ini yang diyakini akan bisa menjadi sebuah pertentangan dari isu tersebut di atas. “Saya cukup optimis bahwa implementasi teknologi Machine Learning di Indonesia akan marak dalam waktu bersahabat dan diikuti oleh banyaknya perusahaan yang mengkhususkan diri untuk pengembangan teknologi tersebut,” ujar Jim.

Suatu aturan sederhana yang penting untuk menjadi contoh yaitu kendati sebuah konsep teknologi terlihat kompleks, namun tak selalu penerapannya juga harus pada duduk masalah yang terkesan besar dan kompleks.

Jim mencontohkan implementasi sederhana dari Machine Learning, yaitu identifikasi spam/junk. Teknik yang dipakai yaitu mempelajari data terdahulu yang telah diberikan label (spam atau bukan) dengan mengekstrak fitur yang kemudian akan dijadikan parameter input dari algoritma yang dipakai untuk melaksanakan pengklasifikasian. Untuk otomatisasi, maka dibuatkanlah sebuah model sebagai hasil pembelajaran dan juga algoritma yang digunakan. Model tersebutlah yang akan dipakai untuk melaksanakan pembagian terstruktur mengenai atau prediksi terhadap data baru.

Contoh lain yang juga umum ditemukan di sektor publik secara online di Indonesia antara lain rekomendasi konten. Mulai dari rekomendasi artikel lain yang terkait dengan artikel yang sedang dibaca di sebuah situs media online, barang lain terkait dengan barang yang sedang dilihat di sebuah situs komersial, hingga video lain terkait dengan video yang sedang ditonton di situs tontonan video online.

Machine Learning juga sudah dipakai untuk keperluan-keperluan spesifik industri di Indonesia yang tidak berafiliasi pribadi dengan publik, contohnya mengidentifikasi pola serangan (dari h4ck3r, rootkit, virus, dan lain-lain) yang ditujukan ke sebuah jaringan dan secara otomatis melaksanakan pemblokiran, melaksanakan penawaran otomatis (autobid) iklan, mengidentifikasi kepribadian pengguna menurut interaksi daring mereka, memprediksi kejadian-kejadian atau tokoh-tokoh yang diperkirakan akan menjadi pemberitaan, hingga menciptakan konten teks secara otomatis.

Menurut Jim, area pengembangan untuk tech-startup untuk teknologi Machine Learning yaitu untuk produk-produk ibarat yang dicontohkan di atas. Hal tersebut alasannya yaitu biaya bisa dibayarkan sesuai keperluan (on-demand) berkat fasilitas teknologi cloud computing. Bahkan untuk teknologi back-end Machine Learning beberapa provider cloud computing sudah menyediakannya untuk siap pakai.

Beberapa  vendor yang memakai ML dan Brand Value-nya

Kebutuhan pasar akan solusi teknologi berplatform Machine Learning

Jim melihat bahwa ketika ini di Indonesia sedang terjadi kekurangan tenaga hebat terkait pengembangan teknologi Machine Learning. Hal ini mungkin ada hubungannya dengan fokus industri yang lebih banyak mengedepankan aspek pemasaran ketimbang investasi bidang teknologi sehingga lebih menentukan implementasi siap pakai (lewat fasilitas PaaS dan SaaS) yang sudah dikembangkan oleh pihak-pihak lain di luar negeri. Seiring makin sadarnya perihal efisiensi yang sanggup diakumulasi dengan teknologi yang lebih kustom, diyakini ke depan teknologi semacam ini akan diperhitungkan dan diprioritaskan.

Jadi ini yaitu kesempatan yang pas untuk bergegas memperisapkan diri untuk belajar. Jim merekomendasikan beberapa rujuan berguru yang sanggup diikuti, di antaranya:

“Introduction to Artificial Intelligence” oleh Sebastian Thrun and Peter Norvig. Sebastian Thrun dikenal sebagai pembuat self-driving car di Google dan Peter Norvig yaitu salah satu pionir teknologi kecerdasan buatan yang ketika ini menjabat sebagai Director of Research di Google.

“Machine Learning” oleh Andrew Ng, salah satu profesor Stanford yang kemudian menjadi Chief Scientist di Baidu Research.

“Neural Networks for Machine Learning” oleh Geoffrey Hinton, yang dikenal alasannya yaitu risetnya seputar neural network dan ketika ini bekerja sebagai Distinguished Researcher untuk Google dan juga Distinguished Emeritus Professor di University of Toronto.

Selain tiga sumber di atas, masih banyak sekali sumber berguru yang bisa dimanfaatkan yang sanggup dicari tahu dengan search engine. Otomatisasi sistem akan menjadi cara terbaru sebuah pelayanan ke depan, termasuk di Indonesia yang sudah mulai terasa pemanfaatannya.

Referensi :

DayliSocial

Jim Geovedi dan Beritagar.id

Introduction to Artificial Intelligence, Sebastian Thrun and Peter Norvig

Machine Learning, oleh Andrew Ng

Neural Networks for Machine Learning, Geoffrey Hinton

Sumber http://meemcode.blogspot.com

Berlangganan Informasi Terbaru: