The Machine Learning Journey ID PDF
The Machine Learning Journey ID PDF
learning
Jalur untuk memanfaatkan kecanggihan
teknologi machine learning
Maju terus
Jika di-deploy dengan strategi yang tepat, machine Sementara machine learning telah ada selama beberapa
learning (ML) dapat meningkatkan ketangkasan, dekade, aksesibilitasnya sebagai alat untuk mengubah
menyederhanakan proses, meningkatkan pendapatan bisnis relatif baru. Selain itu, karena tidak ada jalur
dengan membuat produk baru dan menyempurnakan tunggal menuju keberhasilan machine learning yang
yang ada, serta memungkinkan pengambilan keputusan terbukti, beberapa bisnis hanya menunggu, tidak
yang lebih baik dan lebih cepat. yakin bagaimana mengambil langkah selanjutnya
(atau bahkan langkah pertama) dalam perjalanan ini.
Tidak diragukan lagi bahwa machine learning dan
eBook ini dirancang untuk membantu bisnis bergerak
kecerdasan buatan (AI) dapat membantu perusahaan
maju, menguraikan jalur yang telah terbukti— dari
untuk mencapai lebih banyak hal. Dalam survei terbaru
langkah pertama hingga mengukur hasil—dengan
oleh McKinsey, 63 persen responden melaporkan adanya
wawasan dari warisan machine learning Amazon sendiri
peningkatan pendapatan berkat adopsi AI di unit bisnis
dan pengalamannya membantu ribuan pelanggan
yang perusahaannya menggunakan AI.¹ Terlihat jelas juga
mewujudkan inisiatif mereka.
bahwa mereka yang mengadopsi juga terus meyakini
kemampuan teknologi AI untuk mendorong nilai dan Sudah saatnya organisasi mengatasi kekhawatiran
keuntungan. Menurut Gartner, 75 persen korporasi akan tentang machine learning, berhenti mengejar
beralih dari pertama kali mencoba menggunakan AI ke ketertinggalan, dan melangkah maju dengan percaya diri.
pengoperasian AI pada akhir 2024,² dan menurut Deloitte, Tidak peduli posisi organisasi di jalur machine learning,
57 persen mengatakan bahwa AI akan mentransformasi mereka akan menemukan panduan yang diperlukan
organisasi mereka dalam tiga tahun ke depan.³ untuk mengambil langkah berikutnya demi kesuksesan
machine learning.
1https:.mckinse
/w om/featur
.c y ed-insights/arti0cial-intelligencglo
e/ bal-ai-sur veveoy-aipr s-its-orwth-but-few-scale-impact
2 https:.gar/wtneen/om/.c r newsress-
pr om/ ele
r ases/20-6-2-gartner-identi0es-top-10data-and-analytics-technolo
3 https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies/state-of-ai-and-intelligent-automation-in-business-survey.html
2
Apa itu kecerdasan buatan dan
machine learning?
Anda mungkin pernah mendengar penjelasan yang berbeda-beda tentang kecerdasan buatan (AI)
dan machine learning(ML).Jadi,abknyakitamundursediktdanmeninjaude0nisitepatnya:
Kecerdasan buatan (AI) adalah cara untuk menjelaskan sistem apa pun 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 AI adalah mencari hasil
obaili
pr sti—mebua
k tediksi
pr ,klasi0kasi,ataueputusa
k ndengantingkatepasti
k antinggidan
dengan cara yang serupa dengan penilaian manusia.
Hampir semua sistem AI saat ini dibuat dengan menggunakan machine learning. 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 menghasilkan
ediksi
pr atauklasi0kasisepertimanusia.Padasarnya, machine learning adalah teknologi
mendasar yang mendorong 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 tidak untuk AI saja,
tetapi saat ini mayoritas machine learning terkait dengan AI.
3
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 yang tidak tergoyahkan.
Bisnis perlu rutin mengingatkan diri sendiri apa yang mereka perjuangkan—fokus pada manfaat bisnis yang tepat
yang dapat diperoleh dengan memanfaatkan teknologi machine learning sepenuhnya.
1 2
Mengoptimalkan bisnis dengan Pengambilan keputusan lebih
si
e nsi
e u
rab cerdas dan lebih cepat
Machine learning dapat digunakan untuk Diinformasikan oleh sumber data dan analitik
menciptakane0siensiyanglebihesarmelalui yang berkembang lebih pintar melalui machine
model perencanaan permintaan dan prakiraan yang learning, bisnis dan tenaga kerjanya dapat
canggih. Sementara hal ini diyakini benar di hampir membuat keputusan yang lebih terinformasi
semua industri, eceran memberikan beberapa bukti dan lebih cepat yang memungkinkan mereka
spesi0k.PrakirnberasisAIdaptmengurangi bertindak berdasarkan peluang lebih cepat dan
kehilangan penjualan akibat ketidaktersediaan mendapatkan hasil yang lebih baik. Agen layanan
produk hingga 65 persen dan menurunkan angka pelanggan T-Mobile menggunakan AI untuk
pengembalianoduk
pr sebesarduajutapertahun.⁴ mengakses informasi yang paling penting bagi
Dengan menggunakan solusi pemesanan prediktif kebutuhan pelanggan dengan cepat. Dengan
berbasis AWS, Domino’s Pizza Enterprises Limited memberikan informasi kontekstual kepada agen
sedang berinisiatif membuat agar piza siap untuk secara waktu nyata, T-Mobile membantu menjamin
diambil dalam waktu 10 menit setelah pemesanan bahwa setiap masalah yang dihadapi pelanggan
atau dapat dikirimkan dalam waktu 10 menit. akan diselesaikan dengan cepat dan akurat.
4https:.mckinse
/w mckinse
eda/ o~. y /indy ustries/advanced%20electronics/our%20insights/w%2
ho 0arti0cial%20
4
intelligence%20can%20deliver%2eal%2 0r 0value%20to%2ompani0c es/mgi-arti0cial-intelligence-discussion-.ash
per x
3 4
Perusahaan televisi multinasional Menambahkan kapabilitas baru ke
Discovery, Inc. (Discovery) memiliki ragam konten
produk yang sudah ada
menarik bagi basis audiens pelanggan yang luas. Machine learning dapat memperkaya produk yang sudah
Perusahaniniinginmebantupelangganmenemukan ada, meningkatkan keterlibatan pelanggan, dan menarik
onte
k nterkurasiyangsesuaidenganminatspesi0k pengguna baru melalui pengalaman yang lebih dalam.
pelanggan dan beralih ke Amazon Personalize guna Misalnya, Livongo adalah platform dan aplikasi seluler
memungkinkan saran konten yang disesuaikan untuk yang bekerja pada perangkat pintar, seperti monitor
pengguna platform streaming Discovery+ mereka. glukosa darah yang terhubung, untuk membantu orang-
Discovery menggunakan rekomendasi yang didukung orangmengelolapermasalahanmedis.Platformini
machine learningdariAmonaz Personalie,buk
z an menggunakan machine learning untuk menerjemahkan
menawarkan konten umum kepada pelanggan, untuk datadaripembcnglukosadarh,ktivitas0sik,dan
menyesuaikan pengalaman pemirsa dan meningkatkan pencatatan makanan, selain data ponsel pintar dan
keseluruhan perjalanan pelanggan. data penting lainnya, menjadi “dorongan hidup sehat”
yangtepatwaktudandaptditindaklanjuti.Pesanyang
dipersonalisasi seputar diet, olahraga, pengobatan, dan
lainnya ini disampaikan secara langsung kepada anggota
di perangkat yang terhubung sehingga dapat membantu
mereka menghindari komplikasi yang dapat membuat
mereka masuk rumah sakit dan menghemat uang sistem
(dan diri mereka sendiri).
5
5 6
Menciptakan produk yang Tetap relevan
memberikan keuntungan Machine learning bukan lagi suatu pilihan, melainkan
baru (net-new) suatu kebutuhan agar tetap relevan dan kompetitif, apa
pun bidang dan domainnya. OnPoint Digital Solutions,
Dalam upayanya untuk menciptakan teknologi
anak perusahaan Koch Engineered Solutions, baru-baru
pemeliharaan kesehatan yang lebih baik bagi pelanggan,
ini berkolaborasi dengan AWS untuk mengembangkan
Cambia menggunakan Amazon Web Services
platformpengoptimalanose
pr sdas
erc (IPOP).
(AWS), termasuk teknologi machine learning, untuk
Platformyangdirancanguntukmeungkinkan
mengembangkan Journi, solusi kesehatan lengkap
solusiOnPointinimeanfatkaninfrastrukturdigtal
digital dengan panduan kecerdasan yang didorong data
cloud dan edge untuk menyediakan machine learning
dan keahlian manusia untuk membantu anggota paket
canggih dan kemampuan komputasi industri untuk
pertanggungan kesehatan dan keluarga mereka dalam
osi
ek stemterhubungOnPoint.Halinimeungkinkan
memaksimalkan manfaat kesehatan mereka.
operator industri dan partner pilihan mereka untuk
mengintegrasikan dan bertindak berdasarkan
pengetahuan terbaik yang tersedia di mana pun dan
kapan pun dalam skala besar.
Kita telah menguraikan "mengapa"nya bagi machine learning ini saatnya untuk mengeksplorasi
"bagaimana"nya. Bagian berikutnya akan menunjukkan langkah-langkah dari perjalanan machine learning,
menggunakan jalur dari Amazon sendiri dan dari pelanggan AWS untuk memberikan contoh perubahan yang mesti
dilakukan agar berhasil mengimplementasikan, menerapkan, dan meningkatkan machine learning.
6
Perjalanan 1
machine learning Memperjuangkan budaya machine learning
Menurut Gartner, nilai bisnis global yang berasal dari kecerdasan buatan diproyeksikan
Perjalanan machine learning tidak selalu mulus. mencapai 3,9 triliun USD pada tahun 2022.5
Mencapai kesuksesan dengan machine learning
membutuhkan lebih dari sekadar teknologi hebat— Mengungkap potensi penuh bisnis machine learning akan membutuhkan perubahan
kita juga perlu memastikan organisasi sudah selaras budaya dalam organisasi tim, tujuan, dan prospek.
dengantujuanyangtepat.Mengidenti0kasidan
Agar machine learning berkembang di seluruh organisasi, tim bisnis maupun tim teknis
mencapai tujuan-tujuan tersebut akan memerlukan
harus bekerja sama dan memiliki prioritas yang sama. Untuk mencapai hal ini, sejak
perubahan luas dalam proses, manajemen, dan
awal, upaya machine learning harus didukung dari tingkat tertinggi, dengan tujuan yang
budaya. Bagian selanjutnya akan mengeksplorasi
ditetapkan oleh agen perubahan utama dan investasi dalam teknologi dan proses yang
bagaimana organisasi dapat mengatasi tantangan
dapat mewujudkan kesuksesan.
umum yang sering menghambat kemajuan dan
mengambil langkah yang tepat untuk menerapkan Pentingwamnabh jemnmengambilpandanganberskalaluassambilmengembangkan
machine learningdengancarynge0siendan inisiatif machine learning.Eksekutifharustegasdalamtujuaneka,te mr tapi1eksibel
berkelanjutan. pada cara organisasi mencapainya. Kesalahan pasti terjadi. Dengan tetap berfokus pada
pandangan jangka panjang dan tidak membiarkan keputusasaan, organisasi dapat
memperoleh kebijaksanaan dari setiap kesalahan dan menerapkan pembelajaran tersebut
untuk memperjuangkan budaya machine learning di seluruh bisnis.
Perubahnbudyangmungkinharusdilakukanoleganihor sasiadlahmeanfatkan
peluang yang ada dalam kesalahan. Machine learning adalah proses berulang, yang
hanya bisa berhasil melalui eksperimen konstan. Sering kali eksperimen ini berakhir pada
kegagalan. Hanya dengan belajar dari kegagalan—dan menolak untuk berhenti dengan
mengatasnamakan penentuan “apa yang salah?”—organisasi dapat secara konsisten
mencapai keberhasilan terobosan yang dinantikan.
5https:.gar/wtneen/om/.c r newsress-
pr om/ ele
r ases/2018-04-25-gartner-says-global-arti0cial-intelligence-business-value-to-
reach-1-point-2-trillion-in-2018 7
Cara Amazon (Machine learning) akan memberdayakan
melakukannya dan meningkatkan setiap bisnis, organisasi
pemerintah, badan amal—pada dasarnya
Amazon telah menggunakan machine learning dalam bisnis selama lebih tidak ada lembaga di dunia yang tidak dapat
dari 20 tahun. Namun, lebih dari 10 tahun yang lalu, untuk mengadopsi ditingkatkan dengan machine learning.”
machine learning lebih lanjut di perusahaan, tim kepemimpinan Amazon
meminta setiap pemimpin bisnis di organisasi—terlepas dari apakah JeBeos,
z PendirdanOCE Amonaz
mereka membawahi tim R&D, pusat pemenuhan, atau departemen SDM—
untuk menjawab pertanyaan tentang cara mereka merencanakan untuk
meningkatkan machine learning dalam bisnis mereka.
8
2
Menyusun ulang strategi data
Keberhasilan machine learning sangat bergantung pada Sementara strategi data modern mengambil banyak
data yang berkualitas. Tanpa strategi data yang tepat, bentuk, dana data menjadi komponen inti yang semakin
kemajuan merangkak dengan lambat dan menghambat poulerdaimoelyangpalinge0sien.Danaudata
keefektifan model akhir. Lebih buruk lagi, jika model menawarknlebihanyeta
ak ngkasandan1eksibilitas
diinformasikan oleh data yang buruk, hasil yang diperoleh dibanding sistem manajemen data tradisional,
mungkin menyesatkan atau bahkan salah. memungkinkan perusahaan untuk mengelola beberapa
tipe data dari berbagai sumber dan untuk menyimpan
“(Model machine learning) sangat sensitif terhadap
data—baik terstruktur maupun tidak terstruktur— dalam
kualitas data,” ucap Freshwater. “Jadi, kami belajar—
repositori terpusat.
dalam banyak kasus dengan cara yang sulit—bahwa
waktu yang dihabiskan untuk mendapatkan data Setelah disimpan, data dapat dianalisis dengan beragam
berkualitas tinggi dalam perjalanan dengan dividen analitik dan layanan machine learning—lebih cepat dan
berbayar pada model kami akan mulai ditinggalkan.” lesi0 e h i ndb ta
anngbeikp d ntrsii d a nao lnga te
y soi r li. r
Arsitektur danau data juga memungkinkan beberapa
Strategi data yang tepat untuk machine learning harus
kelompok di dalam organisasi mengambil manfaat dari
bertujuan untuk meruntuhkan isolasi, memungkinkan
analisis kumpulan data yang konsisten dan mencakup
tim IT mengakses dan mengumpulkan data yang mereka
seluruh bisnis.
butuhkan dengan mudah, cepat, dan aman.
Untuk bantuan dalam pengembangan strategi data yang
lebih holistik yang mencakup danau data, kunjungi situs
inovasikan kembali bisnis Anda dengan data.
9
Kami menggunakan teknologi analisis data AWS GearPa-C igrco i
untuk memprediksi . . . seberapa cepat saluran
konversi harus dijalankan untuk menghindari melakukannya
sobekan. Dengan mengurangi sobekan pada
kertas, kami telah meningkatkan keuntungan Ratusan kertas dan gulungan kertas tisu diproduksi setiap
sebesar jutaan dolar untuk satu harifsilitasmanufakturdiGegia-Paor ci0,Amerika
saluran produksi.” Utara. Jika sering terjadi sobekan atau kerusakan, hal
ini menyebabkan waktu henti mesin kertas dan saluran
SteveBakala,VPr –IT:Transformasi onve k rsiyangdaptmerugikanGegia-Paor ci0jutaan
Digital,Gegia-Paor ci0 dolar per tahun per saluran.
Gegia-Paor ci0meulainyadenganmeigrasi
50 TB data produksi terstruktur dan tidak terstruktur
dari infrastruktur basis data warisan ke danau data
berbasis cloud. Dengan melapisi basis data AWS dan
alatanalitikpadsemuadatatersebut,Gegia-Paor ci0
dapat mengoptimalkan proses manufaktur utama
untuk memprediksi kegagalan peralatan 60–90 hari
sebelumnya. Dengan mengurangi sobekan kertas dan
waktu henti yang tidak direncanakan, perusahaan ini
dapat meningkatkan keuntungan hingga jutaan dolar
untuk satu saluran produksi.
10
3
Menemukan masalah bisnis yang tepat untuk diatasi
Satu kesalahan yang sering dilakukan organisasi dalam perjalanan machine learning
mereka adalah mempekerjakan para ilmuwan data berbeda yang bekerja secara individu
untuk membangun model machine learning sebagai bukti konsep, bukannya memecahkan
masalahbisnisyangnyata.Tanpadmsalahbisnisyangspesi0kuntukdipecahkn,
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.
1
Apakah proyek tersebut cukup penting untuk mendapatkan perhatian dan
pengadopsian?
3 Apakah ada tempat di mana organisasi memiliki banyak data yang belum
dimanfaatkan?
11
Langkah pertama adalah Bersama-sama, tim ini juga harus bekerja melalui
mengidentifikasi masalah yang kaya caryngdaptmengukuresuk
k sesan.Pastikan
Anda . . . memiliki metrik yang sangat tajam dan
akan data, tetapi (salah satu) yang
jelas saat memulai perjalanan machine learning,”
belum bisa Anda selesaikan melalui ujar Freshwater. “Sering kali, model Anda
metode tradisional,” kata Freshwater. mengambil alih metrik yang sudah ada dan Anda
ingin memastikan bahwa metrik tersebut benar-
Dalam perjalanan machine learning yang sukses,
benar lebih baik dan Anda dapat mengukurnya.”
organisasi mendirikan tim machine learning yang
dibangun untuk mengatasi masalah bisnis tertentu. Untuk informasi selengkapnya tentang
Ahli teknis dan domain dibutuhkan dalam tim mengukur kesuksesan inisiatif machine learning,
ini. Sementara para ahli teknis akan mengambil silakan baca Langkah 6 di eBook ini.
beban penciptaan model, mereka membutuhkan
pengetahuan lapangan dari para ahli domain untuk Beberapa organisasi memiliki bakat internal
menentukan tantangan bisnis yang tepat dan untukmengidenti0kasimasalahyangpaling
mengidenti0kasidatayangpalingpentingguna baik diatasi melalui machine learning dan untuk
menemukan solusi. mengimplementasikan program uji coba yang
sesuai. AWS menawarkan Amazon Machine
Pendekataninijugapentinguntukmengubah Learning Solutions Lab untuk membantu
manajemen—ketika ahli teknis dan domain pelanggan untuk “bekerja surut” dari tantangan
berkolaborasi untuk membuat model machine bisnis—kemudian bergerak selangkah demi
learning, karyawan akan merasa lebih yakin dalam selangkah melalui proses pembuatan proyek
mengambil keputusan berdasarkan logika algoritme. machine learning untuk mengatasinya.
12
Cara NFL melakukannya
Selama beberapa dekade, NFL berupaya untuk NGS juga menggunakan model machine learning
memberikan wawasan yang lebih mendalam untuk menghitung lebih dari 20 statistik lanjutan
tentang para pemain dan timnya guna memenuhi berbeda yang menarik bagi penggemar. Salah satu
kebutuhan atas peningkatan keamanan pemain dan nto
o c la
a d nya h a sta
h tistite
c e p x E k Rush
d sd r angi Y
keinginan penggemar terkait data dan statistik. yang dirancang untuk menunjukkan banyaknya
rushing yard yang diharapkan dapat diperoleh oleh
Untuk mengatasi kebutuhan ini, NFL bekerja pembawa bola pada carry tertentu berdasarkan lokasi
denganAWSuntukmebuatNFLNextGen relatif, kecepatan, serta arah blocker dan defender.
Stats (NGS) yang didorong machine learning.
Karena ilmu data dan sepak bola Amerika wasa
W nseper tiProbailitasPenyelesaiantidak
adalah disiplin ilmu yang sangat berbeda, NFL akan ada tanpa kemitraan antara para ahli teknis
dengan bijak memasukkan ahli teknis dan yang dapat membangun dan melatih model yang
domain dalam pembuatan NGS, memastikan mengolah data yang diperlukan, dan ahli domain
kedua kelompok dapat bekerja bahu-membahu yang memahami data yang diukur untuk membuat
untukmengidenti0kasidatayangtepatdan statistik paling menarik.
mengembangkan statistik.6
Kemitraan ini juga membantu untuk membangun
Memanfaatkan tag RFID untuk melacak pergerakan penerimaan NGS, karena penyiar lebih cenderung
pemain, NGS menyediakan data lokasi, kecepatan, mengutip statistik lanjutan yang pembuatannya
dan akselerasi secara waktu nyata untuk setiap melibatkan ahli sepak bola (dan dalam beberapa
pemain pada setiap permainan di setiap inci kasus, penyiar itu sendiri).
lapangan. Dengan menyimulasikan berbagai situasi
dalam lingkungan permainan, NFL bertujuan untuk Baca kisah lengkapnya ›
mendorong pemahaman yang lebih baik tentang
cara merawat dan merehabilitasi cedera dalam
waktu dekat dan selanjutnya memprediksi serta
melakukan intervensi untuk mencegah cedera di
masa mendatang.
6https:ws.
a / on.amz n1om/c 13
13
4
Meningkatkan kemampuan tim Anda
Sejalan dengan menciptakan strategi data, organisasi Metode ini termasuk:
harus fokus mempersenjatai tim rekayasawan mereka
Mendenisikanese
k njanganete k rampilan: Sebelum
dengan keahlian yang tepat.
mengikis kesenjangan keterampilan, organisasi harus
Ornia g sasiseni k a m sana kse
e kr a d njnga na te
e k la
ipmar n mengidenti0kasiperbdanyangtepatantarapyng
machine learning—pemisahan yang meluas antara mereka perlukan atau inginkan dari karyawannya dan
teknologi dan kemampuan spesialis IT internal untuk kemampuan apa saja yang dimiliki karyawannya saat ini.
mengoptimalkannya. Laporan AI Adoption in the
Memahami pemetaan keahlian: Karena inisiatif machine
nte
E se
i rO'p i r a d Re1 2 0 lly
i taun
h nga nyy e m, 1 2ur
0 vei
learning adalah upaya interdisipliner, organisasi harus
lebih dari 3.500 pemimpin bisnis, menemukan bahwa
memetakan keahlian yang diperlukan ke seluruh ilmuwan
kurangnya orang yang terampil dan kesulitan perekrutan
data, spesialis machine learning, pengembang aplikasi, ahli
menduduki puncak daftar tantangan dalam AI, dengan
statistik, dan ahli bidang studi lainnya dalam bisnis.
19 persen responden menyebutnya sebagai hambatan
sinig n.a kUntuk
0 nge m ta
a sise
e k njnga na machine Menyesuaikanpelatihanuntukebutuh
k anspesik:
learning ini diperlukan kombinasi pelatihan dan perekrutan. Jika suatu organisasi sudah memiliki kurikulum pelatihan
Kenyataannya adalah, jumlah ilmuwan data saat ini tidak yang bisa dimanfaatkan, organisasi tersebut harus
cukup untuk memimpin transformasi machine learning berupaya menyesuaikan materinya dengan kebutuhan
yang akan datang. Ini membutuhkan organisasi yang machine learningkhususbisnis.Parapimnanjuga
ingin memanfaatkan machine learning untuk berinvestasi harus menyelidiki layanan AI terlatih yang menyediakan
pertama kali dalam mengembangkan bakat mereka. kecerdasan siap pakai untuk aplikasi dan alur kerja bisnis.
14
Selain pelatihan, Anda juga 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 rF eshwater.
Mewujudkan transformasi seimbang: Setelah proyek uji coba selesai, bisnis dapat
membubarkan tim, menambah teknisi baru untuk membuat tim baru dan menugaskan mereka
dengan proyek baru. Proses ini berlanjut, memungkinkan pengetahuan menyebar secara
seimbang dari anggota tim ev teran 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 mengikis kesenjangan keahlian
machine learning mereka. Sementara perekrutan masih diperlukan, perubahan organisasi, proses, dan
manajemen dapat bermanfaat untuk meningkatkan keahlian bakat demi kesuksesan machine learning.
Pentingug
j untuk
a sti
ame nipm enpaksni
ribp aw h b sla
id tiuntuk
h imah em machine learning,
termasuk hal apa yang mendasari kasus penggunaan yang baik dan cara memahami machine learning.
Tersedia banyak kursus untuk pemimpin bisnis, termasuk Machine Learning Essentials from AWS.
15
Cara Morningstar melakukannya
Perusahanpenelitianinvestasi,Morningsta, r
menggunakan machine learning untuk
mengotomatiskan proses pengumpulan data dan
lua
r e p m e m sumj laup
k a c h nnaaPed .usa
r na h Tantangan DeepRacer memanfaatkan
tersebut melakukannya dengan memanfaatkan antusiasme karyawan kami untuk
prediksi dari model machine learning yang dilatih
machine learning dan kecerdasan
untuk meniru proses evaluasi dana analis Morningstar.
buatan. Hal ini memberikan pelatihan
Untuk melatih karyawannya dan mempercepat langsung di seluruh perusahaan dan
aplikasi machine learning, Morningstar menggunakan mempercepat penerapan praktis
AWS DeepRacer, sebuah alat yang memfasilitasi
machine learning Morningstar di
pelatihan machine learning secara langsung melalui
mobil balap skala 1/18 sepenuhnya otonom yang seluruh produk, layanan, dan proses
didorong pembelajaran penguatan, simulator balap investasi kami. Tanggapan dari tim
3D, dan liga balap global. Lebih dari 445 karyawan kami telah melampaui harapan
Morningstar dari berbagai fungsi dan delapan negara, saya, dan ini merupakan cara yang
termasuk 35 persen dari fungsi teknologinya, telah
menyenangkan untuk menyatukan
terlibat dalam DeepRacer League.7
tim global kami, baik dalam teknologi
Morningstar memiliki puluhan proyek machine atau fungsi lainnya.”
learningpadtahun201.Prekiniyo termasuk
program pembelajaran penguatan (reinforcement James Rhodes, Direktur Teknologi, Morningstar
learning) yang mencari pola dalam pengajuan
peraturandanalgoritmeyangmengidenti0kasi
dan memperbaiki tautan yang rusak ke situs web
lembaga keuangan.
7 https://newsroom.morningstar.com/newsroom/news-archive/press-release-details/2019/Morningstar-Launches- 16
Global-AWS-DeepRaer-Copate
c -Competition-toAc
- ele
c rateAp
- plication--Maof chine-Learningdefault.
/ aspx
5
Menskalakan di luar proyek uji coba
Setelah uji coba pertama berhasil, organisasi harus mengambil langkah berikutnya:
Menskalakan machine learning secara berkelanjutan di seluruh bisnis. Hal ini termasuk
tantangan teknis dan budaya.
Pencapinskalabilitasmengharuskanganior sasimeudahknpengembangnyauntuk
menggunakan machine learning. Building model machine learning sesuai skala dapat menjadi
padat karya dan kompleks, yang dapat memperlambat inovasi.
Ada beberapa cara perusahaan mendekati perubahan budaya yang diperlukan untuk
meningkatkan skala 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.
17
Cara Intuit melakukannya
Dengan Amazon SageMaker, Intuit mengurangi waktu deployment
machine learning hingga 90 persen—dari enam bulan menjadi satu
minggu. Dengan memusatkan inisiatif machine learning-nya, Intuit
mendorong inovasi serta men-deploy AI dan teknik machine learning
dengan cepat dan berskala besar—mencapai nilai bisnis yang melampaui
produk dan layanannya.
Tonton video ›
18
6
Mengukur hasil
Ketika mengukur hasil upaya machine learning, sudut MeskipunmetrikROItradisionalmungkinbukan
pandangeksi
yopr kanROItradisional,dimanaekyopr pendekatan terbaik, dampak bisnis dari inisiatif machine
memiliki titik awal dan akhir, anggaran, dan hasil learning masih dapat diukur, karena tindakan ini hanya
yang ditentukan, bersifat reduktif dan dapat merusak membutuhkan pandangan yang berbeda.
keberhasilan inisiatif. Jika proyek tidak membuahkan
Hasil machine learning dapat diukur melalui sesuatu yang
hasil positif dalam jangka waktu yang diberikan,
menyerupai "pohon nilai", di mana batang utama pohon
bisnis mungkin kehilangan minat dan peluang penting
mewakili "hasil pendapatan" tradisional dan cabang-
sepanjang perjalanan.
cabang yang memanjang dari batang melihat nilai dari
Sebaliknya, para eksekutif dan IT harus mengukur upaya hasil bisnis lainnya.
machine learning berdasarkan arti kesuksesan bagi bisnis
Cabngtertentudaripohnnilainiakngantung
ber
mereka, sehubungan dengan proses yang dioptimalkan.
pada organisasi, industri, dan inisiatif, tetapi mungkin
Selain itu, mereka harus melihat upaya machine learning
hal-hal seperti “waktu yang dihemat melalui proses
sebagai investasi jangka panjang, mengakui bahwa
terotomasi”, “prospek baru, pasar, dan peluang yang
“hasil” yang sebenarnya mungkin tidak terealisasi selama
teridenti0kasipeny, empurnaanlayananpelanggan,
beberapa tahun dan setelah pengulangan yang tidak
dan/atau ”peningkatan penjualan”.
terhitung banyaknya.
Mengukur kesuksesan machine learning melalui model
Saat merencanakan inisiatif machine learning, lebih
yang lebih menyeluruh dan jangka panjang akan
baik untuk melihat proses melalui lensa ketangkasan,
membuat tim Anda fokus pada hasil terbaik untuk masa
keunggulan kompetitif, dan/atau toleransi risiko
depan perusahaan.
dibandinghasilyangdiharpkn.Organisasiakn
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?”
19
Mengambil Personalisasi: Tingkatkan keterlibatan dan
konversi pelanggan dengan menciptakan
Amazon SageMaker: Amazon SageMaker
memungkinkan developer dan ilmuwan data
20
Machine learning Kasus Penggunaan Utama AI: Jelajahi kasus penggunaan utama machine learning untuk
meningkatkan pengalaman pelanggan, mengoptimalkan operasi bisnis, dan mempercepat
dengan AWS,
inovasi. Tidak memerlukan pengalaman machine learning.
• Menambahkan kecerdasan ke pusat kontak • Mengidentifikasi aktivitas penipuan
Alat Pembelajaran: AWS juga menawarkan sejumlah alat dan layanan pembelajaran untuk
membantu organisasi meningkatkan kemampuan machine learning, termasuk:
• AWS DeepRacer
• AWS DeepLens
• Pelatihan dan Sertifikasi Machine Learning
• Amazon Machine Learning Solutions Lab
8 Seperti yang diukur dalam uji tolok ukur e R sNet-50, TensorFlow yang dioptimalkan AWS mencatat a w ktu pelatihan tercepat, lebih dari 50 persen
& MenggunakanTensorFlowyangdioptimalkanAWSmeungkinkane0siensipenskalaanhampirlini,hinger ga&0persendibandingkandengan 21
menggunakan stok TensorFlow sebesar 65 persen
10 d ibanding penyedia lain yang menggunakan instans P3dn
11 m enggunakan instans C5 yang didukung Intel e X on 3,0 GHz dibandingkan instans generasi sebelumnya
Mengatasi tantangan Tantangan Solusi
Mulai ›