The Machine Learning Journey PDF
The Machine Learning Journey PDF
Learning
Jalur untuk memanfaatkan kecanggihan
teknologi machine learning
PENDAHULUAN
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
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?
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.
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?
4
MENGAPA MACHINE LEARNING?
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
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
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
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
setiap pemimpin bisnis dalam organisasi—terlepas dari apakah mereka menjalankan Amazon untuk memberikan ekspektasi pelanggan yang lebih baik tentang
tim R&D, fulfilment center atau organisasi SDM—untuk menjawab pertanyaan kenyamanan, biaya, dan kecepatan pengiriman.
tentang bagaimana mereka berencana untuk meningkatkan machine learning
dalam bisnis mereka. “Kami memperkirakan jutaan produk setiap hari di semua situs Amazon kami di seluruh
dunia,” kata Jenny Freshwater, direktur forecasting di Amazon. "Selain itu, tanpa
Dalam kebanyakan kasus, "Kami tidak berencana untuk" bukanlah jawaban yang machine learning, kita tidak akan bisa menghasilkan forecasting tersebut."
dapat diterima. Hal ini memaksa para pemimpin, pakar domain, dan pakar teknis
untuk berkolaborasi dalam inisiatif machine learning dan tidak membiarkan apa pun Amazon juga telah mengembangkan teknologi untuk memberi konsumen cara yang
menghentikan kemajuan mereka—bahkan dalam kasus di mana manfaat nyata baru sama sekali baru untuk berinteraksi dengan teknologi melalui Alexa. Perusahaan ini
terlihat bertahun-tahun ke depan. telah mengembangkan teknologi terobosan dengan penerbangan otonom melalui
Prime Air Drones dan menggunakan robotika di fulfilment center agar pengiriman
Selain mempekerjakan data scientist secara eksternal, Amazon juga menciptakan paket ke konsumen lebih cepat.
Machine Learning University, yang melatih setiap pengembangnya untuk
menggunakan machine learning secara lebih efektif. Perusahaan membangun alat- Untuk mencapai kesuksesan ini diperlukan investasi besar dalam teknologi,
alat seperti Amazon SageMaker, yang menyederhanakan proses pembuatan model penelitian, dan talenta. Namun, investasi itu akan sia-sia tanpa perubahan budaya
dan menurunkan hambatan untuk masuk—sehingga machine learning dapat yang mendorong mereka maju melalui banyak kegagalan dan tantangan yang tidak
meningkatkan skala secara lebih efektif. terduga. Setiap organisasi harus memupuk budaya eksperimen dan inovasi yang
toleran terhadap kesalahan yang sama ini sebelum perjalanan machine learning dapat
Sekarang, 10 tahun kemudian, tidak ada satu departemen pun di Amazon yang benar-benar dimulai.
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.
7
PERJALANAN MACHINE LEARNING
Keberhasilan machine learning sangat bergantung Sementara strategi data modern mengambil banyak
pada data yang berkualitas. Tanpa strategi data yang bentuk, data lake menjadi komponen inti yang semakin
tepat, kemajuan merangkak dengan lambat dan populer dari model yang paling efisien.
menghambat keefektifan model akhir. Lebih buruk Data lake menawarkan lebih banyak ketangkasan
lagi, jika model diinformasikan oleh data yang buruk, dan fleksibilitas dibanding sistem manajemen data
hasil yang diperoleh mungkin menyesatkan—atau tradisional, memungkinkan perusahaan untuk
bahkan salah. mengelola beberapa tipe data dari berbagai sumber
dan untuk menyimpan data—baik terstruktur atau tidak
“(Model machine learning) sangat sensitif terhadap terstruktur— dalam repositori terpusat.
kualitas data,” ucap Freshwater. “Jadi, kami belajar—
dalam banyak kasus dengan cara yang sulit—bahwa Setelah disimpan, data dapat dianalisis oleh banyak
waktu yang dihabiskan untuk mendapatkan data jenis analitik dan layanan machine learning—lebih
berkualitas tinggi akan terbayarkan dengan hasil cepat dan lebih efisien dibanding pendekatan silo
model yg baik” tradisional. Arsitektur data lake juga memungkinkan
beberapa kelompok dalam organisasi mengambil
Strategi data yang tepat untuk machine learning manfaat dari analisis kumpulan data yang konsisten
harus bertujuan untuk memecah silo, memungkinkan yang mencakup seluruh bisnis.
tim IT untuk mengakses dan mengumpulkan data
yang mereka butuhkan dengan mudah, cepat, dan Untuk bantuan dalam mengembangkan strategi data
aman. menyeluruh yang menyertakan data lake, berinteraksi
dengan AWS Data Flywheel.
8
PERJALANAN MACHINE LEARNING
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
8
https://www.zillow.com/tech/improving-scheduling-efficiency 9
PERJALANAN MACHINE LEARNING
10
PERJALANAN MACHINE LEARNING
“Langkah pertama adalah mengidentifikasi masalah yang kaya data, tetapi (salah Bersama-sama, tim ini juga harus bekerja melalui cara yang dapat mengukur
satu) yang belum bisa Anda selesaikan melalui metode tradisional,” kata Freshwater. kesuksesan. “Pastikan Anda . . . memiliki metrik yang sangat tajam dan jelas saat
memulai perjalanan machine learning,” ujar Freshwater. “Sering kali, model Anda
Dalam perjalanan machine learning yang sukses, organisasi membuat tim machine mengambil alih metrik yang sudah ada dan Anda ingin memastikan bahwa metrik
learning yang dibangun untuk mengatasi masalah bisnis tertentu. tersebut benar-benar lebih baik dan Anda dapat mengukurnya.”
Ahli teknis dan domain dibutuhkan dalam tim ini. Sementara para ahli teknis
akan mengambil beban penciptaan model, mereka membutuhkan pengetahuan Untuk informasi selengkapnya tentang mengukur kesuksesan inisiatif machine
lapangan dari para ahli domain untuk menentukan tantangan bisnis yang tepat dan learning, baca Langkah 6 di eBook ini.
mengidentifikasi data yang paling penting guna menemukan solusi.
Beberapa organisasi memiliki talenta internal untuk mengidentifikasi masalah yang
Pendekatan ini juga penting untuk mengubah manajemen—ketika ahli teknis dan paling baik diatasi melalui machine learning dan untuk mengimplementasikan
domain berkolaborasi untuk membuat model machine learning, karyawan akan program uji coba yang sesuai. Organisasi yang membutuhkan bantuan dalam
merasa lebih percaya diri dalam mengambil keputusan berdasarkan logika algoritma. 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
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.
9
https://aws.amazon.com/nextgenstats/
12
PERJALANAN MACHINE LEARNING
13
PERJALANAN MACHINE LEARNING
Selain untuk pelatihan, Anda perlu menyelaraskan tim agar berhasil mengatasi
masalah machine learning. Hal ini mencakup:
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.
14
PERJALANAN MACHINE LEARNING
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
Setelah uji coba pertama berhasil, organisasi mereka dalam produksi secara lebih cepat dan
harus mengambil langkah berikutnya dalam dengan biaya lebih rendah, memungkinkan perluasan
perjalanan: Menskalakan machine learning secara inisiatif machine learning yang berkelanjutan di luar
berkelanjutan di seluruh bisnis. Hal ini termasuk proyek uji coba.
tantangan teknis dan budaya
Ada beberapa cara perusahaan mendekati perubahan
Pencapaian skalabilitas mengharuskan organisasi budaya yang diperlukan untuk meningkatkan machine
memudahkan pengembangnya untuk menggunakan learning. Beberapa di antaranya mungkin menemukan
machine learning. Building model machine learning kesuksesan dengan menciptakan pusat keunggulan
sesuai skala dapat menjadi padat karya dan yang menggalang komunitas dan terus mendorong
kompleks, yang dapat memperlambat inovasi. inisiatif baru. Atau, seperti Amazon, organisasi dapat
menjadikan machine learning sebagai bagian integral
Banyak organisasi menyelesaikan skalabilitas dengan dari proses perencanaan tahunan, terus-menerus
Amazon SageMaker, solusi end-to-end yang menyatukan para ahli domain dan teknis untuk
mencakup seluruh alur kerja machine learning untuk bertukar pikiran dan menentukan langkah berikutnya
build train, dan deploy model machine learning. perusahaan.
Dengan menggunakan Amazon SageMaker,
organisasi dapat memasukkan model
16
PERJALANAN MACHINE LEARNING
“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”
17
PERJALANAN MACHINE LEARNING
6 Mengukur hasil
Ketika mengukur hasil upaya machine learning, sudut Meskipun metrik ROI tradisional mungkin bukan
pandang “ROI proyek” tradisional—di mana proyek pendekatan terbaik, dampak bisnis dari inisiatif
memiliki titik awal dan akhir, anggaran, dan hasil yang machine learning masih dapat diukur—ini hanya
ditentukan—bersifat reduktif dan dapat merusak membutuhkan pandangan yang berbeda.
keberhasilan inisiatif. Jika proyek tidak menghasilkan
hasil positif dalam jangka waktu yang diberikan, bisnis Hasil machine learning dapat diukur melalui sesuatu
dapat kehilangan minat dan peluang penting pada masa yang menyerupai "value tree", di mana batang utama
depan. pohon mewakili "hasil pendapatan" tradisional dan
cabang-cabang yang memanjang dari batang
Sebaliknya, para eksekutif dan IT harus mengukur upaya melihat nilai dari hasil bisnis lainnya.
machine learning berdasarkan arti kesuksesan bagi bisnis
mereka, sehubungan dengan proses yang dioptimalkan. Cabang tertentu dari pohon nilai ini akan bergantung
Selain itu, mereka harus melihat upaya machine learning pada organisasi, industri, dan inisiatif, tetapi mungkin
sebagai investasi jangka panjang, mengakui bahwa hal-hal seperti “waktu yang dihemat melalui proses
“hasil” yang sebenarnya mungkin tidak terealisasi selama otomatis”, “prospek baru, pasar, dan peluang yang
beberapa tahun dan selama pengulangan yang tak diidentifikasi”, “peningkatan layanan pelanggan,”
terhitung jumlahnya. dan/atau ”peningkatan dalam penjualan”.
Saat merencanakan inisiatif machine learning, lebih baik Mengukur kesuksesan machine learning melalui
untuk melihat proses melalui lensa ketangkasan, model yang lebih menyeluruh dan jangka panjang
keunggulan kompetitif, dan/atau toleransi risiko akan membuat tim Anda fokus pada hasil terbaik
dibanding hasil yang diharapkan. Organisasi akan untuk masa depan perusahaan.
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?”
18
MENGAMBIL LANGKAH
BERIKUTNYA
Mari kita jelajahi penawaran machine learning saat ini dari AWS—dan lihat bagaimana
mereka dapat membantu kemajuan organisasi dalam perjalanan mereka.
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:
20
KESIMPULAN
Memulai »
21