Perjalanan Machine

Learning
Jalur untuk memanfaatkan kecanggihan
teknologi machine learning
PENDAHULUAN

Maju menjadi terdepan

Saat diterapkan dengan strategi yang tepat, machine learning dapat meningkatkan
ketangkasan, menyederhanakan proses, mendorong pendapatan dengan membuat
produk baru dan menyempurnakan yang sudah ada, serta memungkinkan
pengambilan keputusan yang lebih baik dan lebih cepat. Tidak ada keraguan
bahwa machine learning (ML) dan kecerdasan buatan (AI)
dapat membantu perusahaan menghasilkan lebih banyak—54 persen bisnis
yang deploy AI melaporkan bahwa teknologi tersebut telah meningkatkan
produktivitas.1

IDC memprediksi bahwa, pada tahun 2021, belanja global pada AI dan teknologi
kognitif akan melebihi 50 juta USD.2 Para pengguna awal menggunakan AI dan
machine learning untuk memperoleh keuntungan yang kompetitif. Menurut
Deloitte Insights State of AI in the Enterprise, 63 persen perusahaan berinvestasi
dalam machine learning untuk mengejar ketinggalan dengan pesaing atau
mempersempit kesenjangan pada 2018.3

Sementara machine learning telah ada selama beberapa dekade, aksesibilitasnya

sebagai alat untuk mengubah bisnis relatif baru. Selain itu, tidak adanya jalur
tunggal menuju keberhasilan machine learning yang terbukti membuat beberapa
bisnis cenderung menunggu, tidak yakin bagaimana mengambil langkah
selanjutnya (atau bahkan langkah pertama) dalam perjalanan. eBook ini dirancang
untuk membantu bisnis maju, menguraikan jalur yang telah terbukti dari langkah
pertama hingga mengukur hasil—dengan wawasan dari warisan machine learning
Amazon sendiri dan pengalamannya membantu ribuan pelanggan mewujudkan
inisiatif mereka sendiri.

Sudah waktunya bagi organisasi untuk mengatasi kekhawatiran machine learning

mereka, berhenti berkejaran, dan terus maju dengan percaya diri. Tidak peduli
posisi organisasi di jalur machine learning, mereka akan menemukan panduan yang
diperlukan untuk mengambil langkah berikutnya demi kesuksesan machine
learning.

1
https://www.pwc.com/us/en/services/consulting/library/artificial-intelligence-predictions.html
2
https://aws.amazon.com/blogs/machine-learning/accenture-drives-machine-learning-growth-in-
one-of-the-worlds-largest-private-aws-deepracer-leagues/
3
https://www2.deloitte.com/content/dam/insights/us/articles/4780_State-of-AI-in-the-enterprise/
DI_State-of-AI-in-the-enterprise-2nd-ed.pdf
2
MENGAPA MACHINE LEARNING?

Apa itu kecerdasan buatan dan

machine learning?
Anda mungkin pernah mendengar kecerdasan buatan (AI) dan machine
learning yang dijelaskan dalam beberapa cara, mari kita mundur sejenak
dan meninjau de inisi tepatnya:

Kecerdasan buatan (AI) adalah cara untuk menjelaskan setiap sistem

yang dapat mereplikasi tugas yang sebelumnya memerlukan
kecerdasan manusia.

Sering kali, hal ini terkait dengan semacam tugas pengambilan keputusan
yang rumit di mana penilaian manusia biasanya diperlukan. Sebagian besar
kasus penggunaan untuk AI mencari hasil probabilistik—membuat prediksi,
klasifikasi, atau keputusan dengan tingkat kepastian yang tinggi dan dengan
cara yang serupa dengan penilaian manusia.

Hampir semua sistem AI saat ini dibuat menggunakan machine learning

menggunakan sejumlah besar data untuk membuat dan memvalidasi logika
keputusan. Ini dikenal sebagai model. Sistem AI memasukkan data input ke
dalam model, kemudian model mengeluarkan prediksi atau klasi ikasi
seperti manusia. Pada dasarnya, machine learning adalah teknologi yang
mendasari kekuatan sistem cerdas.

AI dapat dibuat tanpa machine learning, tetapi saat ini machine learning
adalah metode utama untuk membuat sistem AI. Demikian pula, machine
learning dapat digunakan untuk lebih dari AI, tetapi saat ini mayoritas
machine learning terkait dengan AI.

3
MENGAPA MACHINE LEARNING?

Mengapa machine learning?

Sebelum menggali langkah-langkah perjalanan machine learning, mari kita telusuri alasan bisnis harus melakukan
perjalanan tersebut sejak awal. Bagaimanapun, bahkan dengan panduan dalam eBook ini, penyelesaian langkah-
langkah yang diuraikan di sini akan membutuhkan investasi berkelanjutan dan dedikasi penuh. Bisnis perlu secara
teratur mengingatkan diri sendiri apa yang mereka perjuangkan—fokus pada manfaat bisnis yang tepat yang dapat
diperoleh dengan memanfaatkan teknologi machine learning sepenuhnya.

Bisnis telah menyadari dampak dari:

Mengoptimalkan bisnis dengan e isiensi baru

1 Machine learning dapat digunakan untuk menciptakan efisiensi yang lebih besar melalui model
perencanaan permintaan dan forecasting yang canggih. Sementara hal ini diyakini benar di hampir
semua industri, retail dan manufaktur memberikan beberapa bukti spesifik. Dalam retail,
forecasting berbasis AI mengurangi penjualan yang rugi karena tidak tersedianya produk hingga
65 persen dan meningkatkan laba sebelum bunga dan pajak (EBIT) hingga 13 persen.4 Dalam
manufaktur, perusahaan kertas Georgia-Pacific menggunakan machine learning untuk
mendeteksi masalah lebih awal dan menjaga kualitas, meniadakan 40% sobekan untuk salah satu
jalur konversinya.

2 Pengambilan keputusan lebih cerdas dan lebih cepat

Diinformasikan oleh sumber data dan analisis yang berkembang lebih pintar melalui machine
learning, bisnis dan tenaga kerjanya dapat membuat keputusan yang lebih terinformasi dan
lebih cepat yang memungkinkan mereka untuk bertindak berdasarkan peluang lebih cepat dan
mendapatkan hasil yang lebih baik. Dalam layanan kesehatan, perawat yang didukung oleh alat AI
meningkatkan produktivitasnya hingga 50 persen.5 Perusahaan teknologi kesehatan Cerner
menggunakan machine learning untuk model yang memprediksi gagal jantung kongestif hingga
15 bulan sebelum dinyatakan dalam uji klinis, meningkatkan perawatan pasien dan akhirnya
menyelamatkan nyawa seseorang.

4
MENGAPA MACHINE LEARNING?

3 Menambahkan kapabilitas baru ke produk yang sudah ada

Machine learning dapat memperkaya produk yang sudah ada, meningkatkan

4 Menciptakan produk yang memberikan keuntungan baru

Dengan machine learning, bisnis dapat memanfaatkan data untuk

keterlibatan pelanggan, dan menarik pengguna baru melalui pengalaman
yang lebih dalam. Contohnya, Intuit menambahkan sistem machine learning
yang kuat ke produk TurboTax yang populer untuk membantu sistem
memahami 80.000 halaman kode pajak dengan lebih baik.6
mengembangkan ide-ide revolusioner dan menghasilkan produk
baru (dan bahkan kategori baru) ke pasar. Convoy mendobrak
industri truk dengan memperkenalkan model yang didukung mesin
pembelajaran untuk mengotomatiskan logistik. Solusi Convoy
memberikan kecocokan yang lebih baik untuk pengirim dan
pengemudi truk, memungkinkan mereka untuk mengangkut barang
dengan lebih efisien—dan menurunkan biaya untuk kedua pihak.

Kita telah menguraikan "mengapa" harus machine learning, ini saatnya untuk mengeksplorasi "bagaimana" melakukannya. Bagian berikutnya akan
menunjukkan langkah-langkah dari perjalanan machine learning, menggunakan jalur dari Amazon sendiri dan dari pelanggan AWS untuk memberikan contoh
perubahan yang diperlukan yang harus dilakukan agar berhasil mengimplementasikan, deploy dan meningkatkan machine learning.

4
https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/
How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-
Artificial-Intelligence-Discussion-paper.ashx
5
https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/
How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-
Artificial-Intelligence-Discussion-paper.ashx
6
https://aws.amazon.com/solutions/case-studies/Cerner/

5
PERJALANAN MACHINE LEARNING

Perjalanan machine learning

Perjalanan machine learning tidak selalu mulus. Mencapai kesuksesan dengan machine learning membutuhkan
lebih dari sekadar teknologi hebat—itu juga berarti memastikan organisasi selaras dengan tujuan yang tepat.
Mengidentifikasi dan mencapai tujuan-tujuan tersebut akan memerlukan perubahan luas dalam proses,
manajemen, dan budaya. Bagian selanjutnya akan mengeksplorasi bagaimana organisasi dapat mengatasi
tantangan umum yang sering menghambat kemajuan dan mengambil langkah yang tepat untuk deploy
machine learning dengan cara yang efisien dan berkelanjutan.

1 Memperjuangkan budaya machine learning

Menurut Gartner, nilai bisnis global yang berasal dari Penting bahwa manajemen mengambil pandangan
kecerdasan buatan (AI) diproyeksikan mencapai 3,9 berskala luas sambil mengembangkan inisiatif
triliun USD pada tahun 2022.7 machine learning. Eksekutif harus tegas dalam
tujuan mereka, tetapi fleksibel dalam bagaimana
"(Machine learning) akan memberdayakan dan
organisasi mencapai mereka. Kesalahan pasti
meningkatkan setiap bisnis, organisasi pemerintah,
terjadi. Dengan tetap fokus pada pandangan
filantropi—pada dasarnya tidak ada lembaga
jangka panjang dan tidak membiarkan
di dunia yang tidak dapat diperbaiki dengan
keputusasaan, organisasi dapat memperoleh
machine learning," kata Jeff Bezos, pendiri dan CEO
kebijaksanaan dari setiap kesalahan dan deploy
Amazon.
pembelajaran tersebut untuk memperjuangkan
Membuka kunci potensi bisnis sepenuhnya budaya machine learning di seluruh bisnis.
dari machine learning akan membutuhkan
Mungkin perubahan budaya terbesar yang harus
perubahan budaya dalam organisasi tim, tujuan, dan
dilalui organisasi adalah menjadi toleran terhadap
pandangan.
kesalahan.
Agar machine learning berkembang di dalam
machine learning adalah proses berulang, yang
organisasi, baik tim bisnis dan teknis harus bekerja
hanya bisa berhasil melalui eksperimen konstan.
sama dan berbagi prioritas yang sama. Untuk
Sering kali, eksperimen ini berakhir pada kegagalan.
mencapai hal ini, pada awalnya, upaya machine
Hanya dengan menoleransi kegagalan-kegagalan
learning harus didukung dari tingkat tertinggi
ini—dan menolak untuk menghentikan kemajuan
dengan tujuan yang ditetapkan oleh agen
dengan mengatasnamakan penentuan “apa yang
perubahan yang utama dan investasi dalam
salah?”—dapatkah organisasi secara konsisten
teknologi dan proses yang memungkinkan
mencapai keberhasilan terobosan yang dinantikan.
kesuksesan.

7
https://www.gartner.com/en/newsroom/press-releases/2018-04-25-gartner-says-global-artificial-intelligence-business-value-to-reach-1-point-2-trillion-in-2018
6
PERJALANAN MACHINE LEARNING
Cara Amazon melakukannya
A mazon telah menggunakan machine learning dalam bisnis ini selama lebih
dari 20 tahun. Namun 10 tahun yang lalu, untuk mengadopsi machine
learning lebih lanjut di seluruh perusahaan, tim kepemimpinan Amazon meminta
setiap pemimpin bisnis dalam organisasi—terlepas dari apakah mereka menjalankan
tim R&D, fulfilment center atau organisasi SDM—untuk menjawab pertanyaan
tentang bagaimana mereka berencana untuk meningkatkan machine learning
dalam bisnis mereka.
Dalam kebanyakan kasus, "Kami tidak berencana untuk" bukanlah jawaban yang
dapat diterima. Hal ini memaksa para pemimpin, pakar domain, dan pakar teknis
untuk berkolaborasi dalam inisiatif machine learning dan tidak membiarkan apa pun
menghentikan kemajuan mereka—bahkan dalam kasus di mana manfaat nyata baru
terlihat bertahun-tahun ke depan.
Selain mempekerjakan data scientist secara eksternal, Amazon juga menciptakan
Machine Learning University, yang melatih setiap pengembangnya untuk
menggunakan machine learning secara lebih efektif. Perusahaan membangun alat-
alat seperti Amazon SageMaker, yang menyederhanakan proses pembuatan model
dan menurunkan hambatan untuk masuk—sehingga machine learning dapat
meningkatkan skala secara lebih efektif.
Sekarang, 10 tahun kemudian, tidak ada satu departemen pun di Amazon yang
belum tersentuh oleh machine learning. Teknologi personalisasi Amazon yang
memberikan rekomendasi kepada pelanggan telah meningkat secara signifikan sejak
model pertamanya 20 tahun sebelumnya dan telah diterapkan pada bidang bisnis
lainnya.
Perusahaan menggunakan machine learning sepanjang proses pemenuhannya dan
memanfaatkan sistem forecasting yang dapat memprediksi permintaan untuk hampir
setiap produk dalam persediaan yang sangat besar. Model prediksi ini memungkinkan
Amazon untuk memberikan ekspektasi pelanggan yang lebih baik tentang
kenyamanan, biaya, dan kecepatan pengiriman.
“Kami memperkirakan jutaan produk setiap hari di semua situs Amazon kami di seluruh
dunia,” kata Jenny Freshwater, direktur forecasting di Amazon. "Selain itu, tanpa
machine learning, kita tidak akan bisa menghasilkan forecasting tersebut."
Amazon juga telah mengembangkan teknologi untuk memberi konsumen cara yang
sama sekali baru untuk berinteraksi dengan teknologi melalui Alexa. Perusahaan ini
telah mengembangkan teknologi terobosan dengan penerbangan otonom melalui
Prime Air Drones dan menggunakan robotika di fulfilment center agar pengiriman
paket ke konsumen lebih cepat.
Untuk mencapai kesuksesan ini diperlukan investasi besar dalam teknologi,
penelitian, dan talenta. Namun, investasi itu akan sia-sia tanpa perubahan budaya
yang mendorong mereka maju melalui banyak kegagalan dan tantangan yang tidak
terduga. Setiap organisasi harus memupuk budaya eksperimen dan inovasi yang
toleran terhadap kesalahan yang sama ini sebelum perjalanan machine learning dapat
benar-benar dimulai.
7
PERJALANAN MACHINE LEARNING
2 Memikirkan ulang strategi data
Keberhasilan machine learning sangat bergantung
pada data yang berkualitas. Tanpa strategi data yang
tepat, kemajuan merangkak dengan lambat dan
menghambat keefektifan model akhir. Lebih buruk
lagi, jika model diinformasikan oleh data yang buruk,
hasil yang diperoleh mungkin menyesatkan—atau
bahkan salah.
“(Model machine learning) sangat sensitif terhadap
kualitas data,” ucap Freshwater. “Jadi, kami belajar—
dalam banyak kasus dengan cara yang sulit—bahwa
waktu yang dihabiskan untuk mendapatkan data
berkualitas tinggi akan terbayarkan dengan hasil
model yg baik”
Strategi data yang tepat untuk machine learning
harus bertujuan untuk memecah silo, memungkinkan
tim IT untuk mengakses dan mengumpulkan data
yang mereka butuhkan dengan mudah, cepat, dan
aman.
Sementara strategi data modern mengambil banyak
bentuk, data lake menjadi komponen inti yang semakin
populer dari model yang paling efisien.
Data lake menawarkan lebih banyak ketangkasan
dan fleksibilitas dibanding sistem manajemen data
tradisional, memungkinkan perusahaan untuk
mengelola beberapa tipe data dari berbagai sumber
dan untuk menyimpan data—baik terstruktur atau tidak
terstruktur— dalam repositori terpusat.
Setelah disimpan, data dapat dianalisis oleh banyak
jenis analitik dan layanan machine learning—lebih
cepat dan lebih efisien dibanding pendekatan silo
tradisional. Arsitektur data lake juga memungkinkan
beberapa kelompok dalam organisasi mengambil
manfaat dari analisis kumpulan data yang konsisten
yang mencakup seluruh bisnis.
Untuk bantuan dalam mengembangkan strategi data
menyeluruh yang menyertakan data lake, berinteraksi
dengan AWS Data Flywheel.
8
PERJALANAN MACHINE LEARNING

Cara Zillow melakukannya

U ntuk mengatasi tantangan skalabilitas, kinerja, dan disaster recovery

perusahaan iklan real estat, Zillow, membangun data lake menggunakan
Amazon S3. Perusahaan ini sekarang menyimpan petabyte data—
termasuk 300 juta gambar—pada infrastruktur AWS Cloud yang fleksibel,
menyederhanakan manajemen data secara signifikan. Masalah kapasitas,
bandwidth, dan ketersediaan adalah masa lalu bagi Zillow, dengan arsitektur
data lake yang menyediakan skalabilitas dan kinerja lebih dari cukup untuk
memenuhi permintaan.

Saat ini, Zillow secara agresif mengejar sejumlah inisiatif machine learning,
termasuk Zillow Offers—yang memberikan pengalaman penjualan rumah
yang nyaman dan dipersonalisasi bagi pemilik rumah yang menginginkan
penjualan tertentu dan dapat diprediksi pada jadwal mereka.8

Baca kisah sepenuhnya »

8
https://www.zillow.com/tech/improving-scheduling-efficiency 9
PERJALANAN MACHINE LEARNING

3 Menemukan masalah bisnis yang

tepat untuk diatasi

Satu kesalahan yang sering dilakukan organisasi dalam perjalanan machine

learning mereka adalah mempekerjakan para data scientist berbeda yang
bekerja secara indivdu untuk build model machine learning sebagai bukti
konsep—bukannya memecahkan masalah bisnis yang nyata. Tanpa ada
masalah bisnis yang spesifik untuk dipecahkan, eksekutif IT akan semakin sulit
untuk menunjukkan nilai proyek machine learning kepada rekan eksekutif bisnis
mereka. Hal ini dapat menghambat atau bahkan menghentikan kemajuan
inisiatif machine learning.

Berikut adalah beberapa pertanyaan penting yang harus

ditanyakan oleh organisasi sebelum memulai perjalanan
machine learning mereka:

1 Apakah proyek tersebut cukup penting untuk mendapatkan

perhatian dan penerapan?
2 Apakah hal ini menyelesaikan masalah bisnis yang
sesungguhnya?

3 Apakah ada tempat di mana organisasi memiliki banyak data

yang belum dimanfaatkan?
4 Apakah proyek tersebut memerlukan machine learning?
5 Dapatkah hal ini dilakukan pada bisnis tunggal?
6 Dapatkah pada akhirnya hal ini dioperasionalkan?

10
PERJALANAN MACHINE LEARNING
“Langkah pertama adalah mengidentifikasi masalah yang kaya data, tetapi (salah
satu) yang belum bisa Anda selesaikan melalui metode tradisional,” kata Freshwater.
Dalam perjalanan machine learning yang sukses, organisasi membuat tim machine
learning yang dibangun untuk mengatasi masalah bisnis tertentu.
Ahli teknis dan domain dibutuhkan dalam tim ini. Sementara para ahli teknis
akan mengambil beban penciptaan model, mereka membutuhkan pengetahuan
lapangan dari para ahli domain untuk menentukan tantangan bisnis yang tepat dan
mengidentifikasi data yang paling penting guna menemukan solusi.
Pendekatan ini juga penting untuk mengubah manajemen—ketika ahli teknis dan
domain berkolaborasi untuk membuat model machine learning, karyawan akan
merasa lebih percaya diri dalam mengambil keputusan berdasarkan logika algoritma.
Bersama-sama, tim ini juga harus bekerja melalui cara yang dapat mengukur
kesuksesan. “Pastikan Anda . . . memiliki metrik yang sangat tajam dan jelas saat
memulai perjalanan machine learning,” ujar Freshwater. “Sering kali, model Anda
mengambil alih metrik yang sudah ada dan Anda ingin memastikan bahwa metrik
tersebut benar-benar lebih baik dan Anda dapat mengukurnya.”
Untuk informasi selengkapnya tentang mengukur kesuksesan inisiatif machine
learning, baca Langkah 6 di eBook ini.
Beberapa organisasi memiliki talenta internal untuk mengidentifikasi masalah yang
paling baik diatasi melalui machine learning dan untuk mengimplementasikan
program uji coba yang sesuai. Organisasi yang membutuhkan bantuan dalam
bidang ini harus menjangkau para ahli dan berkolaborasi dengan mereka agar
“bekerja mundur” dari tantangan bisnis—kemudian melanjutkan selangkah demi
selangkah melalui proses pembuatan proyek machine learning untuk
menyelesaikannya.
11
PERJALANAN MACHINE LEARNING

Cara NFL melakukannya

S elama puluhan tahun, NFL telah bekerja untuk memberikan wawasan yang lebih
mendalam bagi pemain dan timnya. Namun, minat penggemar terhadap data
dan statistik tetap tak terpuaskan, dengan penggemar yang meminta informasi di luar
batas kemampuan manusia.

Untuk mengatasi kebutuhan ini, NFL bekerja dengan AWS untuk membuat NFL Next
Gen Stats (NGS) yang didukung machine learning. Karena data science an sepak bola
adalah disiplin ilmu yang sangat berbeda, NFL dengan bijak memasukkan ahli teknis
dan domain dalam pembuatan NGS, memastikan kedua kelompok dapat bekerja
bahu-membahu untuk mengidentifikasi data yang tepat dan mengembangkan statistik
yang menarik bagi penggemar sepak bola.9

Memanfaatkan tag RFID untuk melacak pergerakan pemain, NGS saat ini
menggunakan model machine learning untuk menghitung lebih dari 20 statistik
canggih yang berbeda. Salah satu contohnya adalah metrik Probabilitas Penyelesaian,
yang mengintegrasikan lebih dari 10 pengukuran dalam permainan untuk menghitung
kemungkinan bahwa sebuah operan akan ditangkap—semuanya saat bola masih ada
di udara.

Wawasan seperti Probabilitas Penyelesaian tidak akan ada tanpa kemitraan antara
para ahli teknis—yang dapat build dan train model yang mengolah data yang
diperlukan—dan ahli domain—yang memahami data apa yang diukur untuk membuat
statistik paling menarik.

Kemitraan ini juga membantu membangun penerimaan NGS, karena penyiar lebih
cenderung mengutip statistik lanjutan yang ahli sepak bola (dan dalam beberapa
kasus, penyiar sendiri) miliki andilnya dalam pembuatan.

Baca kisah lengkapnya »

9
https://aws.amazon.com/nextgenstats/

12
PERJALANAN MACHINE LEARNING

4 Tingkatkan kemampuan tim Anda

Sejalan dengan menciptakan strategi data, organisasi harus fokus mempersenjatai

tim teknisi mereka dengan keahlian yang tepat.
Organisasi semakin sadar akan kesenjangan keahlian IT—pemisahan yang meluas
antara teknologi dan kemampuan spesialis IT internal untuk mengoptimalkannya.
Untuk mengatasi kesenjangan ini, diperlukan kombinasi pelatihan dan perekrutan.
Kenyataannya adalah, tidak adanya cukup data scientist saat ini untuk memimpin
transformasi machine learning yang akan datang. Dibutuhkan organisasi yang
ingin memanfaatkan machine learning untuk berinvestasi pertama kali dalam
mengembangkan talenta mereka.
Meskipun tidak ada solusi yang lengkap untuk kesenjangan keahlian machine
learning, terdapat metode yang terbukti dapat memaksimalkan kemampuan staf
yang ada, mengurangi kebutuhan untuk melakukan investasi besar dalam membeli
atau meminjam talenta ahli yang telah terlatih. Metode ini termasuk:

Mende nisikan kesenjangan keahlian: Sebelum mengatasi kesenjangan

keahlian, organisasi harus mengidentifikasi perbedaan yang tepat antara kebutuhan
atau keinginan karyawannya dan kemampuan apa saja yang dimiliki karyawannya
saat ini.

Memahami pemetaan keahlian: Karena inisiatif machine learning adalah

upaya interdisipliner, organisasi harus memetakan keahlian yang diperlukan seluruh
data scientist, spesialis machine learning, pengembang aplikasi, ahli statistik,
dan ahli bidang khusus lainnya dalam bisnis.

Menyesuaikan pelatihan untuk kebutuhan spesi k: Jika suatu organisasi

sudah memiliki kurikulum pelatihan bermanfaat, organisasi tersebut harus
berupaya menyesuaikan materinya dengan kebutuhan machine learning
khusus bisnis. Para pimpinan juga harus menyelidiki layanan AI yang telah dilatih
sebelumnya yang menyediakan kecerdasan siap pakai untuk aplikasi dan alur
kerja bisnis.

13
PERJALANAN MACHINE LEARNING

Selain untuk pelatihan, Anda perlu menyelaraskan tim agar berhasil mengatasi
masalah machine learning. Hal ini mencakup:

Mempromosikan budaya tim yang diberdayakan: Tim proyek machine

learning harus lintas fungsional, memiliki wewenang untuk melaksanakan tujuan
individu dan kebebasan untuk melakukan penyebaran silang secara seimbang
dengan tim lain ketika muncul tuntutan dan peluang. Untuk memungkinkan kerja
tim semacam ini, manajemen perlu menentukan struktur baru—mengganti model
organisasi masa lalu yang sangat hierarkis dan tertutup secara departemen.

Dimulai dengan tim uji coba: Bentuk tim uji coba yang terdiri dari para teknisi
dan tugaskan dengan proyek machine learning. “Saya merekomendasikan untuk
menempatkan beberapa orang yang benar-benar cerdas guna mencari tahu metrik
yang ingin Anda optimalkan atau prediksi. . . mulai saja dengan hal kecil,” ujar
Freshwater.

Memungkinkan transformasi yang seimbang: Setelah proyek uji coba selesai,

bisnis dapat membagi tim dan menambah teknisi baru untuk membuat tim baru
dan menugaskan mereka dengan proyek baru. Proses ini berlanjut, memungkinkan
pengetahuan menyebar secara seimbang dari anggota tim veteran ke rekrutan
baru dan menyebar ke tim lainnya.

Dengan mengikuti panduan ini, banyak organisasi menemukan bahwa orang-

orang yang saat ini mereka miliki sebenarnya adalah orang-orang yang mereka
butuhkan untuk mengatasi pesenjangan keahlian machine learning mereka.
Sementara perekrutan masih diperlukan, perubahan organisasi, proses, dan
manajemen dapat bermanfaat untuk meningkatkan keahlian talenta demi
kesuksesan machine learning.

14
PERJALANAN MACHINE LEARNING

Cara Morningstar melakukannya

P erusahaan penelitian investasi, Morningstar, menggunakan machine

learning untuk mengotomatiskan proses pengumpulan data dan memperluas
jumlah cakupan dana. Perusahaan tersebut melakukannya dengan
“Tantangan DeepRacer kami memanfaatkan antusiasme karyawan
kami untuk machine learning dan kecerdasan buatan. Hal
memanfaatkan prediksi dari model machine learning yang dilatih untuk meniru ini memberikan pelatihan langsung di seluruh perusahaan dan
proses evaluasi dana analis Morningstar. mempercepat penerapan praktis machine learning Morningstar di
seluruh produk, layanan, dan proses investasi kami. Tanggapan dari
Untuk melatih karyawannya dan mempercepat aplikasi machine learning, tim kami telah melampaui harapan saya, dan ini merupakan cara
Morningstar menggunakan AWS DeepRacer—alat yang memfasilitasi training
yang menyenangkan untuk menyatukan tim global kami, baik
machine learning secara langsung melalui mobil balap otonom penuh skala 1/18
yang didorong pembelajaran dukungan, simulator balap 3D, dan liga balap global. dalam teknologi atau fungsi lainnya."
Lebih dari 445 karyawan Morningstar dari berbagai fungsi dan delapan negara—
James Rhodes, Chief Technology Officer, Morningstar
termasuk 35 persen dari fungsi teknologinya—telah terlibat dalam DeepRacer
League.10

Morningstar memiliki puluhan proyek machine learning pada tahun 2020. Proyek
ini termasuk program pembelajaran dukungan yang mencari pola dalam
pengajuan peraturan dan algoritma yang mengidentifikasi dan memperbaiki
tautan yang rusak ke situs web lembaga keuangan.

10
https://newsroom.morningstar.com/newsroom/news-archive/press-release-details/2019/Morningstar-Launches-

Global-AWS-DeepRacer-Corporate-Competition-to-Accelerate-Application-of-Machine-Learning/default.aspx

15
PERJALANAN MACHINE LEARNING
5 Menskalakan di luar proyek uji coba
Setelah uji coba pertama berhasil, organisasi
harus mengambil langkah berikutnya dalam
perjalanan: Menskalakan machine learning secara
berkelanjutan di seluruh bisnis. Hal ini termasuk
tantangan teknis dan budaya
Pencapaian skalabilitas mengharuskan organisasi
memudahkan pengembangnya untuk menggunakan
machine learning. Building model machine learning
sesuai skala dapat menjadi padat karya dan
kompleks, yang dapat memperlambat inovasi.
Banyak organisasi menyelesaikan skalabilitas dengan
Amazon SageMaker, solusi end-to-end yang
mencakup seluruh alur kerja machine learning untuk
build train, dan deploy model machine learning.
Dengan menggunakan Amazon SageMaker,
organisasi dapat memasukkan model
mereka dalam produksi secara lebih cepat dan
dengan biaya lebih rendah, memungkinkan perluasan
inisiatif machine learning yang berkelanjutan di luar
proyek uji coba.
Ada beberapa cara perusahaan mendekati perubahan
budaya yang diperlukan untuk meningkatkan machine
learning. Beberapa di antaranya mungkin menemukan
kesuksesan dengan menciptakan pusat keunggulan
yang menggalang komunitas dan terus mendorong
inisiatif baru. Atau, seperti Amazon, organisasi dapat
menjadikan machine learning sebagai bagian integral
dari proses perencanaan tahunan, terus-menerus
menyatukan para ahli domain dan teknis untuk
bertukar pikiran dan menentukan langkah berikutnya
perusahaan.
16
PERJALANAN MACHINE LEARNING

Cara Intuit melakukannya

M enggunakan Amazon SageMaker, Intuit mengurangi waktu deployment

machine learning hingga 90 persen—dari enam bulan menjadi satu minggu.
Dengan memusatkan inisiatif machine learning, Intuit mendorong inovasi serta
deploy AI dan teknik machine learning dengan kecepatan dan skala—mencapai nilai
bisnis yang melampaui produk dan layanannya.

“AWS memberikan sebuah platform umum untuk berbagi dan berkolaborasi data di
“AWS memberikan sebuah platform umum
lingkungan yang aman kepada orang-orang di dalam Intuit,” kata Ashok Srivastava,
Senior Vice President dan Chief Data Officer di Intuit. “Misalnya, Amazon SageMaker untuk berbagi dan berkolaborasi data di
memberi kami platform dan infrastruktur yang diperlukan untuk deploy teknologi AI lingkungan yang aman kepada orang-orang
dan machine learning kami yang canggih.” di dalam Intuit”

Baca kisah lengkapnya » Ashok Srivastava, Senior Vice President dan

Chief Technology Officer, Intuit

17
PERJALANAN MACHINE LEARNING
6 Mengukur hasil
Ketika mengukur hasil upaya machine learning, sudut
pandang “ROI proyek” tradisional—di mana proyek
memiliki titik awal dan akhir, anggaran, dan hasil yang
ditentukan—bersifat reduktif dan dapat merusak
keberhasilan inisiatif. Jika proyek tidak menghasilkan
hasil positif dalam jangka waktu yang diberikan, bisnis
dapat kehilangan minat dan peluang penting pada masa
depan.
Sebaliknya, para eksekutif dan IT harus mengukur upaya
machine learning berdasarkan arti kesuksesan bagi bisnis
mereka, sehubungan dengan proses yang dioptimalkan.
Selain itu, mereka harus melihat upaya machine learning
sebagai investasi jangka panjang, mengakui bahwa
“hasil” yang sebenarnya mungkin tidak terealisasi selama
beberapa tahun dan selama pengulangan yang tak
terhitung jumlahnya.
Saat merencanakan inisiatif machine learning, lebih baik
untuk melihat proses melalui lensa ketangkasan,
keunggulan kompetitif, dan/atau toleransi risiko
dibanding hasil yang diharapkan. Organisasi akan
mendapatkan kesuksesan yang lebih besar jika mereka
mengabaikan pertanyaan, “Apa yang akan diperoleh
sebagai hasil investasi dalam X bulan?” dibandingkan
pertanyaan, “Jika kita tidak berinvestasi pada hal
ini sekarang, apakah kita akan tertinggal dari para
pesaing dalam X tahun ketika teknologi sudah lebih
mapan?”
Meskipun metrik ROI tradisional mungkin bukan
pendekatan terbaik, dampak bisnis dari inisiatif
machine learning masih dapat diukur—ini hanya
membutuhkan pandangan yang berbeda.
Hasil machine learning dapat diukur melalui sesuatu
yang menyerupai "value tree", di mana batang utama
pohon mewakili "hasil pendapatan" tradisional dan
cabang-cabang yang memanjang dari batang
melihat nilai dari hasil bisnis lainnya.
Cabang tertentu dari pohon nilai ini akan bergantung
pada organisasi, industri, dan inisiatif, tetapi mungkin
hal-hal seperti “waktu yang dihemat melalui proses
otomatis”, “prospek baru, pasar, dan peluang yang
diidentifikasi”, “peningkatan layanan pelanggan,”
dan/atau ”peningkatan dalam penjualan”.
Mengukur kesuksesan machine learning melalui
model yang lebih menyeluruh dan jangka panjang
akan membuat tim Anda fokus pada hasil terbaik
untuk masa depan perusahaan.
18
MENGAMBIL LANGKAH
BERIKUTNYA

Mengambil langkah berikutnya

dengan AWS
Di mana pun organisasi berada dalam perjalanan machine learning mereka, AWS
menyediakan produk, solusi, dan layanan yang dapat membantu mereka mengambil
langkah berikutnya. Menampilkan serangkaian machine learning dan layanan
AI terluas dan terdalam di dunia, AWS telah bekerja dengan lebih dari sepuluh ribu
pelanggan untuk membantu mereka mengimplementasikan machine learning dengan
sukses.

AWS didedikasikan untuk menempatkan machine learning pada setiap pengembang

dan bekerja tanpa lelah untuk menyelesaikan tantangan terberat yang menghalangi
sasaran tersebut. Kemampuan AWS dibangun di atas platform cloud yang paling
komprehensif, dioptimalkan untuk machine learning dengan komputasi kinerja tinggi,
dan tidak membahayakan keamanan dan analitik.

Mari kita jelajahi penawaran machine learning saat ini dari AWS—dan lihat bagaimana
mereka dapat membantu kemajuan organisasi dalam perjalanan mereka.

Amazon Sagemaker: Amazon SageMaker memungkinkan pengembang dan ilmuwan

build, train, dan deploy model machine learning dengan cepat dan mudah—sehingga
menyederhanakan skalabilitas di seluruh bisnis. Amazon SageMaker menghilangkan
kerumitan yang menghalangi implementasi machine learning di berbagai kasus
penggunaan dan industri—dari menjalankan model untuk mendeteksi penipuan
secara real time, hingga menganalisis dampak biologis dari obat-obatan potensial,
serta memprediksi keberhasilan base yang dicuri dalam bisbol.

19
MENGAMBIL LANGKAH
BERIKUTNYA

Machine learning dengan AWS, dengan angka Layanan AI AWS: Tidak ada pengalaman machine learning sebelumnya
yang diperlukan untuk memanfaatkan layanan yang didukung AI ini dari AWS:

Solusi machine learning AWS: Personalisasi Analitik teks lanjutan Suara

Forecasting Agen percakapan Transkripsi
Mengurangi waktu training hingga 50%11
Analisis gambar dan video Penerjemahan Analisis dokumen
Memberikan 90% efisiensi penskalaan12
Memberikan 3x throughput jaringan yang lebih cepat13 ML framework: Pelanggan AWS dapat memilih dari TensorFlow, PyTorch,
Meningkatkan harga dan kinerja hingga 25% 14 Apache MXNet, dan framework populer lainnya untuk bereksperimen dengan
dan menyesuaikan algoritme machine learning. Mereka dapat menggunakan
81% proyek deep learning di cloud dijalankan di AWS framework sesuai pilihan dan pengalaman terkelola mereka di Amazon
SageMaker atau menggunakan AWS Deep Learning AMI (Amazon Machine
85% proyek TensorFlow di cloud dijalankan di AWS Images), yang dikonfigurasi sepenuhnya dengan versi terbaru framework dan
alat deep learning yang paling populer.

Komputasi: Konsumen AWS memanfaatkan beragam rangkaian opsi

komputasi yang canggih, mulai dari GPU untuk deep learning intensif
komputasi hingga FPGA untuk akselerasi perangkat keras khusus serta instans
memori tinggi untuk menjalankan inferensi. Amazon EC2 menyediakan
berbagai pilihan jenis instans yang dioptimalkan agar sesuai dengan kasus
penggunaan machine learning—terlepas dari apakah pelanggan train model
atau menjalankan inferensi pada trained model.

Alat pembelajaran: AWS juga menawarkan sejumlah alat dan layanan

pembelajaran untuk membantu organisasi meningkatkan kemampuan
machine learning mereka, termasuk:
11
Seperti yang diukur dalam uji tolok ukur ResNet-50, TensorFlow yang dioptimalkan AWS mencatat waktu
training tercepat, lebih dari 50%
12
Menggunakan TensorFlow yang dioptimalkan AWS memungkinkan efisiensi penskalaan hampir linier, AWS DeepRacer Pelatihan dan Sertifikasi Machine Learning
hingga 90% dibandingkan dengan 65% yang menggunakan stok TensorFlow
AWS DeepLens Lab Solusi Amazon Machine Learning
13
dibanding penyedia lain yang menggunakan instans P3dn
14
menggunakan instans C5 yang didukung Intel Xeon 3,0 GHz dibandingkan instans generasi sebelumnya

20
KESIMPULAN

Mengatasi tantangan Tantangan Solusi

machine learning
terbesar Keputusasaan akibat kegagalan
Mengembangkan budaya toleran terhadap
kesalahan

Sebagian besar organisasi telah melakukan

Data yang hilang dan belum diproses Membuat strategi data yang menyertakan data
investasi dalam machine learning dan berada pada
lake
tahap tertentu dalam perjalanannya. Namun,
banyak yang hanya menganggapnya sebagai
solusi sementara dalam prosesnya karena Menemukan masalah bisnis yang tepat Membangun tim campuran yang menyertakan
ahli teknis dan domain
khawatir bahwa biaya dan kerumitan akan
tumbuh terlalu tinggi ketika mereka sedang dalam
progres. Kesenjangan keahlian machine learning Mengadopsi model organisasi, proses, dan filosofi
manajemen tim baru
Dalam eBook ini, kami menjelajahi langkah-
langkah maju dan menyadari kekuatan penuh
Menskalakan di luar proyek uji coba secara Memanfaatkan alat end-to-end seperti
machine learning. Untuk merangkum, mari kita
berkelanjutan Amazon SageMaker untuk
lihat tantangan terbesar yang kami identifikasi menyederhanakan pengembangan machine
sepanjang jalan—bersama dengan deskripsi learning
singkat tentang bagaimana organisasi dapat
Mengukur hasil Meninggalkan metrik ROI tradisional dalam
menyelesaikannya. hal ketangkasan, keunggulan kompetitif, dan
toleransi risiko; menggunakan model value tree

Untuk mempelajari lebih lanjut tentang bagaimana organisasi dapat mengatasi

hambatan dan mempercepat perjalanan machine learning mereka, kunjungi hub
sumber daya machine learning AWS.

Memulai »

21