Jika Anda tertarik untuk mendalami kecerdasan buatan (AI—Artificial Intelligence) dan pembelajaran mesin (ML—Machine Learning), selamat, Anda telah berada di tempat yang tepat.
Artikel ini akan mengupas konsep dasar, penerapan praktis dan pembahasan seputar model yang digunakan dalam machine learning. Beberapa contoh penggunaan yang relevan di keseharian pun coba kami tawarkan, mulai dari pengenalan hingga praktik terapan. Harapan kami, kita dapat bersama mempelajari cara kerja model-model ML, dan bagaimana teknologi ini telah memengaruhi berbagai aspek kehidupan kita.
Kita mulai, ya!
Daftar Isi:
- Apa Itu Machine Learning?
- Model-model Machine Learning
2.1. Supervised Learning
2.2. Unsupervised Learning
2.3. Semi-supervised Learning
2.4. Reinforcement Learning
2.5. Deep Learning - Contoh Kasus dan Penggunaan Machine Learning
3.1. Speech Recognition
3.2. Computer Vision
3.3. Face Recognition
3.4. Automated Image dan Video Editing
3.5. Recommendation Engines
3.6. Fraud Detection
3.7. Advanced Threat Protection
3.8. Fuzzing
3.9. Body Segmentation - Machine Learning di Cloud
Dalam konteks “machine learning” atau “pembelajaran mesin”, “mesin” atau “machine” di sini tidak merujuk pada perangkat keras fisik seperti komputer atau server, melainkan pada algoritma/ model matematis yang digunakan untuk mempelajari pola dari data dan membuat prediksi/keputusan berdasarkan pola tersebut.
Dalam machine learning, “machine” adalah entitas yang diprogram untuk melakukan tugas tertentu, seperti mengenali gambar, menerjemahkan teks, atau membuat rekomendasi berdasarkan data. Mesin ini melakukan pembelajaran dari data yang diberikan, di mana parameternya akan disesuaikannya sendiri, sehingga prediksi/keputusan yang dihasilkan semakin akurat, seiring dengan bertambahnya data yang telah dipelajari.
Jadi, secara singkat, etimologi “mesin” di sini merujuk pada algoritma/model matematis yang melakukan pembelajaran dari data.
Secara definisi, machine learning merupakan cabang dari AI, di mana mesin belajar dari data dan pengalaman yang pernah diterima untuk mengenali pola, memprediksi, dan menjalankan tugas kognitif tanpa diprogram secara eksplisit. Sejumlah model ML mampu belajar dan beradaptasi dengan pola-pola baru. Caranya? Dengan berlatih pada kumpulan data yang menyediakan contoh relevan.
Pembelajaran mesin menggabungkan ilmu komputer dan statistika untuk membuat model prediksi baru. Sistem ML belajar melalui proses iteratif. Pelatihan digunakan untuk membangun model matematika yang dapat memprediksi data. Tersedia ribuan algoritma machine learning yang di luar sana.
Untuk memecahkan masalah dan mencapai kinerja terbaik, ilmuwan data mengincar algoritma yang paling sesuai, melatihnya pada kumpulan data berkualitas tinggi, dan menyetel hiperparameternya. Akan tetapi, melatih model ML tidak bisa dilakukan sekali. Setelah sebuah model diimplementasikan ke produksi dan digunakan untuk inferensi (memberikan tanggapan terhadap pertanyaan dunia nyata), kinerjanya tetap perlu dipantau dan diperbaiki dengan data baru dan setelan paling mutakhir.
Salah satu aspek ML yang menarik untuk dikulik adalah keragaman jenisnya. Bagian ini akan menelaah beberapa model machine learning, karakteristik dan aplikasinya masing-masing. Dengan memahaminya, siapa tahu Anda jadi bisa memilih pendekatan yang tepat untuk menyelesaikan masalah dan memaksimalkan penggunaan data.
Sebagai model yang saat ini dipercaya paling banyak digunakan di kalangan perusahaan, supervised learning menyediakan data berlabel yang berisi input dan output historis kepada algoritma ML. Data tersebut lalu diubah menjadi model yang dapat menghasilkan output serupa untuk data baru yang belum pernah dilihat.
Contoh penggunaan: data classification, financial forecasting, fraud detection
Kalau supervised learning membutuhkan data yang disediakan oleh operatornya, maka unsupervised learning mencoba untuk mengidentifikasi pola secara langsung dalam data produksi. Jenis ini dapat dimanfaatkan ketika perlu mengidentifikasi pola dan membuat keputusan menggunakan data sedangkan data historis tidak tersedia.
Contoh penggunaan: customer segmentation, recommender systems, data visualization.
Inilah algoritma machine learning yang menggabungkan algoritma supervised dan unsupervised learning. Selama pelatihan, jenis ini menggunakan kombinasi kumpulan data berlabel dan yang tidak. Salah satu kelemahan supervised learning ada pada kebutuhan labeling data manualnya yang mahal. Sementara itu, unsupervised learning memiliki ruang lingkup yang terbatas. Untuk mengatasi kekurangan-kekurangan tersebut, konsep semi-supervised learning memadukan kedua paradigma untuk menyediakan model yang dapat bekerja hanya dengan sejumlah terbatas sampel data berlabel, namun tetap menawarkan kemampuan nan prima.
Pembelajaran ini merupakan proses berbasis timbal-balik (feedback-based process). Algoritmanya menentukan tindakan seorang agen; apakah bertindak dan belajar dari pengalaman, atau meningkatkan kinerja secara eksperimental. Si agen akan diberi imbalan atas langkah yang benar, dan hukuman atas langkah yang salah. Agen reinforcement learning bertujuan untuk memaksimalkan imbalan dengan mengambil tindakan yang paling tepat.
Berbeda dengan supervised learning, dalam reinforcement rearning tidak ada data berlabel; agen hanya belajar dari pengalaman. Misalnya, agen dapat belajar melalui permainan, di mana tindakan akan diganjar umpan balik melalui hukuman dan imbalan yang memengaruhi total skor. Di sini, tujuan agen adalah untuk mendapatkan skor tertinggi.
Contoh penggunaan: game theory, simulating synthetic environments, multi-agent systems.
Cabang ML dengan penggunaan algoritma berlapis untuk lebih memahami data yang rumit. Berbeda dengan generasi teknologi ML sebelumnya (contoh: model regression), algoritma deep learning tidak terbatas pada menghasilkan kumpulan hubungan yang dapat diinterpretasikan. Sebaliknya, model ini mengandalkan lapisan-lapisan hubungan non-linear untuk menghasilkan representasi interaktif, terdistribusi berdasarkan ribuan, bahkan jutaan faktor.
Berbekal kumpulan data pelatihan yang masif, algoritma deep learning dapat mengidentifikasi hubungan antara hampir semua elemen. Hubungan ini bisa terjadi antara bentuk, warna, teks, atau input lainnya. Ketika dilatih dan diatur dengan baik, sistem dapat digunakan untuk menghasilkan prediksi yang mendekati kemampuan kognitif manusia.
Contoh penggunaan: computer vision, machine translation, conversational AI
Contoh Kasus dan Penggunaan Machine Learning
Ketika big data telah menjadi salah satu aset terbesar perusahaan di berbagai sektor, penerapan machine learning bagaikan kunci untuk mengeksplorasi nilai bisnisnya. Bagian ini akan membawa kita ke berbagai contoh kasus dan penggunaan ML di dunia nyata; bisa saja sebenarnya kita sudah familiar dengan beberapa di antaranya. Yang pasti, mengenali beberapa contoh nyata penggunaan ML akan membuat kita menyadari potensi dan kekuatan teknologi canggih ini. Siapa tahu ke depannya kita dapat menindaklanjutinya untuk suatu tujuan bisnis atau dan solusi masalah yang kompleks.
Automatic Speech Recognition (ASR), juga dikenal sebagai computer speech recognition atau speech-to-text, adalah kemampuan untuk menggunakan Natural Language Processing (NLP) untuk mengubah ucapan manusia menjadi bentuk tertulis.
Sebagai contoh, banyak perangkat seluler memiliki pengenalan suara yang terintegrasi ke dalam sistem untuk melakukan pencarian suara (Siri dari Apple, Google Assistant, atau Amazon Alexa).
Teknologi kecerdasan buatan ini memungkinkan komputer untuk memperoleh informasi penting dari gambar digital, video, dan input visual lainnya, serta mengambil tindakan yang sesuai. Computer Vision dengan Convolutional Neural Networks (CNN) memiliki aplikasi seperti photo tagging dalam media sosial, radiografi medis, dan autonomous vehicles.
Pengenalan wajah menggunakan algoritma ML untuk menentukan kemiripan dua gambar wajah dan mengevaluasi klaim identitas. Teknologi ini digunakan untuk banyak hal, mulai dari login ke ponsel hingga pencarian database foto. Pengenalan wajah mengonversi gambar wajah menjadi representasi digital, yang diproses oleh jaringan saraf untuk mendapatkan fitur berkualitas tinggi (face embeddings). Embedding ini lantas dibandingkan untuk menentukan kemiripan.
Dengan meningkatnya jenis media di website dan jaringan sosial, pengeditan gambar dan video menjadi semakin umum di kalangan organisasi dan individu. Dulu, tugas ini bersifat manual dan makan waktu. Sekarang, banyak tugas pengeditan gambar dan video bisa dilakukan oleh algoritma AI yang melampaui kemampuan manusia.
Algoritma AI menganalisis foto dan membuat prediksi cerdas tentang cara mengedit, menyesuaikan, dan meningkatkan kualitasnya. Bagi pembuat konten, kecerdasan ini memangkas tenaga manual, menghemat waktu juga uang. Bagi organisasi media besar, itu berarti penghematan biaya yang signifikan dan proses penciptaan konten yang lebih fleksibel.
Dengan bantuan kecerdasan buatan, perusahaan pun dapat mempersonalisasi video untuk meningkatkan engagement. Aplikasi video berbasis AI menyediakan berbagai fitur canggih bagi end user, seperti pencarian video untuk momen penting, atau kemampuan untuk membuat klip video profesional dalam beberapa klik.
Algoritma artificial intelligence menganalisis data perilaku historis untuk mengidentifikasi tren data yang dapat digunakan untuk mengembangkan strategi cross-sell yang lebih efektif. Penjual online menggunakan metode ini untuk merekomendasikan produk terkait kepada pelanggan.
Fraud detection (deteksi penipuan) melibatkan idetifikasi transaksi komersial/ keuangan dengan tendensi ilegal/ jahat.
Secara tradisional, sistem fraud detection didasarkan pada sistem berbasis aturan statis yang dikelola oleh analis manusia yang skillful. Sayangnya, sistem ini sulit dipelihara dan kurang responsif terhadap jenis penipuan baru.
Sistem fraud detection modern didasarkan pada algoritma ML yang mendeteksi fitur khusus dalam transaksi penipuan yang tidak dimiliki oleh transaksi resmi. Model ML dapat mendeteksi pola mencurigakan dalam transaksi, menghitung probabilitas penipuan dalam transaksi tersebut, dan jika melewati ambang batas tertentu, menandainya untuk penyelidikan manusia. Bank dan lembaga keuangan lainnya dapat menggunakan machine learning untuk menemukan transaksi yang mencurigakan.
Advanced Thread Protection (ATP) adalah serangkaian solusi yang dapat digunakan untuk mengenali dan mencegah serangan siber.
Solusi ATP memanfaatkan User and Entity Behavior Analysis (UEBA) yang berbasis algoritma ML untuk mengurangi false positif serta mengidentifikasi kejadian keamanan nyata.
Fuzzing merupakan teknik untuk mendeteksi kesalahan secara otomatis. Tujuannya untuk mengalirkan aplikasi, menyebabkan perilaku yang tidak terduga, kebocoran sumber daya, atau kegagalan. Proses ini menggunakan data yang tidak valid, tidak terduga, atau data acak sebagai masukan ke sistem komputer. Fuzzer mengulangi proses ini, memantau lingkungan sampai mendeteksi sebuah kerentanan. Fuzzing sering memanfaatkan ML untuk membuat input-input baru dan tidak terduga yang dapat membantu mengungkap kelemahan dalam aplikasi.
Body segmentation melibatkan segmentasi tubuh manusia dalam gambar atau video. Segmentasi ini dapat memiliki berbagai aplikasi, mulai dari permainan dan realitas virtual hingga perawatan kesehatan dan kebugaran. Algoritma ML dilatih untuk mengidentifikasi dan membagi bagian berbeda dari tubuh manusia, serta memahami bentuknya dengan lebih detail. Hasilnya, pengalaman bermain game yang lebih mendalam, pelacakan kebugaran yang lebih akurat, bahkan peningkatan diagnostik medis. Bayangkan sebuah permainan yang dapat melacak gerakan tubuh Anda secara real-time, sebuah aplikasi kebugaran yang dapat menganalisis postur kita, atau sebuah sistem pencitraan medis yang dapat mengidentifikasi anomali dalam struktur tubuh.
Salah satu tren paling siginifikan dalam machine learning adalah beralih ke solusi berbasis cloud. Platform cloud menawarkan sejumlah manfaat bagai pembelajaran mesin, termasuk skalabilitas, fleksibilitas, dan efektivitas biaya. Berbagai keuntungan ini memungkinkan para pelaku bisnis untuk meningkatkan upaya ML mereka dengan cepat tanpa memerlukan investasi awal bernilai tinggi.
Selain itu, teknologi cloud memberikan akses ke alat dan kerangka kerja machine learning terkini, sehingga bisnis dapat mengakses inovasi di bidang tersebut. Utilitas lainnya adalah lingkungan yang kolaboratif, di mana ilmuwan data, pengembang dan pemangku kepentingan bisnis dapat bekerja sama untuk mengembangkan dan menerapkan model machine learning.
Blog selanjutnya akan mengupas (lebih) tuntas seluk beluk pembelajaran mesin dalam industri cloud. Yang jelas, perkembangan teknologi telah menempatkan penggunaan ML di cloud menjadi salah satu tren utama pengubah paradigma binsis dan TI. Dengan solusi berbasis cloud, perusahaan dimudahkan untuk memegang akses ke infratruktur terkait guna mengembangkan, melatih dan menerapkan model machine learning tanpa berinvestasi besar pada infrastruktur fisik. Kemudahan ini memungkinkan perusahaan untuk lebih cepat beradaptasi dengan perubahan pasar dan fokus para proses bisnis.
So, stay tuned! (put/ aporia.com)