Di blog sebelumnya, kami telah membahas model, contoh penggunaan dan pengoperasian machine learning di sekitar kita. Kali ini, Anda akan kami ajak untuk menyelami konsep dasar pembelajaran mesin, termasuk bagaimana teknologi ini berinteraksi dengan platforum cloud computing.

Penasaran bagaimana ML membantu meningkatkan efisiensi, mempercayai inovasi, dan membuka pintu bagi berbagai solusi kreatif yang sebelumnya tak terbayangkan? Yuk, kita mulai!

Daftar Isi

1. Apa Itu Machine Learning di Cloud?
2. Manfaat Machine Learning di Cloud
3. Apa Saja Tantangan Machine Learning di Cloud?
4. Jenis Layanan Machine Learning Berbasis Cloud
5. Rekomendasi Platform Machine Learning di Cloud
6. Bagaimana Memilih Platform Machine Learning Berbasis Cloud
    

Apa Itu Machine Learning di Cloud?

Sebagai cabang dari kecerdasan buatan, Machine Learning (ML) meniru proses pembelajaran manusia. Proses imitasi ini memungkinkan mesin untuk meningkatkan kemampuannya dalam memprediksi, sehingga mampu melakukan tugas secara mandiri tanpa pemrograman spesifik. Aplikasi atau software yang didukung oleh ML dapat memperkirakan hasil baru berdasarkan data pelatihan historis.

Melatih model ML yang akurat membutuhkan banyak data, daya komputasi, dan infrastruktur. Oleh karena itu, sebagian besar organisasi kesulitan melatihnya secara internal, mengingat waktu dan biaya yang dibutuhkan. Platform ML di cloud menyediakan komputasi, penyimpanan dan layanan yang diperlukan untuk melatih model pembelajaran mesin.

Cloud computing membuat pembelajaran mesin lebih mudah diakses, fleksibel, dan hemat biaya. Di waktu yang sama, developer pun dimungkinkan untuk membangun algoritma ML dengan lebih cepat. Tergantung dari kasus penggunaan, perusahaan dapat memilih layanan cloud yang berbeda demi mendukng project pelatihan ML mereka (GPU-as-a-service), atau memanfaatkan model yang sudah terlatih untuk aplikasi mereka (AI-as-a-service).

Manfaat Machine Learning di Cloud

Sejumlah organisasi mampu membangun model pembelajaran mesin secara internal dengan menggunakan framework open source seperti Scikit Learn, TensorFlow, atau PyTorch. Namun, meskipun tim internal mampu membangun algoritma, mereka kerap kesulitan dalam men-deploy model ke produksi. Begitu juga dengan mengukur skala untuk real-life workload yang umumnya membutuhkan cluster komputasi yang besar.

Ada beberapa hambatan untuk mengintegrasikan kemampuan machine learning ke dalam aplikasi perusahaan. Keahlian yang diperlukan untuk membangun, melatih, dan men-deploy model ML menambah biaya tenaga kerja, pengembangan, dan infrastruktur. Isu ini dibarengi dengan kebutuhan untuk membeli dan mengoperasikan hardware khusus.

Kabar baiknya, banyak dari masalah ini dapat diatasi dengan cloud computing. Public Cloud dan Artificial Intelligence (AI) as a service, misalnya, membantu perusahaan dalam memanfaatkan kemampuan ML untuk memecahkan masalah bisnis tanpa harus menghadapi beban teknis tersebut.

Di sini kami mencoba merangkum sejumlah manfaat utama dari cloud computing untuk beban kerja machine learning:

• Model harga berbasis permintaan sehingga Anda bisa mulai menginisiasi ML tanpa merogoh kocek terlalu dalam untuk investasi modal;
• Cloud menyediakan kecepatan dan kinerja GPU dan FPGA tanpa investasi di hardware;
• Cloud memungkinkan bisnis untuk bereksperimen dengan kemampuan ML, juga memperluasnya saat project bergerak ke arah produksi, dan permintaan atas kemampuan tersebut meningkat;
• Cloud memudahkan akses ke kemampuan ML walaupun tanpa skill yang advanced dalam AI maupun data science.

Apa Saja Tantangan Machine Learning di Cloud?

Machine learning di cloud memiliki 3 tantangan kunci:

• Tidak menggantikan experts

Meskipun dikelola di cloud, sistem ML masih memerlukan pemantauan dan optimalisasi manusia. Terdapat batasan praktis terhadap apa yang dapat dilakukan AI tanpa pengawasan dan intervensi manusia. Algoritma tidak memahami semua tentang situasi, dan tidak tahu bagaimana merespon setiap input.

• Mobilitas Data

Ketika menjalankan model ML di cloud, relatif sulit untuk mentransisi sistem dari satu cloud/layanan ke cloud/layanan lainnya. Kondisi ini memerlukan perpindahan data dengan cara yang tidak memengaruhi kinerja model. Model ML sering sensitive terhadap perubahan kecil dalam data input. Misalnya, sebuah model mungkin saja tidak berfungsi dengan baik jika Anda perlu mengubah format/ukuran data tersebut.

• Keamanan

ML berbasis cloud rentan terhadap isu yang sama seperti platform cloud computing lainnya. Sistem ML berbasis cloud sering terbuka pada jaringan publik sehingga berpotensi diretas oleh hacker. Penjahat siber ini berpotensi untuk memanipulasi hasil ML, atau meningkatkan biaya infrastruktur. Model ML berbasis cloud juga rentan terhadap serangan Denial of Service (DoS). Banyak dari ancaman ini belum muncul saat model diterapkan di balik firewall perusahaan.

Jenis Layanan Machine Learning Berbasis Cloud

Tentukan pilihan yang tepat untuk kebutuhan pembelajaran mesin Anda dengan memahami berbagai jenis layanan Cloud-based machine learning yang tersedia.

1) Artificial Intelligence as a Service (AIaaS)

Artificial Intelligence as a Service (AIaaS) adalah model delivery yang memudahkan vendor dalam menyediakan kecerdasan buatan (AI) untuk mengurangi risiko dan investasi awal pelanggan. Berdasarkan skenario yang paling sesuai, layanan ini membantu pelanggan untuk bereksperimen dengan berbagai penawaran AI di cloud, serta menguji berbagai algoritma ML.

Setiap vendor AIaaS menawarkan berbagai layanan AI dan ML dengan fitur dan model harga berbeda. Contohnya, beberapa penyedia AI di cloud menawarkan hardware khusus untuk tugas AI tertentu, seperti Graphic Processing Unit as a Service (GPU as a Service) untuk workload yang intensif. Layanan lain seperti AWS SageMaker menyediakan platform yang sepenuhnya dikelola untuk membangun dan melatih algoritma ML.

2) GPU as a Service (GPUaaS)

Penyedia GPU as a Service (GPUaaS) memangkas kebutuhan menyiapkan infrastruktur GPU di tempat. Layanan ini memungkinkan Anda menyiapkan sumber daya GPU secara fleksibel, sesuai keperluan. Kemudahan ini membantu mengurangi biaya internal terkait infrastruktur GPU, meningkatkan tingkat skalabilitas dan fleksibilitas, serta memungkinkan banyak orang untuk menerapkan solusi komputasi GPU berukuran besar. GPUaaS sering ditawarkan sebagai Software as a Service (SaaS) sehingga Anda dapat fokus pada pelatihan, pembangunan dan proses deploy solusi AI kepada end user.

Anda juga dapat menggunakan GPUaaS dengan model server. Tugas yang membutuhkan komputasi intensif akan menyedot sumber daya CPU masif. Oleh karena itu, GPUaaS memudahkan Anda untuk memindahkan sebagian dari beban tersebut ke GPU untuk membebaskan sumber daya dan meningkatkan kinerja ouput.

Rekomendasi Platform Machine Learning di Cloud

Beberapa penyedia cloud computing terkemuka menyediakan ML dan AI dalam daftar layanan mereka. Di sini kami akan memberikan rekomendasi beberapa platform populer yang dapat membantu Anda dalam membangun, melatih, dan men-deploy model ML dengan efisien dan efektif di lingkungan cloud computing.

1) AWS SageMaker

SageMaker adalah layanan ML yang sepenuhnya dikelola oleh Amazon. Layanan ini memungkinkan Anda untuk dengan cepat membangun, melatih dan men-deploy model ML langsung ke lingkungan produksi.

Berikut adalah fitur utama AWS SageMaker:

• An integrated Jupyter authoring notebook instance—memberikan akses yang mudah ke sumber data untuk keperluan analisis dan eksplorasi. Tidak perlu mengelola server.
• Common machine learning algorithms—menyediakan algoritma yang dioptimalkan untuk  berjalan secara efisien terhadap big data di lingkungan terdistribusi.
• Native support for custom algorithms and frameworks—menyediakan opsi pelatihan terdistribusi nan fleksibel yang dirancang untuk sesuai dengan spesifikasi alur kerja.
• Quick deployment—memungkinkan Anda menggunakan konsol SageMaker atau SageMaker Studio untuk men-deploy model ke lingkungan yang scalable dan aman.
• Pay per usage—kemudahan dalam membayar pelatihan dan hosting berdasarkan menit penggunaan. Tidak ada biaya minimum atau komitmen awal.

2) Azure Machine Learning

Azure Machine Learning adalah layanan berbasis awan yang membantu mempercepat dan mengelola seluruh siklus project ML. Anda dapat menggunakannya dalam alur kerja untuk melatih dan men-deploy model ML, membuat model sendiri, atau menggunakan model dari sumber seperti Pytorch atau TensorFlow. Kemudahan ini juga memungkinkan untuk pengelolaan MLOps, memudahkan pengguna dalam memantau, melatih ulang, dan men-deploy ulang model mereka.

Individu dan tim dapat menggunakan layanan ini untuk men-deploy model ML ke lingkungan produksi yang aman dan auditable. Kondisi ini mencakup alat yang membantu mengotomatisasi dan mempercepat alur kerja ML, mengintegrasikan model ke layanan dan aplikasi, serta alat yang didukung oleh durable Azure Resource Manager APIs.

3) Google Cloud AutoML

AutoML milik Google Cloud tidak memerlukan pengetahuan mendalam tantang machine learning. AutoML membantu Anda memanfaatkan kemampuan ML Google untuk membuat model ML customized,  sesuai dengan spesifikasi kebutuhan. Kemudahan ini memungkinkan Anda mengintegrasikan model ke dalam aplikasi dan situs web.

Berikut fitur utama AutoML:

• Vertex AI—menggabungkan AutoML dan AI Platform menjadi satu user interface, API, dan client library. Layanan ini memungkinkan Anda menggunakan pelatihan AutoML dan custom training, menyimpan dan men-deploy model, serta meminta prediksi.
• AutoML Tables—memungkinkan seluruh tim untuk secara otomatis membangun dan men-deploy model ML pada data terstruktur secara masif.
• Video Intelligence—menyediakan berbagai opsi untuk mengintegrasikan model kecerdasan video ML ke dalam situs web dan aplikasi.
• AutoML Natural Language—memanfaatkan ML untuk menganalisis makna dan struktur dokumen. Fitur ini memungkinkan Anda melatih model ML custom untuk mengekstrack informasi, mengklasifikasikan dokumen, dan memahami sentimen penulis.
• AutoML Vision—memungkinkan Anda melatih model ML untuk mengklasifikasikan gambar sesuai dengan label custom sendiri.

Bagaimana Memilih Platform Machine Learning Berbasis Cloud?

Dengan banyaknya opsi di pasar, memilih platform ML yang paling sesuai dengan kebutuhan bisnis Anda bisa jadi keputusan yang menantang. Di sini kami akan coba mendampingin Anda untuk memilih platform ML berbasis cloud yang paling ideal untuk Anda.

• Dukungan untuk Pipelines ETL dan ELT

Extract, Transform, Load (ETL) dan Extract, Load, Transform (ELT) ada dua model pipeline populer. ML dan deep learning memperkuat kebutuhan akan transformasi data untuk memenuhi spesifikasi kebutuhan model ML. ELT memberi lebih banyak fleksibilitas jika Anda perlu mengubah transformasi di tengah jalan. Kondisi ini umumnya diperlukan dalam load phase—fase paling makan waktu di banyak project big data.

• Dukungan untuk Pelatihan Scale-Up dan Scale-out

Ketika melatih model skala besar, sangat berguna bagi notebook untuk memiliki akses ke beberapa mesin virtual besar atau container. Pelatihan dapat sangat menguntungkan dari percepatan seperti GPU, TPU dan FPGA. Platform ML cloud harus menyediakan akses ke sumber daya ini dengan biaya terjangkau.

• Dukungan untuk Machine Learning Frameworks

Kebanyakan data scientist memiliki framework dan bahasa pemrograman ML dan deep learning yang disukai:

• Untuk pengguna Phython, Scikit-learn seringkali merupakan pilihan terbaik untuk ML;
• Model deep learning umumnya dikembangkan dengan TensorFlow, PyTorch, atau MXNet.
• Pengguna Scala biasanya menggunakan SparkMLlib.
• R adalah framework yang sudah tua namun memiliki banyak paket ML dasar dan masih banyak digunakan oleh banyak data scientist.
• Di dunia Java, framework H2O.ai merupakan pilihan umum.

Platform Machine Learning dan deep learning cloud cenderung menyediakan algoritma dan model yang sudah dikemas, dengan dukungan untuk beberapa framework eksternal tertentu, atau container dengan entry point tertentu. Lakukan evaluasi apakah platform akan membiarkan Anda mengintegrasikan algoritma yang telah dibangun menggunakan framework terpilih dengan kemampuan AutoML bawaannya.

• Pre-tuned AI Services

Platform ML cloud menyediakan layanan AI yang dioptimalkan untuk kasus penggunaan seperti computer vision, natural language processing, speech synthesis, dan predictive analytics.  Bagi sebagian besar bisnis, layanan ini biasanya dilatih dan diuji dengan menggunakan lebih banyak data daripada yang tersedia. Penerapannya ada di titik akhir layanan dengan sumber daya komputasi yang cukup—termasuk akselerator hardware—untuk meamastikan response time maksimal dan skalabilitas tinggi.

• Memantau Kinerja Prediksi

Platfom ML berbasis cloud seharusnya menyediakan alat untuk memantau kinerja model dan merespon perubahan. Seiring berjalannya waktu, model yang awalnya memberikan kinerja sangat baik dapat mengalami penurunan akibat perubahan pada data input. Platform ini semestinya menyediakan kemampuan observabilitas yang memungkinkan Anda mengenali masalah kinerja serta memahami penyebabnya. Anda juga idealnya dimungkinkan untuk menyetel model atau melatih ulang model tersebut dengan dataset yang lebih relevan. (put/ ditulis ulang dari berbagai sumber)