Machine learning merupakan teknologi yang semakin banyak digunakan dalam berbagai aplikasi baik produk ataupun layanan akhir-akhir ini. Teknologi ini memiliki potensi yang sangat besar dalam membantu suatu produk menyesuaikan diri dengan kebiasaan konsumen.
Kata.ai merupakan salah satu perusahaan di Indonesia yang sedang mengembangkan kecerdasan buatan—termasuk machine learning—untuk digunakan oleh berbagai produk dan layanan. Pria Purnama selaku VP Product & Engineering serta Kemal Maulana Kurniawan sebagai Research Scientist Kata.ai berbagi insight mengenai pemahaman dasar machine learning dan deep learning.
[postingan number=3 tag=”programming”]
Apa itu machine learning?
Frase “machine learning” pertama kali dicetuskan oleh ahli komputer asal Amerika Serikat Arthur Samuel pada tahun 1959. Secara kasar, Samuel mendefinisikan machine learning sebagai cabang ilmu komputer yang meneliti bagaimana suatu mesin dapat menyelesaikan masalah tanpa diprogram secara eksplisit.
Machine learning menggunakan algoritme untuk mencerna rangkaian data, mengambil kesimpulan berdasarkan data yang dianalisis, serta menggunakan kesimpulan tersebut untuk menyelesaikan tugasnya dengan cara paling efektif.
Kemampuan ini merupakan perbedaan fundamental antara mesin yang belajar dengan mesin yang telah diprogram dari awal dengan rangkaian perintah tertentu. Mesin yang belajar memiliki kapabilitas untuk menyelesaikan suatu tugas secara dinamis.
Beberapa contoh implementasi machine learning. Sumber: Cleveroad.
Machine learning bukan merupakan satu disiplin ilmu saja, melainkan meliputi berbagai aspek komputasi yang fungsinya saling berhubungan. Beberapa di antaranya adalah:
[postingan number=3 tag=”belajar”]
- Machine reasoning atau penalaran mesin, yang merujuk kepada kemampuan suatu sistem untuk mengambil kesimpulan dengan metode logis berdasarkan data yang disediakan kepadanya.
- Language processing atau pemrosesan bahasa, yang berarti kemampuan sistem untuk mencerna dan menginterpretasi bahasa manusia.
Apa bedanya dengan deep learning?
Deep learning adalah salah satu metode implementasi machine learningyang bertujuan meniru cara kerja otak manusia menggunakan artificial neural network atau jaringan nalar buatan. Deep learning menggunakan sejumlah algoritme sebagai ‘neuron’ untuk bekerja sama dalam menentukan dan mencerna karakteristik tertentu di suatu rangkaian data.
Berbeda dengan program machine learning pada umumnya yang dirancang untuk menyelesaikan tugas tertentu, program deep learning biasanya diprogram dengan kapabilitas lebih kompleks untuk mempelajari, mencerna, dan mengklasifikasikan data.
Ilustrasi model neural network dan deep learning. Sumber: Global Engage.
Berbagai ‘neuron’ dalam jaringan nalar buatan mampu menganalisis data dari berbagai dimensi, sehingga dapat meraih kesimpulan yang lebih tepat dan detail. Dalam suatu jaringan nalar buatan, algoritme yang memproses data dibagi ke dalam berbagai lapisan dengan fungsi yang berbeda-beda.Suatu jaringan nalar buatan umumnya dibagi menjadi:
- Lapisan input yang menampung data mentah seperti gambar, suara atau teks,
- Sejumlah lapisan tersembunyi yang meneliti dan mengklasifikasi data tersebut berdasarkan referensi yang sudah ada, dan
- Lapisan output yang menyajikan kesimpulan hasil penelitian data.
Bagaimana cara kerja lapisan-lapisan ini? Katakanlah kamu sedang menggunakan program deep learning untuk melakukan kategorisasi gambar hewan. Ketika kamu mengunggah, misalnya, gambar seekor kucing, program deep learning akan mencocokkan gambar tersebut dengan gambar lain dalam referensi data yang telah ia miliki.
[postingan number=3 tag=”chatbot”]
Program deep learning akan mencari kesamaan karakteristik dalam gambar yang kamu unggah dengan kategori yang sudah ia kenali. Jika program menemukan kesamaan antara gambar yang kamu unggah dengan gambar yang sebelumnya sudah ia kenali sebagai kucing, maka di lapisan output ia akan menyampaikan suatu kesimpulan: gambar itu adalah gambar kucing.
Kapan machine learning cocok digunakan?
Kita tidak mungkin bisa meneliti seluruh data (mengenai cara manusia berkomunikasi). Bahkan jika kita bisa, datanya mungkin suatu hari akan menjadi tidak valid karena bahasa selalu berevolusi.
Menurut Kata.ai, machine learning (terutama deep learning) cocok digunakan untuk memperhitungkan data yang tidak eksak, seperti bahasa, suara atau gambar. Machine learning dapat memberikan analisis atau kesimpulan yang lebih tepat dari algoritme eksak seperti fungsi lookup.
Contohnya, katakanlah kamu memiliki platform e-commerce pakaian dan ingin memberikan rekomendasi ukuran pakaian kepada pelanggan. Ukuran pakaian umumnya memiliki variasi yang terbatas dan tertentu; S, M, L, XL, dan seterusnya. Fungsi lookup yang sederhana sudah cukup untuk mencocokkan variasi tersebut dengan informasi yang diperoleh dari pelanggan.
Bandingkan dengan, misalnya, sebuah chatbot untuk melayani pemesanan ojek melalui teks. Terdapat banyak faktor yang harus diperhitungkan, seperti cara berkomunikasi pelanggan, lokasi yang dituju, hingga kemungkinan adanya saltik. Machine learning dibutuhkan untuk mencerna informasi tersebut dan memastikan diraihnya kesimpulan yang tepat.
Apa saja syarat yang dibutuhkan?
Hal pertama yang dibutuhkan agar suatu program machine learning dapat berfungsi dengan efektif adalah referensi data dalam jumlah besar. Suatu model machine learning memerlukan data untuk belajar dan memperoleh estimasi parameter, sehingga semakin banyak data yang bisa digunakan, program machine learning akan semakin pintar.
Lebih banyak parameter yang dimiliki suatu model, lebih banyak data yang dibutuhkan untuk mengestimasi secara akurat.
Semakin bertambah kompleksitas tugasnya, sebuah model machine learningmembutuhkan data yang lebih besar untuk memperoleh informasi yang lebih akurat. Misalnya, jika kamu menggunakan machine learning untuk mengestimasi rata-rata tinggi badan orang Indonesia, tentunya kesimpulan akan lebih akurat jika kamu mengambil sampel dari seribu orang dibandingkan sepuluh orang.
[postingan number=3 tag=”hacker”]
Selain itu, mengoperasikan model machine learning—terutama jaringan nalar untuk deep learning—membutuhkan kekuatan komputasi yang tinggi. Ini karena model deep learning harus mengoperasikan banyak proses secara bersamaan, terutama dalam tahap training. Dalam tahap training, model machine learning harus memproses data dalam jumlah yang sangat besar untuk dikategorisasi sebagai referensi.
Oleh karena itu, proses deep learning biasanya lebih efektif jika dioperasikan menggunakan GPU (graphic processing unit). Menurut Kata.ai, operasi melalui GPU biasanya akan memroses training dan evaluasi hingga empat puluh kali lebih cepat dibandingkan CPU. [tia/ap]
