Perjalanan machine

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.

Bisnis telah menyadari dampak dari:

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
Discovery, Inc. (Discovery) memiliki ragam konten
menarik bagi basis audiens pelanggan yang luas.
Perusahaniniinginmebantupelangganmenemukan
onte
k nterkurasiyangsesuaidenganminatspesi0k
pelanggan dan beralih ke Amazon Personalize guna
memungkinkan saran konten yang disesuaikan untuk
pengguna platform streaming Discovery+ mereka.
Discovery menggunakan rekomendasi yang didukung
machine learningdariAmonaz Personalie,buk
z an
menawarkan konten umum kepada pelanggan, untuk
menyesuaikan pengalaman pemirsa dan meningkatkan
keseluruhan perjalanan pelanggan.
Menambahkan kapabilitas baru ke
produk yang sudah ada
Machine learning dapat memperkaya produk yang sudah
ada, meningkatkan keterlibatan pelanggan, dan menarik
pengguna baru melalui pengalaman yang lebih dalam.
Misalnya, Livongo adalah platform dan aplikasi seluler
yang bekerja pada perangkat pintar, seperti monitor
glukosa darah yang terhubung, untuk membantu orang-
orangmengelolapermasalahanmedis.Platformini
menggunakan machine learning untuk menerjemahkan
datadaripembcnglukosadarh,ktivitas0sik,dan
pencatatan makanan, selain data ponsel pintar dan
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
memberikan keuntungan
baru (net-new)
Dalam upayanya untuk menciptakan teknologi
pemeliharaan kesehatan yang lebih baik bagi pelanggan,
Cambia menggunakan Amazon Web Services
(AWS), termasuk teknologi machine learning, untuk
mengembangkan Journi, solusi kesehatan lengkap
digital dengan panduan kecerdasan yang didorong data
dan keahlian manusia untuk membantu anggota paket
pertanggungan kesehatan dan keluarga mereka dalam
memaksimalkan manfaat kesehatan mereka.
Tetap relevan
Machine learning bukan lagi suatu pilihan, melainkan
suatu kebutuhan agar tetap relevan dan kompetitif, apa
pun bidang dan domainnya. OnPoint Digital Solutions,
anak perusahaan Koch Engineered Solutions, baru-baru
ini berkolaborasi dengan AWS untuk mengembangkan
platformpengoptimalanose
pr sdas
erc (IPOP).
Platformyangdirancanguntukmeungkinkan
solusiOnPointinimeanfatkaninfrastrukturdigtal
cloud dan edge untuk menyediakan machine learning
canggih dan kemampuan komputasi industri untuk
osi
ek stemterhubungOnPoint.Halinimeungkinkan
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
machine learning
Perjalanan machine learning tidak selalu mulus.
Mencapai kesuksesan dengan machine learning
membutuhkan lebih dari sekadar teknologi hebat—
kita juga perlu memastikan organisasi sudah selaras
dengantujuanyangtepat.Mengidenti0kasidan
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 menerapkan
machine learningdengancarynge0siendan
berkelanjutan.
1
Memperjuangkan budaya machine learning
Menurut Gartner, nilai bisnis global yang berasal dari kecerdasan buatan diproyeksikan
mencapai 3,9 triliun USD pada tahun 2022.5
Mengungkap potensi penuh bisnis machine learning akan membutuhkan perubahan
budaya dalam organisasi tim, tujuan, dan prospek.
Agar machine learning berkembang di seluruh organisasi, tim bisnis maupun tim teknis
harus bekerja sama dan memiliki prioritas yang sama. Untuk mencapai hal ini, sejak
awal, upaya machine learning harus didukung dari tingkat tertinggi, dengan tujuan yang
ditetapkan oleh agen perubahan utama dan investasi dalam teknologi dan proses yang
dapat mewujudkan kesuksesan.
Pentingwamnabh jemnmengambilpandanganberskalaluassambilmengembangkan
inisiatif machine learning.Eksekutifharustegasdalamtujuaneka,te mr tapi1eksibel
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.

Dalam kebanyakan kasus, "Kami tidak berencana untuk melakukannya"

bukanlah jawaban yang dapat diterima. Hal ini memaksa para pemimpin,
“Kami memperkirakan jutaan produk setiap hari di semua situs Amazon
pakar domain, dan pakar teknis untuk berkolaborasi dalam inisiatif machine
kami di seluruh dunia,” kata Jenny Freshwater, direktur prakiraan di Amazon.
learning dan tidak membiarkan apa pun menghentikan kemajuan—bahkan
"Selain itu, tanpa machine learning, kita tidak akan bisa menghasilkan
pada kasus di mana manfaat nyata baru terlihat bertahun-tahun ke depan.
prakiraan tersebut."
Selain mempekerjakan ilmuwan data secara eksternal, Amazon juga
Amazon juga telah mengembangkan teknologi untuk memberi konsumen
menciptakan Machine Learning University, yang melatih setiap pengembangnya
cara yang sama sekali baru untuk berinteraksi dengan teknologi melalui
untuk menggunakan machine learningsele
ar c ti
kef hib Pe. f usa
r na h
Alexa.Perusahaninitelahmengembangkanteknologiteobsa
r ndengan
membangun alat-alat seperti Amazon SageMaker, yang menyederhanakan
penerbangan otonom melalui drone Amonaz PrimeAirdanmenggunakan
proses pembuatan model dan mengurangi hambatan untuk masuk—sehingga
robotika di pusat pemenuhannya agar pengiriman paket ke konsumen
machine learning dapat meningkatkan skala secara lebih efektif.
lebih cepat. Selain itu, Amazon menggunakan machine learning untuk
meminimalkan jumlah kemasan yang harus dibuang oleh pelanggan,
Sekarang, lebih dari 10 tahun kemudian, tidak ada satu departemen pun di
mengurangi berat kemasan keluar mereka sebesar 33 persen, dan
Amazon yang belum tersentuh oleh machine learning. Teknologi personalisasi
menghilangkan 915.000 ton material kemasan di seluruh dunia.
Amazon yang memberikan rekomendasi kepada pelanggan telah meningkat
secarsigni0kansejakmodelpertamanya20tahunsebelumnyadntelah
Untuk mencapai kesuksesan ini, diperlukan investasi besar dalam teknologi,
diterapkan di bidang bisnis lain.
penelitian, dan bakat. Namun, investasi itu akan sia-sia tanpa perubahan
budaya yang mendorong mereka maju melalui banyak kegagalan dan
Perusahantersebutmenggunakan machine learning sepanjang proses
tantangan yang tidak terduga. Setiap organisasi harus memupuk budaya
pemenuhannya dan memanfaatkan sistem prakiraan yang dapat memprediksi
eksperimen dan inovasi yang toleran terhadap kesalahan yang sama ini
permintaan untuk hampir setiap produk dalam persediaan yang sangat besar.
sebelum perjalanan machine learning dapat benar-benar dimulai.
Model prediksi ini memungkinkan Amazon memberikan ekspektasi pelanggan
yang lebih baik tentang kenyamanan, biaya, dan kecepatan pengiriman.

8
2
Menyusun 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 dalam perjalanan dengan dividen
berbayar pada model kami akan mulai ditinggalkan.”
Strategi data yang tepat untuk machine learning harus
bertujuan untuk meruntuhkan isolasi, memungkinkan
tim IT mengakses dan mengumpulkan data yang mereka
butuhkan dengan mudah, cepat, dan aman.
Sementara strategi data modern mengambil banyak
bentuk, dana data menjadi komponen inti yang semakin
poulerdaimoelyangpalinge0sien.Danaudata
menawarknlebihanyeta
ak ngkasandan1eksibilitas
dibanding sistem manajemen data tradisional,
memungkinkan perusahaan untuk mengelola beberapa
tipe data dari berbagai sumber dan untuk menyimpan
data—baik terstruktur maupun tidak terstruktur— dalam
repositori terpusat.
Setelah disimpan, data dapat dianalisis dengan beragam
analitik dan layanan machine learning—lebih cepat dan
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
kelompok di dalam organisasi mengambil manfaat dari
analisis kumpulan data yang konsisten dan mencakup
seluruh bisnis.
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
untuk memprediksi . . . seberapa cepat saluran
konversi harus dijalankan untuk menghindari
sobekan. Dengan mengurangi sobekan pada
kertas, kami telah meningkatkan keuntungan
sebesar jutaan dolar untuk satu
saluran produksi.”
SteveBakala,VPr –IT:Transformasi
Digital,Gegia-Paor ci0
GearPa-C igrco i
melakukannya
Ratusan kertas dan gulungan kertas tisu diproduksi setiap
harifsilitasmanufakturdiGegia-Paor ci0,Amerika
Utara. Jika sering terjadi sobekan atau kerusakan, hal
ini menyebabkan waktu henti mesin kertas dan saluran
onve k rsiyangdaptmerugikanGegia-Paor ci0jutaan
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.
Baca kisah lengkapnya ›
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.

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
pengadopsian?

) Apakah hal ini menyelesaikan masalah bisnis yang sungguh?

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 oleh bisnis tunggal?

6. Dapatkah pada akhirnya hal ini dioperasionalkan?

11
Langkah pertama adalah
mengidentifikasi masalah yang kaya
akan data, tetapi (salah satu) yang
belum bisa Anda selesaikan melalui
metode tradisional,” kata Freshwater.
Dalam perjalanan machine learning yang sukses,
organisasi mendirikan 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
mengidenti0kasidatayangpalingpentingguna
menemukan solusi.
Pendekataninijugapentinguntukmengubah
manajemen—ketika ahli teknis dan domain
berkolaborasi untuk membuat model machine
learning, karyawan akan merasa lebih yakin dalam
mengambil keputusan berdasarkan logika algoritme.
Bersama-sama, tim ini juga harus bekerja melalui
caryngdaptmengukuresuk
k sesan.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,
silakan baca Langkah 6 di eBook ini.
Beberapa organisasi memiliki bakat internal
untukmengidenti0kasimasalahyangpaling
baik diatasi melalui machine learning dan untuk
mengimplementasikan program uji coba yang
sesuai. AWS menawarkan Amazon Machine
Learning Solutions Lab untuk membantu
pelanggan untuk “bekerja surut” dari tantangan
bisnis—kemudian bergerak selangkah demi
selangkah melalui proses pembuatan proyek
machine learning untuk mengatasinya.
12
Cara NFL melakukannya
Selama beberapa dekade, NFL berupaya untuk
memberikan wawasan yang lebih mendalam
tentang para pemain dan timnya guna memenuhi
kebutuhan atas peningkatan keamanan pemain dan
keinginan penggemar terkait data dan statistik.
Untuk mengatasi kebutuhan ini, NFL bekerja
denganAWSuntukmebuatNFLNextGen
Stats (NGS) yang didorong machine learning.
Karena ilmu data dan sepak bola Amerika
adalah disiplin ilmu yang sangat berbeda, NFL
dengan bijak memasukkan ahli teknis dan
domain dalam pembuatan NGS, memastikan
kedua kelompok dapat bekerja bahu-membahu
untukmengidenti0kasidatayangtepatdan
mengembangkan statistik.6
Memanfaatkan tag RFID untuk melacak pergerakan
pemain, NGS menyediakan data lokasi, kecepatan,
dan akselerasi secara waktu nyata untuk setiap
pemain pada setiap permainan di setiap inci
lapangan. Dengan menyimulasikan berbagai situasi
dalam lingkungan permainan, NFL bertujuan untuk
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
NGS juga menggunakan model machine learning
untuk menghitung lebih dari 20 statistik lanjutan
berbeda yang menarik bagi penggemar. Salah satu
nto
o c la
a d nya h a sta
h tistite
c e p x E k Rush
d sd r angi Y
yang dirancang untuk menunjukkan banyaknya
rushing yard yang diharapkan dapat diperoleh oleh
pembawa bola pada carry tertentu berdasarkan lokasi
relatif, kecepatan, serta arah blocker dan defender.
wasa
W nseper tiProbailitasPenyelesaiantidak
akan ada tanpa kemitraan antara para ahli teknis
yang dapat membangun dan melatih model yang
mengolah data yang diperlukan, dan ahli domain
yang memahami data yang diukur untuk membuat
statistik paling menarik.
Kemitraan ini juga membantu untuk membangun
penerimaan NGS, karena penyiar lebih cenderung
mengutip statistik lanjutan yang pembuatannya
melibatkan ahli sepak bola (dan dalam beberapa
kasus, penyiar itu sendiri).
Baca kisah lengkapnya ›
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.

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 bakat ahli
yang telah terlatih.

14
Selain pelatihan, Anda juga perlu menyelaraskan tim agar berhasil
mengatasi masalah machine learning. Hal ini mencakup:

Mempromosikan budaya tim yang diberdayakan: iT m proyek machine learningharus multifungsi,

memiliki ew ew nang untuk melaksanakan tujuan individu, dan kebebasan untuk melakukan
penyebaran silang secara seimbang dengan tim lain ketika muncul tuntutan dan peluang. n
U tuk
memungkinkan kerja tim semacam ini, manajemen perlu menentukan struktur baru, yaitu
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 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.

Banyak organisasi menyelesaikan skalabilitas dengan Amazon SageMaker, solusi ujung-ke-ujung

yang mencakup seluruh alur kerja machine learning untuk membangun, melatih, dan menerapkan
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 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.

“AWS memberikan sebuah platform umum untuk berbagi dan

berkolaborasi data di lingkungan yang aman kepada orang-orang di
dalamIntuit,kataAshokSrivastavaakil
,W PresidenSeniordanKepala
PetugasDatadiIntuit.Misalnya,Amonaz SageMaermbika
platform dan infrastruktur yang diperlukan untuk menerapkan teknologi
AI dan machine learning kami yang canggih.”

Tonton video ›

AWS memberikan sebuah platform umum untuk

berbagi dan berkolaborasi data di lingkungan
yang aman kepada orang-orang di Intuit.”
AshokSrivastavaakil
,W PresidenSeniordanKepalaPetugasData,Intuit

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
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 berdedikasi untuk membekali developer
dengan machine learning dan bekerja tanpa lelah
untuk menyelesaikan tantangan terberat yang
menghalangi tujuan tersebut. Kemampuan AWS
dibangun di atas platform cloud yang paling
komprehensif, dioptimalkan untuk machine
learning dengan komputasi kinerja tinggi, dan
tanpa mengorbankan keamanan dan analitik.
Mari kita jelajahi penawaran machine learning
saat ini dari AWS—dan ketahui bagaimana hal
tersebut dapat membantu kemajuan organisasi
dalam perjalanan mereka.
Pusat kontak cerdas: Tingkatkan pengalaman
layanan pelanggan dan kurangi biaya dengan
mengintegrasikan machine learning ke pusat
kontak Anda.
Personalisasi: Tingkatkan keterlibatan dan
konversi pelanggan dengan menciptakan
Amazon SageMaker: Amazon SageMaker
memungkinkan developer dan ilmuwan data
pengalaman web yang dipersonalisasi—
disesuaikan dengan preferensi dan perilaku
untuk membangun, melatih, dan men-deploy
model machine learning dengan cepat dan mudah
pelanggan individu di seluruh saluran.
sehingga menyederhanakan skalabilitas di seluruh
bisnis. Amazon SageMaker menghilangkan
Pemrosesan dokumen cerdas: Ekstrak teks dan kerumitan yang menghalangi keberhasilan
data secara instan dari semua dokumen, seperti
pengajuan pinjaman dan formulir medis, tanpa
implementasi machine learning di berbagai kasus
penggunaan dan industri—dari menjalankan
upaya manual. model untuk deteksi penipuan secara langsung,
hingga menganalisis dampak biologis dari
Pencarian cerdas: Tingkatkan produktivitas
obat-obatanpotensialhinggamengidenti0kasi
bisnis dan kepuasan pelanggan dengan
pengemudi terbaik di F1.
memberikan informasi yang akurat dan berguna
lebih cepat dari sumber informasi yang terisolasi
dan tidak terstruktur di seluruh organisasi.
Deteksi penipuan: Tingkatkano0ta
pr bilitas
dengan mengotomatiskan deteksi aktivitas online
yang berpotensi penipuan, seperti penipuan
pembayaran dan akun palsu, menggunakan
machine learning dan data unik milik Anda.
Kecerdasan media: Maksimalkan nilai konten
media dengan menambahkan machine learning
ke alur kerja media seperti penelusuran dan
penemuan, pelokalan konten, kepatuhan,
monetisasi, dan banyak lagi.
Analisis metrik bisnis: Secara akurat
memprediksi perkiraan permintaan dan
menyederhanakan keputusan penawaran-
permintaan untuk menggabungkan data deret
waktu historis dengan variabel tambahan seperti
0turoduk
pr ga,dnhr harilibur.
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

tinjauan statistik • Mempersonalisasikan rekomendasi

pelanggan
online
• Menganalisis konten media dan
• Mengotomatiskan ekstraksi dan analisis data menemukan wawasan baru
• Menemukan informasi akurat lebih cepat • Meningkatkan prakiraan dan operasi
Solusi machine learning AWS: dengan pencarian cerdas bisnis

Kerangka Kerja Machine Learning: PelangganAWSdaptmeilihdariTensorFlo, w

Mengurangi waktu pelatihan sebesar 50%⁸ PyToch,Ap
r acheMXNet,danerangk erjapoule
k rlainnyauntukeksp
br erimndengan
Memberikan90%si
0e nsi
e nsk
ep la
a n⁹
a dan menyesuaikan algoritme machine learning. Mereka dapat menggunakan kerangka kerja
sesuai pilihan sebagai pengalaman terkelola mereka di Amazon SageMaker atau dapat
Memberikan throughput jaringan 3x lebih cepat10 menggunakan AWS Deep Learning AMI(Amonaz MachineImages),yangon0dik gurasi
penuh dengan versi terbaru kerangka kerja dan alat pembelajaran mendalam (DL) yang
Meningkatkan harga dan performa sebesar 25%11
palingpoule.Per langganAWSjugamendaptmanfatdaribegopsiomputa
k si
91%PyTosi
abre hc r s cloud berjalan di AWS canggih, mulai dari GPU untuk deep learning padat komputasi hingga FPGA untuk
akselerasi perangkat keras sampai instans bermemori tinggi untuk menjalankan
92% TensorFlow berbasis cloud berjalan di AWS
inferensi.Amonaz C2menyE ediaknberagiplihanjenisinstansyangdioptimalkanagr
sesuai dengan kasus penggunaan machine learning, terlepas dari apakah pelanggan melatih
model atau menjalankan inferensi pada model terlatih.

Dukungan Implementasi: Amazon Machine Learning Solutions Lab menghubungkan tim

Anda dengan ahli machine learninguntukntu abme ngem nti
edi si
ak0 nad ngabme un
solusi machine learning guna mengatasi peluang machine learning yang menghasilkan
laba atas investasi tertinggi bagi organisasi Anda. Kami juga menawarkan pelatihan untuk
meningkatkan tingkat keahlian machine learning di tim Anda, termasuk pelatihan developer,
pelatihan pemimpin bisnis, dan acara langsung melalui Machine Learning Embark Program.

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

Mengatasi tantangan Keputusasaan Mengembangkan budaya toleran terhadap

terbesar machine akibat kegagalan kesalahan

learning Data yang terisolir

dan belum diproses
Membuat strategi data yang menyertakan danau data

Sebagian besar organisasi telah melakukan investasi dalam

Menemukan Membangun tim campuran yang menyertakan ahli
machine learning dan berada pada tahap tertentu dalam
masalah bisnis teknis dan domain
perjalanannya. Namun, banyak yang hanya menganggapnya
yang tepat
sebagai solusi sementara dalam prosesnya karena khawatir
bahwa biaya dan kerumitan akan tumbuh terlalu tinggi
selagi mereka berkembang. Kesenjangan Mengadopsimodelganior sasiose
,pr s,dan0loso0
keterampilan manajemen tim baru
Dalam eBook ini, kami telah menjelajahi langkah-langkah machine learning
maju dan mewujudkan kekuatan penuh machine learning.
Untuk merangkum, mari kita lihat tantangan terbesar Menskalakan Memanfaatkan alat end-to-end seperti Amazon
yangkamidenti0kasi—dengandeskripsisingkattentang di luar proyek SageMaker untuk menyederhanakan pengembangan
bagaimana organisasi dapat mengatasinya. uji coba secara machine learning
berkelanjutan
Untuk mempelajari lebih lanjut
tentang bagaimana organisasi Mengukur hasil MeninggalkanmetrikROItradisionaldalamhal
ketangkasan, keunggulan kompetitif, dan toleransi
dapat mengatasi hambatan dan risiko; menggunakan model pohon nilai
mempercepat perjalanan machine
learning mereka, kunjungi pusat
sumber daya machine learning AWS.

Mulai ›

©️202,Amonaz ebSeW r vies,

c Inc.ataua0liasinya.Semuahakdilindungiundang-undang.