Sukses Dengan AI

Sukses
dengan AI
Cara agar AI bekerja
untuk bisnis Anda
Intisari Penting
Veljko Krunic
Sukses dengan AI
Sukses dengan AI
CARA MEMBUAT AI BEKERJA UNTUK BISNIS ANDA
Kutipan Penting
VELJKO KRUNIC
MANNING
SHELTER ISLAND
Untuk informasi dan pemesanan online buku ini dan buku Manning lainnya, silakan kunjungi
www.manning.com. Penerbit menawarkan diskon untuk buku ini ketika memesan dalam jumlah tertentu.
Untuk informasi lebih lanjut, silakan hubungi
Special Sales Department

Manning Publications Co.
20 Baldwin Road
PO Box 761
Shelter Island, NY 11964
Email: orders@manning.com
© 2020 oleh Manning Publications Co. Semua hak dilindungi.
Bagian mana pun dari publikasi ini tidak boleh digandakan, disimpan dalam sistem pencarian, atau dikirimkan,
dalam format apa pun atau dengan cara elektronik, mekanik, fotokopi, atau sebaliknya, tanpa izin tertulis sebelumnya
dari penerbit.
Banyak sebutan yang digunakan oleh produsen dan penjual untuk membedakan produk mereka yang
diklaim sebagai merek dagang. Sebutan tersebut muncul dalam buku ini, dan Manning Publications menghormati
tentang klaim merek dagang, sehingga sebutan tersebut dicetak dalam huruf besar di awal atau semua dalam
huruf besar.
Menyadari pentingnya menjaga apa yang telah ditulis, Manning memiliki menetapkan untuk mencetak buku yang
kami terbitkan pada kertas bebas asam, dan kami telah berusaha semaksimal mungkin. Menyadari juga tanggung
jawab kita untuk melestarikan sumber daya planet kita, buku Manning dicetak di atas kertas yang setidaknya 15 persen
hasil ulang dan diproses tanpa menggunakan unsur klorin.
Manning Publications Co. Editor akuisisi: Mike Stephens

20 Baldwin Road Editor pengembangan: Marina Michaels dan Jennifer
PO Box 761 Stout
Shelter Island, NY 11964 Editor pengembangan teknis: Al Krinker
Editor ulasan: Ivan Martinović
Editor produksi: Anthony Calcara
Editor naskah: Carl Quesnel
Editor ESL: Frances Buran
Korektor: Keri Hales
Penata cetak dan perancang sampul: Marija Tudor
Baik Manning maupun Penulis tidak memberikan jaminan apa pun terkait kelengkapan, akurasi, ketepatan waktu,
atau kesesuaian penggunaan lainnya maupun hasil yang diperoleh dari penggunaan isi dalam buku ini dan tidak
bertanggung jawab atas keputusan atau tindakan yang diambil karena mengandalkan informasi dalam buku ini
maupun atas kerugian apa pun yang diakibatkan oleh karya ini atau penerapannya.
ISBN 9781633437524
Dicetak di Amerika Serikat
daftar isi singkat
2 ■ Cara menggunakan AI di bisnis Anda 1
3 ■ Memilih proyek AI pertama Anda 28
6 ■ Menganalisis alur ML 57
7 ■ Memandu proyek AI menuju keberhasilan 87
Buku lengkap tersedia di tautan ini.
v
daftar isi
tentang penulis x
2 Cara menggunakan AI dalam bisnis Anda

2.1 Apa yang perlu Anda ketahui tentang AI?
1
2
2.2 Bagaimana AI digunakan? 4
2.3 Apa yang baru dengan AI? 6
2.4 Menghasilkan uang dengan AI 8
AI diterapkan pada diagnosis medis 9 ■
Prinsip umum untuk
memonetisasi AI 11
2.5 Menemukan tindakan domain 13
AI sebagai bagian dari sistem pendukung keputusan 14 AI ■
sebagai bagian dari produk yang lebih besar 15 Menggunakan AI

■
untuk mengotomatisasi bagian dari proses bisnis 17 AI sebagai ■
produk 18
2.6 Ikhtisar kemampuan AI 20
2.7 Memperkenalkan unicorn 22
Unicorn ilmu data 22 Bagaimana dengan rekayasawan data?
■
23
Jadi, di mana unicorn-nya? 24
2.8 Latihan 25
Pertanyaan jawaban singkat 26 ■
Pertanyaan berbasis skenario 26
vii
viii DAFTAR ISI
3 Memilih proyek AI pertama Anda

3.1 Memilih proyek yang tepat untuk tim AI pemula
28
29
Wujud keberhasilan 29 ■
Wujud kegagalan 32
3.2 Membuat prioritas proyek AI 34
React: Mencari pertanyaan bisnis untuk dijawab oleh AI 35 Sense/
Analyze: Data dan metode AI 38 Mengukur keberhasilan proyek AI
■
dengan metrik bisnis 40 Memperkirakan kesulitan proyek AI

■
43
3.3 Proyek pertama dan pertanyaan penelitian pertama Anda 44
Menentukan pertanyaan penelitian 45 ■
Jika Anda gagal, tangani
kegagalan dengan cepat 49
3.4 Perangkap yang harus dihindari 49
Gagal membangun hubungan dengan tim bisnis 50
Menggunakan transplantasi 50 Mencoba misi besar tanpa sarana
■
memadai 51 Intinya adalah menggunakan alat mutakhir untuk melihat

■
lautan data 52 Menggunakan firasat, bukan CLUE

■
53
3.5 Latihan 55
6 Menganalisis alur ML 57
6.1 Alasan analisis alur ML penting untuk Anda 58

6.2 Economizing resources (Menghemat sumber daya):
Bagian E dari CLUE 60
6.3 Analisis MinMax: Apakah Anda memiliki alur
ML yang tepat? 62
6.4 Cara menafsirkan hasil analisis MinMax 64
Skenario: Alur ML untuk mesin parkir pintar 64
Bagaimana jika alur ML Anda memerlukan perbaikan? 68 ■
Aturan
untuk menafsirkan hasil analisis MinMax 69
6.5 Cara melakukan analisis alur ML 69
Melakukan analisis Min dari analisis MinMax 71 Melakukan ■
analisis Max dari analisis MinMax 71 Penghitungan dan ■
faktor-faktor keselamatan dalam analisis MinMax 74 Kategori ■
kurva laba 76
Mengatasi kurva laba yang kompleks 79
6.6 Pertanyaan umum tentang analisis MinMax 81
Haruskah MinMax menjadi analisis pertama alur ML? 82
Analisis mana yang harus Anda lakukan terlebih dahulu? Min atau
Max? 82 Haruskah perusahaan kecil atau tim kecil melewatkan
■
analisis MinMax? 83 Mengapa Anda menggunakan istilah

■
analisis MinMax? 83
6.7 Latihan 84
DAFTAR ISI ix
7 Memandu proyek AI menuju keberhasilan

7.1 Memperbaiki alur ML dengan analisis sensitivitas
87
88
Melakukan analisis sensitivitas lokal 89 Analisis sensitivitas
■
global 92 Contoh penggunaan hasil analisis sensitivitas

■
93
7.2 Kami telah menyelesaikan CLUE 94
7.3 Metode lanjutan untuk analisis sensitivitas 97
Apakah analisis sensitivitas lokal sesuai untuk alur
ML Anda? 98 Cara menangani interaksi antara tahap-
■
tahap alur ML 101 Haruskah saya menggunakan desain

■
eksperimen? 102 Salah satu penolakan yang mungkin

■
Anda jumpai 103 Cara menganalisis tahap yang

■
memproduksi data 106 Jenis analisis sensitivitas apa yang

■
berlaku untuk proyek saya? 106

7.4 Bagaimana proyek AI Anda berkembang seiring waktu 108
Waktu memengaruhi hasil bisnis Anda 108 Meningkatkan alur ML
■
seiring waktu 109 Diagram waktu: Bagaimana nilai bisnis berubah

■
seiring waktu 110

7.5 Menutup proyek AI Anda 112
7.6 Latihan 114

Hadirkan hasil-hasil kritis
dan tingkatkan pengalaman
pelanggan dengan Azure AI
sekarang juga.
Azure AI menawarkan solusi AI untuk
bisnis yang dirancang untuk kinerja dan
keselamatan. Terapkan kecerdasan buatan di
cloud, hybrid, atau dalam kontainer dengan
opsi-opsi harga yang fleksibel. Sesuaikan
atau kembangkan model pembelajaran
mesin dan coba produk di Studio demo.
Manfaatkan Azure AI untuk menciptakan
pengalaman yang dapat diskalakan dan
mudah diakses.
Mulai rencanakan strategi Anda dengan Azure AI

tentang penulis
VELJKO KRUNIC adalah konsultan dan pelatih independen dengan keahlian
ilmu data, big data, dan membantu kliennya untuk mendapatkan hasil bisnis
dari AI.
Ia memiliki gelar PhD dalam ilmu komputer dari University of Colorado
di Boulder dan MS tambahan dalam bidang manajemen teknik dari lembaga
yang sama. Gelar MS beliau di bidang manajemen teknik berfokus pada
statistik terapan, perencanaan strategis, dan penggunaan metode statistik
lanjutan untuk meningkatkan efisiensi organisasi. Ia juga seorang Six Sigma Master Black Belt.
Veljko telah menjadi konsultan atau mengajar kursus untuk lima perusahaan Fortune 10
(sesuai daftar September 2019), banyak perusahaan Fortune 500, dan sejumlah perusahaan kecil,
dalam bidang komputasi perusahaan, ilmu data, AI, dan big data. Sebelum menjadi konsultan
independen, ia bekerja di organisasi layanan profesional (PSO) Hortonworks, divisi SpringSource
VMware, dan divisi JBoss Red Hat. Dalam posisi-posisi tersebut, ia adalah konsultan teknis utama
pada proyek-proyek besar untuk klien-klien utama dari semua PSO tersebut.
x
prakata
Halo, nama saya Jessica Hawk, Wakil Presiden Korporat Data dan AI di Microsoft Azure.
Terima kasih telah mengunduh edisi khusus "Sukses dengan AI: Cara agar AI bekerja untuk
bisnis Anda" ini. Dalam buku ini, konsultan AI dan visioner Veljko Krunic membagikan
proses terujinya untuk merencanakan dan menjalankan proyek AI yang andal dan hemat
biaya serta mewujudkan hasil bisnis yang nyata. Berdasarkan pengalamannya bekerja dengan
puluhan perusahaan rintisan, bisnis mapan, dan raksasa Fortune 500, panduan praktis ini
mengungkapkan rahasia untuk memaksimalkan laba atas investasi waktu para pengembang
dan ilmuwan data serta menerapkan metrik efektivitas untuk menjaga proyek tetap berjalan
dan tahan terhadap kerapuhan.
Sebagai pengambil keputusan teknis atau bisnis, Anda memainkan peran penting
dalam mengadopsi dan menerapkan AI di organisasi Anda. Azure AI, platform kelas dunia
untuk perusahaan dari Microsoft, digunakan dalam berbagai cara untuk meningkatkan
pengalaman bagi karyawan, pengguna, dan pelanggan. Kemampuan kami didukung oleh
penelitian Microsoft dan diuji pada skala besar dalam aplikasi-aplikasi kami, termasuk
transkripsi suara dan teks dalam Teams, pembuatan konten dan desain dalam PowerPoint,
deteksi biometrik dan verifikasi identitas di Windows Hello, rekomendasi yang dipersonalisasi
di Xbox, pengalaman pembacaan dan penulisan konten di Edge dan M365, konversi teks
ke suara dan suara ke teks di Office, terjemahan bahasa real-time di Skype, dan deteksi serta
terjemahan bahasa di Outlook. Kami juga gembira dengan layanan OpenAi Azure baru
kami yang dilengkapi dengan ChatGPT perusahaan.
Azure AI menawarkan cara yang lebih mudah untuk mengakses kemampuan AI
yang dibuat secara bertanggung jawab tanpa memerlukan keterampilan ilmu data dan
keterampilan pengembangan yang ekstensif. Dengan Azure AI, Anda dapat menyebarkan
kecerdasan buatan di cloud, hybrid, atau dalam kontainer, serta mengakses berbagai layanan
siap pakai dan dapat disesuaikan untuk memenuhi kebutuhan bisnis Anda. Dalam beberapa
tahun terakhir, kami terinspirasi oleh cara pelanggan kami mencapai kesuksesan dengan AI
untuk berbagai kasus penggunaan. Beberapa sorotan:
xii
xiii prakata
¡ Menggunakan Azure OpenAI Service, CarMax telah menyederhanakan pembuatan

ringkasan teks untuk halaman penelitian mobilnya, dengan cepat membekali
pelanggan dengan konten bermakna yang juga meningkatkan peringkat mesin
pencarian halaman. Target awal perusahaan adalah ringkasan ulasan pelanggan
untuk 5.000 halaman mobil. Dengan proses manual yang ada, upaya akan
memerlukan pembuatan konten selama sekitar 11 tahun. Dengan OpenAI Service,
CarMax mencapai target ini hanya dalam beberapa bulan.
¡ Fujitsu meningkatkan kinerja dan akurasi solusi pemindaian cloud-nya dengan
menggabungkan Azure Form Recognizer, yang meningkatkan tingkat pengenalan
karakter untuk teks tulisan tangan hingga 99,9%
¡ Ecolab menggunakan Azure Bot Service, Language Understanding (LUIS), Azure
Cognitive Search, dan QnA Maker untuk membangun agen virtual cerdas untuk
dukungan digital, menghasilkan penurunan volume panggilan dari lapangan
sebesar 12%
¡ KPMG menggunakan Azure Cognitive Services untuk mempersingkat waktu
identifikasi risiko kepatuhan dalam panggilan pusat kontak dari 14 minggu menjadi
2 jam
¡ Volkswagen Group menggunakan Azure Translator and Cognitive Services for
Language untuk menerjemahkan rata-rata 325 dokumen per hari, dari file 1 halaman
hingga buku 1 juta karakter, tanpa perlu peninjauan manual
¡ Twitter menggunakan Coginitive Services dan layanan konversi Suara ke Teks
untuk memunculkan teks percakapan langsung untuk aksesibilitas di Spaces dan
menjangkau khalayak yang lebih luas
Selain memberikan solusi AI berkualitas terbaik, Azure AI berkomitmen untuk ketepercayaan,
keandalan, dan aksesibilitas. Kami memahami pentingnya privasi dan keamanan data,
dan kami bekerja keras untuk memastikan produk dan layanan kami memenuhi standar
tertinggi dalam hal ini.
Setelah membaca buku Krunic, kami mengundang Anda untuk menjelajahi Azure AI
dan melihat bagaimana Azure AI dapat membantu Anda mencapai hasil-hasil kritis dan
meningkatkan pengalaman pelanggan. Baik Anda ingin merencanakan strategi AI dan ML
dengan spesialis, mencari tahu apa yang dapat dilakukan Azure AI untuk bisnis Anda, atau
melatih tim Anda di bidang AI, kami memiliki sumber daya yang Anda butuhkan untuk
memulai. Mulai perjalanan Anda dengan Azure AI di aka.ms/azureai.
—Jessica Hawk, Wakil Presiden Perusahaan, Data dan AI

Cara menggunakan
AI di bisnis Anda
Bab ini membahas

¡ Hal-hal yang harus diketahui oleh para pemimpin
proyek tentang AI
 Menemukan masalah bisnis yang dapat ditangani
dengan penggunaan AI
 Mencocokkan kemampuan AI dengan masalah bisnis
yang sedang Anda atasi
 Menemukan celah antara keterampilan yang dimiliki tim
ilmu data dan yang diperlukan oleh proyek AI Anda
Anda dapat menghabiskan waktu bertahun-tahun belajar tentang AI, tetapi karena pesatnya
perkembangan bidang ini, ilmuwan data yang sangat mahir pun harus menghabiskan
waktu yang sangat panjang untuk melakukan pembelajaran tanpa henti. Pasar buku
dan makalah AI didominasi oleh informasi teknis tentang AI. Dengan pengetahuan yang
berlimpah ini, sulit untuk memilah antara apa yang perlu Anda ketahui untuk mengelola AI
dan pengetahuan yang perlu dimiliki jika Anda seorang teknisi yang sedang membangun
sistem AI.
1
2 BAB 2 Cara menggunakan AI di bisnis Anda
Bab ini membahas aspek AI dan ML yang perlu dipahami untuk memimpin proyek AI. Bab
ini juga mengajarkan kepada Anda cara menemukan masalah bisnis yang dapat ditangani dengan
penerapan AI. Bab ini memberikan contoh-contoh cara menjadikan wawasan AI dapat ditindaklanjuti
dengan menghubungkan kemampuan AI dengan tindakan bisnis yang pasti dapat Anda lakukan.
Saya telah memilih contoh-contoh yang diberikan di bab ini serta bab-bab selanjutnya
dari berbagai domain bisnis. Ada kemungkinan beberapa contoh berasal dari domain bisnis
yang asing bagi Anda. Ini adalah kesempatan yang bagus untuk mempraktikkan salah satu
keterampilan utama untuk berhasil menerapkan AI: menyesuaikan kemampuan AI dengan
situasi bisnis yang Anda jumpai pertama kali.
2.1 Apa yang perlu Anda ketahui tentang AI?

Proyek AI sangatlah kompleks, menggabungkan bisnis, ilmu komputer, matematika, statistik,
dan pembelajaran mesin. Bagian ini menjelaskan mengapa pengetahuan teknis tentang AI
bukanlah pengetahuan utama yang diperlukan untuk mengelola proyek AI. Jika Anda seorang
pemimpin proyek AI yang tidak memiliki latar belakang analisis, wajar jika Anda merasa perlu
untuk memahami semua konsep tersebut agar dapat mengambil keputusan terbaik.
Situasinya bahkan bisa jadi lebih buruk: tidak hanya ilmuwan data membahas konsep yang
asing bagi Anda, konsep tersebut juga bisa jadi tampak seperti sesuatu yang harus Anda ketahui
tetapi tidak dapat Anda ingat sepenuhnya. Jargon yang mereka gunakan sering kali berakar
dari (atau berhubungan dengan) istilah-istilah statistik. Anda mungkin pernah satu atau dua
kali mengikuti kelas statistik selama program MBA Anda, dan Anda mungkin tidak benar-
benar memperhatikan semua topik yang dibahas. Jangan khawatir. Keputusan terpenting
untuk keberhasilan proyek tidak memerlukan atau bahkan tidak selalu diuntungkan dengan
pengetahuan statistik yang luas atau detail tentang algoritme AI.
Yang perlu Anda ketahui untuk mengelola proyek AI sama saja dengan proyek lainnya: cara
menentukan metrik dan proses yang memungkinkan Anda memahami dan memantau arah serta
keberhasilan proyek dengan benar. Setelah Anda memahami hal tersebut, mengelola proyek AI
tidak jauh berbeda dengan menjalankan proyek yang pernah Anda pimpin sebelumnya.
Mengelola proyek AI adalah penerapan ilmu manajemen seperti biasa

Meminjam analogi dari domain populer, jika Anda mengelola sebuah pabrik, Anda tidak akan
berpikir bahwa Anda perlu menjadi pekerja yang sama baiknya dengan mandor Anda yang
menjalankannya. Dalam hal ini, bisa dijamin bahwa beberapa pejabat eksekutif yang berhasil
mengelola pabrik tidak pintar dalam hal teknis.
Prinsip yang sama berlaku untuk proyek IT. Apakah Anda benar-benar perlu mengetahui database
Anda sebaik administrator database (DBA) Anda? Apakah Anda merasa perlu menjadi DBA untuk
mengelola proyek database?a Anda mengelola proyek database dengan memisahkan aspek
bisnis dan arsitektur proyek tersebut dari keterampilan yang diperlukan untuk memelihara sistem
RDBMS.
a
eandainya ada orang yang ingin mendebat bahwa AI bukanlah pabrik, memang bukan, tetapi keduanya juga bukan
S
proyek database. Kami telah mempelajari cara mengelola proyek database tanpa mengharuskan pejabat eksekutif
untuk menjadi DBA. Manajemen sebagai sebuah profesi didasarkan pada beberapa prinsip universal untuk menjalankan
organisasi dan proyek, dan set pengetahuan tersebut juga berlaku untuk AI.
Apa yang perlu Anda ketahui tentang AI? 3
(lanjutan)
Seperti halnya seorang manajer pabrik yang diuntungkan dengan pengetahuan tentang cara
kerja pabrik, memiliki pengetahuan teknis tentang AI tidak ada salahnya bagi pemimpin proyek.
Namun, manajer pabrik tidak dapat berfokus pada detail tugas mandor mereka dan menggantikan
pengetahuan tentang cara mengelola pabrik serta kemampuan untuk mengelolanya secara aktif.
Demikian pula, pemimpin proyek AI harus fokus pada pertimbangan manajemen.
Namun, sering kali muncul perasaan bahwa mengelola proyek AI memerlukan fokus besar
pada detail tentang cara kerja AI secara internal, sementara fokus tersebut tidak diperlukan
saat mengelola pabrik atau proyek database. Pernyataan ini tidak sepenuhnya benar karena AI
berbeda dari bidang lain, tetapi hanya karena AI adalah bidang yang jauh lebih muda.b Dalam hal
pabrik, kita sudah bisa mengembangkan teori manajemen untuk memahami bahwa pengetahuan
manajemen tidaklah sama dengan pengetahuan tingkat domain tentang manufaktur. Dengan
lebih banyak waktu yang sudah berjalan, kita mampu membangun metode dan sistem yang
memungkinkan kita untuk memilah-milah set keterampilan: yang diperlukan untuk menjalankan
pabrik dibandingkan dengan yang diperlukan untuk membangun produk. Tujuan dari buku ini
adalah untuk membantu Anda melakukan hal yang sama dengan AI.
b

Ya, menemukan ilmuwan data yang baik memang sulit, dan saat ini, mereka langka. Dewasa ini, beberapa dari mereka
mungkin keberatan jika dibandingkan dengan mandor. Tetapi apakah menurut Anda mandor sif untuk rel kereta api
adalah set keterampilan umum di masa-masa awal pembangunan rel? Atau bahwa set keterampilan DBA adalah hal
umum ketika database diperkenalkan? Itulah maksud saya ketika saya mengatakan bahwa AI adalah profesi muda.
Sebagian besar konsep AI yang relevan untuk mengambil keputusan eksekutif dapat dijelaskan
kepada orang-orang bisnis dalam istilah-istilah bisnis. Idealnya, ilmuwan data Anda seharusnya
mampu melakukannya. Jika mereka tidak dapat melakukannya, Anda harus melengkapi tim
proyek Anda dengan orang-orang yang memiliki keahlian baik dalam hal AI maupun bisnis untuk
membantu komunikasi.
CATATAN Jika Anda merasa bahwa Anda perlu lebih memahami analitik untuk mengambil
keputusan bisnis, yang Anda miliki bukanlah kekurangan pengetahuan melainkan
masalah komunikasi.
Yang perlu Anda ketahui untuk mengelola proyek AI adalah bagaimana mengaitkan konsep AI
dengan bisnis. Yaitu, Anda perlu dapat menjawab pertanyaan berikut:
 Apa yang dapat dilakukan AI, dan bagaimana cara menggunakannya dalam bisnis saya?
 Apa jenis proyek AI yang sebaiknya saya mulai pertama kali?
 Bagaimana saya akan mengukur seberapa sukses AI dalam membantu bisnis saya?
 Bagaimana seharusnya saya mengelola proyek AI?
 Sumber daya apa saja yang langka, dan bagaimana cara terbaik menugaskannya?
Bagian lain dari buku ini menunjukkan kepada Anda cara mengatur proyek ilmu data sedemikian
rupa sehingga Anda dapat menerapkan keterampilan manajemen yang sudah Anda miliki dengan
minim modifikasi untuk menjalankan proyek AI.
2.2 Bagaimana AI digunakan?

Anda menghasilkan uang ketika melakukan tindakan bisnis yang tepat. Hal ini membawa kita kepada
peran yang dimainkan AI ke dalam sistem apa pun yang digunakannya — AI mengarahkan Anda
terkait tindakan mana yang harus diambil. Bagian ini menjelaskan bagaimana AI melakukannya.
Meskipun AI, ML, dan ilmu data dianggap sebagai hal baru, peran yang dimainkan ketiganya
dalam menyukseskan bisnis tidaklah baru. Ada beberapa profesi yang dalam riwayatnya pernah
menggunakan analisis data dalam bentuk tertentu untuk menghasilkan uang. Contoh profesi
tersebut antara lain adalah aktuaris dan analis kuantitatif. Para pakar dalam penerapan metode
statistik untuk memproses rekayasa dan ilmu peningkatan kualitas juga memiliki riwayat panjang
penggunaan analitik data untuk meningkatkan hasil bisnis. AI tidak mengubah hubungan antara
analisis dan bisnis, tetapi hanya mengubah metode untuk melakukan analisis dan kemampuan
(serta biaya) analisis. Terdapat kesamaan besar antara kecocokan AI dengan bisnis saat ini (dan
di masa depan) dan penggunaan analisis data dalam bisnis secara tradisional.
Untuk memahami cara mengidentifikasi peluang penerapan AI ke suatu masalah bisnis,
terlebih dahulu Anda perlu memahami seperti apa gambaran umum penerapan AI yang sukses
ke suatu masalah bisnis. Dalam masalah apa pun di mana data digunakan sebagai landasan
tindakan lebih lanjut, terdapat pola umum yang menjelaskan proses tersebut. Kita mengumpulkan
data, menganalisisnya, kemudian bereaksi terhadapnya. Ini hanyalah loop kontrol yang sudah
lama ada, dan penting untuk memahami unsur-unsur dari loop ini. AI hanya menambahkan
kemampuan baru di bagian analitik dari loop tersebut. Gambar 2.1 menunjukkan interaksi
unsur-unsur ini.
Gambar 2.1 Loop Sense/

Analyze/React. Setiap proyek
analisis yang sukses harus
memiliki ketiga unsur loop ini.
Unsur-unsur pada gambar 2.1 adalah sebagai berikut:

Sense (Memahami)—Bagian sensor dari loop adalah tempat Anda mendapatkan data

yang dicari oleh analisis. Untuk sebagian besar sistem perusahaan pada era sebelum big
data, data berada di database yang terpisah-pisah. Untuk sistem big data, menjadi hal
umum untuk menyimpan data di danau data.
Bagaimana AI digunakan? 5
Analyze—(Menganalisis) Ini adalah kotak tempat Anda menerapkan AI ke dataset Anda.


Sebelum AI, kita menggunakan algoritme yang lebih sederhana (misalnya, pengontrol
PID [34]) atau intervensi manusia (misalnya, persetujuan pinjaman manual dalam
konteks bank). Meskipun pengenalan AI untuk membantu analisis dianggap sebagai
pengembangan yang masih baru, faktanya tidak begitu—penelitian AI sudah dimulai
pada tahun 1956 [35]. Kita telah menggunakan sistem terkomputerisasi untuk melakukan
analisis selama beberapa dekade. Yang membedakan adalah saat ini, dengan teknik AI
modern, analisis terkomputerisasi menjadi jauh lebih kuat!
 React—(Bereaksi) Reaktor/pemberi efek adalah bagian yang bertanggung jawab atas
tindakan di dunia nyata. Reaksi tersebut dapat dilakukan oleh manusia atau mesin.
Contoh reaksi manual mencakup banyak skenario dukungan keputusan di mana
keputusan manajemen diambil berdasarkan hasil analisis. Contoh reaksi otomatis antara
lain adalah sistem robotika, termometer pintar [36, 37], dan kendaraan otomatis [38].
Kecepatan penutupan loop adalah waktu antara saat peristiwa tertentu terjadi dan waktu ketika
reaksi dilakukan. Seberapa cepat loop ditutup tergantung pada domainnya. Dalam sistem
perdagangan berfrekuensi tinggi, mungkin ada persyaratan yang kuat untuk menyelesaikan
loop dengan kecepatan maksimal. Dalam situasi lain (misalnya, jika Anda sedang melakukan
analisis data dalam konteks penelitian arkeologi), persyaratan waktu mungkin jauh lebih
longgar. Terkadang, kemampuan untuk menjamin bahwa Anda akan memenuhi tenggat juga
sangat penting; kendaraan otonom mungkin mengharuskan analisis AI Anda tidak pernah
melebihi waktu yang ditentukan.
CATATAN Kecepatan penutupan loop juga tergantung pada seberapa sering data
dimasukkan ke dalam sistem. Terkadang diperbolehkan data diserap secara berkala
ke dalam sistem Anda. Untuk kasus-kasus lain, data harus dianalisis secara real-time
begitu data memasuki sistem. (Ini disebut streaming analytics.)
Pertimbangan penting dalam penerapan loop Sense/Analyze/React adalah pertanyaan tentang

siapa atau apa yang bereaksi. Bisa jadi yang memberi reaksi adalah sistem itu sendiri dengan mode
otomatis tertentu. (Itulah yang dilakukan oleh mobil otomatis [38].) Atau, berdasarkan hasil
analisis, bisa jadi manusialah yang memberikan reaksi. Kasus yang terakhir ini jauh lebih umum
saat ini dalam penggunaan ilmu data di perusahaan.
Loop Sense/Analyze/React dapat diterapkan secara luas

Loop Sense/Analyze/React dapat diterapkan di berbagai skala. Loop ini dapat diterapkan pada
tingkat perangkat tunggal (seperti dalam kasus termometer pintar seperti Nest [36] dan ecobee
[37]), proses bisnis, multidepartemen, seluruh perusahaan, kota pintar, atau area geografis yang
lebih luas. Saya yakin loop pola Sense/Analyze/React, di masa depan, akan diterapkan ke tingkat
masyarakat secara keseluruhan, dalam sistem-sistem seperti pemulihan bencana dan pelacakan
serta pencegahan epidemi.
Pola Sense/Analyze/React tidak terbatas pada domain big data dan ilmu data. Pola tersebut
juga berlaku untuk domain pengembangan dan proses organisasi. Anda mungkin mengenal
berbagai bentuk loop kontrol yang didefinisikan dan digunakan oleh ilmu manajemen . Contoh
loop tersebut adalah konsep seperti PDCA [39,40], OODA [41,42], dan CRISP-DM [43], yang
memiliki kesamaan dan merupakan elaborasi lebih lanjut dari pola ini. Pola Sense/Analyze/
React bahkan berlaku untuk biologi (misalnya, perilaku gurita dan hewan lain [44]). Di beberapa
domain, orang mungkin menyebut bagian React dari loop ini dengan istilah Efektor [45].
Otomatisasi proses bisnis apa pun hanyalah penerapan dari loop Sense/Analyze/React
ini. Penggunaan AI memungkinkan penerapan loop tersebut ke domain masalah di mana
sebelumnya reaksi otomatis tidak memungkinkan.
Analisis data otomatis adalah pengembangan baru?

Bahkan penggunaan loop Sense/Analyze/React yang sepenuhnya otomatis dan cepat
menggunakan analisis yang rumit dan terkomputerisasi bukanlah hal baru. Pasar modal, terutama
ketika dikombinasikan dengan perdagangan algoritmik, menerapkan pola ini dalam skala besar.
Dengan kemajuan Internet untuk Segala [46] dan robotika lebih lanjut, loop kontrol tertutup yang
berskala besar dan sepenuhnya otomatis ini akan menjadi jauh lebih lazim di dalam dunia fisik.
2.3 Apa yang baru dengan AI?

Kemajuan AI memperluas penerapan loop Sense/Analyze/React, karena AI memunculkan
kemampuan-kemampuan analitik baru. Bagian ini menjelaskan kemampuan-kemampuan baru
tersebut.
Yang baru pada AI dan big data adalah bahwa analisis otomatis sudah lebih murah, lebih
cepat, lebih baik, dan (menggunakan sistem big data) mampu beroperasi pada dataset yang
jauh lebih besar. Analisis yang dulu memerlukan campur tangan manusia kini dapat dilakukan
dengan komputer di area seperti pengenalan gambar dan suara. Berkat kemampuan berbasis AI
baru ini, seluruh loop Sense/Analyze/React patut diterapkan dalam konteks ini, dibandingkan
sebelumnya di mana penerapannya tidak ekonomis.
Contoh AI yang menjadikan otomatisasi mungkin dilakukan

Berikut adalah beberapa contoh di mana pengenalan AI memungkinkan otomatisasi tugas-tugas
yang sebelumnya memerlukan tindakan manusia:
Terjemahan otomatis dari satu bahasa ke bahasa lain—terjemahan bahasa bukanlah


hal baru dan merupakan sesuatu yang telah dilakukan manusia sejak awal waktu. Yang
membedakan adalah kini AI telah mencapai tingkat di mana terjemahan otomatis dapat
dilakukan dan, dengan demikian, muncullah layanan web terjemahan.a
Mobil otonom—Kita telah memiliki sejenis otomobil selama 250 tahunan terakhir, yang

a
Perlu diingat bahwa loop kontrol yang sebenarnya dalam sistem terjemahan nyata biasanya memerlukan setidaknya dua
loop kontrol. Satu loop menerjemahkan dari satu bahasa ke bahasa lain, sementara loop lainnya menghasilkan uang
untuk layanan ini. Loop kedua tersebut juga dapat bekerja dengan mengumpulkan informasi tentang terjemahan apa
yang Anda butuhkan, menganalisisnya, dan melakukan tindakan tertentu yang menghasilkan uang bagi penyedia layanan
terjemahan.
Apa yang baru dengan AI? 7
(lanjutan)
selalu memerlukan operator manusia.b Yang baru dengan AI adalah sebentar lagi kita
mampu memproduksi sebuah mobil yang tidak memerlukan pengemudi manusia.
Kemampuan untuk mendiagnosis penyakit mata—Oftalmologis dan optometris biasanya

meminta kita untuk membaca huruf dari kejauhan dan menatap ke cahaya terang. Yang
baru adalah kemampuan AI untuk mendeteksi retinopati diabetik dari gambar retina
sederhana [49].
Kemampuan untuk membaca komentar yang diposting di web—Jika Anda cukup

sering membaca tulisan di bagian komentar suatu situs web, Anda dapat mengira-
ngira apakah orang-orang antusias atau skeptis terkait topik tertentu. Kini AI juga dapat
melakukannya. AI dapat membaca komentar dalam jumlah yang jauh lebih besar dengan
lebih cepat dan lebih murah daripada yang manusia, dan kemudian memberi tahu Anda
apakah sebagian besar audiens antusias atau skeptis. Kita menyebut kemampuan ini
analisis sentimen.c
 Rekomendasi produk—Kita semua pasti memiliki teman yang gemar merekomendasikan
buku, film, dan produk yang mungkin kita sukai. Ketika AI melakukannya (misalnya, di
situs web Amazon), ini disebut rekomendasi mesin.
Secara historis, ketika dataset memiliki ukuran yang kecil, manusia mampu melakukan analisis
yang sama dengan yang dilakukan oleh AI. Dalam beberapa kasus, yang dilakukan oleh AI
lebih buruk daripada yang dapat dilakukan manusia pada dataset yang sama. Tetapi AI lebih
ekonomis dalam jangka panjang, dan dapat beroperasi pada dataset yang terlalu besar bagi
manusia.
b
Kendaraan beroda pertama yang bergerak secara mandiri ditemukan pada tahun 1769 [47], dengan mobil bertenaga

bensin pertama muncul pada tahun 1870 [48].
c
Pada saat tulisan ini dibuat, AI belum sebaik manusia dalam membaca konten web, dan AI kesulitan mendeteksi
sinisme dan pesan tersembunyi dalam teks—AI bahkan sering melewatkan tesis dasar suatu pesan. Namun, untuk
menjawab pertanyaan, "Apakah sentimen tentang produk ini meningkat dalam tiga bulan terakhir?" AI cukup bagus
dan dapat memberikan jawaban yang jauh lebih murah daripada saya atau Anda.
Yang tidak baru atau yang berbeda dengan AI adalah bahwa analisis masih tidak dapat
menghasilkan uang sendiri. Perhatikan bahwa saya tidak membicarakan cara menghasilkan uang
di semua kasus penggunaan dalam contoh sebelumnya. Meskipun beberapa kasus penggunaan
tersebut jelas mudah untuk dimonetisasi (misalnya, kendaraan otonom yang berjalan lebih
baik daripada pengemudi manusia), untuk kasus lainnya, cara memonetisasi AI mungkin tidak
segamblang itu.
AI tidak dapat membantu Anda dengan kasus bisnis yang buruk

Terkadang Anda tidak akan dapat menghasilkan keuntungan terlepas dari seberapa baik
analisis berbasis AI Anda. Misalnya, produsen rambu lalu lintas yang tidak bijak memutuskan
untuk melakukan analisis sentimen opini publik atas rambu-rambu tersebut. Produsen tersebut
kemungkinan akan rugi secara finansial dengan analisis ini. Tidak ada kejelasan pengaruh
praktis yang signifikan antara perasaan pengemudi dengan pemilihan vendor rambu lalu lintas
(atau dalam hal ini, sentimen tentang rambu akan ditentukan oleh pilihan vendor bukan oleh
penempatan rambu).
Ketika Anda melakukan analisis, Anda menanggung biaya analisis tersebut. Keuntungan dapat
diperoleh ketika Anda bereaksi berdasarkan hasil analisis. Jika tidak ada tindakan bisnis yang
dapat Anda lakukan setelah mendapatkan hasil analisis, analisis tersebut selalu menjadi
sumber kerugian.
2.4 Menghasilkan uang dengan AI

Jika AI memungkinkan peningkatan analitik dengan loop Sense/Analyze/React, bagaimana cara
Anda menghasilkan uang dengan AI? Dengan menemukan situasi di mana AI memungkinkan
Anda menerapkan loop Sense/Analyze/React sehingga salah satu tindakan bisnis yang tersedia
untuk Anda dapat diotomatisasi menggunakan loop tersebut. Bagian ini menunjukkan caranya.
Gambar 2.2 menyajikan proses umum dalam menghasilkan uang dengan AI.
Gambar 2.2 Menghasilkan uang dengan AI didasarkan pada penemuan masalah bisnis di mana Anda dapat
menerapkan loop Sense/Analyze/React ke salah satu tindakan yang dapat Anda lakukan.
Anda dapat menerapkan loop kontrol ini dalam konteks baru dikarenakan kemampuan
AI. Tetapi agar berhasil menerapkan loop Sense/Analyze/React, Anda harus memastikan semua
komponen loop secara teknis memungkinkan:

Di sisi Sense, Anda harus memiliki kemampuan untuk mengumpulkan data yang akan
diperlukan oleh analisis berbasis AI. Bab 3 membahas cara memastikan Anda telah
mengumpulkan data yang sesuai untuk metode AI yang Anda pilih.

Di sisi Analyze, Anda harus memastikan bahwa Anda tidak keluar dari batasan hal-hal
yang mungkin dilakukan dengan teknologi AI yang tersedia.

Di sisi React, Anda harus mengaitkan hasil analisis dengan salah satu tindakan yang benar-
benar dapat Anda terapkan dalam bisnis Anda. Anda akan membuat daftar tindakan
bisnis yang memungkinkan untuk Anda lakukan, dan bertanya, "Adakah analisis AI yang
dapat saya lakukan yang akan lebih mengokohkan tindakan bisnis ini?"
Menghasilkan uang dengan AI 9
Setelah Anda tahu bahwa loop Sense/Analyze/React dapat diterapkan ke masalah bisnis Anda,
berarti Anda memiliki kemampuan untuk memecahkan masalah bisnis tersebut menggunakan
AI. Mari mulai dengan sebuah contoh.
2.4.1 AI diterapkan pada diagnosis medis

Bayangkan Anda adalah bagian dari tim pengembangan perangkat lunak di sebuah rumah sakit
besar. Tujuan tim Anda adalah menerapkan AI ke prosedur klinis dan diagnostik di rumah sakit
tersebut. Bagian ini menunjukkan kepada Anda cara menemukan kasus penggunaan di mana
AI dapat membantu.
Agar contoh ini singkat dan mudah dijelaskan, saya akan berfokus pada satu alur kerja
diagnostik: pasien yang melakukan tes mata. Retina pasien difoto untuk memeriksa apakah
terdapat penyakit. Misalnya, prosedur ini terdiri dari langkah-langkah yang ditunjukkan dalam
gambar 2.3.1
Gambar 2.3 Alur kerja tes optometri rutin. Kita akan menerapkan AI untuk mengotomatisasi bagian dari alur kerja ini.
Alur kerja yang ditunjukkan pada gambar 2.3 terdiri dari langkah-langkah berikut:
1 Pasien diberi penjelasan tentang prosedur. Langkah ini dapat dilakukan oleh seorang
teknisi tanpa banyak melibatkan optometris.
2 Pasienditempatkan di perangkat pencitraan, lalu gambar diambil. Langkah ini juga
dilakukan oleh teknisi.
1
Tes optometri/oftalmologi yang sebenarnya lebih rumit, dan disederhanakan di sini untuk kepentingan ilustrasi.
3 Gambar diambil dalam alur kerja yang sudah diotomatisasi.

4 ambar dibaca oleh optometris, mencari kondisi tidak normal. Jika diperlukan, dokter lain
G
akan dimintai pendapatnya.
Sekarang Anda akan menemukan tempat di mana AI dapat membantu. Dalam alur kerja ini,
Anda memiliki tiga langkah di mana Anda dapat menerapkan AI: dua interaksi dengan pasien
dan pembacaan gambar mata di akhir.
Jangan pernah memulai dengan berpikir analisis apa yang harus dilakukan!
Untuk mengilustrasikan mengapa Anda tidak memulai dengan bertanya, "Analisis apa yang
dapat saya lakukan?", mari membuat sebuah skenario di mana Anda memulai dengan analisis
berdasarkan pengetahuan bahwa AI dapat melakukan sesuatu untuk Anda.
Anda mungkin sudah mengenal asisten suara seperti Apple Siri [50] dan tahu bahwa
pengenalan suaranya mengalami peningkatan. Bagaimana jika Anda menggabungkan asisten
suara/pengenalan suara dengan chatbot sehingga pasien dapat menerima pengarahan dari
mesin? Anda beruntung memiliki tim ilmu data yang baik yang senang bekerja dengan teknologi
keren ini. Ini terlihat seperti penerapan AI yang baik, bukan? Mari buat purwarupa singkat!
Sayangnya, waktu yang Anda habiskan untuk purwarupa tersebut akan sia-sia. Mengganti
teknisi memiliki nilai yang terbatas—biaya untuk waktu yang diluangkan oleh teknisi untuk
mengarahkan pasien relatif kecil. Lebih penting lagi, Anda melayani beragam populasi pasien,
termasuk multibahasa, disabilitas, usia, dan kenyamanan berinteraksi dengan mesin. Teknisi
manusia mahir berurusan dengan populasi ini; tidak seperti AI untuk saat ini, jika tidak ada
alasan lain selain beberapa segmen dari populasi ini tidak terbiasa berbicara dengan asisten
suara.
Ide yang Anda miliki didasarkan pada teknologi yang menarik. Kasus penggunaan tersebut pada
dasarnya menarik dan terdengar seperti fiksi ilmiah—banyak cerita fiksi ilmiah menampilkan
adegan berbicara dengan dokter AI. Masalahnya adalah Anda mencoba menerapkan AI pada
situasi di mana tindakan bisnis sejak awal tidaklah menguntungkan, dikarenakan faktor-faktor
di luar kendali Anda.
Ini adalah perangkap umum. Semua orang yang bekerja dengan AI dalam suatu lingkungan
bisnis mengaku memiliki kasus bisnis yang baik, tetapi sering kali kasus bisnis tidak dipikirkan
secara matang, dan kegembiraan awal tim tentang proyek ini disebabkan oleh peluang untuk
bekerja dengan teknologi AI yang menarik.
Dalam skenario kasus terburuk, monetisasi proyek mustahil dilakukan dari awal, bahkan jika
bagian teknisnya berhasil. Implementasi AI yang baik tidak dapat membantu kasus bisnis yang
buruk.
Mari gunakan pendekatan sistematis untuk menerapkan AI dengan lebih baik ke dalam tes
optometrik ini. Anda memulai dengan membuat daftar tindakan domain yang dapat Anda
lakukan dan kemudian melihat apakah Anda dapat menerapkan loop Sense/Analyze/React ke
tindakan-tindakan tersebut.
TIPS Mulailah dengan bertanya, "Apa saja tindakan domain saya yang layak?" Karena
jumlah tindakan domain yang dapat Anda lakukan terbatas, Anda hanya perlu
mempertimbangkan sejumlah kecil kasus penggunaan.
Menghasilkan uang dengan AI 11
Dalam alur kerja ini, Anda memiliki dua interaksi teknisi dengan pasien, dan Anda memiliki
oftalmologis/optometris yang membaca gambar mata untuk memeriksa adanya penyakit mata.
Interaksi dengan pasien terdiri dari pengarahan awal dan kemudian menempatkan pasien dalam
perangkat pencitraan sehingga gambar berkualitas dapat diambil. Anda sudah mengetahui
alasan Anda tidak dapat mengotomatisasi pengarahan. Bagaimana dengan menempatkan
pasien? Bagaimana dengan memposisikan pasien? Langkah ini memerlukan keahlian robotika,
dan pejabat eksekutif Anda bersikeras bahwa Anda adalah perusahaan pengembangan perangkat
lunak, bukan perusahaan robotika. Dalam kasus Anda, tidak ada tindakan yang layak di dalam
domain interaksi pasien langsung.
Bagaimana dengan menafsirkan gambar? Ternyata menafsirkan gambar untuk penyakit
mata tertentu rumit dan, dalam beberapa kasus, optometris dapat melewatkan kondisi-kondisi
penting. Penafsiran tenaga profesional juga mahal dan biayanya dapat dihemat oleh rumah sakit
Anda jika Anda dapat membuat sistem alternatif yang berguna ketika mendiagnosis penyakit
mata. Kasus penggunaan ini patut diselidiki lebih lanjut.
Penelitian lebih lanjut dari tim ilmu data Anda menunjukkan bahwa telah terjadi kemajuan
yang signifikan dalam penerapan visi komputer untuk diagnosis medis. Anda mendapati
bahwa tim Google telah menciptakan AI yang mampu mendiagnosis kasus retinopati diabetes
sedang hingga parah [49]. Anda memiliki cukup data dari tes optometri lampau yang dapat
Anda gunakan untuk melatih AI. Untuk memastikan bahwa loop Sense/Analyze/React dapat
diterapkan dalam kasus penggunaan ini, Anda hanya perlu menangani bagian Sense. Ternyata
ini mudah dilakukan; Anda sudah memiliki gambar retina pasien, dan Anda dapat mengirim
gambar tersebut ke sistem AI Anda.
2.4.2 Prinsip umum untuk memonetisasi AI

Contoh sebelumnya menunjukkan kepada Anda cara menemukan peluang untuk menggunakan
AI dalam satu skenario bisnis. Bagian ini menunjukkan kepada Anda prinsip-prinsip umum yang
dapat Anda ambil dari contoh ini. Gambar 2.4 menunjukkan prinsip-prinsip tersebut untuk
menerapkan AI.
Gambar 2.4 Prinsip umum untuk menerapkan AI ke masalah bisnis. Ide dasarnya adalah memasti-
kan Anda dapat menerapkan semua bagian dari loop Sense/Analyze/React.
Pendekatan yang ditunjukkan pada gambar 2.4 mencakup setiap bagian dari loop Sense/Analyze/
React:
 S
ense—Bisakah Anda mengumpulkan data yang Anda butuhkan? Berapa biaya untuk
mengumpulkan data tersebut?
 A
nalyze—Bisakah AI melakukan analisis tersebut dalam keadaan yang ideal, atau apakah
ada orang yang pernah berhasil menggunakan AI untuk melakukan sesuatu yang serupa?
Apakah AI terkenal memiliki kemampuan tersebut? Apakah tim Anda memiliki keahlian
dalam menerapkan metode AI tersebut? Seberapa sulit penerapannya?
 R
eact—Temukan tindakan domain yang akan bernilai dan memungkinkan untuk AI. Apa
nilai ekonomis tindakan tersebut? Informasi ini memungkinkan Anda menilai apakah
otomatisasi tindakan tersebut dengan AI layak dilakukan dari segi ekonomi.
Bab 3 dan 4 akan membahas cara menggunakan metrik bisnis untuk membahas aspek ekonomi
dan penerapan loop Sense/Analyze/React. Untuk saat ini, mari berkonsentrasi tentang cara
menangani bagian loop React dan Analyze. Anda perlu menjawab dua pertanyaan berikut ini:
1 dakah cara sistematis untuk memikirkan bisnis Anda yang membantu menemukan
A
tindakan domain yang dapat menerima manfaat dari AI?
Apa
2 saja kemampuan tingkat tinggi AI?
Setelah Anda mengetahui jawaban atas dua pertanyaan ini, Anda dapat melakukan analisis
seperti yang ditunjukkan pada bagian 2.4.1 untuk menemukan kasus penggunaan yang layak
untuk AI.
Menghasilkan uang dengan AI tidak didasarkan pada fakta bahwa AI lebih pintar
daripada manusia
Contoh dalam bab ini (dan bab 1) menunjukkan mengapa, untuk mencapai keberhasilan dengan
AI, mengaitkan AI dengan bisnis jauh lebih penting daripada algoritme dan teknologi tertentu.
AI tidak memunculkan kecerdasan manusia super; AI memiliki kemampuan manusiawi dalam
domain yang terbatas, seperti pengenalan gambar. AI juga dapat menerapkan kemampuan
tersebut secara ekonomi dan beroperasi dengan dataset yang lebih besar daripada yang dapat
dilakukan oleh manusia. Tetapi Anda tetap perlu mencari tahu bagaimana kemampuan AI dapat
meningkatkan bisnis Anda.
AI terkadang dapat menemukan wawasan yang dilewatkan oleh kecerdasan manusia karena
kemampuannya untuk memproses dataset besar. Namun, ketika beroperasi di domain yang
rumit, AI masih kalah dibandingkan manusia. Pada dasarnya, AI tidak dapat mencari cara untuk
menghasilkan uang.
Peter Drucker yakin bahwa melakukan sesuatu yang tepat lebih penting daripada melakukan
sesuatu dengan tepat.a Tugas AI adalah membantu Anda melakukan analisis yang lebih
baik, dan AI dapat membantu Anda melakukan hal yang tepat, tetapi hanya Anda yang dapat
memastikan bahwa AI diterapkan ke masalah yang tepat.
a
Dari artikel "Managing for Business Effectiveness" [4]: "Pada dasarnya, yang menjadi penghalang melakukan sesuatu
yang tepat dan melakukan sesuatu dengan tepat adalah kebingungan antara efektivitas dan efisiensi. Jelas tidak ada
yang lebih sia-sia dibandingkan melakukan dengan efisiensi besar sesuatu yang seharusnya tidak dilakukan sama
sekali."
Menemukan tindakan domain 13
2.5 Menemukan tindakan domain

Setelah Anda memahami bahwa penerapan AI hanyalah masalah penerapan loop Sense/
Analyze/React ke tindakan domain tertentu, pertanyaan berikutnya adalah bagaimana cara
Anda secara sistematis menemukan tindakan domain yang dapat Anda lakukan. Bagian ini
menunjukkan kepada Anda cara menemukannya.
Terdapat serangkaian peran tingkat tinggi dalam jumlah terbatas yang dapat dimainkan oleh
AI dalam bisnis Anda. Gambar 2.5 menunjukkan peran-peran tersebut.
Gambar 2.5 Taksonomi AI berdasarkan peran tingkat tinggi yang dimainkannya dalam bisnis. Anda dapat
menggunakan taksonomi ini untuk memandu Anda dalam menemukan tindakan bisnis yang tersedia yang dap-
at Anda bantu dengan AI.
Anda dapat menggunakan AI sebagai bagian dari hal-hal berikut:

 S
istem pendukung keputusan—AI membantu karyawan atau manajer organisasi Anda untuk
mengambil keputusan yang lebih baik. Penggunaan sistem-sistem tersebut berkisar
dari membantu manajemen dalam mengambil keputusan yang memengaruhi seluruh
organisasi hingga membantu karyawan lini dalam tugas harian mereka.
 P
roduk yang lebih besar—AI bisa jadi hanya bagian dari produk yang lebih besar. Produk
tersebut memiliki kemampuan yang dapat diwujudkan oleh AI, tetapi bukan kemampuan
murni AI. Contoh di sini adalah robot pembersih rumah (seperti Roomba [51])
atau termostat cerdas (seperti ecobee [37] dan Nest [36]). Untuk kasus sistem yang
sepenuhnya otonom, AI memandu operasi sistem dan mengambil keputusannya tanpa
melibatkan campur tangan manusia.
 O
tomatisasi proses bisnis—AI mengotomatiskan beberapa langkah dalam proses bisnis.
Terkadang, hal ini dilakukan untuk menggantikan tenaga kerja manusia; di waktu lain,
hal ini dilakukan untuk memproses dataset yang terlalu besar untuk dapat ditangani oleh
manusia.
AI sebagai produk—Anda dapat mengemas alat AI dalam bentuk produk dan menjualnya

kepada organisasi lain. Contohnya adalah produk AI yang mampu mengenali gambar
pada rambu lalu lintas yang akan dijual ke produsen kendaraan otonom.
Bagian lain dalam bagian ini menyediakan pembahasan tentang tiap poin ini.
2.5.1 AI sebagai bagian dari sistem pendukung keputusan

Salah satu skenario paling umum untuk penggunaan ilmu data di perusahaan saat ini adalah AI
digunakan sebagai sistem pendukung keputusan. Bagian ini menunjukkan kepada Anda cara
menggunakan AI sebagai bagian dari sistem tersebut untuk menemukan tindakan domain.
AI sebagai bagian dari sistem pendukung keputusan adalah skenario termudah untuk
menemukan tindakan domain. Dalam sistem pendukung keputusan mana pun, Anda sudah
berfokus pada opsi-ospi yang perlu Anda putuskan. Saat menggunakan AI sebagai bagian dari
sistem pendukung keputusan, Anda harus mempertimbangkan pengguna (atau tim manajemen)
yang Anda dukung keputusannya. Kemudian Anda membuat daftar spektrum keputusan yang
dapat mereka ambil. Terakhir, tanyakan kepada diri sendiri: "Informasi apa yang diperlukan
untuk memilih di antara opsi-opsi yang memungkinkan ini?" Proyek kemudian diatur dengan
fokus pada penyediaan informasi tersebut.
AI membantu tim manajemen

Bayangkan Anda sedang mendukung sebuah operasi manufaktur besar. Operasi tersebut
memiliki beberapa pemasok besar yang mendatangkan ribuan komponen setiap hari. Masalah
biaya yang besar untuk organisasi Anda adalah jika sejumlah komponen dari pemasok tersebut
rusak, organisasi akan membuang banyak waktu dalam proses manufaktur untuk memecahkan
masalah. Pemecahan masalah seperti ini mahal. Lebih parahnya, kualitas produk akhir
produsen sendiri bisa terpengaruh.
Meskipun setiap pemasok adalah bagian besar dari bisnis Anda, sektor ini didominasi oleh
beberapa pemasok besar, dan Anda memiliki kemampuan yang terbatas untuk mendesak
mereka meningkatkan kualitas produk mereka. Bagaimana AI dapat membantu tim manajemen
untuk operasi manufaktur Anda?
Mulailah dengan membuat daftar opsi mengenai apa yang dapat diterapkan oleh tim
manajemen dan apa saja yang layak. Karena organisasi Anda memiliki sedikit pengaruh pada
tiap-tiap pemasok, satu-satunya tindakan bisnis yang layak dilakukan oleh organisasi Anda
adalah mengganti pemasok.
Pertanyaan apa yang perlu Anda jawab untuk mengganti pemasok? Di sini kita berkonsentrasi
pada satu jawaban yang mungkin:
Idealnya, Anda ingin bersikap proaktif dan mengganti pemasok sebelum kualitasnya
menurun—pada saat itu, operasi manufaktur kita sudah memakan biaya. Keputusan
untuk mengakhiri hubungan dengan pemasok sulit untuk diambil, karena Anda tidak
tahu bagaimana biaya apabila Anda memilih untuk tetap menggunakan pemasok
tersebut. Idealnya, Anda ingin bersikap proaktif, berdasarkan arah tren kualitas
pemasok. Anda tidak ingin memutus hubungan dengan pemasok yang tren kualitasnya
meningkat. Anda juga tidak ingin menunda-nunda beralih pemasok jika trennya turun
drastis.
Berdasarkan respons manajemen, Anda sekarang tahu bahwa jika Anda bisa menggunakan AI
untuk menganalisis tren riwayat kualitas dan memprediksi tren kualitas di masa mendatang,
Anda akan memiliki sistem yang berguna untuk manajemen. Ini adalah contoh penggunaan AI
sebagai bagian dari sistem pendukung keputusan.
Contoh ini juga mengilustrasikan mengapa menyesuaikan penggunaan AI dengan kasus bisnis
Anda sendiri lebih baik daripada menerapkan solusi AI yang berjalan untuk orang lain. Jika Anda
adalah pelanggan yang jauh lebih besar bagi para pemasok tersebut, tim manajemen Anda
mungkin dapat menegosiasikan ketentuan hubungan, alih-alih mengganti pemasok begitu
(lanjutan)
saja. Contoh menyesuaikan hubungan tersebut mungkin mencakup penyampaian masalah
kepada manajemen pemasok atau meminta kompensasi dana untuk komponen yang rusak.
Meskipun ini mungkin tindakan yang layak bagi pelanggan pemasok Anda yang jauh lebih besar
daripada organisasi Anda, ini bukan tindakan yang memungkinkan untuk organisasi Anda.
Solusi AI umum yang disesuaikan dengan organisasi yang jauh lebih besar mungkin berfokus
pada tindakan yang tidak dapat Anda lakukan.
Satu pertanyaan terakhir dalam skenario ini: Misalnya Anda adalah organisasi besar dengan
banyak departemen, pada tingkat granularitas mana Anda harus meminta agar tindakan bisnis
didukung oleh sistem pendukung keputusan? Anda harus mempertimbangkan opsi-opsi yang
secara langsung berada dalam lingkup tanggung jawab dan eksekusi tim yang sedang melakukan
analisis.
PERINGATAN Sangat penting bagi Anda untuk memilih tingkat organisasi yang tepat
untuk mencari kemungkinan tindakan yang dapat Anda lakukan. Jika Anda selesai
membuat daftar yang berisi 20 atau lebih opsi berbeda yang Anda yakini dapat Anda
lakukan, tingkat granularitas analisis Anda salah.
Ketika membahas penggunaan AI sebagai bagian dari sistem pendukung keputusan, bahaya
muncul apabila penyelaman terlalu dalam. Jika Anda menerapkan AI sebagai bagian dari sistem
pendukung keputusan untuk tim manajer senior, maka Anda harus menganalisis tindakan yang
diambil oleh manajer senior, bukan tindakan yang dapat dilakukan oleh setiap pekerja yang
bekerja di organisasi mereka. Jangan menganalisis tindakan yang dapat dilakukan oleh karyawan
magang pada hari pertama mereka.
TIPS Pengambil keputusan tidak harus menjadi manajer tingkat tinggi. Bayangkan AI
yang memberi rekomendasi kepada tenaga penjualan Anda tentang pelanggan mana
yang perlu didekati dan menampilkan dasbor dengan informasi lebih lanjut tentang
setiap pelanggan. Namun, AI tersebut membiarkan pilihan akhir diambil oleh setiap
tenaga penjualan. AI seperti ini adalah sistem pendukung keputusan.
2.5.2 AI sebagai bagian dari produk yang lebih besar

Situasi umum lainnya terjadi ketika kemampuan AI adalah bagian dari produk yang lebih
besar. Dalam situasi ini, karakteristik utamanya adalah pelanggan akhir tidak membeli AI itu
sendiri; mereka membayar kemampuan tertentu yang tidak akan dimiliki oleh produk yang
lebih besar tersebut tanpa menggunakan AI. Bagian ini menunjukkan kepada Anda cara
menggunakan AI dalam konteks produk yang lebih besar.
AI sebagai bagian dari produk itu sendiri sudah sangat penting. Contohnya mencakup
produk yang berkisar dari speaker pintar (Amazon Alexa [52], Google Home [53,54], dan Apple
HomePod [55]) untuk kendaraan otonom [38]. Meskipun Anda dapat menganggap AI sebagai
cara mendiferensiasi produk, Anda umumnya lebih menganggapnya sebagai kunci (enabler)
proposisi nilai Anda kepada pelanggan.
TIPS Hanya sedikit orang yang membeli suatu produk hanya karena produk tersebut
menggunakan AI. Pertanyaan utamanya adalah, "Nilai apa yang disediakan oleh
produk tersebut untuk pelanggan Anda?"
Mungkin dulu mengatakan "Kami menggunakan AI" adalah teknik pemasaran/penggalangan

dana yang layak, tetapi itu sudah tidak berlaku lagi. Seiring waktu, AI akan memainkan peran
yang sama dalam produk otonom sebagaimana peran yang saat ini dimiliki mesin di dalam
sebuah mobil: Anda tidak dapat pergi ke mana pun tanpanya. Namun, sebagian besar pembeli
mobil tidak peduli dengan mesin tertentu, tetapi kemampuannya untuk menggerakkan mobil
dari titik A ke titik B.
AI sebagai bagian dari produk

Contoh produk AI yang juga melibatkan manusia dalam loop-nya adalah perusahaan keamanan
rumah yang menggunakan perangkat berbasis AI sebagai bagian dari sistem keamanan.
Apa saja tindakan relevan yang dapat dilakukan oleh sistem tersebut? Satu, sistem ini dapat
membunyikan alarm jika ia percaya ada penyusup.
Untuk berbagai alasan biaya dan tanggung jawab, manajemen mungkin akan mengharuskan
tindakan akhir membunyikan alarm atau memanggil polisi untuk selalu dilakukan oleh
operator manusia terlatih di pusat pemantauan. Manajemen juga bisa memutuskan berapa
banyak operator yang akan ditugaskan untuk memantau properti. Bisnis ini akan jauh lebih
menguntungkan jika satu orang dapat memantau beberapa properti yang diamankan.
AI dapat dimanfaatkan dalam sistem tersebut untuk membantu operator yang berjaga di pusat
pemantauan. Jika dapat mengenali wajah, AI juga dapat membunyikan peringatan ketika
di dalam rumah terdapat manusia yang bukan bagian dari keluarga yang tinggal di sana. AI
kemudian dapat memberi tahu operator sehingga pemeriksaan dapat dilakukan dan, jika perlu,
operator dapat menaikkan alarm.
Ketika AI berfungsi sebagai bagian dari produk yang lebih besar, produk tersebut beroperasi
di suatu tempat di dunia fisik. Karena pelanggan membayar karena beberapa kemampuan
yang dimiliki oleh produk, bukan karena produk tersebut menggunakan AI, mulailah dengan
memikirkan bagaimana fungsi yang dimiliki produk. Kemungkinan tindakan apa yang dapat
dijalankan oleh sistem? Setelah Anda mengetahui rangkaian tindakan yang memungkinkan,
pertanyaan berikutnya adalah, "Kapan sistem harus melakukan setiap tindakan tersebut?"
CATATAN Ketika AI adalah bagian dari produk yang lebih besar, produk tersebut bisa
sepenuhnya otonom, atau merupakan produk hybrid yang melakukan beberapa fungsi
secara otomatis namun mengandalkan manusia untuk menjalankan tugas-tugas lain.
AI dalam produk yang sepenuhnya otonom

Contoh sistem yang sepenuhnya otonom adalah robot pembersih vakum seperti Roomba [51].
Dalam hal ini, mesin vakum perlu membersihkan seluruh ruangan. Tindakan domain yang relevan
adalah, "Ke mana saya harus pergi, dan area mana yang harus saya hindari?"
AI dapat digunakan untuk menyediakan kemampuan navigasi untuk perangkat tersebut di
lingkungannya. Perhatikan bahwa AI seperti ini bisa beragam, mulai dari sistem navigasi yang
(lanjutan)
canggih hingga operasi yang relatif sederhana. Robot pembersih vakum dapat menggunakan AI
untuk mempelajari tata letak ruangan Anda dan mengenali perubahan pada tata letak tersebut.
Anda juga dapat memilih baterai yang lebih besar sebagai ganti pemetaan ruangan yang canggih,
sehingga memungkinkan penghindaran rintangan menggunakan pendekatan uji coba yang
memakan waktu.
Baterai yang lebih besar adalah contoh lain dari seluruh sistem yang lebih penting daripada
pilihan algoritme AI. Beberapa tahun yang lalu, menambahkan baterai yang lebih besar untuk
meningkatkan waktu aktif adalah pilihan yang lebih sederhana (dan lebih murah) daripada
menghabiskan banyak waktu dan uang untuk meningkatkan navigasi AI secara signifikan.
Dalam konteks produk yang sepenuhnya otonom, Anda juga perlu mempertimbangkan bukan
hanya tindakan apa yang dapat dilakukan oleh produk, melainkan juga apakah hasil dan
tindakan tertentu tidak diinginkan atau tidak diperbolehkan. Anda tidak ingin menyaksikan
robot pembersih vakum yang mahal seperti Roomba menabrak tangga.
Bagaimana kemampuan produk Anda berkembang?

Ketika menggunakan AI sebagai bagian dari produk yang lebih besar, penting untuk
mempertimbangkan bukan hanya kemampuan yang akan Anda tambahkan pada produk awal,
melainkan juga seluruh kemampuan produk yang rencananya akan Anda tambahkan berikutnya.
Sering kali, produk Anda adalah sistem fisik yang dikirim ke pelanggan. Misalnya, untuk kasus
kendaraan otonom yang didukung AI [38], Anda akan mengirimkan kendaraan tersebut. Setelah
kendaraan dikirim, kemampuan tambahan dapat ditambahkan dalam bentuk upgrade perangkat
lunak. Namun, sensor dan efektor (mesin, rem, mekanisme kemudi, klakson, lampu sinyal, lampu
depan, dan sebagainya) akan mentok dengan yang sudah dikirimkan bersama mobil. Setelah
Anda mendistribusikan sistem fisik kepada pelanggan/pengguna Anda, sering kali mustahil (atau
mahal) untuk menambahkan kapasitas untuk melakukan tindakan baru yang sebelumnya tidak
Anda bayangkan selama proses desain. Apa pun mobil otonom yang kita miliki di masa depan,
kemungkinan besar beberapa kemampuannya akan ditentukan pada saat mobil diproduksi dan
akan sulit untuk diubah setelahnya.
2.5.3 Menggunakan AI untuk mengotomatisasi bagian dari proses bisnis

Salah satu penggunaan AI yang makin menarik perhatian di industri dan pers populer adalah
penggunaan AI untuk melakukan tindakan yang sebelumnya memerlukan manusia. Bagian ini
menunjukkan kepada Anda cara menerapkan AI untuk mengoptimalkan proses bisnis yang
sudah ada.
AI yang mengotomatiskan bagian dari alur kerja

Bayangkan Anda memiliki fasilitas yang menggunakan kamera CCTV dan penjaga keamanan
untuk memantaunya. Melihat layar adalah bagian dari alur kerja penjaga keamanan. AI dapat
digunakan untuk menjadikan bagian alur kerja petugas keamanan ini lebih efisien dengan
memantau aliran video dan menyoroti situasi yang tidak biasa.
Ketika Anda sedang mempertimbangkan penggunaan AI untuk mengotomatisasi bagian dari

proses bisnis, mulailah dengan membuat sketsa proses tersebut lalu tanyakan, "Apakah lang-
kah-langkah ini dapat dibuat lebih efisien atau disingkirkan menggunakan AI?" Ini mengguna-
kan AI untuk melakukan penggantian tugas satu banding satu: tugas yang dulu dilakukan oleh
manusia kini dilakukan oleh AI.
Karena kemampuan AI dan manusia berbeda, penggantian satu banding satu untuk tugas-
tugas yang dilakukan oleh orang-orang dengan penggunaan AI itu rumit dan mahal. Di sebagian
besar alur kerja, beberapa tugas sangat penting, dan tugas-tugas tersebut terbukti sulit untuk
diotomatiskan, bahkan jika fungsi yang paling memakan waktu dari pekerjaan tersebut dapat
dibuat otomatis!
Dalam praktiknya, biasanya diperlukan bukan hanya menerapkan AI ke langkah-langkah
dalam proses yang ada, melainkan juga merekayasa ulang proses bisnis. Rekayasa ulang harus
memisahkan operasi yang mudah untuk diotomatisasi dengan teknologi saat ini ke dalam
langkah alur kerja yang terpisah. Kemudian Anda menetapkan AI hanya ke bagian-bagian proses
yang mudah bagi AI tetapi memakan waktu atau sarat dengan kesalahan untuk manusia.
Menciptakan pekerjaan baru dengan AI

Penggunaan AI untuk otomatisasi adalah topik kontroversial. Jika AI menggantikan manusia dalam
melakukan tindakan tertentu, dan tindakan tersebut adalah tujuan utama dari pekerjaan orang
tersebut, pekerjaan tersebut bisa jadi kini dalam bahaya.
Ada konsekuensi besar yang harus dipertimbangkan ketika menghilangkan pekerjaan. Yang paling
utama adalah konsekuensi yang ditanggung orang-orang yang pekerjaannya hilang. Ada juga
konsekuensi untuk perusahaan Anda, bukan hanya finansial, melainkan juga pada iktikad baik
masyarakat dan karyawan Anda yang tersisa. Sudut pandang manusiawi ini penting untuk diingat
ketika Anda berbicara tentang otomatisasi proses, serta pemahaman bahwa skenario ini sering kali
merugikan salah satu pihak.
Ketika memikirkan tentang AI, jika Anda hanya membatasi diri dengan skenario di mana Anda
menggantikan pekerjaan dengan AI, maka Anda benar-benar melewatkan peluang. AI dapat
memungkinkan Anda untuk menciptakan bisnis baru yang sebelumnya tidak memungkinkan atau
ekonomis. Skenario ini menghasilkan pekerjaan baru—bukan hanya pekerjaan untuk membangun
dan mendukung sistem AI, melainkan juga semua pekerjaan lain muncul dengan bisnis semacam ini.
Sebagai contoh, menggunakan AI untuk memantau perilaku hewan peliharaan saat pemiliknya
bekerja. Saat ini, tidak ada orang yang melakukannya, karena pemantauan semacam ini tidak
layak dari segi ekonomi sebagai suatu layanan jika harus dilakukan oleh manusia. AI yang mampu
memantau perilaku hewan peliharaan dan menghibur mereka memerlukan manusia di dalam loop-
nya untuk menangani beberapa situasi langka yang tidak dapat ditangani oleh AI (misalnya, situasi
di mana hewan peliharaan terlihat memiliki masalah medis). AI semacam ini menciptakan pekerjaan
untuk orang-orang yang memantau hewan peliharaan tersebut. Pekerjaan-pekerjaan ini dulu sama
sekali tidak layak dari segi ekonomi ketika 100% pekerjaan harus dilakukan oleh manusia. Pekerjaan
seperti ini menjadi layak setelah AI menangani sebagian besar pemantauan dan manusia menangani
pengecualian.
2.5.4 AI sebagai produk

Terkadang Anda memiliki solusi AI, atau solusi infrastruktur yang mendukung AI, yang Anda
yakini dapat diterapkan ke banyak konteks bisnis dan banyak pelanggan yang berbeda. Ketika itu
terjadi, solusi AI semacam ini berharga dengan sendirinya dan dapat dikemas dan dijual sebagai
produk tersendiri. Bagian ini membahas tentang beberapa pertimbangan khusus yang berlaku
ketika Anda berniat menjual solusi AI sebagai produk utuh.

Anda memiliki produk utuh ketika Anda memiliki pelanggan yang bersedia membayar
kemampuan AI yang dapat Anda kembangkan. Terdapat riwayat panjang perusahaan yang
menawarkan berbagai produk analitik (seperti SAS [56] atau SPSS IBM [57]), dan produk
berbasis AI dapat dianggap sebagai kelanjutan dari tradisi ini, di mana kemampuan analisis yang
rumit dikemas dalam format yang dapat digunakan oleh pelanggan.
TIPS Anda sedang menjual produk. Pertanyaan utamanya adalah apakah Anda dapat
menemukan pelanggan yang bersedia membeli produk ini. Berkaitan dengan siklus
penjualan, fakta bahwa produk itu sendiri didasarkan pada AI tidaklah terlalu penting
untuk semua pertimbangan penjualan lainnya.
Tetapi ada pertimbangan tertentu yang harus Anda sikapi ketika Anda melandaskan produk
Anda pada AI. Anda harus menilai kemampuan organisasi Anda dan tim Anda secara tepat
terkait pengetahuan mereka tentang AI. Terdapat perbedaan besar antara mengembangkan
solusi AI yang belum pernah ada sebelumnya dan menerapkan kemampuan AI yang sudah
dikenal dalam konteks baru dan spesifik.
Mengembangkan solusi dan kemampuan AI baru adalah situasi berbeda yang memerlukan
keahlian awal yang signifikan di bidang ini. Ketika menjual AI sebagai produk, Anda harus
menilai bukan hanya kemampuan untuk menghadirkan versi produk awal, melainkan juga
kemampuan Anda untuk mengungguli inovasi kompetitor.
PERINGATAN Kecuali Anda memiliki tim ahli dalam penelitian AI yang bekerja untuk Anda,
tetaplah menerapkan kemampuan AI yang sudah ada ke konteks baru. Hindari produk
AI yang mengharuskan Anda mengembangkan kemampuan AI baru yang belum pernah
ditunjukkan oleh orang lain, karena kemampuan AI ini tidak dapat diprediksi, sulit, dan
berisiko untuk dikembangkan.
Di sisi lain, jika Anda memahami kemampuan AI umum, ada lebih sedikit risiko dalam
menerapkan kemampuan tersebut ke suatu produk di bidang baru tertentu. Misalnya, diketahui
bahwa AI makin pintar mengenali konteks gambar—ini adalah kemampuan umum. Jika Anda
dapat menerapkan kemampuan tersebut ke area tertentu, Anda mungkin memiliki produk
yang layak. Salah satu contohnya adalah perangkat lunak yang mampu mengenali cacat pada
lini pabrik. Produk ini bisa jadi sangat berharga, asalkan Anda tahu kepada siapa Anda akan
menjualnya.
Apakah produk AI saya dapat diterapkan secara luas?

Beberapa produk AI adalah kerangka kerja umum yang (jelas) dapat diterapkan secara luas,
tetapi ada juga produk AI yang ditujukan untuk satu kategori masalah.
Jika AI Anda menyelesaikan satu kategori masalah, AI tersebut bisa menjadi produk tersendiri
jika Anda dapat menemukan beberapa contoh di mana penggunaan solusi AI Anda membuat
tindakan-tindakan bisnis baru menjadi layak. Jika, sebaliknya, Anda hanya menemukan satu
contoh AI yang menghasilkan tindakan bisnis baru, Anda lebih baik mempertimbangkan untuk
menjadikan AI Anda sebagai bagian dari produk yang lebih besar.
Ketika mencoba mencari tahu tindakan bisnis baru apa yang menjadi layak berkat AI, Anda akan
menerapkan teknik-teknik di bagian 2.5.1, 2.5.2, dan 2.5.3. Namun, alih-alih menerapkannya
ke bisnis Anda sendiri, Anda akan menerapkannya ke bisnis calon pelanggan Anda.
2.6 Ikhtisar kemampuan AI

Bagian 2.5 menunjukkan cara menemukan pertanyaan bisnis yang bisa menjadi landasan
tindakan Anda jika Anda dapat memasangkannya dengan kemampuan AI yang sesuai. Bagian
ini membahas taksonomi kemampuan AI yang membantu Anda menjawab pertanyaan, "Apakah
ada area kemampuan AI yang luas yang dapat mengatasi masalah bisnis saya?" Gambar 2.6
menyajikan taksonomi metode AI.
Gambar 2.6 Taksonomi berdasarkan kemampuan AI. Kerangka kerja ini mengelompokkan
area-area kemampuan AI yang luas sehingga Anda dapat dengan cepat memeriksa apakah ada di
antaranya yang dapat diterapkan ke masalah bisnis yang sedang Anda tangani.
Taksonomi ini adalah modifikasi taksonomi yang awalnya dicetuskan dalam buku Bill Schmarzo
[58,59] dengan kategori "Penggunaan data tidak terstruktur" yang diperluas untuk menyoroti
penggunaan AI dalam tugas-tugas persepsi. Tujuan utama taksonomi ini adalah untuk memandu
diskusi antara pakar AI dan pakar bisnis. Kategori dalam taksonomi ini adalah:
 Mengetahui hasil lebih cepat. Di sini, AI membantu Anda menemukan sebuah hasil dengan
lebih cepat, dan kemampuan ini memiliki nilai bisnis di banyak skenario [58,59].
Katakanlah Anda menjalankan pabrik manufaktur mobil dan Anda sedang merakit
mobil dari suku cadang yang dibuat di satu area dari pabrik Anda. Jika Anda tahu bahwa
beberapa suku cadang mobil mengandung cacat langsung setelah dibuat, Anda dapat
membuangnya saat itu juga dan tidak pernah memasangnya di mobil. Ini jauh lebih baik
daripada mengetahui bahwa suku cadang tersebut cacat setelah Anda memasangnya dan
mengirimkan mobilnya kepada pelanggan.
 Memprediksi peristiwa tertentu yang terjadi di masa depan, berdasarkan tren saat ini. Anda
melihat teknik ini digunakan di bagian 2.5.1 ketika memprediksi kualitas pemasok masa
depan berdasarkan riwayat tren.
Ikhtisar kemampuan AI 21
 Menggunakan data terstruktur. Terkadang Anda dapat menemukan jawaban yang sedang
Anda cari di salah satu database relasional yang sudah Anda miliki, terutama jika Anda
memiliki volume data yang besar [58,59]. Ada juga metode AI yang berjalan baik dengan
data yang sudah dalam format tabel.2
 Menggunakan data tidak terstruktur. Metode AI juga dapat membantu Anda memproses
dan memahami data tidak terstruktur dalam jumlah besar, seperti teks, gambar, video,
dan audio [58,59]. Dalam hal ini, Anda dapat menggunakan metode AI untuk mengenali
konteks gambar, video, atau perekaman audio.
 Menggantikan manusia dalam tugas-tugas persepsi. Subkategori penggunaan data tidak
terstruktur ini didasarkan pada fakta bahwa, selama beberapa tahun terakhir, AI
telah mengimbangi dan bahkan melampaui kemampuan manusia pada banyak tugas
pengenalan sederhana, seperti pengenalan gambar [62,63]. Anda dapat menganggap
kategori AI ini sebagai kemampuan untuk melakukan tugas persepsi sederhana yang
dapat dilakukan oleh manusia dengan mudah dan secara alamiah. Contoh tugas seperti
ini adalah mengenali objek dalam gambar fotografi.
 Menggantikan pakar dalam tugas-tugas persepsi. Kemampuan subkategori AI ini juga
memahami data tidak terstruktur, tetapi di sini AI melakukan tugas-tugas persepsi yang
memerlukan pakar manusia tingkat tinggi. Pakar seperti ini menggunakan keterampilan
yang telah menjadi kemampuan alamiah berkat pelatihan selama bertahun-tahun.
Contoh untuk kasus ini adalah menggunakan AI untuk menafsirkan pencitraan medis.
Dalam beberapa tahun terakhir, AI telah menunjukkan kemampuan untuk menafsirkan
gambar medis pada tingkat yang dalam beberapa kasus menyaingi pakar manusia [64,65].
Sekarang Anda melihat bagaimana kita menemukan solusi AI yang dapat diterapkan ke masalah-
masalah bisnis yang disajikan di bagian 2.5. Pada semua contoh tersebut, Anda memulai dengan
mencari masalah bisnis yang dapat ditindaklanjuti kemudian tindakan domain yang dapat
dilakukan. Anda mengajukan pertanyaan, "Apakah ada dari keenam kategori kemampuan AI
yang ditunjukkan pada gambar 2.6 yang dapat diterapkan ke masalah bisnis ini?"
Apakah Anda dapat menyebutkan semua metode AI yang ada di luar sana?
Tidak ada cara untuk menggambarkan semua kemampuan yang dimiliki AI dalam satu buku
mana pun, termasuk buku ini. AI adalah bidang yang berkembang pesat, dan kemampuan AI
bertransformasi setiap hari dengan pengembangan metode dan aplikasi baru. Jika Anda tertarik
pada detail tentang setiap metode AI, Anda memerlukan ilmuwan data yang berpengalaman atau
konsultan untuk memandu Anda memahami detail kemampuan AI terbaru.
Taksonomi yang disajikan dalam bagian ini bukanlah pengganti keahlian AI, melainkan
sebuah cara sistematis untuk membingkai diskusi antara pakar bisnis dan pakar AI.
2
Contoh dari metode ini adalah peningkatan gradien. Jika Anda tertarik dengan detail teknis tentang metode ini, lihat
diskusi di Wikipedia [60] dan situs web Kaggle [61].
Taksonomi tersebut menyediakan terminologi dan konsep umum dengan cara yang mudah
dipahami oleh pengguna bisnis. Jika Anda adalah seorang ahli AI, Anda dapat menggunakan
taksonomi yang disajikan dalam bab ini sebagai daftar periksa cepat untuk sekelompok metode
dan algoritme yang harus diperiksa kelayakannya untuk diterapkan ke pertanyaan-pertanyaan
bisnis.
2.7 Memperkenalkan unicorn

Bab ini telah menunjukkan cara menentukan masalah bisnis yang dapat memperoleh manfaat
dari teknik AI, tetapi apakah tim pengembangan Anda memiliki pengetahuan yang diperlukan
untuk menerapkan solusi yang baru saja Anda usulkan? Bagian ini membantu Anda menjawab
pertanyaan tersebut.
Keterampilan yang kita gunakan pada proyek AI masih baru (dan langka), dan masih
ada sejumlah kebingungan dalam industri tentang set keterampilan yang harus dimiliki oleh
para ilmuwan data dan rekayasawan data. Karena kelangkaan keterampilan tersebut, ada
lelucon bahwa para pakar tersebut adalah unicorn. Pada bagian ini, saya akan memulai dengan
menjelaskan keterampilan yang sering dikaitkan dengan unicorn. Lalu saya akan menjelaskan
mengapa sebagian besar tim di dunia nyata tidak akan pernah memiliki semua keterampilan
tersebut. Terakhir, saya akan menunjukkan cara memastikan tim Anda memiliki semua
keterampilan yang diperlukan oleh proyek AI yang sedang Anda jalankan.
2.7.1 Unicorn ilmu data

Ilmu data dapat dianggap sebagai istilah payung yang mencakup banyak keterampilan. Survei
yang dilakukan pada tahun 2013 mencantumkan 22 area berbeda yang merupakan bagian dari
ilmu data [66]. Di antara area-area tersebut adalah topik seperti statistik, penelitian operasional,
statistik Bayesian, pemrograman, dan banyak lagi. Situasinya kini lebih parah! Saat ini, terdapat
area-area baru yang jelas dianggap penting (misalnya, deep learning).
CATATAN Jelas, seorang unicorn ilmu data seharusnya adalah pakar kelas dunia untuk
setiap area tersebut, bukan? Tidak, ini adalah area-area yang masing-masing sangatlah
kompleks. Banyak profesor terkemuka di universitas ternama menghabiskan semua
waktu dan upaya mereka untuk menjadi ahli hanya di salah satu area tersebut.
Kemungkinan besar, tidak ada seorang pun di dunia yang memiliki keahlian
(didefinisikan sebagai orang dengan level yang sebanding dengan keterampilan para
profesor yang disebutkan di atas) di semua bidang tersebut. Bahkan jika unicorn seperti
ini ada, proyek AI mana yang akan memiliki anggaran untuk mempekerjakannya?
Mengapa ada begitu banyak set keterampilan yang berbeda dalam ilmu data? Karena masalah
praktis yang berbeda memerlukan keterampilan yang berbeda. Tidak ada satu metode ML
yang mengalahkan semua metode lain di semua dataset yang memungkinkan.3 Setiap metode
ini muncul karena ketika komunitas AI menangani masalah praktis nyata, beberapa metode
berfungsi lebih baik daripada yang lain. Setelah bertahun-tahun, kita menggunakan kombinasi
banyak metode dari berbagai disiplin ilmu.
3
Ini juga dikenal dengan Teorema No Free Lunch (Tidak Ada Makan Siang Gratis) [67].
Memperkenalkan unicorn 23
Cara menumbuhkan unicorn

Apakah dulu para ilmuwan data ternama memulai dengan mempelajari semua metode yang
mereka ketahui saat ini? Untuk menjadi ilmuwan data mahir, apakah Anda harus terlebih dahulu
membangun set keterampilan yang mengimbangi set keterampilan ilmuwan data terkenal? Tidak.
Seringnya, keterampilan dua ilmuwan data mahir tidaklah sama. Bahkan di antara ilmuwan data
yang mahir, hampir bisa dipastikan ada yang memiliki keahlian di setidaknya satu area yang tidak
terlalu dipahami oleh yang lain.
Set keterampilan ilmuwan data ulung sering kali diperoleh melalui upaya menyelesaikan
masalah-masalah yang memerlukan jenis metode AI tertentu. Mereka harus mempelajari metode
AI tertentu tersebut karena metode tersebut diperlukan untuk memecahkan masalah konkret
di domain kerja mereka. Setiap proyek baru memberi mereka keterampilan baru, terkadang di
area-area baru yang sebelumnya bukan bagian dari domain keahlian inti mereka. Misalnya, pada
tahun 2011, sedikit orang di dunia, di bidang bisnis atau akademik, mengerjakan apa yang saat
ini dikenal sebagai deep learning (pembelajaran mendalam).
Jika Anda ingin menjadi unicorn, selesaikan masalah-masalah yang layak untuk diatasi. Anda
akan mendapatkan set keterampilan yang kuat di sepanjang prosesnya.
Sebagai seorang manajer, Anda harus mencari dua hal saat mempekerjakan ilmuwan data
untuk tim Anda. Anda harus mencari kandidat yang memiliki keahlian dalam domain inti yang
kemungkinan digunakan oleh proyek AI awal Anda, tetapi Anda juga perlu mereka memiliki
kemampuan yang jelas untuk mempelajari keterampilan-keterampilan baru. Kemungkinannya,
di sepanjang proses, ilmuwan data Anda perlu mempelajari banyak metode baru. Ketika
mempekerjakan anggota tim ilmu data senior, jangan hanya mencari latar belakang yang kuat
dalam satu set metode AI. Ilmuwan data senior harus memiliki riwayat pemecahan masalah
konkret menggunakan beragam metode.
TIPS Ilmu data adalah permainan tim. Untuk sepenuhnya merangkul semua
pengetahuan yang merupakan bagian dari ilmu data, Anda memerlukan satu tim utuh,
sehingga Anda harus menyusun tim dengan set keterampilan pelengkap.
Bagaimana seharusnya Anda menyusun tim ilmu data awal Anda? Tim Anda memerlukan
keahlian bisnis yang cukup untuk memahami masalah bisnis Anda dan kemahiran yang cukup
dalam metode AI untuk melakukan analisis awal dan menentukan apakah AI dapat mengatasi
masalah Anda. Perlu diingat bahwa selama perjalanan menghadirkan solusi AI penuh, tim harus
mempelajari beberapa keterampilan baru.
2.7.2 Bagaimana dengan rekayasawan data?

Ketika kita membahas AI, kita sering berbicara tentang operasi dengan beberapa dataset yang
begitu besar sehingga tidak muat di satu mesin dan memerlukan kerangka kerja big data
untuk mengelolanya. Meskipun ilmuwan data mahir menggunakan kerangka kerja big data,
mereka sangat jarang menguasai detail kerangka kerja tersebut. Akibatnya, Anda memerlukan
spesialis yang memiliki fokus utama pada penggunaan kerangka kerja big data itu sendiri. Kami
menyebutnya rekayasawan data.
Seperti halnya ilmu data, big data adalah area yang luas. Mari kita ambil contoh satu produk
populer di ruang big data—kerangka kerja Apache Hadoop [15]. Beberapa tahun yang lalu,
distribusi salah satu vendor Hadoop terkemuka terdiri dari 23 komponen terpisah, masing-
masing berukuran cukup besar sehingga memerlukan (dan sudah sering ditulis) buku terpisah
untuk membahasnya [68].
Set pengetahuan yang tercakup di dalam bidang rekayasa data jauh lebih besar daripada
satu kerangka kerja big data mana pun. Rekayasawan data sering kali harus mampu beroperasi
di lingkungan lokal dan cloud. Layanan cloud seperti Amazon AWS [11], Microsoft Azure [13],
dan Google Cloud Platform [12] memiliki platform-platform yang berbeda dengan perbedaan
yang signifikan satu sama lain. Itu berarti selain keterampilan spesialis dalam kerangka kerja big
data, rekayasawan data yang Anda pekerjakan mungkin juga perlu memiliki set keterampilan
dalam platform cloud pilihan Anda.
Jelas, batasan yang berlaku untuk ilmuwan data juga berlaku untuk rekayasawan data:
mereka juga manusia dan tidak mungkin mengetahui segala hal. Rekayasawan data dikenal ahli
dalam beberapa komponen kerangka kerja big data terkemuka.
2.7.3 Jadi, di mana unicorn-nya?

Saya tidak suka menyampaikannya, tetapi sangat besar kemungkinan Anda tidak akan
menemukan satu manusia pun yang memiliki keahlian yang kuat pada setiap metode, produk,
dan teknologi yang menjadi bagian dari ilmu data dan rekayasa data. Maksimal, Anda bisa
berharap menemukan beberapa senior yang memiliki pengalaman kuat di setiap topik ilmu data
dan rekayasa data dan yang cukup akrab dengan topik-topik terkait lainnya untuk berbicara
dengan para spesialis di bidang-bidang yang bukan merupakan keahliannya.
Meskipun universitas sudah mulai menawarkan program dan gelar di topik-topik ilmu data
dan rekayasa data dalam beberapa tahun terakhir, kemungkinan masalah ini tidak akan dapat
dipecahkan melalui pendidikan yang lebih baik. Bidang pengetahuan ini terlalu luas, sehingga
Anda harus memiliki ekspektasi yang realistis tentang apa yang dapat diajarkan oleh lembaga-
lembaga tersebut kepada siswa mereka.
PERINGATAN Sebagai pemimpin proyek, Anda harus membedakan antara set

keterampilan yang dimiliki tim dan set keterampilan yang Anda perlukan untuk proyek
Anda. Anda harus mengidentifikasi dan menutup celah keterampilan. Jangan berasumsi
bahwa ilmuwan data senior dan arsitek senior Anda tahu segalanya di bidang mereka,
dan jangan memaksakan ekspektasi bahwa mereka harus tahu segalanya. Ekspektasi
tersebut hanya membuat orang-orang kurang menyadari celah keterampilan.
Pemimpin proyek harus tahu letak celah pengetahuan di dalam tim. Memulai proyek AI yang
memerlukan keterampilan yang belum dimiliki tim Anda mengharuskan Anda untuk menutup
celah-celah pengetahuan ini. Anda melakukannya dengan cara menerapkan analisis celah [69].
Contoh analisis celah antara set keterampilan yang dimiliki tim dan set keterampilan yang
diperlukan ditunjukkan pada gambar 2.7.
Gambar 2.7 Analisis celah antara keterampilan yang dimiliki tim dan keterampilan yang diperlukan. Analisis ini
memungkinkan Anda membuat rencana untuk mengatasi keterampilan yang tidak dimiliki.
Latihan 25
Anda melakukan analisis celah dengan menerapkan langkah-langkah berikut:

1 Anda terlebih dahulu bekerja dengan tim teknis untuk membuat sketsa solusi teknis
tingkat tinggi. Cocokkan waktu yang dihabiskan untuk solusi teknis ini dengan
kemungkinan Anda akan menerapkannya. Jika Anda baru mempertimbangkan proyek
tersebut, solusi tersebut haruslah solusi tingkat tinggi. Jika Anda berencana untuk segera
memulai proyek tersebut, solusi teknis awal Anda memerlukan detail yang signifikan.
2 Berdasarkan solusi tersebut, buat daftar keterampilan teknis yang Anda perkirakan akan
diperlukan oleh proyek untuk mengatasi kasus penggunaan Anda yang telah diidentifikasi.
Ringkasan keterampilan ini harus dibuat oleh orang-orang yang akrab dengan masalah
bisnis yang ingin Anda selesaikan dan memiliki keahlian teknis yang cukup untuk dengan
cepat mengidentifikasi pendekatan teknis tingkat tinggi untuk menyelesaikannya.
3 Keterampilan mana yang sudah dimiliki anggota tim Anda? Tanyakan kepada tim Anda
tentang set keterampilan mereka dan hindari asumsi di area ini—AI dan rekayasa data
adalah bidang yang sangat teknis, dan mudah muncul asumsi yang tidak berdasar.
4 Temukan celah apa pun antara set keterampilan yang diperlukan dan yang sudah dimiliki.
Celah-celah ini berguna dalam memperkirakan tingkat kesulitan proyek untuk tim Anda.
Simpan daftar ini. Jika Anda memutuskan untuk melanjutkan proyek yang menangani
pertanyaan bisnis ini, Anda perlu membuat rencana tentang cara menutup celah tersebut.
(Anda menutup celah pengetahuan dengan melatih tim Anda, mempekerjakan anggota
tim baru, atau mempekerjakan konsultan.)
Pahami bahwa analisis celah selalu dilakukan berdasarkan situasi saat ini. Jika Anda hanya
memandang proyek AI sebagai sebuah kemungkinan, Anda harus melakukan analisis celah ini
pada tingkat kasar, hanya dengan solusi teknis secara garis besar. Untuk proyek yang sedang
berlangsung, Anda memerlukan solusi yang jauh lebih mendetail sebagai titik awal. Ini berarti
Anda umumnya akan melakukan analisis celah beberapa kali di sepanjang siklus hidup proyek.
Waspadai cara Anda bertanya

Ketika Anda bertanya tentang celah dalam keterampilan teknis, Anda sedang meminta staf
teknis Anda untuk mengakui bidang yang secara pribadi mereka tidak memiliki keahlian di
dalamnya. Jika ditangani dengan buruk, mereka mungkin akan menganggapnya sebagai ranjau.
Renungkan hal ini sebelum Anda bertanya; sebagai pemimpin, Anda harus memastikan bahwa
Anda menciptakan suasana di mana anggota tim mudah mengakui bahwa mereka tidak memiliki
beberapa keterampilan teknis.
Salah satu teknik yang disukai untuk menciptakan suasana seperti itu adalah
membangun kepercayaan di antara anggota tim sehingga mereka dapat membicarakan
masalah-masalah seperti ini. Teknik lain yang mungkin berguna bagi Anda adalah
meminta set kerampilan secara pribadi, dengan membuat survei anonim, atau
meminta perantara tepercaya untuk membahas topik dengan anggota tim Anda.
2.8 Latihan
Tujuan buku ini adalah membantu Anda mengembangkan keterampilan praktis yang dapat
Anda gunakan saat menjalankan proyek Anda. Untuk membantu Anda, latihan-latihan di
bagian ini meminta Anda menerapkan keterampilan yang dipelajari dalam bab ini ke skenario
bisnis baru.
2.8.1 Pertanyaan jawaban singkat

Berikan jawaban singkat untuk pertanyaan-pertanyaan berikut:
Pertanyaan 1: Bayangkan sebuah proyek yang gagal di perusahaan Anda. Apakah proyek tersebut
juga akan gagal dengan cara yang sama persis seandainya proyek tersebut memiliki komponen
berbasis AI?
Pertanyaan 2: Apakah Anda secara pribadi memiliki pengetahuan yang cukup tentang ilmu data
dan rekayasa data untuk memahami celah antara keterampilan teknis yang dimiliki tim Anda
dan keterampilan yang mereka perlukan untuk proyek ini?
Pertanyaan 3: Apakah Anda memiliki hubungan yang cukup baik dengan anggota tim Anda se-
hingga mereka merasa nyaman mengakui keterbatasan set keterampilan mereka kepada Anda?
2.8.2 Pertanyaan berbasis skenario

Jawablah pertanyaan-pertanyaan berikut ini berdasarkan skenario yang dijelaskan:
Pertanyaan 1: Salah satu keterampilan penting dalam menerapkan loop Sense/Analyze/

React adalah mengidentifikasi orang yang akan mengeksekusi di bagian pola React. Untuk
skenario berikut, jawablah pertanyaan ini: Siapa atau apa yang akan melaksanakan tindakan dan
memenuhi bagian React dari loop Sense/Analyze/React?
 Skenario 1: Anda sedang membuat mobil otomatis, dan AI yang Anda gunakan akan
memungkinkan pengemudian yang sepenuhnya otonom dalam semua kondisi (yang
disebut otonomi Tingkat 5 [38], di mana pengemudi sama sekali tidak memiliki kendali).
 Skenario 2: Anda sedang menyusun mesin rekomendasi yang merekomendasikan produk-
produk kepada pelanggan.
 Skenario 3: Anda sedang menyusun sebuah program AI untuk mengatur thermostat
pintar yang mengontrol suhu di rumah Anda.
Pertanyaan 2: Gunakan AI untuk membuat pekerjaan baru. Temukan contoh kemampuan AI

yang memungkinkan Anda menawarkan layanan baru yang belum disediakan oleh organisasi
Anda. (Agar dapat disebut sebagai solusi untuk latihan ini, pekerjaan tersebut harus sangat tidak
berkaitan dengan tim pengembangan perangkat lunak sedang membangun AI, bahwa orang
yang dipekerjakan untuk pekerjaan tersebut kemungkinan besar tidak akan pernah bertemu
dengan tim tersebut.)
Pertanyaan 3: Bayangkan Anda sedang menggunakan algoritme Ai dalam konteks fasilitas

medis—misalnya departemen radiologi di sebuah rumah sakit besar. Anda beruntung memiliki
ahli AI terbaik di bidang klasifikasi citra dalam tim Anda, yang sudah menangani bagian AI
untuk Anda. Meskipun Anda yakin bahwa ahli tersebut mampu mengembangkan algoritme AI
untuk mengklasifikasikan citra medis ke dalam normal dan tidak normal, ahli tersebut belum
pernah bekerja di lingkungan kesehatan sebelumnya. Apa pertimbangan lain yang perlu Anda
tangani untuk mengembangkan produk AI yang dapat diterapkan ke pelayanan kesehatan?
Ringkasan 27
Pertanyaan 4: Terapkan contoh sebelumnya dari lingkungan rumah sakit ke masalah klasifikasi
di industri Anda. Apa saja pertimbangan baru yang ada di industri Anda dibandingkan dengan
industri pelayanan kesehatan?
Pertanyaan 5: Berikan sebuah contoh AI yang telah menggantikan peran manusia tetapi tidak
memberikan pengalaman yang sebaik manusia.
Pertanyaan 6: Anda adalah produsen kamera keamanan, dan Anda telah mengembangkan
algoritme AI yang dapat mendeteksi seseorang dalam sebuah gambar. Terkait taksonomi
perannya dalam bisnis Anda, bagaimana Anda mengklasifikasikan penggunaan AI ini?
Pertanyaan 7: Anda adalah perusahaan asuransi, dan Anda telah mengembangkan program AI
yang, berdasarkan foto-foto statis lokasi kecelakaan, dapat mengenali bagian mobil yang rusak
dalam sebuah tabrakan. Apakah ini dapat menggantikan penaksir asuransi?
Ringkasan
 M
engelola proyek AI tidak memerlukan keahlian dalam detail algoritme AI. Sebagai
gantinya, Anda perlu mengetahui cara menjelaskan manfaat dari proyek AI dalam istilah-
istilah bisnis. Masalah bisnis apa yang sedang dipecahkan? Apa manfaat bisnis yang
diberikan oleh AI? Bagaimana manfaat tersebut diukur?

Anda dapat menemukan tindakan-tindakan bisnis yang dapat Anda lakukan dan yang
dapat memperoleh manfaat dari AI menggunakan proses yang sistematis. Terapkan
taksonomi yang dijelaskan pada gambar 2.5 ke organisasi Anda.

Kemampuan AI didasarkan pada kemampuan untuk mengetahui lebih cepat,
memprediksi, memproses data terstruktur dan tidak terstruktur, dan melakukan tugas-
tugas persepsi

AI dapat membantu bisnis Anda dengan melakukan analisis yang melandasi beberapa
tindakan bisnis konkret. Peluang AI muncul ketika Anda dapat menerapkan loop Sense/
Analyze/React, dengan bagian Analyze didasarkan pada kemampuan AI dan bagian
React didasarkan pada tindakan-tindakan bisnis konkret yang dapat Anda lakukan.
 Tidak ada individu yang ahli di semua topik AI dan ilmu data, dan pemimpin Proyek
rekayasa data harus mengidentifikasi dan menutup celah-celah yang relevan dalam hal
pengetahuan dan kemampuan yang dimiliki oleh tim.
Memilih proyek AI
pertama Anda
Bab ini membahas

Memilih proyek AI yang disesuaikan dengan kemampuan
0
AI organisasi Anda
Membuat prioritas proyek AI dan memilih proyek AI untuk
0
dijalankan terlebih dahulu
Merumuskan pertanyaan penelitian yang berkaitan den-
0
gan masalah bisnis
Perangkap yang harus dihindari saat memilih proyek AI,
0
dan praktik-praktik terbaik untuk proyek tersebut
Untuk mengembangkan organisasi analitis yang berkelanjutan, Anda tidak boleh memulai
dengan proyek AI yang melibatkan tantangan teknis yang kompleks. Sebaliknya, Anda harus
memilih proyek awal Anda sehingga Anda dengan cepat memperoleh hasil yang jelas dan
dapat ditindaklanjuti. Seluruh proses Anda harus diatur untuk mengoptimalkan waktu
pencapaian keberhasilan.
Bab ini menunjukkan cara memilih proyek AI pertama Anda. Di sini Anda juga
mempelajari cara memeriksa apakah pertanyaan penelitian yang digunakan proyek AI Anda
secara tepat mencerminkan masalah bisnis yang seharusnya ditanganinya. Terakhir, bab ini
menyajikan daftar perangkap umum yang mungkin menghambat tim AI pemula.
28
Memilih proyek yang tepat untuk tim AI pemula 29
3.1 Memilih proyek yang tepat untuk tim AI pemula

Saya berasumsi bahwa tujuan jangka panjang Anda adalah membangun tim AI yang akan
membantu kesuksesan organisasi induk Anda dengan menghadirkan serangkaian proyek terkait
AI yang berhasil. Untuk mencapainya, Anda perlu memahami perjalanan yang akan dilewati oleh
tim AI yang sukses. Bagian ini menjelaskan perjalanan tersebut.
TIPS Jika Anda sedang mengupayakan proyek AI satu kali, mungkin sebaiknya Anda
membeli solusi siap pakai atau mengontrak mitra eksternal untuk mengerjakannya
untuk Anda.
Salah satu keputusan paling penting yang perlu Anda ambil sebagai seorang pemimpin adalah
bagaimana Anda ingin membuat prioritas urutan proyek AI awal yang harus dikerjakan tim Anda.
Sebelum Anda siap mengambil keputusan tersebut, Anda perlu memahami dampaknya. Untuk
memahami bagaimana tim AI berhasil atau gagal, Anda terlebih dahulu perlu memahami seperti
apa wujud keberhasilan dan kegagalan.
3.1.1 Wujud keberhasilan

Leo Tolstoy menulis dalam Anna Karenina [70]:
Semua keluarga yang bahagia itu serupa; setiap keluarga yang tidak bahagia tidak bahagia dengan caranya
masing-masing.
Demikian pula, semua tim AI yang sukses itu serupa: tim AI Anda berkembang dalam hal keahlian
(dan mungkin jumlah orang) dan memecahkan masalah-masalah yang makin rumit. Proyek
AI yang gagal muncul akibat bermacam-macam kesalahan (banyak di antaranya dijelaskan di
bagian 3.4), dan proyek-proyek yang gagal ini dapat menyeret seluruh tim AI Anda. Bagian ini
menjelaskan mengapa Anda harus memuali dengan proyek-proyek yang cepat untuk diselesaikan
tetapi tetap memberikan nilai yang signifikan untuk bisnis Anda.
Jika Anda sedang memulai upaya AI di organisasi Anda (atau bahkan jika Anda adalah bagian
dari organisasi analitis yang mapan), Anda menghadapi tiga energi:
1
Peluang melimpah—Anda sedang bekerja dengan teknologi (AI dan big data) yang
sebelumnya tidak ada di dalam bisnis dan industri, dan Anda adalah orang yang pertama
kali menerapkannya ke banyak dataset yang dimiliki organisasi Anda.
2
Waktu dan sumber daya terbatas—Anda memiliki sumber daya yang terbatas untuk
dikerahkan ke analisis. Kemungkinannya adalah Anda tidak memiliki cukup orang yang
memenuhi syarat untuk menjalankan proyek AI yang sedang Anda gagas.
3
Keberhasilan menjadikan Anda lebih kuat—Jika Anda menghasilkan uang untuk bisnis Anda,
sumber daya analisis Anda akan meningkat seiring waktu. Manajemen berinvestasi dalam
tim dengan rekam jejak yang baik dalam menghadirkan nilai. Ilmuwan data tambahan
mau bergabung dengan proyek dengan riwayat keberhasilan. Pecahkan beberapa masalah
mudah terlebih dahulu, dan Anda akan mendapatkan sumber daya yang Anda butuhkan
untuk mengatasi masalah-masalah yang lebih besar.
Bagaimana Anda berhasil dalam lingkungan seperti ini? Apakah masuk akal untuk berkonsentrasi
pada keuntungan besar terlebih dahulu terlepas dari kesulitannya yang tinggi (misalnya, proyek
yang memberikan nilai moneter yang signifikan)? Jelas tidak. Yang sulit hari ini akan lebih mudah
30 BAB 3 Memilih proyek AI pertama Anda
dilakukan besok, jadi mulailah dengan proyek yang memiliki nilai moneter yang signifikan dan
dapat diselesaikan dengan cepat.
TIPS Kuncinya adalah proses yang cepat pada proyek awal sehingga Anda dapat belajar
dengan cepat. Anda adalah orang pertama di perusahaan Anda yang menerapkan
AI ke data dan masalah bisnis Anda, dan ada banyak peluang untuk sukses dengan
AI. Sejujurnya, jika Anda tidak dapat mencapai keuntungan mudah dalam kondisi ini,
maka AI tidak dapat membantu bisnis Anda.
Mari gunakan analogi lain. Posisi tim Anda (sehubungan dengan peluang) mirip dengan
pemburu yang menemukan lahan perburuan yang kaya hewan buruan. Jika peluang untuk
menghasilkan uang diibaratkan hewan, dan Anda adalah seorang pemburu prasejarah, Anda
sedang beroperasi di lingkungan yang penuh dengan buruan (Lihat gambar 3.1).
Gambar 3.1 Anda berada di lahan perburuan yang kaya hewan buruan—banyak kelinci dan seekor mamut besar
yang terlihat. Hewan mana yang harus Anda coba tangkap terlebih dahulu?
Membangun organisasi analitik yang sukses mirip dengan bertahan dan makmur sebagai seorang
pemburu. Sekarang, tanyakan dalam hati, "Jika saya berada di posisi tersebut, apakah saya akan
membidik hewan terbesar di lahan ini terlebih dahulu?"
Jawabannya mungkin tidak, mengingat Anda berada di ujung garis keturunan yang panjang
dan terhormat yang telah berhasil meneruskan gen mereka ke generasi berikutnya. Mereka
memiliki akal sehat dan keterampilan untuk bertahan hidup. Di awal, Anda tidak memiliki
keterampilan berburu yang memberi Anda kesuksesan jika Anda memburu mamut terlebih
dahulu! Jika Anda seperti saya, penulis, kemungkinannya adalah pada saat mammoth berbalik,
Anda akan mengacaukannya, berlari jauh, dan menjadi vegetarian di sepanjang sisa hidup Anda.
Namun saya percaya bahwa saya pun bisa berhasil menjerat seekor kelinci. Semua pemburu yang
sukses harus dapat menangkap kelinci (lihat gambar 3.2), bukan?
Gambar 3.2 Mulailah dengan proyek mudah. Keberhasilan dengan proyek tersebut akan meningkatkan keterampilan
dan reputasi Anda di seluruh perusahaan, sehingga Anda dapat mencoba perburuan yang lebih sulit setelahnya.
Anda tidak ingin memulai dengan proyek yang secara teknis sulit yang memerlukan waktu lama
untuk diselesaikan, bahkan jika proyek tersebut dianggap memiliki nilai bisnis yang tinggi. Jika
tim Anda adalah pemburu, proyek yang lebih mudah adalah kelinci dunia proyek.
TIPS Setelah Anda dikenal sebagai pemburu yang baik, anggota suku lainnya akan
lebih bersedia untuk membantu Anda berburu mamut. Seiring tim AI Anda belajar
dan membangun reputasi yang solid dengan tim eksekutif, Anda akan mendapatkan
lebih banyak sumber daya. Itulah saat yang tepat untuk mengerjakan proyek-proyek AI
yang sulit.
Mulai sederhana dan bangun dari sana: Sebuah contoh

Sebuah perusahaan rekayasa yang besar dan mapan yang sedang membangun mesin berat
berminat menggunakan AI. Proyek awal mereka relatif sederhana, dan teknologi AI yang digunakan
adalah teknologi AI yang Anda temukan di hampir setiap buku pengantar pembelajaran mesin
(ML). Analisis terdiri dari pengklasteran dasar masalah-masalah yang diatasi dengan peralatan
dan prediksi tren dasar. Tetapi data tentang kegagalan peralatan memiliki volume yang besar,
sehingga jenis analisis tersebut bukan sesuatu yang dapat dilakukan secara manual di seluruh
lini peralatan yang diproduksi oleh perusahaan ini. Detail kasus bisnis dikhususkan untuk operasi
tersebut, tetapi kasus monetisasinya sederhana dan mudah. Manajemen tingkat yang tinggi
setuju bahwa memulai proyek tersebut adalah ide yang bagus dan setuju untuk melakukan
tindakan bisnis berdasarkan saran AI. Tindakan bisnis yang harus diambil (berdasarkan analisis)
adalah mengubah alokasi sumber daya untuk pemeliharaan peralatan masa depan.
Sebuah tim kecil menyelesaikan sisi teknis proyek dengan cepat. Para manajer mudah dibujuk
untuk segera menyesuaikan hasilnya. Kasus bisnis yang kuat telah membantu pemimpin tim
AI untuk menavigasi banyak kendala organisasi serta hambatan birokrasi, yang juga terjadi di
organisasi besar mana pun. (Tim AI juga belajar cara menghindari banyak rintangan di masa-
masa mendatang.)
Solusi tersebut menyediakan visibilitas tinggi kepada tim AI serta hubungan yang sangat baik
dengan tim eksekutif. Tim AI kini memiliki akses ke semua sumber daya yang diperlukan dan
mampu mempekerjakan SDM baru dan mengerjakan proyek-proyek yang lebih sulit. Terlepas
dari itu, proyek yang dipilih selanjutnya relatif sederhana secara teknis dan, sekali lagi, memiliki
konsekuensi bisnis yang besar. Ini adalah sebuah siklus kebaikan: tim AI menjadi lebih dihargai
dan memiliki akses ke lebih banyak sumber daya. Hari ini, seperti yang dapat Anda bayangkan, tim
menjadi jauh lebih besar dan mengerjakan beberapa proyek AI yang paling rumit di industrinya.
3.1.2 Wujud kegagalan

Apa yang harus Anda hindari untuk mencegah kegagalan besar? Ya, ada banyak bentuk kegagalan
yang dapat dialami oleh proyek-proyek AI kecil, tetapi hanya ada satu bentuk kegagalan umum
yang dialami oleh seluruh tim AI. Kegagalan tim secara keseluruhan terjadi ketika tim AI
mengerahkan semua upaya untuk satu proyek AI yang pada akhirnya gagal.
Mari mengembangkan analogi kita sebelumnya tentang pemburu. Bagaimana pemburu
tersebut gagal? Pada akhirnya, seorang pemburu yang sukses memiliki sesuatu untuk dimakan,
tidak seperti pemburu yang gagal. Mengapa pemburu yang gagal bisa kelaparan di lingkungan
yang kaya dengan hewan buruan?
Di lingkungan yang kaya dengan hewan buruan, Anda tidak kelaparan karena Anda gagal
berburu hewan terbesar. Anda kelaparan karena Anda menghabiskan terlalu banyak waktu untuk
mengejar hewan terbesar, melupakan hewan yang lebih kecil yang seharusnya lebih mudah
dijadikan makan malam. Saat yang tepat untuk berburu hewan besar adalah ketika Anda telah
mengasah keterampilan untuk berburu hewan yang lebih kecil dan saat perut Anda kenyang.
CATATAN
Ketika Anda baru saja memulai upaya AI Anda, Anda akan kesulitan menyusun tim
yang cukup besar yang mampu menaklukkan peluang terbesar dan terberat Anda.
Pendekatan berbahaya, "Mari kita kejar peluang besar terlebih dahulu," terlalu sering
menjadi taruhan berisiko yang dapat menghancurkan tim Anda.
Memilih untuk memulai dengan proyek yang secara teknis menantang, bahkan jika terdapat
nilai yang dianggap lebih tinggi, adalah hal berbahaya. Jika proyek Anda rumit, tim analitik Anda
mungkin tidak memiliki cukup sumber daya untuk menjalankan proyek penting lainnya. Semua
telur Anda berada dalam satu keranjang.
Diagnosis medis adalah masalah yang sulit

Bayangkan Anda adalah bagian dari tim rumah sakit yang berminat pada AI, dan Anda
mencoba proyek ambisius terbesar—menggunakan AI untuk membantu di departemen
onkologi. Anda membentuk tim proyek besar untuk membangun sistem pendukung keputusan
untuk departemen onkologi. Namun, kanker adalah penyakit yang rumit, dan di rumah sakit,
dalam pedoman klinis, dokter adalah pengambil keputusan akhir dalam menyelesaikan sesuatu.
Sekarang Anda sedang mengerjakan proyek yang rumit yang memerlukan jutaan dolar investasi,
dan Anda mencoba mengatasi masalah yang terlampau luas. Anda juga belum membangun
kepercayaan secara bertahap dengan pengguna akhir Anda (para dokter onkologi), jadi mereka
skeptis dengan hasil sistem AI Anda. Lebih parah lagi, mereka berhak untuk skeptis! Purwarupa
sistem awal yang diterapkan ke berbagai masalah menyediakan hasil yang buruk. Anda terjebak
dalam lingkaran setan, tanpa alternatif kecuali menggandakan biaya proyek yang sudah Anda
investasikan jutaan dolar ke dalamnya.
Tim Anda mungkin akan mencapai hasil yang jauh lebih baik jika mereka berkonsentrasi pada
masalah yang lebih sederhana dan membangun hubungan baik dengan para dokter terlebih
dahulu. Pertama-tama, kanker bukanlah penyakit tunggal, tetapi sekelompok penyakit besar.
Kemajuan besar baru-baru ini terjadi dalam penggunaan AI di bidang pencitraan medis [64], yang
memungkinkan misalnya diagnosis aritmia jantung dengan baik. Mengapa tidak membangun
hubungan yang baik dengan beberapa kardiolog dan mengerjakan proyek yang lebih sulit
setelahnya? Peluang keberhasilan Anda jelas tidak akan terganggu jika kepala kardiologi bersedia
merekomendasikan keahlian Anda kepada rekan kerja mereka di departemen lain.
Gambar 3.3 menunjukkan apa yang dapat terjadi jika Anda mengerjakan proyek yang terlalu
sulit untuk keterampilan awal tim Anda.
Terkadang, jika Anda memulai dengan proyek yang rumit, Anda mungkin beruntung.
Mungkin Anda akan mampu menjaga kepercayaan manajemen cukup lama hingga proyek
berhasil Anda selesaikan, dan keberhasilan akan menguntungkan upaya yang lebih besar
Gambar 3.3 Anda telah memojokkan

mammoth pada perburuan pertama
Anda. Kini apa yang akan Anda lakukan?
setelahnya. Tetapi apakah bijak bertaruh pada dukungan semacam ini, atau apakah ini adalah
risiko besar di mana sumber daya Anda yang paling berharga (waktu tim Anda) terfokuskan
ke satu upaya besar? Selain itu, ingat bahwa jenis keberhasilan ini juga akan memunculkan
ekspektasi yang tinggi untuk pencapaian-pencapaian di masa depan. Bahkan jika proyek
pertama Anda berhasil, sekarang Anda harus menemukan proyek besar dan berisiko lainnya.
Berapa lama sebelum keberuntungan Anda habis?
Saat menjalankan tim ilmu data, bahaya yang sebenarnya terletak pada pengerjaan proyek
yang kompleks, bertahan terlalu lama di jalur yang salah, memonopoli sumber daya langka
Anda, dan tidak memiliki apa pun untuk ditunjukkan untuk upaya Anda. Sementara itu, Anda
mengeluarkan biaya yang besar. Selain itu, Anda menempatkan manajemen dalam posisi bahwa
mereka harus terus mendukung proyek mahal yang tidak memberikan hasil dengan cepat.
Bagaimana jika mereka memutuskan bahwa menghentikan proyek adalah langkah terbaik?
PERINGATAN Ketika Anda sedang membangun proyek AI yang akan digunakan sebagai
sistem pendukung keputusan, organisasi bisnis Anda membutuhkan waktu untuk
mempelajari cara mengimplementasikan hasil analisis berbasis AI Anda. Jika tim manajemen
Anda cemas sebelum bagian teknis proyek selesai, proyek Anda akan gugur sebelum
berkembang.
3.2 Membuat prioritas proyek AI

Bagaimana Anda memilih proyek AI pertama yang tepat? Sederhana: dari sudut pandang bisnis,
proyek tersebut harus layak, bernilai, dan sederhana. Itu berarti setiap proyek harus dapat
memberikan hasil yang dapat ditindaklanjuti untuk bisnis Anda. Proyek harus memiliki nilai
bisnis yang besar, dan Anda harus dapat memperkirakan tingkat kesulitan pengerjaannya. Bagian
ini menunjukkan kepada Anda cara membuat daftar proyek yang memenuhi kriteria tersebut.
Gambar 3.4 menggambarkan proses yang harus Anda gunakan untuk membuat daftar proyek.
Gambar 3.4 Bagian C dari CLUE memungkinkan Anda membuat daftar proyek-proyek AI yang layak dan memperkirakan
masing-masing.
Membuat prioritas proyek AI 35
Gambar 3.4 menunjukkan unsur-unsur ini:

1 Mulailah dengan melihat semua area bisnis yang menjadi tanggung jawab tim Anda.
2 Area mana yang memungkinkan penerapan AI dan memastikan Anda mencakup semua
unsur dalam loop Sense/Analyze/React? (Referensi bagus untuk langkah ini adalah
gambar 2.4 dalam bab 2.)
– Mulailah dengan React, dengan menemukan tindakan-tindakan yang tersedia yang
dapat dilakukan. (Lihat bagian 3.2.1 untuk detailnya.)
– Kemudian pastikan Anda dapat mencakup sisi loop Sense dan Analyze. (Lihat bagian
3.2.2 untuk detailnya.)
3 Tentukan metrik bisnis yang akan Anda gunakan untuk mengukur seberapa besar proyek
AI Anda membantu Anda mencapai tujuan bisnis. (Lihat bagian 3.2.3 untuk detailnya.)
4 Perkirakan nilai bisnis proyek AI tertentu.
5 Perkirakan kesulitan menerapkan kasus bisnis ini dan berapa lama waktu yang diperlukan
untuk menerapkannya (bagian 3.2.4).
Saya akan berasumsi Anda dapat memperkirakan nilai bisnis (langkah 4) dari proyek AI tersebut
sendiri, karena Anda lebih mengenal organisasi atau bisnis Anda dibandingkan saya. Bagian lain
dari bagian ini menunjukkan kepada Anda cara menerapkan langkah-langkah lain dalam alur
kerja ini.
3.2.1 React: Mencari pertanyaan bisnis untuk dijawab oleh AI

Setelah membaca bab 2, Anda sudah mengetahui taksonomi AI berdasarkan peran yang dimiliki
AI dalam bisnis. Menggunakan taksonomi tersebut adalah cara yang baik untuk memunculkan
tindakan-tindakan bisnis yang dapat digunakan dalam loop React. Bagian ini menunjukkan
kepada Anda cara menerapkan taksonomi tersebut.
Anda menemukan bagian React yang sesuai dari loop Sense/Analyze/React dengan
menggunakan proses eliminasi. Pertama, lihat semua area bisnis Anda. Kemudian tentukan
area mana saja yang akan mendapatkan manfaat dari AI dengan menerapkan taksonomi
AI pada tingkat tinggi (seperti yang dijelaskan pada gambar 2.5 dalam bab 2). Gambar 3.5
menunjukkan cara menggunakan taksonomi tersebut untuk membantu memfasilitasi diskusi
untuk menemukan tindakan domain yang mencakup bagian React dari loop.
Gambar 3.5 hanya menerapkan taksonomi AI terkait bisnis yang ada dan mengajukan
pertanyaan yang dirancang untuk menemukan masalah bisnis yang perlu dijawab oleh AI. Saya
akan menunjukkan contoh cara menggunakannya.
Bayangkan Anda sedang bekerja dengan peritel independen namun merupakan bagian
dari waralaba yang lebih besar. Setiap perubahan proses memerlukan persetujuan dari pemilik
waralaba, dan manajemen toko tidak bersedia meminta persetujuan hingga Anda menunjukkan
kepada mereka bahwa AI dapat meningkatkan keuntungan. Akibatnya, manajemen peritel
tidak bersedia mengubah atau mengotomatisasi proses bisnis mereka, tetapi dapat mengubah
konfigurasi produk (jumlah produk dari jenis tertentu yang ada di toko).
Gambar 3.5 Bagian React dari loop Sense/Analyze/React: menemukan masalah bisnis yang dapat direspons oleh AI.
Setelah Anda mengidentifikasi peran AI dalam bisnis Anda, ajukan pertanyaan yang diberikan di sini.
TIPS Skeptisisme manajemen terhadap solusi berbasis AI adalah masalah yang

sering kali perlu ditangani di dunia nyata. Ahli teknologi sering menggunakan
kemampuan AI tanpa pikir panjang, tetapi pebisnis terkadang bersikap skeptis. Anda
perlu mendapatkan kepercayaan mereka sebelum proyek AI yang lebih besar dan
lebih efektif dapat diadopsi. Tempatkan diri Anda dalam posisi manajemen peritel.
Bagaimana jika Anda bertemu pemilik waralaba dan tiba-tiba mengatakan, "Apakah
kita bisa mengubah proses yang berdampak pada semua toko dalam waralaba? Saya
ingin mencoba sesuatu yang disebut AI di toko saya, tetapi saya tidak tahu bagaimana
hasilnya."
Dalam contoh ini, satu-satunya penggunaan AI yang dapat Anda buat adalah membantu
manajemen toko itu sendiri. Ini jelas merupakan contoh pembuatan sistem pendukung
keputusan. Lihat gambar 3.5 di cabang AI untuk Sistem Pendukung Keputusan. Pertanyaan
yang berlaku untuk cabang ini adalah keputusan apa yang dapat diambil oleh manajemen dan
mengapa mereka belum mengambilnya? Di situlah Anda belajar bahwa yang dapat dilakukan
oleh tim manajemen Anda saat ini adalah mengubah konfigurasi produk—Anda dapat
menempatkan produk-produk yang berbeda di rak-rak yang berbeda. Ini adalah bagian React
dari loop Sense/Analyze/React.
Pertanyaan bisnis yang Anda jawab adalah, "Apa campuran produk yang paling
menguntungkan di toko saya, berdasarkan riwayat penjualan?" Sekarang Anda dapat beralih ke
bagian Sense/Analyze dari loop.
Jangan berhenti begitu Anda menemukan masalah bisnis pertama

Sebelum kita lanjutkan, mari kita lihat apakah ada pilihan lain untuk menggunakan AI di toko ritel
ini. Lihat lagi gambar 3.5. Adakah cara untuk menggunakan AI sebagai Bagian dari cabang Produk
yang Lebih Besar? Sudah ada sistem pengawasan video di toko. Dapatkah Anda menggunakan
sistem pengawasan video tersebut dengan AI? Jika manajemen ingin mengoptimalkan campuran
produk toko, fungsi AI apa yang dikombinasikan dengan pengawasan video yang dapat Anda
lakukan untuk manajemen? Seperti inilah Anda menemukan tambahan pertanyaan bisnis yang
dapat ditindaklanjuti:
 Apakah seorang pelanggan melihat produk tersebut dan pergi? Apakah produk tersebut
lebih mahal daripada produk pesaing?
 Apakah seorang pelanggan mencari produk yang sedang kosong? (Mereka mendekati
area di mana produk tersebut ditampilkan, melihat bahwa produk tersebut kosong, lalu
pergi dari toko.)
Jika Anda dapat menggunakan AI untuk menjawab pertanyaan-pertanyaan ini, Anda mungkin
telah menemukan kasus penggunaan yang layak yang dapat membantu Anda mengoptimalkan
konfigurasi produk. Saat menggunakan gambar 3.5, ingat bahwa setiap area bisnis dapat
menghasilkan beberapa kasus penggunaan.
Tetapi sebelum Anda menghabiskan terlalu banyak waktu untuk mempertimbangkan penggunaan
AI untuk analisis aliran video, ingatlah bahwa ini bukan masalah yang mudah untuk dipecahkan,
dan diperlukan waktu untuk menerapkan proyek AI tersebut.
Sebelum memulai purwarupa, Anda memutuskan untuk meminta pendapat manajemen peritel
tentang kasus penggunaan yang Anda temukan. Untungnya Anda bertanya! Manajemen memberi
tahu Anda bahwa mereka mengkhawatirkan aspek hukum dan hubungan publik dari penggunaan
AI ini di toko mereka. Mereka tidak berminat menggunakan analisis video. Anda baru saja
menyelamatkan perusahaan dari biaya penerapan solusi AI yang tidak akan digunakan bahkan
jika solusi tersebut berhasil.
3.2.2 Sense/Analyze: Metode AI dan data

Setelah Anda membangun bagian React dari loop, Anda harus memutuskan algoritme AI
yang akan Anda gunakan, dan memastikan bahwa Anda memiliki data yang memadai untuk
menggunakannya. Bagian ini membahas tentang hubungan antara data dan metode AI.
Ini adalah salah satu area di mana, jika Anda sendiri tidak mahir dalam AI, Anda memerlukan
seorang ahli yang benar-benar menguasai berbagai macam algoritme AI dan ML untuk membantu
Anda. Tidak ada satu buku pun yang dapat mengajari Anda hingga dapat menggantikan ahli
tersebut, mengingat bidang AI terlalu luas dan berubah begitu cepat. Namun, taksonomi
yang disajikan dalam gambar 2.6 dalam bab 2 dapat berguna untuk membingkai diskusi dan
mengingatkan Anda tentang kemampuan AI secara umum yang dapat Anda terapkan ke
pertanyaan bisnis yang ingin Anda tangani.
Setelah Anda memiliki ide tentang jenis metode AI yang akan Anda gunakan, Anda
perlu menyadari hubungan antara metode tersebut dan data, seperti yang ditunjukkan pada
gambar 3.6.
Gambar 3.6 Data dan metode ilmu data saling berhubungan dan saling memengaruhi.
Jangan pernah mendiskusikan sebuah metode tanpa bertanya di mana Anda dapat memperoleh data yang
diperlukan untuk melatihnya.
Anda harus selalu mempertimbangkan metode AI dan data yang sedang Anda rencanakan
untuk digunakan bersama-sama. Anda dapat membagi data menjadi dua kelompok: data
yang dimiliki tim Anda dan data yang dapat dikumpulkan tim Anda.
TIPS Data yang bisa Anda kumpulkan bukan hanya data yang Anda miliki di suatu
tempat dalam organisasi Anda tetapi tidak langsung tersedia untuk tim Anda. Data
tersebut juga bisa berupa data yang dapat Anda peroleh dari sumber di luar organisasi
Anda atau data yang dapat Anda beli dari mitra bisnis. Untuk mendapatkan akses ke
data tersebut sering kali diperlukan negosiasi dan kontrak resmi.
Pertimbangan saat mengumpulkan data

Pengumpulan data memiliki banyak jebakan, dan Anda harus mengelolanya dengan hati-hati.
Tanyakan setidaknya pertanyaan-pertanyaan berikut:
 Apa yang perlu dilatih oleh algoritme ML yang Anda pilih berdasarkan data ini? Apa
format data yang diperlukannya? Bagaimana volume data yang diperlukan untuk melatih
algoritme ini? Bagaimana kualitasnya?
 Sumber apa yang menyediakan data ini?
 Siapa yang memiliki dataset-nya?
 Bagaimana biaya pemerolehan dataset ini? Berapa lama waktu yang diperlukan untuk
memperolehnya? Apakah diperlukan negosiasi (atau bahkan kontrak legal resmi) untuk
mendapatkan akses ke data tersebut?
 Bagaimana kesesuaian dataset ini dengan format data yang akan Anda peroleh dalam
sistem produksi? Apakah Anda perlu memproses awal data pelatihan sebelum dapat
digunakan, dan apakah data perlu diberi label?
 Seberapa besar infrastruktur data yang akan Anda butuhkan untuk menyimpan dataset
ini?
 Bagaimana cara Anda mengumpulkan data baru setelah dataset awal dibangun?
 Apakah memungkinkan organisasi Anda memiliki sejumlah data, tetapi tim Anda tidak
dapat mengaksesnya? Sering terjadi Anda tidak dapat mengakses beberapa data yang
sudah dimiliki oleh organisasi Anda. Data dapat bersifat rahasia karena alasan etika,
peraturan, atau kebijakan privasi perusahaan.
 Apa saja pertimbangan hukum dan etika (hak cipta, kebijakan privasi, ekspektasi, dan
sebagainya)? Anda harus selalu mempertimbangkan etika, kebijakan organisasi, dan
peraturan (contohnya adalah GDPR [71] dan HIPAA [72,73]) saat mengumpulkan data.
Setelah membaca daftar periksa ini, Anda akan melihat bahwa, dalam beberapa kasus, Anda
dapat dengan mudah mengumpulkan data yang dibutuhkan oleh algoritme ML Anda. Dalam kasus
lain, Anda mungkin mendapati bahwa data tidak tersedia atau terlalu mahal untuk dikumpulkan.
Dalam contoh ritel yang diberikan di bagian sebelumnya, ilmuwan data Anda meyakinkan
bahwa Anda dapat menggunakan satu metode ML untuk memprediksi tren penjualan dan
metode lainnya untuk mengoptimalkan konfigurasi produk. Nama-nama algoritme dan metode
ini tidak terlalu penting bagi Anda; beberapa istilah seperti ARIMA, LSTM, dan riset operasional
mungkin akan muncul. Metode-metode tersebut memerlukan data tentang riwayat penjualan.
Data tersebut tersedia secara internal di organisasi Anda, dan proyek Anda dapat langsung
mengaksesnya. Anda sekarang telah mengidentifikasi kasus penggunaan yang menggunakan
semua unsur loop Sense/Analyze/React—ini adalah kasus penggunaan yang layak untuk
proyek AI.
AI yang mengenali makanan Anda

Contoh lain hubungan antara data dan algoritme yang digunakan dapat dilihat ketika
menggunakan AI untuk melakukan pengenalan gambar makanan. Konteksnya dapat berupa
pabrik pengolahan makanan atau oven pintar yang terhubung ke internet [74] yang memiliki
kamera di dalamnya dan menggunakan AI untuk secara otomatis mengenali makanan yang
Anda masukkan ke dalam oven.
Untuk membuat oven semacam itu, Anda perlu menggunakan algoritme AI yang dapat
mengenali gambar (pada saat buku ini ditulis, biasanya suatu bentuk jaringan saraf tiruan), dan
Anda memerlukan data untuk melatih metode AI tersebut. Data ini terdiri dari gambar-gambar
berbagai jenis makanan.
Ketika Anda memulai sebuah proyek, Anda tidak akan memiliki banyak foto makanan. Namun,
mungkin ada beberapa sumber eksternal yang dapat Anda gunakan untuk mengumpulkan
data. Sumber tersebut adalah situs web yang menampilkan gambar makanan, atau bahkan
gambar makanan yang dimasak oleh pengguna oven Anda. Ada pertimbangan tambahan
ketika mengumpulkan gambar makanan dari sumber-sumber ini yang terkait dengan data yang
tidak Anda miliki tetapi memungkinkan untuk Anda kumpulkan. Anda perlu memastikan bahwa
undang-undang hak cipta dan privasi dihormati.
Aspek menarik lainnya dalam mengumpulkan data adalah beberapa data yang Anda kumpulkan
sedikit berbeda dari data ideal yang Anda inginkan untuk melatih AI Anda. Posisi dan jenis
kamera di dalam oven membuat gambar makanan yang diambilnya terlihat sedikit berbeda dari
gambar makanan di piring (yang biasanya akan Anda temukan di web). Selain itu, oven adalah
tempat yang berminyak, dan minyak pada kaca dapat memengaruhi kualitas gambar makanan
dalam oven. Tidak ada gambar makanan di web yang diambil dengan lensa berminyak!
Bagaimana jika beberapa pertanyaan bisnis Anda bisa memanfaatkan beberapa teknik AI yang
tidak diketahui oleh ilmuwan data terbaik yang dapat Anda jumpai? Jika ahli AI terbaik yang
dapat Anda jumpai sama sekali tidak mengenal teknik AI tertentu tersebut, singkirkan dari
pertimbangan, karena kemungkinan besar Anda tidak akan dapat membentuk tim yang cukup
kuat untuk menyelesaikan proyek menggunakan teknik tersebut.
Big data atau small data?

Big data (data besar) memiliki pangsa pikiran yang luas, dan kebanyakan percakapan AI terjadi
dalam konteks dataset yang besar. Big data tentu diperlukan: jika Anda akan menyimpan
ratusan gambar per orang, dengan resolusi tinggi, yang diambil oleh jutaan orang, Anda pasti
memerlukan kapasitas penyimpanan yang besar.
Namun, big data hanyalah salah satu jenis data yang dapat digunakan oleh algoritme AI Anda,
jadi Anda tidak boleh hanya memikirkan big data versus small data. Sebaliknya, pikirkan
tentang semua data yang diperlukan untuk mengambil keputusan. Terkadang Anda tidak
memerlukan (atau tidak bisa mendapatkan) dataset besar. Misalnya, hasil triwulanan terjadi
sekali per kuartal. Sebuah studi tentang narkoba tidak akan dapat merekrut jutaan pasien.
Kecelakaan mobil adalah hal umum, tetapi (untungnya) tidak diukur dalam triliunan per tahun.
Beberapa dataset mungkin kecil, tetapi masih menyimpan informasi tentang hasil-hasil yang
penting. Dataset kecil ini juga mungkin mahal untuk dikumpulkan. Pertimbangkan pasar
reasuransi seperti Lloyd's of London. Ketika klaim diukur dalam ratusan juta, dataset-nya
(mudah-mudahan) kecil tetapi penting dan mahal untuk diperoleh.
3.2.3 Mengukur keberhasilan proyek AI dengan metrik bisnis

Dengan memastikan bahwa semua bagian dari loop Sense/Analyze/React tercakup untuk kasus
penggunaan tertentu, Anda telah memverifikasi bahwa kasus ini secara teknis memungkinkan
dan dapat ditindaklanjuti. Tetapi bagaimana Anda bisa tahu bagaimana pengaruhnya terhadap
keuntungan? Bagian ini menunjukkan alasan Anda harus menggunakan metrik domain bisnis
untuk mengukur hasil proyek AI Anda.
AI digerakkan oleh metrik, tetapi Anda harus menggunakan AI untuk memenuhi tujuan
bisnis. Tujuan tersebut harus diwakili oleh metrik bisnis. Metrik bisnis tersebut harus, pada
gilirannya, menunjukkan seberapa berharganya sebuah jawaban atas pertanyaan Anda ketika
digunakan untuk meningkatkan bisnis Anda. Metrik terukur ini tidak harus satu jumlah pasti
seperti "Laba naik 10%." Metrik ini juga dapat diperkirakan, seperti "Laba naik antara 8% dan
12%".
PERINGATAN Metrik bisnis harus ditetapkan untuk setiap satu proyek AI. Metode AI,
pada dasarnya, adalah metode kuantitatif, dalam arti bahwa metode ini beroperasi
hanya dengan data keras (hard data). Jangan mencoba menggunakan AI jika Anda
tidak dapat menentukan metrik bisnis terlebih dahulu yang dapat Anda gunakan
untuk mengukur hasil proyek.
Kemampuan memilih metrik bisnis yang sesuai adalah keterampilan bisnis yang tidak sepele.
Namun kabar baiknya adalah jika organisasi Anda menggunakan metrik dengan benar, Anda
seharusnya sudah memiliki metrik bisnis yang ditetapkan untuk Anda, yakni metrik yang sudah
mengukur hasil bisnis di area yang Anda coba terapkan AI di dalamnya. Metrik tersebut juga
harus mengukur seberapa besar AI meningkatkan bisnis Anda.
Contoh metrik bisnis yang memungkinkan

Sebagai peringatan, metrik bisnis yang tepat selalu spesifik untuk organisasi Anda, bukan sesuatu
yang Anda ambil dari orang lain hanya karena metrik tersebut cocok untuk mereka. Metrik-metrik
berikut bukan pengecualian untuk aturan tersebut—ini adalah contoh metrik yang sesuai untuk
beberapa organisasi.
 Ketika memilih di antara berbagai pemasok, satu metrik yang memungkinkan adalah total
biaya atas penggunaan komponen mereka dalam produk Anda. Perhatikan bahwa metrik
ini berbeda dengan harga komponen mereka, karena metrik ini mencakup biaya terkait
lainnya yang akan Anda keluarkan untuk menggunakan komponen-komponen tersebut.
Ini mencakup biaya dukungan atau perbaikan produk Anda ketika komponen tersebut
rusak.
 Jika Anda adalah penerbit buku yang sedang memperdebatkan jumlah buku baru yang
perlu dicetak, salah satu metrik yang cocok adalah laba yang diharapkan dari penjualan
buku fisik. Ini berbeda dengan laba per buku yang terjual, karena tercakup di dalamnya
faktor-faktor seperti biaya kumulatif buku-buku cetak, biaya kumulatif penyimpanan buku
di toko buku atau fasilitas penyimpanan lainnya, jadwal dan harga yang Anda harapkan
untuk menjual buku tersebut, serta biaya modal.
 Misalnya Anda adalah seorang peritel yang sedang mengoptimalkan konfigurasi produk,
seperti contoh yang diberikan di bagian 3.2.1. Satu metrik bisnis yang tepat untuk peritel
tersebut adalah seberapa besar hubungan perubahan pendapatan bersih dengan semua
item dalam konfigurasi produk? Pendapatan bersih tidak hanya dipengaruhi oleh volume
penjualan dari masing-masing item di dalam konfigurasi, tetapi juga oleh biaya perubahan
konfigurasi tersebut, penyimpanan, transportasi, dan banyak biaya lain yang spesifik
untuk setiap peritel.
Metrik bisnis yang baik harus disesuaikan dengan kebutuhan organisasi Anda serta hasil bisnis
konkret yang Anda ukur.
Buku ini tidak dapat memberikan semua praktik terbaik untuk membangun metrik organisasi
yang baik; karena topik ini bisa dijadikan buku tersendiri (buku Luftig dan Ouellette [1] dan
buku Ries [28] membahas topik metrik bisnis). Namun, saya ingin menunjukkan bahwa metrik
bisnis yang baik harus spesifik untuk organisasi Anda, terhitung, terukur, relevan dengan hasil
yang diinginkan, dan bebas dari konsekuensi yang tidak diinginkan.
TIPS Terkadang organisasi Anda menggunakan sebuah metrik Bisnis, tetapi Anda
menduga bahwa apa yang diukurnya salah dan tidak berguna untuk menjalankan
bisnis Anda. Jika Anda berada dalam situasi seperti ini, perbaiki metrik tersebut
sebelum Anda memulai proyek AI, dan gunakan metrik yang diperbaiki tersebut untuk
mengukur hasil akhir proyek AI Anda. Jika tidak, Anda akan mengoptimalkan AI
untuk menghasilkan hasil bisnis yang salah.
Setelah memilih metrik bisnis yang dapat Anda gunakan untuk mengukur kontribusi bisnis
dari proyek AI Anda, Anda dapat menentukan ambang batas. Ambang batas ini mewakili nilai
minimum yang harus dicapai oleh tindakan yang diarahkan oleh AI agar proyek Anda sepadan.
Sebagai contoh, jika metrik bisnis yang Anda pilih untuk digunakan adalah "peningkatan laba",
ambang batas Anda mungkin adalah laba Anda harus meningkat setidaknya sebesar $2 Juta/
tahun agar proyek AI sepadan.
Ambang batas untuk contoh peritel

Ambang batas selalu bersifat spesifik bagi organisasi, karena bergantung pada struktur biaya
dan laba organisasi Anda. Anda perlu mendapatkannya dari tim bisnis. Berikut ini adalah
contoh ketika Anda sedang mencari target untuk contoh peritel yang diberikan di bagian 3.2.1.
Anda: Jika proyek AI memberikan peningkatan pendapatan bersih sebesar 1%, apakah Anda
bersedia mengubah konfigurasi produk?
Manajer peritel: Meskipun saya bersedia mengubah konfigurasi produk, merekrut pemasok
baru adalah sesuatu yang mahal. Saya perlu memperhitungkan biaya perekrutan pemasok:
bukan hanya biaya keuangan, tetapi juga perhatian manajemen dan waktu yang diperlukan
untuk merekrut mereka. Metrik kita harus memperhitungkan jumlah pemasok baru yang perlu
saya rekrut. Secara khusus, saya perlu pendapatan bersih saya meningkat 0,3% agar perekrutan
satu pemasok baru dapat dilakukan. Jadi saya tidak bisa mengatakan di semua aspek bahwa
1% sudah cukup untuk mengubah konfigurasi produk—angka ini cukup jika saya perlu merekrut
hingga tiga pemasok baru, tetapi tidak cukup jika saya perlu merekrut 20 pemasok baru.
Dalam contoh ini, pendapatan bersih adalah metrik, dan 0,3% untuk setiap pemasok baru
adalah ambang batas.
Sekarang setelah memiliki metrik yang ingin Anda gunakan dengan proyek Anda, Anda perlu
mengonfirmasi bahwa Anda dapat mengukur hasil proyek AI Anda menggunakan metrik
tersebut. Presentasikan metrik bisnis tersebut kepada pakar AI Anda, dan minta mereka
mengonfirmasi bahwa tim mereka dapat melaporkan hasil proyek AI menggunakan metrik
tersebut. Pakar AI Anda perlu membangun keterkaitan antara metrik bisnis tersebut dan salah
satu metrik evaluasi teknis (seperti dalam RMSE) yang ingin mereka gunakan dalam proyek AI.
TIPS Sebuah metrik bisnis sesuai untuk sebuah proyek AI ketika metrik tersebut
mengukur dengan benar hasil bisnis yang ingin Anda capai, dan ketika ahli teknis tahu
cara melaporkan kemajuan teknis mereka menggunakan metrik bisnis tersebut.
Bagaimana jika Anda tidak dapat menemukan metrik bisnis yang dapat diterapkan?
Ketidakmampuan untuk secara mudah mengenali metrik bisnis yang digunakan untuk
mengukur proyek AI adalah tanda peringatan besar. Jika Anda tidak dapat mengukur hasil
bisnis yang ingin Anda capai, Anda harus bertanya pada diri sendiri dan kolega Anda, "Apakah
memulai proyek AI ini keputusan yang tepat untuk kita?"
Tanpa kemampuan untuk menentukan metrik bisnis Anda, Anda juga tidak dapat menentukan
ambang batas nilai apa pun untuk proyek AI Anda. Tanpa ambang batas, Anda tidak tahu
apakah hasil proyek Anda cukup besar untuk digunakan dalam bisnis Anda. Tanpa metrik dan
ambang batas bisnis, Anda juga tidak memiliki cara untuk memperkirakan nilai bisnis proyek
AI Anda, dan Anda tidak akan tahu apakah proyek tersebut hemat biaya. Dalam semua kasus,
dengan tidak adanya metrik bisnis yang baik, manajemen proyek AI akan merosot menjadi
serangkaian keputusan yang dibuat atas dasar firasat.
Ketidakmampuan untuk memilih metrik bisnis untuk proyek AI Anda mungkin merupakan
pertanda metrik bisnis yang dibangun dengan buruk, sehingga menciptakan situasi di
mana Anda dapat memberikan nilai bagi bisnis tetapi tidak dapat mengukurnya. Hal ini juga
dapat menandakan bahwa Anda tidak dapat memberikan nilai bisnis sama sekali. Atau ini
menandakan bahwa proyek AI Anda sangat terputus dari bisnis inti sehingga bisnis tidak tahu
apa yang harus dilakukan dengan hasilnya. Proyek seperti ini minimal mendatangkan risiko.
Terkadang terdapat nilai bisnis yang jelas, tetapi manajemen mungkin menganggapnya
tidak berwujud dan sesuatu yang tidak dapat diukur. Contoh sesuatu yang berwujud adalah
semangat karyawan dan nilai merek. Hal ini terjadi ketika manajemen tidak menyadari bahwa
sesuatu yang tidak berwujud dapat diukur menggunakan rentang bukan satu angka pasti.
Baca buku Hubbard [75] untuk melihat banyak contoh praktik terbaik menggunakan rentang
untuk mengukur apa yang disebut kuantitas tidak berwujud dalam bisnis.
3.2.4 Memperkirakan kesulitan proyek AI

Sekarang Anda telah mengonfirmasi bahwa proyek AI yang Anda pertimbangkan secara teknis
memungkinkan, dan Anda memiliki cara untuk mengukur dampak bisnis dan nilai bisnisnya.
Untuk menentukan apakah proyek AI Anda layak, Anda perlu mengetahui biayanya, kesulitan
implementasinya, dan waktu yang diperlukannya. Bagian ini menjelaskan pertimbangan dalam
menghitung semua kuantitas tersebut.
Untuk memperkirakan kesulitan, Anda perlu membuat garis besar solusi teknis yang akan
digunakan dalam proyek AI. Anda harus memiliki perwakilan dari tim ilmu data dan rekayasa
data Anda, serta arsitek perangkat lunak Anda, yang bekerja sama mengerjakan garis besar
ini. Tujuan Anda adalah menyediakan garis besar solusi secara umum, untuk membandingkan
berbagai kemungkinan proyek AI.
Setelah Anda memiliki garis besar ini, gunakan untuk memperkirakan tingkat kesulitan, biaya,
dan lama waktu pengerjaan proyek. Ini, sekali lagi, adalah perkiraan kasar yang dimaksudkan
untuk membandingkan opsi-opsi proyek AI yang berbeda.
Pertimbangan untuk memperkirakan kesulitan proyek AI

Ketika memperkirakan kesulitan proyek AI, perhatikan pertimbangan berikut:
 Perhitungkan waktu yang diperlukan untuk mengumpulkan data yang Anda butuhkan.
 Apakah Anda memiliki infrastruktur yang diperlukan untuk ukuran data Anda? Apakah
Anda memerlukan kerangka kerja big data?
 Jika Anda menggunakan dataset besar, jangan lupa untuk memperhitungkan waktu
yang diperlukan untuk memproses data dan melatih algoritme AI.
 Apakah tim Anda memiliki semua keterampilan yang diperlukan untuk menangani
kasus penggunaan ini? Apa kesenjangan dalam keterampilan mereka, jika ada?
(Seperti yang ditunjukkan dalam bab 2, pemimpin tim harus mengetahui celah
pengetahuan dalam tim.)
 Apakah sudah pasti bahwa proyek ini secara teknis memungkinkan? Apakah Anda
cukup memahami metode AI yang diusulkan sampai Anda yakin bahwa tim Anda dapat
membangunnya, atau apakah Anda hanya cukup mengenal area AI tersebut hingga
Anda berasumsi bahwa proyek tersebut memungkinkan?
Setelah Anda dapat memperhitungkan hal-hal spesifik tentang proyek AI tersebut, Anda dapat
menggunakan metodologi estimasi apa pun yang Anda pahami di dalam organisasi Anda
untuk memperkirakan proyek-proyek perangkat lunak lainnya.
TIPS Ingat bahwa manusia tidak terlalu pintar melakukan perkiraan [75], apalagi
jika perkiraan tersebut didasarkan pada coret-coretan solusi, dan lebih parah lagi jika
mereka harus melakukan perkiraan di bidang teknis yang sedikit mereka ketahui.
Perkiraan Anda secara alami akan sangat kasar. Perkiraan tersebut hanya dimaksudkan
untuk membandingkan opsi-opsi proyek AI, dan Anda sebaiknya tidak membuat
komitmen kuat terhadap manajemen berdasarkan perkiraan ini.
Pada titik ini, Anda memiliki semua informasi yang Anda butuhkan untuk membuat daftar
proyek AI yang layak dan dapat ditindaklanjuti. Anda tahu cara menentukan apakah proyek
yang diusulkan dapat ditindaklanjuti dan secara teknis memungkinkan. Anda tahu cara
mengukur nilai bisnis proyek AI, dan Anda dapat membuat perkiraan kasar tentang biaya,
kesulitan, dan durasi. Sekarang saatnya Anda memilih proyek AI pertama untuk dijalankan.
Bagian berikutnya memandu Anda melalui pemilihan dan persiapan untuk menjalankan
proyek AI pertama Anda.
3.3 Proyek pertama dan pertanyaan penelitian pertama Anda

Seperti yang dibahas di bagian 3.1, jika tujuan Anda adalah membangun tim AI yang merupakan
aset jangka panjang untuk organisasi bisnis Anda, maka proyek awal harus sederhana dan cepat
untuk dikerjakan. Oleh karena itu, kriteria untuk memilih proyek AI pertama untuk dijalankan
juga sederhana: pilih proyek dapat dikerjakan dengan cepat dan memiliki nilai bisnis yang
signifikan. Setelah Anda memilih proyek tersebut, Anda perlu melakukan hal berikut:
 Tentukan pertanyaan penelitian yang akan dijawab oleh proyek (bagian 3.3.1).
 Atur proyek sehingga jika gagal, itu adalah kegagalan cepat (bagian 3.3.2).
Proyek pertama dan pertanyaan penelitian pertama Anda 45
Bagian lain dari bagian ini menunjukkan cara menentukan pertanyaan penelitian dan
menjelaskan apa yang dimaksud dengan kegagalan cepat.
3.3.1 Menentukan pertanyaan penelitian

Anda telah memilih proyek AI pertama Anda. Proyek tersebut memiliki pertanyaan bisnis yang
jelas yang perlu dijawab, dan pertanyaan tersebut ditulis dalam bentuk yang akan dipahami
oleh pengambil keputusan bisnis. Sekarang pertanyaan tersebut perlu diterjemahkan ke dalam
format yang dapat dipahami oleh AI—"pertanyaan penelitian." Bagian ini menunjukkan cara
memastikan bahwa pertanyaan penelitian Anda sesuai dengan pertanyaan bisnis Anda.
Katakanlah Anda adalah perusahaan manufaktur, dan pertanyaan penelitian Anda adalah,
"Haruskah saya memilih pemasok A atau pemasok B berdasarkan kualitas produk mereka?"
Anda perlu AI untuk menjawab pertanyaan ini, tetapi ada sebuah masalah: AI tidak tahu apa
yang dimaksud dengan konsep pemasok.
AI TIDAK MEMAHAMI KONSEP BISNIS
Orang-orang yang tidak mengenal kemampuan AI sering kali memiliki kesan bahwa AI dapat
menemukan beberapa reaksi bisnis baru yang tidak dapat dilakukan oleh manusia. Dengan level
AI saat ini, hal tersebut hampir tidak memungkinkan.
Tidak ada algoritme AI yang dapat melihat sebuah peritel dan mencari cara untuk
meningkatkan laba. Alasannya adalah AI tidak mengenali apa yang dimaksud dengan kata-kata
peritel, produk, dan laba. AI bahkan tidak tahu apa itu pemasok, apalagi kelebihan satu pemasok
dibandingkan pemasok lain. Itu adalah konsep-konsep bisnis. AI juga tidak memahami bahwa
ada kemungkinan pertimbangan etika, relasi publik, dan hukum mengenai penggunaan AI
dalam menganalisis video pengawasan di toko.
Konsep-konsep bisnis mungkin dapat dimengerti oleh manusia, tetapi data terkait konsep-
konsep tersebut harus dikemas dalam format yang diharapkan oleh algoritme AI/ML. Itu adalah
tugas tim ilmu data Anda. Untuk melakukannya, mereka terlebih dahulu harus merumuskan
pertanyaan penelitian. Anda dapat menganggap pertanyaan penelitian sebagai terjemahan dari
pertanyaan bisnis ke dalam bentuk yang dapat dipahami AI.
BAHASA KONTRAKTUAL DOMAIN TEKNIS
Metode AI beroperasi dalam domain teknis. Bahasa yang digunakan dalam domain tersebut
bersifat kontraktual dan memiliki bentuk, "Jika Anda memberi saya sebuah input dalam format
X, saya menjamin bahwa saya akan memberikan jawaban Y." Kontrak tersebut sering kali rumit
dan memerlukan pakar di bidangnya untuk benar-benar memahami maknanya secara tepat,
serta semua implikasi dari apa yang dikatakan.
Mari melihat bahasa kontraktual ini dalam beberapa contoh konkret:
 AI yang didasarkan pada metode statistik klasik akan menggunakan bahasa pengujian
hipotesis: "Apakah terdapat perbedaan yang signifikan secara statistik antara sampel
komponen dari pemasok A dan pemasok B pada p = 0,05?"
 AI yang didasarkan pada pengenalan gambar akan mengungkapkan dalam bahasa ML:
"Jika ini adalah gambar komponen Anda, saya dapat memberi tahu Anda dengan keyak-
inan 95% bahwa gambar tersebut jauh lebih mirip dengan kelas komponen yang Anda
labeli cacat, dibandingkan dengan kelas-kelas lain."
AI juga dapat memberi tahu Anda bahwa, secara keseluruhan, AI mencapai akurasi 98%
dalam mengklasifikasikan komponen antarkelas secara tepat.
 AI yang digunakan dalam industri penerbitan, untuk memprediksi jumlah buku fisik yang
harus dicetak dalam batch kedua jika batch pertama terjual dalam tiga bulan, mungkin
didasarkan pada model deret waktu. Tergantung model yang digunakan, salah satu
pertanyaan penelitiannya bisa jadi adalah, "Lakukan prediksi dengan interval keyakinan
95% penjualan buku dalam tiga bulan ke depan, berdasarkan penjualan dalam tiga bulan
sebelumnya."
Jika Anda bukan ilmuwan data, kepala Anda mungkin pening sekarang. Apa pula maksud
kalimat-kalimat ini? Terdengar seperti omongan penggila teknologi? Memang! Metode AI
ditentukan dalam format abstrak yang dimaksudkan untuk dipahami oleh komputer dan
ilmuwan data, bukan oleh pengguna bisnis. Untuk menyelesaikan masalah bisnis, Anda perlu
menerjemahkannya ke dalam bahasa AI. Itulah yang saya maksud dengan perumusan masalah
ketika saya mengatakan bahwa ML adalah kombinasi dari perumusan, pengoptimalan, dan
evaluasi. Gambar 3.7 menunjukkan proses ini.
Gambar 3.7 Terjemahan pertanyaan bisnis ke dalam pertanyaan penelitian. AI tidak memahami
konsep-konsep bisnis. Jika Anda tidak akrab dengan statistik, perumusan pertanyaan penelitian
mungkin sulit dipahami.
Tugas para ahli AI Anda adalah memilih pertanyaan penelitian yang sesuai dan menerjemah-
kannya ke dalam format yang dapat dijawab oleh metode AI tanpa mengganggu hubungannya
dengan pertanyaan bisnis Anda.
PERINGATAN Proyek sering berjalan tidak sesuai harapan ketika tim bisnis dan ilmu
data tidak berkomunikasi dengan baik. Pertanyaan bisnis bisa salah diterjemahkan
menjadi pertanyaan penelitian yang buruk, dan menyebabkan Anda mendapatkan
jawaban atas pertanyaan yang tidak Anda ajukan. Masalah tersebut lebih parah jika
Anda kemudian menggunakan jawaban tersebut untuk melakukan tindakan bisnis
yang salah.
Penting untuk dipahami bahwa penerjemahan ini adalah aktivitas yang sangat kompleks
yang mengharuskan tim Anda berbagi pemahaman tentang domain bisnis dan AI.
Penerjemahan ini tidak mudah. Hampir mustahil untuk menciptakan terjemahan yang
Proyek pertama dan pertanyaan penelitian pertama Anda 47
mengevaluasi semua tindakan bisnis yang memungkinkan. Ini adalah tugas pemimpin bisnis
untuk mencegah ketidaksesuaian antara pertanyaan bisnis dan pertanyaan penelitian.
Pertanyaan bisnis dan penelitian yang tidak selaras

Berikut adalah contoh bagaimana pertanyaan bisnis dan penelitian menjadi tidak selaras yang
kemungkinan tidak akan diketahui oleh seorang pemimpin bisnis atau ilmuwan data kecuali
mereka berkomunikasi secara langsung.
Pemimpin bisnis: Beri saya contoh satu kemungkinan jawaban yang akan Anda berikan ketika
Anda menyelesaikan analisis.
Ilmuwan data: Kami memiliki cukup bukti statistik untuk menyimpulkan bahwa hanya ada 5%
peluang bahwa kita akan mendapatkan hasil seperti yang kita dapatkan jika pemasok A memang
tidak lebih baik daripada pemasok B.
Pemimpin bisnis: Jadi, Anda memberi tahu saya bahwa pemasok A lebih baik daripada
pemasok B? Saya berharap, tiga bulan dari sekarang, kita akan memiliki proyek besar yang
memerlukan pemasok baik. Saya berencana mengganti pemasok B dengan pemasok A. Kita
akan meningkatkan pesanan dari pemasok A 100 kali lipat. Apakah analisis Anda cukup untuk
mendukung keputusan bisnis tersebut?
Ilmuwan data: Yang kami tahu adalah pada sampel yang kami uji, A cenderung lebih baik
dari B. . . .
Pemimpin bisnis [berkata dalam hati]: Menarik. Apa maksud dari jargon teknis ini? Ini bukan
sekadar jawaban ya atau tidak. Mari gali lebih dalam . . . .
Pemimpin bisnis: Sebentar. Apa bedanya dengan apa yang baru saja saya katakan? Berikan
saya contoh situasi di mana Anda akan melaporkan bahwa kita memiliki cukup bukti untuk
campur tangan . . . , dan tetap salah untuk memutus pemasok B.
Ilmuwan data: Begini . . . ketika saya mengatakan bahwa kita memiliki cukup bukti statistik
untuk . . . hm . . . menyimpulkan, kami hanya mencakup sampel yang diberikan kepada kami
minggu lalu. Kami tidak bisa mengatakan kondisinya tetap akan sama dalam tiga bulan. Kami
juga tidak dapat mengatakan bahwa pemasok A dapat memberikan tingkat kualitas yang sama
jika pesanan yang Anda buat 100 kali lipat ukuran sampel yang kami uji.
Pemimpin bisnis: Oh, begitu. Bagaimana jika saya perlu mempertimbangkan tren peningkatan
dalam pemasok A dan B? Saya perlu tahu apa yang mungkin terjadi dalam tiga bulan, jika tren
saat ini terus berlanjut. Saya akan membuat pesanan 10.000 komponen yang akan disediakan
oleh pemasok A dalam tiga bulan. Apakah analisis Anda mendukung tindakan ini?
Ilmuwan data: Tidak. Kami perlu melakukan berbagai jenis analisis . . . .
PRAKTIK TERBAIK UNTUK PEMIMPIN BISNIS SEBUAH PROYEK AI

Bagian "Pertanyaan bisnis dan penelitian yang tidak selaras" di atas menunjukkan contoh proyek
yang bisa kacau, karena pemimpin bisnis dan ilmuwan data berbicara tentang pertanyaan yang
sama sekali berbeda. Namun, hingga percakapan tersebut terjadi, Anda tidak akan melihat
bahwa Anda tidak membicarakan hal yang sama. Berikut ini adalah praktik terbaik bagi para
pemimpin bisnis yang sedang memulai proyek AI:
 Jangan pernah menandatangani dokumen yang mengusulkan pertanyaan penelitian
yang sangat teknis yang tidak Anda pahami. Sebaliknya, lakukan rapat dengan ilmuwan
data. Idealnya, seseorang dengan latar belakang yang kuat dalam bisnis dan AI harus
memfasilitasi rapat ini. Jika orang tersebut tidak ada di organisasi Anda, Anda harus
meminta seorang konsultan untuk membantu Anda.
 Mintalah ilmuwan data Anda untuk memberikan beberapa kemungkinan jawaban yang
dapat dihasilkan oleh pertanyaan penelitian yang diusulkan.
 Mainkan analisis skenario (seperti pada contoh sebelumnya). Bawa jawabannya ke
pertanyaan penelitian dan jelaskan maksudnya menurut Anda. Kemudian, nyatakan
keputusan bisnis pasti yang akan Anda ambil, dengan menjelaskan semua asumsi Anda.
 Selalu ulangi bagaimana Anda menafsirkan jawaban yang diberikan oleh ilmuwan data.
Gunakan istilah sederhana dan non-teknis.
 Jangan takut terlihat bodoh jika Anda tidak memahami sesuatu. Menemukan
kesalahpahaman pada tahap ini akan menghemat banyak uang di kemudian hari. Anda
akan benar-benar terlihat bodoh jika Anda menunggu hingga proyek AI yang salah
dijalankan.
 Nyatakan secara jelas tindakan bisnis yang ingin Anda ambil, berdasarkan jawaban
mereka. Tanyakan apakah tindakan-tindakan bisnis tersebut wajar.
 Jika ilmuwan data merespons tindakan bisnis yang Anda rencanakan dengan respons
apa pun selain jawaban ya atau tidak, selidiki kapan kondisi yang salah untuk melakukan
tindakan bisnis tersebut, semata-mata didasarkan pada hasil analisis.
 Jangan takut untuk mengeksplorasi lebih jauh pertanyaan penelitian Anda, bersama
dengan para ahli AI. Dapatkan edukasi tentang detail arti pertanyaan penelitian; dengan
token yang sama, edukasilah ilmuwan data Anda tentang detail bisnis Anda.
 Pahami bahwa pemetaan antara pertanyaan bisnis dan pertanyaan penelitian tidak
pernah sempurna. Pertanyaan penelitian sangat jarang mewakili semua aspek masalah
bisnis dengan benar. Pertanyaannya adalah, "Apakah aspek-aspek tersebut penting bagi
Anda?"
 Hati-hati jika membahas masalah-masalah bisnis menggunakan terminologi yang sangat
teknis. Terminologi yang tidak dimengerti oleh semua peserta rapat adalah faktor yang
menutupi ketidakselarasan antara teknologi dan bisnis. Jika bisnis tidak memiliki diskusi
yang baik dan menyeluruh untuk memastikan keselarasan antara pertanyaan penelitian
dan masalah bisnis, mereka sebenarnya akan menyerahkannya ke tim teknologi untuk
mengisi detail bisnis yang penting.
 Selalu buat pakar bisnis Anda tersedia untuk tim teknis untuk konsultasi tentang klarifikasi
detail penting. Bukan hal yang realistis berharap bahwa tim teknis akan mengambil
keputusan bisnis yang optimal ketika spesifikasi masalah bisnis tidak jelas.
PERINGATAN Selalu lakukan analisis skenario pertanyaan penelitian sebelum tim AI

memulai pekerjaannya. Peluang keberhasilan suatu proyek jika Anda mengajukan
pertanyaan penelitian yang salah adalah sekitar nol.
Poin terakhir yang perlu diingat ketika menentukan pertanyaan penelitian adalah bahwa
hubungan antarpertanyaan bisnis bukanlah "satu pertanyaan penelitian per satu pertanyaan
bisnis." Anda mungkin memerlukan beberapa pertanyaan penelitian untuk menjawab satu
pertanyaan bisnis. Juga memungkinkan (meskipun secara praktik jarang) memiliki satu
pertanyaan penelitian yang dapat menjawab beberapa pertanyaan bisnis.
Perangkap yang harus dihindari 49
3.3.2 Jika Anda gagal, tangani kegagalan dengan cepat

Anda memulai proyek AI pertama ini dengan asumsi ini akan menjadi proyek yang mudah
untuk dilaksanakan. Namun, perkiraan Anda kasar; sangat mungkin bahwa proyek tersebut,
setelah Anda memulainya, akan lebih sulit dilaksanakan daripada hitungan awal Anda. Bagian
ini menjelaskan bagaimana Anda harus mengelola proyek AI awal sehingga jika proyek tersebut
ternyata sulit, kesulitan tersebut langsung terasa.
TIPS Anda harus mengoptimalkan proses pelaksanaan proyek Anda untuk kecepatan
dalam mencapai keberhasilan. Ketika berburu di lahan perburuan dengan banyak hewan
buruan, makin banyak Anda berburu, makin banyak juga yang Anda tangkap. Di awal-
awal upaya AI Anda, Anda tidak boleh bersikeras mempertahankan proyek yang terlihat
mudah di awal, tetapi sulit saat diperiksa lebih dekat. Sebaliknya, hentikan proyek
tersebut sejak dini dan gunakan waktu proyek yang tersisa untuk memulai proyek yang
lebih mudah.
Proyek Anda harus dimulai dengan bukti konsep yang membangun purwarupa cepat. Purwarupa
tersebut memiliki empat tujuan:
1 Purwarupa tersebut menunjukkan kepada Anda bahwa tim rekayasa memiliki keahlian
teknis yang diperlukan untuk mengerjakan proyek.
2 Purwarupa tersebut memberi Anda implementasi AI yang konkret, yaitu bagian
Analyze dari loop Sense/Analyze/React yang telah Anda identifikasi. Sekarang Anda
dapat menguji bagian React dari loop (misalnya, Anda dapat menguji seberapa sulit
mengimplementasikan tindakan bisnis yang diperlukan).
3 Purwarupa dapat dianalisis untuk menentukan bagaimana perilaku solusi sistem yang
diusulkan saat terpapar lebih banyak data atau algoritme ML yang berbeda. Bab 6 dan 7
dalam buku ini menunjukkan bagaimana analisis ini dilakukan.
4 Purwarupa tersebut menunjukkan kepada Anda seberapa sulit implementasi proyek
AI Anda. Jika tingkat kesulitan jauh lebih besar daripada ekspektasi Anda, Anda harus
menyadarinya dengan cepat.
Hingga Anda memiliki tim berpengalaman yang telah melewati proses seperti ini berkali-kali,
jangan terjebak pada proyek yang memakan banyak waktu untuk diterapkan. Sebagai pemburu,
Anda tidak akan kelaparan karena gagal menangkap satu buruan; Anda akan kelaparan karena
Anda mencoba untuk menangkap satu buruan terlalu lama.
TIPS Jika proyek Anda lebih sulit daripada ekspektasi, jeda dan pilih proyek lain yang
lebih mudah. Jika Anda terbentur kesulitan yang ekstrem, balik arah dan lari!
3.4 Perangkap yang harus dihindari

Saat menjalankan proyek AI, ada beberapa perangkap umum yang harus Anda Hindari. Berikut
ini adalah beberapa perangkap utama:

Tidak berkomunikasi dengan pelaku organisasi yang memiliki bagian React dari loop
Sense/Analyze/React, atau, lebih buruk lagi, tidak bekerja dengan mereka sama sekali
hingga proyek AI Anda berjalan
 Mentransplantasi kasus penggunaan (dan metrik) dari proyek atau organisasi lain
 Menjalankan proyek-proyek AI modis yang cenderung menjadi tajuk utama

Percaya bahwa Anda dapat membeli alat, alat apa pun, yang akan memberi Anda
keuntungan yang berkelanjutan
 Berharap bahwa melakukan analisis acak pada data Anda akan membuahkan hasil
 Memilih proyek yang akan dijalankan berdasarkan "firasat", bukan hasil analisis
Bagian ini membahas setiap perangkap ini dengan lebih mendetail.
3.4.1 Gagal membangun hubungan dengan tim bisnis

Saat menggunakan AI sebagai sistem pendukung keputusan, melakukan analisis yang baik
saja tidak pernah cukup; Anda perlu mengeksekusi dengan baik pada tindakan bisnis tertentu
yang direkomendasikan oleh analisis yang didukung AI. Itu berarti perhatian eksekutif harus
diarahkan ke hubungan antara hasil analisis dan tindakan bisnis. Bagian ini menyoroti alasan
tim AI harus membangun hubungan yang baik dengan departemen organisasi Anda yang akan
melakukan tindakan bisnis, berdasarkan analisis AI Anda.
TIPS Analitik ibarat pengukur kecepatan di dalam mobil. Jika speedometer memberi
tahu bahwa mobil melaju terlalu cepat, pengemudi harus mengurangi kecepatannya.
Siapa yang diibaratkan dengan pengemudi di dalam proyek/organisasi Anda?
Seorang nonspesialis bisa salah menafsirkan hasil analisis. Salah satu masalah klasik adalah
nonspesialis tidak akan memahami batas analisis dan ketika asumsi dasar analisis dilanggar.
Contoh masalah tersebut ditampilkan di bagian 3.3.1, ketika pertanyaan penelitian dan
pertanyaan bisnis tidak selaras.
Saya secara pribadi telah menyaksikan beberapa organisasi menyerahkan laporan analisis ke
tim-tim bisnis yang terpisah. Tim-tim bisnis ini melakukan tindakan bisnis tanpa masukan dari
ilmuwan data. Ini adalah kesalahan abadi.
TIPS Keahlian analitik harus selalu direpresentasikan di dalam kelompok mana pun yang
mendiskusikan cara bereaksi terhadap hasil analisis. Anda perlu memastikan bahwa tim
bisnis memahami hasil dan rekomendasi analisis Anda secara penuh dan benar. Hasil
analisis harus valid dalam kaitannya dengan tindakan bisnis yang dimaksudkan.
Jika Anda adalah pemimpin proyek analisis, tugas Anda belum selesai ketika Anda memberikan
hasil. Tugas Anda selesai ketika rekomendasi analis berhasil diimplementasikan. Anda harus
membangun hubungan kerja yang baik dengan departemen yang akan mengimplementasikan
analisis. Jika analisis telah merekomendasikan tindakan bisnis tertentu, jangan meremehkan
perlunya Anda membantu dan menindaklanjuti pelaksanaannya.
3.4.2 Menggunakan transplantasi

Orang-orang sering tergoda untuk meniru hal-hal yang berhasil bagi orang dan organisasi di
sekitar mereka. Akibatnya, Anda melihat apa yang saya sebut sebagai proyek transplantasi. Di sini,
sebuah perusahaan memutuskan untuk membentuk tim AI dan memulai beberapa proyek AI
yang mereka dengar telah dikerjakan oleh organisasi yang serupa dengan mereka. Bagian ini
menjelaskan mengapa transplantasi adalah ide yang buruk.
Ada sangat banyak contoh proyek transplantasi. Beberapa contohnya adalah proyek seperti
"ayo kita buat mesin rekomendasi sendiri" atau "ayo melakukan analisis sentimen umpan balik
pelanggan." Terkadang proyek-proyek ini masuk akal dalam konteks bisnis, tetapi sering kali
proyek-proyek tersebut hanyalah kasus penggunaan murni yang Anda dengar dari orang lain
dan tidak dianalisis dalam konteks bisnis Anda sendiri.
CATATAN Untuk beberapa alasan, orang-orang lebih masuk akal ketika mereka berpikir
tentang transplantasi nyata dibandingkan dengan transplantasi bisnis. Anda tidak
akan pernah mendapatkan transplantasi ginjal hanya karena tindakan ini cocok untuk
tetangga Anda. Mengapa perilaku yang sama tidak Anda terapkan dalam bisnis Anda?
Alih-alih hanya mengadaptasi secara membabi buta sebuah proyek yang berhasil dengan baik
untuk orang lain, anggaplah proyek tersebut hanyalah salah satu dari sekian banyak proyek
AI yang memungkinkan. Gunakan pendekatan analisis yang disajikan dalam bab ini untuk
menentukan proyek AI mana yang harus Anda mulai terlebih dahulu.
3.4.3 Mencoba misi besar tanpa sarana memadai

Banyak perusahaan teknologi terbesar di dunia telah meraup keuntungan berdasarkan
penggunaan data. Pada intinya, perusahaan seperti Google, Microsoft, dan Baidu sangat
bergantung pada AI untuk keberhasilan mereka. Mereka memiliki kemampuan penelitian
yang tinggi dan kepentingan yang mengakar untuk memastikan mereka tidak akan melewatkan
kemajuan AI yang penting. Bagian ini menjelaskan mengapa organisasi Anda tidak boleh
membabi buta mengikuti perusahaan tersebut.
Bayangkan Anda seorang CEO

Katakanlah Anda sedang menjalankan perusahaan yang menghasilkan $30 miliar per tahun, dan
Anda menggeluti bisnis yang berkaitan dengan AI. Mari melangkah lebih jauh dan berasumsi bahwa
ada kemungkinan 1% bahwa seseorang dalam 10 tahun ke depan mungkin akan menemukan
sesuatu yang mendekati AI yang manusiawi dan kuat—yang disebut Kecerdasan Umum Buatan
(AGI) [76]. Jika pencarian AGI tersebut gagal, mungkin masih ada kendaraan otonom [38] sebagai
hadiah hiburan. Terakhir, Anda tahu bahwa pesaing Anda berinvestasi besar ke AI.
Apakah Anda akan menginvestasikan uang dalam jumlah besar ke AI dan merekrut peneliti
ulung untuk membantu Anda memajukan batas-batas pengetahuan AI? Atau apakah Anda akan
memilih untuk tidak berinvestasi dalam AI, dan menerima risiko bahwa:
Pesaing Anda mengembangkan AGI atau teknologi kendaraan otonom. Perusahaan Anda

mungkin memiliki posisi yang lebih baik, tetapi Anda gagal untuk sekadar mencoba!
Kesalahan Anda akan diajarkan di setiap sekolah bisnis selama bertahun-tahun yang

akan datang.
Meskipun logika dari bagian "Bayangkan Anda seorang CEO" di atas berlaku untuk bisnis-
bisnis seperti Google, Baidu, atau Microsoft, terdapat sebuah kecenderungan yang tidak
menguntungkan bagi banyak perusahaan yang meniru perusahaan-perusahaan ini tanpa
memahami alasan di balik tindakan mereka. Ya, pemain terbesar menghasilkan keuntungan
besar dengan upaya AI mereka. Mereka juga banyak berinvestasi dalam penelitian AI. Sebelum
Anda mulai meniru upaya penelitian AI mereka, tanyakan pada diri sendiri, "Apakah saya dalam
bisnis yang sama?"
Jika perusahaan Anda akan menciptakan sesuatu yang penting untuk AI/AGI yang kuat [76],
apakah Anda tahu cara memonetisasinya? Bayangkan Anda adalah peritel dengan toko fisik yang
besar. Bisakah Anda mengambil keuntungan penuh dari penemuan tersebut? Mungkin tidak—
bisnis peritel berbeda dengan bisnis Google.
Hampir bisa dipastikan, perusahaan Anda akan mendapatkan lebih banyak manfaat dari
teknologi AI jika Anda menggunakannya untuk memecahkan masalah bisnis konkret Anda
sendiri. Ini berarti alih-alih tim yang terdiri dari para peneliti paling cerdas dan proses yang
berorientasi pada pemerolehan pengetahuan AI baru, organisasi Anda membutuhkan orang-
orang yang tahu cara menghasilkan uang dalam domain bisnis Anda dengan teknologi AI yang ada.
Jangan meniru organisasi yang lebih kaya daripada organisasi Anda tanpa terlebih dahulu
memahami bagaimana Anda akan mengeksploitasi kesuksesan. Untuk sebagian besar organisasi,
jalan menuju kesuksesan tidak ditemukan dengan memajukan bidang pengetahuan AI, tetapi
dengan mengetahui cara mengikat hasil AI ke dalam bisnis mereka. Anda memerlukan tim ilmu
data yang berfokus pada penerapan, bukan penelitian. Itu tidak berarti Anda tidak boleh
mempekerjakan orang-orang cerdas bergelar PhD, tetapi kepemimpinan tim AI Anda harus
didominasi oleh para ahli dalam menerapkan AI untuk tugas menghasilkan uang.
3.4.4 Intinya adalah tentang menggunakan alat-alat mutakhir untuk melihat lautan data
Perangkap umum lainnya adalah keyakinan bahwa Anda dapat membeli alat AI atau big data
yang akan menyepelekan analisis data, penemuan wawasan, dan kemudian monetisasi wawasan
yang ditemukan. Beberapa organisasi yang mengadopsi AI bahkan mungkin berpendirian
bahwa fokus utama upaya AI awal adalah menemukan alat yang tepat. Bagian ini menjelaskan
mengapa ini adalah perangkap yang harus dihindari.
TIPS Jika monetisasi bersifat sepele, begitu juga dengan menjelaskan bagaimana
monetisasi terjadi. Tanyakan pertanyaan terperinci kepada vendor sampai Anda benar-
benar memahami poin-poin paling mendetail tentang cara menerapkan alat siap
pakai di sepanjang proses mulai dari pembelian hingga titik di mana organisasi Anda
mendapatkan keuntungan sebagai hasil dari penggunaan alat tersebut.
Di sebagian besar bidang bisnis, monetisasi AI sama sekali bukan hal sepele. Dan meskipun
banyak alat yang dapat membantu Anda mencapainya, kemungkinan besar alat-alat ini tidak
dapat memecahkan masalah monetisasi untuk Anda. Bahkan jika ada alat yang memungkinkan
Anda memonetisasi hanya dengan menginstal dan menjalankannya, yang Anda hadapi adalah
kasus penggunaan yang telah dijadikan komoditas. Seseorang bahkan sudah membuat produk
yang melakukannya!
TIPS Fokus awal untuk bisnis Anda haruslah menemukan proyek AI yang memberikan
nilai bisnis konkret. Alat adalah pendorong untuk proyek-proyek tersebut.
Seorang tenaga penjualan mungkin menyarankan Anda untuk "Membangun danau data yang
besar dan mengerahkan ilmuwan data Anda ke sana; pasti ada sesuatu di semua data tersebut."
Anda bahkan mungkin diberi contoh wawasan tak terduga yang hanya dapat diberikan oleh
analitik pada dataset besar. Namun, situasi tersebut jarang ada dan tidak dapat diprediksi. Jangan
menunggu keajaiban. Jangan memulai dengan bagian Analyze dari loop Sense/Analyze/React.
Dalam kerangka kerja kita, selalu mulai dengan bagian React.
PERINGATAN Selalu ada kemungkinan bahwa terdapat sesuatu yang spesial bersembunyi
di kedalaman data Anda. Dengan analisis yang tepat, hal tersebut dapat memberi
Anda ide bisnis yang tak terduga yang dapat Anda terapkan dan Anda gunakan untuk
menghasilkan uang yang banyak. Meskipun memungkinkan, ini tentu bukan jaminan,
tidak dapat diprediksi, dan terdapat pertanyaan besar apakah ini mencukupi untuk dianggap
sebagai strategi utama yang harus Anda gunakan? Lebih buruk lagi, tuna sirip biru besar
yang ingin Anda tangkap mungkin ternyata adalah monster laut yang jelek. Alih-alih
melakukan ekspedisi memancing, aturlah proyek AI awal Anda untuk keberhasilan
yang dapat diprediksi.
3.4.5 Menggunakan firasat, bukan CLUE

Sering kali keputusan untuk menjalankan proyek AI diambil secara serampangan, tidak lebih
dari sekadar ide teknis yang membuat tim bersemangat. Menjalankan proyek AI terutama karena
Anda menginginkan pengalaman dengan teknologi yang mendasarinya ibarat membeli mobil
sport. Bagian ini menjelaskan mengapa mengikuti firasat dapat mengakibatkan hasil bisnis yang
buruk.
Analisis video tentang perilaku pelanggan ritel

Mari kembali ke peritel kita dari bagian 3.2.1, yang meminta Anda mengoptimalkan konfigurasi
produk mereka. Ada dua pendekatan yang diusulkan: pendekatan berdasarkan prediksi tren
penjualan dan pendekatan berdasarkan pengenalan video tentang perilaku pelanggan.
Dari sudut pandang ilmuwan data, saya harus mengakui bahwa pengenalan video tentang
perilaku pelanggan adalah proyek yang lebih menarik secara teknis. Proyek tersebut akan
membuat banyak tim teknologi saat ini bersemangat. Proyek ini menggunakan kemampuan
pengenalan video AI canggih, sedangkan prediksi penjualan dapat dilakukan dengan metode
analitik deret waktu yang lebih tradisional.
Terkadang daya tarik teknis inilah yang dibutuhkan tim untuk memutuskan membangun sebuah
purwarupa, dan ilmuwan data dalam diri saya tentu memahami dorongan ini. Namun, ini adalah
pendekatan "firasat" atau "Oh, sangat menarik!" klasik dalam memilih proyek.
Untuk melihat mengapa ini adalah kesalahan dalam contoh ini, ingat kembali apa yang terjadi di
bagian 3.2.1. Ketika Anda sedang berbicara dengan manajemen, Anda mungkin belajar bahwa
bisnis Anda tidak nyaman dengan konsekuensi hukum dan hubungan publik yang muncul
dengan melakukan analisis video tentang perilaku pelanggan. Usaha Anda kemungkinan tidak
akan diadopsi meskipun secara teknis berhasil. Tidak diperlukan waktu lama untuk mengetahui
hal ini ketika Anda mau berbicara dengan para pemimpin bisnis tentang proposal Anda sebelum
membangun sebuah purwarupa.
Selain itu, bahkan jika Anda berhasil membujuk manajemen untuk mengizinkan Anda terus
membangun purwarupa AI Anda, Anda gagal menentukan metrik bisnis untuk mengukur
keberhasilan. Sekarang Anda telah menciptakan masalah dalam mengelola proyek Anda.
Bayangkan proyek Anda sedang berlangsung dan telah mencapai beberapa keberhasilan awal.
Bagaimana cara Anda tahu apakah proyek tersebut cukup baik untuk dirilis? Bagaimana tepatnya
proyek Anda perlu mengenali perilaku pelanggan? Apakah proyek Anda bisa membuat kesalahan
pengenalan, dan, jika ya, dalam keadaan apa? Kesalahan mana yang paling merugikan?
Jadilah sangat skeptis tentang mengandalkan intuisi untuk memilih proyek AI yang perlu
dijalankan terlebih dahulu. Bagian 3.2 menunjukkan kepada Anda langkah-langkah yang
diperlukan untuk menentukan secara tepat proyek terbaik untuk dijalankan. Ketika memilih
proyek pertama, terlalu banyak variabel yang harus dipertimbangkan agar firasat dapat
menyediakan jawaban tepat. Anda perlu memverifikasi bahwa proyek dapat ditindaklanjuti,
secara teknis memungkinkan, dan memiliki nilai bisnis. Anda perlu mengetahui biayanya, serta
garis besar dan kesulitan solusi teknis yang diusulkan. Sangat kecil kemungkinan Anda dapat
menilai semua atribut proyek AI yang diusulkan tersebut hanya dengan memikirkan masalah
selama satu atau dua menit.
TIPS Yang paling penting, waspadai situasi apa pun di mana, selama rapat perusahaan
yang penting dan dihadiri banyak pihak, semua orang langsung berseru, "Ini sepertinya
ide yang hebat!" Situasi sosial seperti ini tidak benar-benar kondusif untuk mendukung
orang-orang untuk melakukan analisis yang cermat yang diperlukan untuk menyangkal
kesepakatan kelompok. Singkatnya, waspadai pemikiran kelompok.
Namun, kita menggunakan pendekatan MVP!

Beberapa tim adalah tim Agile dan/atau menggunakan metodologi Lean Startup [28] untuk
mengembangkan proyek perangkat lunak mereka. Dalam metodologi Lean Startup, tim didorong
untuk memotong-motong proyek ke dalam potongan kecil pekerjaan yang dapat disajikan kepada
pelanggan untuk mendapatkan umpan balik. Potongan pekerjaan ini disebut minimum viable
product atau produk layak minimum (MVP). Bagian dari metodologi Lean Startup adalah jika Anda
menjumpai MVP Anda tidak diinginkan oleh pelanggan, Anda kemudian dapat mencoba sesuatu
yang lain—yang disebut dengan manuver.
Beberapa orang akan berpendapat bahwa karena Anda sedang membangun MVP, Anda harus
memilih ide AI awal dengan cepat, menunjukkannya kepada pelanggan, dan melihat tanggapan
dari pelanggan. Jangan lakukan itu!
Menggunakan MVP memiliki banyak keuntungan dengan produk dunia nyata, dan CLUE dapat
dikombinasikan dengan baik dengan strategi Lean Startup. Namun, MVP yang diterapkan
sendirian tidak akan memecahkan masalah yang sama yang diatasi oleh CLUE; misalnya:
 Jika Anda memilih MVP berdasarkan firasat, Anda telah memulai sebuah proyek sebelum
mengetahui apakah bisnis bersedia dan mampu mengadopsi solusi analitik Anda.
 Meskipun MVP dapat menunjukkan bahwa Anda salah jalur dengan lebih cepat, Anda
berada di jalur yang salah, langsung dari awal.
 Jika firasat Anda adalah memikirkan tentang analisis yang dapat Anda lakukan
(dibandingkan memulai dengan bagian React dari loop Sense/Analyze/React), Anda
sedang bermain rolet analisis. Anda berharap dan berdoa analisis yang Anda lakukan
akan membuahkan hasil yang entah bagaimana dapat diterapkan oleh bisnis Anda.
MVP bukanlah alasan valid untuk mempromosikan pendekatan firasat dalam memilih dan
menjalankan proyek AI. MVP mengurangi biaya karena mengetahui bahwa Anda berada di jalur
yang salah, tetapi itu hanyalah mengurangi harga kegagalan. Kemampuan untuk bermanuver
bukanlah alasan untuk menjalankan proyek secara serampangan, berharap bahwa dengan cukup
banyak ide AI acak, Anda akan menemukan sesuatu yang kebetulan dapat ditindaklanjuti.
Pendekatan CLUE dapat diintegrasikan, dan kompatibel, dengan MVP dan Lean Startup. Bagian C
dari analisis CLUE adalah tentang memilih proyek AI pertama, dan proyek tersebut dapat berupa
MVP—MVP yang didasarkan pada analisis, bukan firasat.
Ringkasan 55
Penyebab terbesar kegagalan proyek AI saat ini mungkin bersifat teknis. Namun, bahkan di
antara proyek-proyek yang secara teknis berhasil, ada sangat banyak proyek yang bahkan tidak
digunakan oleh bisnis yang mendanainya. Proyek-proyek AI tersebut seharusnya tidak dimulai
sama sekali dan biasanya dimulai karena firasat mengenai nilainya salah.
3.5 Latihan
Pertanyaan-pertanyaan berikut ini masing-masing memberikan skenario bisnis yang konkret dan
kemudian mengajukan pertanyaan lanjutan tentang skenario tersebut. Jawablah pertanyaan-
pertanyaan berikut:
Pertanyaan 1: Bayangkan Anda bekerja di industri penerbitan, dan Anda ingin tahu mana yang
lebih baik, merilis buku cetak, elektronik, dan audiobook secara bersamaan atau bergantian.
Selain itu, jika perilisan dilakukan bertahap sehingga buku cetak dirilis lebih dulu, berapa lama
Anda harus menunggu sebelum merilis format lain? Dalam situasi ini, jawablah pertanyaan
berikut: "Metrik bisnis apa yang harus Anda gunakan?"
Pertanyaan 2: Jika Anda seorang pemimpin bisnis, tentukan sebuah pertanyaan bisnis dan sebuah
metrik yang sesuai untuk mengukurnya. Pikirkan tentang beberapa skenario hipotetis yang tidak
berlaku secara langsung untuk organisasi Anda (misalnya, beberapa skenario yang berkaitan
dengan filantropi). Pikirkan tentang tindakan yang dapat Anda lakukan saat menjalankan
nirlaba. Gunakan teknik yang diperkenalkan dalam bab 3 untuk memilih pertanyaan bisnis
hipotetis pertama Anda, serta metrik yang akan Anda gunakan untuk mengukur keberhasilan.
Pertanyaan 3: Setelah Anda mengidentifikasi pertanyaan bisnis Anda dari latihan sebelumnya,
ajak ahli senior AI Anda untuk makan siang dan membicarakan masalah bisnis. Tanyakan
kepada mereka bagaimana mereka akan merumuskan pertanyaan penelitian. Gunakan proses
yang dijelaskan dalam bab 3 untuk memeriksa apakah jawabannya mendukung tindakan bisnis
yang ingin Anda lakukan atau tidak. Dan, saat Anda makan siang, bicarakan tentang bagaimana
Anda akan menemukan dataset untuk menjawab pertanyaan penelitian tersebut. Menurut Anda,
apakah Anda dapat memperoleh dataset tersebut?
Ringkasan

AI, saat diperkenalkan kepada bisnis baru, berada di lahan perburuan yang kaya dengan
hewan buruan. Jangan mulai dengan mengejar proyek-proyek sulit yang menyita semua
sumber daya Anda dan menghancurkan Anda jika gagal. Sebaliknya, mulailah dengan
proyek sederhana yang memiliki nilai bisnis besar dan dapat diselesaikan dengan cepat.
Gunakan CLUE untuk memilih dan mengatur proyek AI. Bagian C dari CLUE (gambar

3.4) memungkinkan Anda untuk membuat daftar proyek AI yang dapat ditindaklanjuti
yang dapat Anda terapkan dan membantu Anda memperkirakan ukuran dan nilainya.
Pertanyaan bisnis yang harus dijawab oleh AI harus diterjemahkan ke dalam format teknis

dengan menentukan sebuah pertanyaan penelitian. Jika terjemahan tersebut tidak benar,
hasil bisnis bisa hancur. Sebelum memulai proyek, periksa pertanyaan penelitian Anda
menggunakan pengujian berbasis skenario.
Gunakan metrik bisnis untuk mengukur kemajuan proyek AI Anda. Metrik bisnis harus

disesuaikan untuk proyek dan organisasi Anda. Jangan memulai proyek AI jika Anda
tidak memiliki metrik bisnis untuk mengukur keberhasilannya.
 Atur proyek AI Anda sehingga jika gagal, itu adalah kegagalan cepat.
Mulailah dengan bukti konsep. Jika proyek ternyata lebih sulit daripada yang Anda

pikirkan, hentikan dan kerjakan proyek yang lebih mudah. Tujuannya adalah
untuk mengoptimalkan waktu untuk mencapai keberhasilan berikutnya.
Ada beberapa perangkap umum yang harus dihindari saat menjalankan proyek AI.

Termasuk di antaranya adalah kegagalan untuk membangun hubungan dengan para
pemimpin bisnis yang relevan, mentransplantasi kasus penggunaan, mengadopsi proyek
ambisius tetapi tanpa sarana memadai, terlalu berharap pada alat-alat acak (atau analisis
acak), dan menggantikan CLUE dengan firasat.
Menganalisis alur ML
Bab ini membahas


Menentukan apakah Anda memiliki alur ML yang
tepat sebelum alur tersebut mengeras
 Menghemat sumber daya dalam proyek AI Anda
Melakukan analisis MinMax pada alur ML

 Menafsirkan hasil analisis MinMax
Sangat penting untuk memastikan bahwa Anda tidak memiliki alur ML yang salah dan tidak
memadai yang tidak mampu memenuhi tujuan bisnis proyek ML Anda. Pertanyaan bisnis
paling penting tentang alur ML adalah, "Sebaik apa kinerja alur ini dalam konteks bisnis?"
Bab ini menunjukkan cara menganalisis alur ML dan mendapatkan jawaban atas pertanyaan
tersebut.
Setelah Anda mengetahui seberapa baik kinerja alur ML Anda dalam konteks
bisnis, Anda dapat menganalisisnya untuk menentukan apakah alur ML tersebut
dapat memenuhi tujuan bisnis Anda. Nama analisis yang ingin Anda lakukan adalah
57
58 BAB 6 Menganalisis alur ML
MinMax.1 Analisis MinMax dapat dilakukan di awal proyek, dan analisis ini terdiri dari dua
bagian, dan masing-masing menjawab pertanyaan yang berbeda:
 Bagian Min dari analisis MinMax —Jika hidup Anda bergantung pada perilisan proyek
AI Anda besok, seberapa baik hasil implementasi paling sederhana dari alur ML Anda?
Apakah implementasi tersebut dapat memenuhi tujuan bisnis Anda?
Bagian Max dari analisis MinMax—Hasil terbaik apa yang dapat Anda dapatkan dengan

struktur alur saat ini? Sebelum Anda mengerahkan energi ke implementasi optimal dari
setiap tahap dalam alur tersebut, akankah implementasi tersebut memenuhi tujuan bisnis
Anda?
Sebagai orang yang praktis, kita memerlukan jawaban atas pertanyaan ini dalam istilah bisnis,
bukan dalam bentuk metrik teknis (misalnya 99,9543% akurasi).
Di bagian 6.1, Anda akan mempelajari alasan pentingnya menganalisis alur ML Anda.
Bagian 6.2 menunjukkan cara menghemat sumber daya yang dikhususkan untuk saluran ML
Anda, dan bagian 6.3 menunjukkan cara menggunakan analisis MinMax untuk menentukan
apakah Anda memiliki alur yang tepat yang mampu memecahkan masalah bisnis Anda. Bagian
6.4 menunjukkan cara menafsirkan hasil analisis MinMax, dan Bagian 6.5 menunjukkan cara
melakukan analisis MinMax. Terakhir, bagian 6.6 menyajikan pertanyaan umum tentang analisis
MinMax.
6.1 Alasan analisis alur ML penting untuk Anda

Sekarang, Anda tahu bahwa sistem AI lebih penting daripada total komponennya dan bahwa
alur ML adalah salah satu artefak perangkat lunak utama yang menentukan perilaku sistem. Alur
ML dapat dengan cepat mengeras, dan terdapat konsekuensi yang mahal jika alur ML yang salah
dibiarkan mengeras. Itu sebabnya mengelola alur ML harus digerakkan oleh data. Data tersebut
dapat Anda peroleh dengan menganalisis alur ML.
Semua keputusan manajemen proyek diambil dalam waktu yang terbatas (lihat gambar 6.1).
Ketika suatu proyek sedang berlangsung, uang dan peluang akan terkikis setiap hari. Ketika
memperhitungkan biaya, Anda harus memperhitungkan semua biaya—biaya untuk mengubah
sesuatu, dan biaya untuk tetap berada di jalur yang ada.
PERINGATAN Niraksi (inaction) adalah keputusan untuk tetap berada pada jalur yang
ada dan terkadang tidak kalah berbahaya dengan melakukan tindakan yang salah.
Bentuk alur ML yang Anda gunakan dalam proyek Anda adalah salah satu keputusan manajemen
proyek dan arsitektur perangkat lunak yang paling penting yang harus Anda ambil. Jika Anda
memilih alur ML yang salah, Anda (dan dompet Anda) akan mengetahuinya. Namun, pada
saat itu, semua sudah terlambat. Menganalisis alur ML di awal proyek memberi Anda keyakinan
bahwa Anda menggunakan alur ML yang tepat. Agar bermanfaat bagi tim dalam bisnis dan
industri, analisis harus memenuhi hal-hal berikut:
 Mudah dipelajari pelaksanaannya
 Murah dijalankan
1
Jika Anda sudah terbiasa dengan algoritme Minimax dari teori permainan [114], sebaiknya Anda tidak keliru antara
analisis MinMax dengan algoritme Minimax—kedua konsep ini sama sekali berbeda.
Alasan analisis alur ML penting untuk Anda 59
Gambar 6.1 Keputusan manajemen proyek diambil dengan waktu yang terbatas. Beberapa
proyek mirip dengan pesawat dalam gambar ini dan harus memperbaiki jalurnya sebelum
bertabrakan. Tidak melakukan apa-apa terkadang sama berbahayanya dengan melakukan
tindakan yang salah.
 Memberikan hasil yang intuitif untuk ditafsirkan

 Memberikan tingkat keyakinan yang wajar dari informasi yang dihasilkannya
Dalam bab ini, saya akan menunjukkan metode analisis yang memenuhi empat persyaratan ini.
Bab berikutnya menyediakan satu metode lain. Anda, sebagai pemimpin, perlu mempelajari
jenis analisis yang Anda minta untuk dijalankan tim Anda serta cara menafsirkan hasil dari
analisis tersebut.
TIPS Analisis harus murah untuk dijalankan. Analisis harus menyeimbangkan antara
biaya analisis (biaya pengajuan pertanyaan) dengan manfaat (nilai) mengetahui
jawabannya. Keseimbangan ini adalah yang oleh D. W. Hubbard [75] disebut sebagai
nilai yang diharapkan dari informasi yang sempurna [79].
Menganalisis alur ML adalah sesuatu yang harus Anda lakukan berulang-ulang untuk setiap
proyek AI dan untuk setiap alur ML yang Anda pertimbangkan untuk setiap proyek. Bahkan jika
Anda memiliki latar belakang nonteknis, luangkan waktu sekarang untuk memahami cara kerja
analisis. Pemahaman yang Anda peroleh akan membantu Anda mengambil keputusan terbaik,
bukan hanya untuk proyek AI Anda saat ini, melainkan juga untuk proyek masa depan. Dalam
bab 8, saya akan menunjukkan bahwa metode yang akan Anda pelajari memiliki penerapan
yang jauh lebih luas daripada sekadar analisis alur ML.
Kemiripan dengan pasar saham

Terdapat bidang lain di mana Anda mengambil keputusan dalam waktu yang terbatas dan dengan
informasi yang terbatas dan tidak sempurna. Bidang tersebut adalah investasi.
Mari simak pernyataan dari Ray Dalio, yang membangun dana lindung nilai terbesar di dunia,
tentang cara mengambil keputusan dengan berbekal ketidakpastian [29]:
“‘Orang yang hidup di dekat bola kristal ditakdirkan untuk makan beling' adalah
pepatah yang sering saya kutip saat itu. Antara tahun 1979 dan 1982, saya telah
memiliki cukup banyak pengalaman untuk menyadari bahwa yang paling penting
(lanjutan)
bukanlah mengetahui masa depan—melainkan mengetahui cara bereaksi secara
tepat terhadap informasi yang tersedia di setiap titik waktu."
Ketika membangun kemampuan AI untuk organisasi Anda, Anda akan mengambil banyak
keputusan. Tujuannya adalah memiringkan neraca peluang ke arah Anda.
6.2 Economizing resources (Menghemat sumber daya): Bagian E dari CLUE

Bagaimana Anda tahu bahwa alur ML yang Anda gunakan adalah alur yang tepat untuk
digunakan dalam jangka panjang? Haruskah Anda terus menggunakan alur ML saat ini, atau
haruskah Anda menggantinya dengan alur yang berbeda sebelum mengeras? Bagian mana dari
alur tersebut yang harus Anda tingkatkan terlebih dahulu? Anda harus mengambil keputusan
tersebut berdasarkan data, dan bagian ini memberi Anda gambaran umum tentang alat-alat
yang menjawab pertanyaan tersebut. Alat-alat tersebut adalah:
 A
nalisis MinMax —Menjawab pertanyaan, "Apakah saya memiliki alur ML yang tepat
untuk memenuhi tujuan bisnis saya?"

Analisis sensitivitas —Menjawab pertanyaan, "Seberapa besar hasil bisnis saya akan
berubah jika saya memodifikasi implementasi satu tahap alur ML?"
Bab ini menyoroti analisis MinMax; bab 7 menyajikan analisis sensitivitas. Bersama-sama, kedua
analisis ini memungkinkan Anda untuk mengalokasikan sumber daya pengembangan ke alur
ML yang tepat serta tahap yang tepat dari alur tersebut.
Berkonsentrasi pada alur ML adalah langkah berikutnya yang logis dalam proyek Anda.
Sejauh ini, Anda telah menerapkan bagian Consider (Pertimbangkan) (tindakan bisnis yang
tersedia), Link (Mengaitkan) (pertanyaan penelitian dan masalah bisnis), dan Understand
(Memahami) (jawaban teknis dalam konteks bisnis) dari proses CLUE. Dengan melakukan
bagian-bagian proses tersebut, Anda telah memastikan hal berikut:
 Proyek AI Anda dapat secara layak memberikan dampak pada bisnis Anda. Anda tahu
bahwa, dalam proyek Anda, ada cara untuk menerapkan loop Sense/Analyze/React ke
masalah Anda dan bahwa bagian React-nya memungkinkan. Bab 3 membahas materi ini
dengan menjelaskan bagian C dari CLUE.
Proyek AI Anda menentukan alur ML yang rencananya akan Anda gunakan.

Yang masih perlu Anda lakukan adalah menghemat sumber daya langka Anda selama konstruksi
proyek AI. Untuk menghemat atau Economize (bagian E dari CLUE), Anda perlu menentukan
bahwa Anda menggunakan alur ML yang wajar untuk memecahkan masalah bisnis Anda. Anda
juga perlu memutuskan apa saja tahap terbaik dari alur ML tersebut untuk ditingkatkan.
Economizing resources (Menghemat sumber daya): Bagian E dari CLUE 61
Analisis MinMax menjawab pertanyaan, "Apakah saya memiliki alur yang tepat?" Analisis ini
memungkinkan Anda untuk mengetahui apa hasil bisnis terbaik yang dapat Anda harapkan dari
alur ML Anda saat ini. Analisis ini memungkinkan Anda mengetahui bahwa alur ML yang Anda
buat adalah alur ML yang dapat mendukung tujuan bisnis Anda, dan Anda dapat mengetahuinya
sebelum alur ML mulai mengeras.
Kecuali Anda sudah memiliki alur ML yang sepenuhnya menyelesaikan masalah bisnis Anda,
kemungkinannya adalah Anda perlu meningkatkannya. Anda memiliki sumber daya terbatas,
dan Anda perlu menugaskannya secara optimal untuk mendapatkan hasil proyek yang terbaik
secara keseluruhan. Analisis sensitivitas [115 – 117] menjawab pertanyaan tentang tahapan alur
ML mana yang harus Anda investasikan berikutnya untuk mendapatkan laba maksimum atas
investasi Anda. Gambar 6.2 menunjukkan cara mengintegrasikan proyek Anda dengan analisis
MinMax dan sensitivitas.
Gambar 6.2 Bagian Economize dari proses CLUE. Analisis MinMax dan sensitivitas memungkinkan Anda
untuk mengerahkan upaya ke bagian-bagian yang tepat dari alur ML yang layak untuk bisnis.
Gambar 6.2 terlebih dahulu menerapkan analisis MinMax untuk menentukan apakah alur ML
Anda sudah menghasilkan hasil bisnis yang layak. Jika tidak, apakah alur tersebut memerlukan
perbaikan lebih lanjut untuk itu? Atau alur tersebut memang tidak mampu menciptakan hasil
yang demikian?
Jika alur tersebut tidak dapat diharapkan, Anda membuangnya dan mencoba alur lainnya
(atau proyek AI lainnya). Setelah Anda tahu bahwa Anda bekerja dengan alur ML yang
memadai untuk memecahkan masalah bisnis, Anda menggunakan analisis sensitivitas untuk
meningkatkan alur secara berulang-ulang hingga Anda puas dengan hasil bisnisnya.
Semua langkah sebelumnya pada gambar 6.2 membutuhkan kerja sama yang erat antara tim
ilmu data, rekayasa data, dan tim bisnis. Tim yang mengerjakan analisis alur pada awalnya harus
terdiri dari perwakilan ketiga area tersebut. Tujuannya adalah untuk mencapai titik di mana
pemahaman bersama tentang hubungan antara metrik bisnis dan teknis muncul. Tim yang
mengelola alur ML harus terdiri dari pimpinan manajemen dan rekayasa (untuk menyertakan
ilmuwan data dan rekayasawan data). Tujuan pembentukan tim ini adalah untuk memiliki
pemahaman bersama yang berkelanjutan tentang karakteristik teknis alur ilmu data dan untuk
memandu penyebaran sumber daya berdasarkan karakteristik tersebut.
TIPS Pendekatan menganalisis dan meningkatkan alur ML ini perlu terjadi secara
iteratif. Anda dapat melakukan iterasi awal analisis selama bukti konsep (POC) masih
dalam proses. Jika Anda menggunakan Agile [118,119] atau metodologi pengembangan
perangkat lunak iteratif, Anda dapat mempertimbangkan pekerjaan analitis untuk
menjadi bagian dari iterasi pertama proyek.
6.3 Analisis MinMax: Apakah Anda memiliki alur ML yang tepat?

Analisis fundamental yang harus selalu Anda lakukan pada setiap alur ML, analisis MinMax
menjawab pertanyaan "Apa hasil terbaik dan terburuk yang dapat dicapai oleh alur ML struktur
tertentu?" Bagian ini memberikan ikhtisar tentang analisis MinMax.
CATATAN Saya menggunakan istilah analisis MinMax, tetapi perlu diketahui bahwa
jenis analisis ini terkadang juga dikenal dengan sebutan analisis Kasus Terbaik/Kasus
Terburuk. Bagian 6.6.4 menguraikan terminologi ini.
Analisis MinMax menunjukkan rentang hasil yang diharapkan yang dapat dicapai dalam tahap
awal kehidupan alur. Untuk pertanyaan, "Haruskah saya melanjutkan dengan alur ML ini,"
analisis menjawab dengan "ya", "tidak", atau "mungkin." Merupakan hal yang luar biasa jika
Anda dapat mengetahui bahwa Anda memiliki alur ML yang tepat sehingga tidak banyak waktu
dan uang yang dikeluarkan untuk membangun alur ML yang salah.
DEFINISI Analisis MinMax adalah jenis analisis yang menentukan apakah alur
ML Anda sudah memenuhi tujuan bisnis Anda, apakah alur ML Anda memerlukan
perbaikan agar dapat memenuhi tujuan, atau apakah alur ML Anda tidak mampu
memenuhi tujuan.
MinMax melihat struktur alur ML Anda dan menilai kelayakan bisnisnya. Untuk alur ML
yang dianalisis, bagian Min menjawab pertanyaan: "Jika saya merilis implementasi yang paling
sederhana yang dapat saya buat, apa hasil bisnisnya?" Bagian Max menjawab pertanyaan: "Apa
hasil bisnis yang akan saya dapatkan dengan implementasi terbaik?"
Analisis MinMax: Apakah Anda memiliki alur ML yang tepat? 63
TIPS Sebelum Anda mencoba apa pun, selalu tanyakan, "Apa hal terbaik yang dapat
terjadi jika saya berhasil, dan, mengetahui hal ini, apakah ini layak untuk dicoba?"
Bagian Max dari analisis MinMax menjawab pertanyaan tersebut.
Untuk melakukan analisis MinMax, Anda memerlukan struktur alur ML dan kurva laba. Dengan
kurva laba, Anda memiliki metrik bisnis, yang merupakan sebuah cara untuk mengaitkan metrik
teknis dengan bisnis. Anda juga memiliki ambang batas (tingkat minimum metrik bisnis yang
perlu Anda capai). Gambar 6.3 menunjukkan ikhtisar analisis MinMax.
Gambar 6.3 Analisis MinMax terdiri dari bagian Min (–) dan bagian Max (+). Analisis ini
menggunakan kurva laba untuk mentransformasi metrik teknis menjadi hasil bisnis yang
diharapkan. Hasil analisis ini menentukan kelayakan alur ML Anda.
Secara umum, analisis MinMax terdiri dari hal-hal berikut ini:

1 Analisis ini mengukur seberapa baik alur ML Anda pada masalah yang sedang Anda coba
pecahkan. Anda mengukur alur ML menggunakan metrik teknis.
2 nalisis ini mengungkapkan output alur ML dalam istilah bisnis. Anda menggunakan
A
kurva laba untuk membentuk pemahaman atau Understanding (U dari CLUE) tentang
bagaimana hasil yang terukur dalam istilah bisnis
3 Analisis ini mengulangi dua langkah sebelumnya dua kali lagi: satu kali untuk bagian
Max dan satu kali untuk bagian Min. Bagian Max menggunakan implementasi terbaik di
setiap tahap alur ML. Bagian Min menggunakan implementasi paling sederhana di setiap
tahap.
Setelah Anda melakukan analisis, Anda akan tahu apa yang dapat dicapai dalam konteks
bisnis oleh alur ML yang paling sederhana. Anda juga akan memahami apa yang dapat dicapai
oleh implementasi terbaik dari alur ML saat ini. Jika yang terbaik saja tidak mencukupi untuk
membuatnya layak untuk bisnis, Anda tahu bahwa itu adalah saat yang tepat untuk menyingkirkan
alur ML.
Bagian-bagian berikut ini menunjukkan cara melakukan analisis MinMax. Tetapi pertama-
tama, saya akan menyajikan contoh alur ML yang dapat kita gunakan untuk analisis ini dan
kemudian menunjukkan kepada Anda cara menafsirkan hasilnya.
6.4 Cara menafsirkan hasil analisis MinMax

Analisis MinMax menjawab pertanyaan, "Apakah layak untuk melanjutkan pengembangan alur
ML saat ini?" Oleh karena itu, setiap pemimpin tim harus tahu cara menafsirkan hasil analisis
MinMax. Pelaksanaan analisis ini hanya menarik bagi sebagian pembaca yang ingin melakukan
analisis itu sendiri atau untuk lebih memahami detailnya. Oleh karena itu, terlebih dahulu saya
akan menunjukkan cara menafsirkan hasil analisis MinMax, kemudian, di bagian selanjutnya,
Anda akan mempelajari cara melakukan analisis.
Bagian ini terlebih dahulu memberikan skenario konkret alur ML yang memecahkan
masalah bisnis nyata. Kemudian Anda diminta untuk mengambil keputusan konkret dari
skenario ini: apakah sebaiknya Anda melanjutkan pengembangan alur ML atau tidak? Contoh-
contoh ini menyoroti bahwa hasil analisis dapat menunjukkan bukan hanya memadai atau tidak
memadainya alur ML untuk menangani masalah bisnis Anda, melainkan juga kebutuhan untuk
memperbaiki alur sebelum dapat menyelesaikan masalah bisnis. Terakhir, setelah Anda melihat
contoh penafsiran analisis MinMax, bagian ini memberikan ringkasan aturan dalam melakukan
MinMax.
Memahami detail
Memutuskan apakah teknologi Anda mampu memecahkan masalah bisnis pada dasarnya adalah
masalah multidisiplin. Anda harus memahami detail masalah bisnis karena keputusan dalam
bisnis tidak dapat diambil tanpa mempertimbangkan dampak keuangan serta aturan bisnis dan
domain. Pertama, Anda memerlukan pemahaman dasar tentang solusi teknis. Kemudian Anda
perlu memutuskan apakah solusi tersebut menguntungkan.
Hasilnya, skenario realistis untuk analisis MinMax akan sedikit lebih rumit daripada skenario lain
dalam buku ini. Meskipun begitu, upaya untuk memahami detail analisis patut dilakukan, karena
cara termudah untuk menghemat banyak uang pada proyek AI adalah dengan meninggalkan alur
ML yang salah sebelum Anda mengeluarkan banyak biaya.
6.4.1 Skenario: Alur ML untuk mesin parkir pintar

Mari bicara tentang skenario bisnis konkret dengan semua detail masalah bisnis yang perlu
dipecahkan, serta implikasi keuangan dari berbagai keputusan yang diambil oleh sistem Anda.
Saya akan memulainya dengan menjelaskan sisi bisnis masalah, kemudian menunjukkan garis
besar alur ML yang memecahkan masalah tersebut.
Perusahaan Anda membuat mesin parkir pintar. Mesin parkir tersebut memiliki kamera, yang
dapat digunakan untuk memotret pelat nomor. Klien Anda adalah sebuah kota. Kota tersebut
memiliki banyak rencana dan peluang untuk mesin parkir ini, tetapi untuk saat ini, mereka
menerbitkan surat tilang otomatis jika ada orang yang parkir melebihi waktu yang ditentukan
(overstay).
Cara menafsirkan hasil analisis MinMax 65
Kota ini lebih tertarik pada kepatuhan terhadap peraturan parkir, bukan pendapatan tilang.
Untuk skenario kita, kota tersebut telah setuju untuk membayar instalasi awal mesin parkir dan
memberi Anda bonus tahunan untuk setiap mesin dengan kurang dari 50 parkir overstay per
tahun. Bonus itu sendiri cukup besar sehingga perusahaan Anda sangat senang dengan nilainya
sebagai sumber pendapatan tunggal terkait mesin parkir pintar untuk kota.
Ekonomi dari mesin parkir pintar ini adalah Anda mendapatkan laba $3 per tilang, dan
Anda harus membayar $20 kepada kota tersebut untuk setiap tilang yang salah terbit. Agar bisnis
mesin parkir pintar ini layak bagi perusahaan Anda, ambang nilainya adalah $100/tahun (per
mesin) atau mendapatkan bonus dari kota, yakni pilihan yang lebih disukai. Perkiraan terbaik
saat ini adalah setidaknya ada 300 parkir overstay per tahun untuk setiap tempat parkir, dengan
laba maksimum per meter adalah $900 jika semua tilang diterbitkan dengan benar.
CATATAN Seperti yang Anda pelajari di bab 1, Anda harus berhati-hati untuk tidak
menekstrapolasi data masa lalu ke dalam data masa depan ketika penyebaran teknologi
AI mungkin mengubah realitas spekulasi tersebut. Apakah jumlah parkir overstay yang
sama tetap berlanjut setelah Anda mulai menerbitkan tilang? Atau, apakah parkir
overstay menghilang seketika?
Agar aman, Anda memutuskan untuk mengasumsikan bahwa jumlah parkir overstay akan
menurun. Alih-alih menggunakan 300/tahun, Anda berasumsi akan ada setidaknya 51 parkir
overstay/tahun. Anda dibatasi oleh kota jika ada 50 parkir overstay atau kurang, 51 parkir
overstay/tahun adalah skenario terburuk untuk Anda. Gambar 6.4 menunjukkan alur ML
sederhana yang akan Anda gunakan.
Gambar 6.4 Alur ML sederhana untuk mesin parkir otomatis yang memfoto pelat nomor, memeriksa
apakah parkir sesuai aturan, dan menerbitkan tilang jika parkir melanggar aturan. Contoh dalam bab
ini menggunakan alur ini untuk analisis.
Alur ML yang ditunjukkan pada gambar 6.4 menggunakan kamera dan pengenalan gambar.
Namun, karena kita sedang bekerja dengan perangkat fisik di dunia nyata, ada beberapa
kerumitan:
 Kualitas foto tergantung pada waktu dan cuaca. (Pantulan dari matahari, cahaya, dan
hujan juga berpengaruh.)
 T
ilang diterbitkan menggunakan jaringan seluler, sehingga mesin parkir memiliki
modem seluler. Untuk contoh ini, kita akan mengasumsikan bahwa tahap penerbitan
tilang pada alur selalu bekerja dengan sempurna.2
2
Dalam praktiknya, ada kemungkinan bahwa beberapa tilang gagal dikarenakan kesalahan komunikasi atau masalah pada
sistem tilang. Untuk menyederhanakan contoh ini, saya mengabaikan masalah-masalah tersebut.
Peraturan parkir sedikit lebih rumit daripada yang saya jelaskan sebelumnya. Pada kenyataannya,
peraturan tersebut cukup rumit sehingga alur ML yang ditunjukkan pada gambar 6.4
membutuhkan mesin aturan untuk mendukung aturan parkir tersebut
CATATAN Dalam bab ini, pada awalnya kita membahas kasus dasar analisis MinMax. Pada
kasus dasar tersebut, aman untuk mengasumsikan bahwa kurva laba Anda sedemikian
rupa sehingga nilai metrik teknis yang lebih tinggi akan selalu menghasilkan nilai
metrik bisnis yang lebih tinggi. Bagian 6.5.5 akan menunjukkan kepada Anda apa yang
harus dilakukan jika asumsi ini tidak terpenuhi.3
Dalam beberapa kasus, Anda dapat mengambil keputusan hanya berdasarkan bagian analisis
Min atau Max. Di kasus-kasus lainnya, Anda perlu memeriksa bagian analisis Min serta Max
sebelum mengambil keputusan.
CATATAN Sebelum Anda melihat serangkaian hasil hipotesis analisis MinMax, ingat bahwa
agar mesin parkir ini menguntungkan, ambang batas yang Anda butuhkan setidaknya
$100 per tahun dari setiap mesin untuk membuatnya layak. Ambang batas tersebut
didasarkan pada asumsi akan ada 51 parkir overstay per tahun, yang merupakan kasus
terburuk parkir overstay Anda dan tidak terlalu sedikit agar bonus dari kota menjadi
efektif. (Kota membayar tidak lebih dari 50 pelanggaran.)
Dalam skenario pertama untuk contoh ini, Anda tahu bahwa dengan mesin parkir paling
sederhana yang bisa Anda bangun, dan implementasi pengenalan video pelat nomor paling
mudah, 97% tilang tidak akan salah. Sayangnya, 3% akan salah. Berdasarkan kurva laba Anda,
ilmuwan data Anda memberi tahu bahwa mereka telah menyelesaikan bagian Min dari analisis
MinMax dan menemukan bahwa laba per mesin parkir yang diharapkan adalah $117,81 per
tahun (untuk 51 tilang parkir ilegal per tahun). Karena ambang batas Anda hanya $100 per
tahun, Anda tahu bahwa alur ML Anda layak, dan bahwa sistem AI akan menghasilkan laba
dalam bentuk alur "apa adanya". Anda tidak perlu mengkhawatirkan bagian Max dari MinMax,
karena alur ML yang Anda miliki saat ini sudah cukup baik untuk mendukung tujuan bisnis
Anda.
Rilis atau jangan rilis?

Jika bagian Min dari analisis MinMax Anda menunjukkan bahwa alur ML Anda saat ini sudah
menghasilkan nilai yang melebihi ambang batas Anda, Anda dapat memilih untuk merilis produk
Anda. Atau, untuk berbagai alasan bisnis, Anda dapat memutuskan untuk tidak merilisnya. Ini
sekarang menjadi keputusan bisnis yang mungkin memerlukan lebih banyak analisis.
Sebagai pertimbangan lain, mesin parkir memiliki beberapa bagian yang dapat mempersulit
keputusan bisnis; misalnya, setelah mesin dipasang, Anda tidak dapat dengan mudah mengganti
kamera. Namun, jika Anda tahu bahwa Anda sudah memiliki kamera terbaik yang bisa Anda
dapatkan, dan Anda dapat memperbarui perangkat lunak pada mesin dari jarak jauh, Anda dapat
memperlakukan mesin sebagai sistem perangkat lunak konvensional. Dalam kasus ini, Anda
harus merilis sekaligus dan, jika perlu, membangun sistem pengenalan gambar yang lebih baik
di masa mendatang.
3
Untuk pembaca dari kalangan ilmuwan data—kurva laba Anda monoton, tetapi tidak ada persyaratan relasi antara metrik
teknis dan metrik bisnis harus linear.
Cara menafsirkan hasil analisis MinMax 67
Sekarang mari kita lihat skenario alternatif: seseorang telah memutuskan bahwa alih-alih
menempatkan kamera di mesin parkir itu sendiri (sehingga jaraknya hanya beberapa inci dari
pelat nomor), mereka akan memanfaatkan kamera keamanan di atap gedung di dekat tempat
parkir untuk memantau semua mobil yang diparkir. Dengan sistem tersebut, Anda bahkan tidak
perlu menginstal perangkat mesin parkir fisik baru dengan kamera!
Kota mengatakan bahwa mereka menyukai gagasan tersebut dan akan menggunakannya,
karena dengan begitu mereka tidak akan mengeluarkan dana untuk memasang mesin parkir
baru dengan kamera. Semua parameter lain, seperti biaya tilang dan ambang batas nilai $100,
tetap sama. Perusahaan Anda memutuskan ingin tetap melakukan bisnis dengan kota di bawah
kondisi tersebut.
Kemudian Anda mendapatkan gambar dari kamera keamanan yang ada di atap. Ternyata
kamera tersebut mengambil gambar yang kabur dan terdistorsi hanya sekali setiap beberapa detik.
Ini adalah kamera lensa fisheye yang ditujukan untuk sistem keamanan. Ada juga penghalang
yang memengaruhi tampilan tempat parkir, dan sekarang Anda perlu memetakan gambar dari
kamera tersebut untuk menentukan mobil yang sedang diparkir serta di mana tempat parkirnya.
Anda meminta pendapat tim rekayasa. Tim Anda melakukan analisis MinMax lagi. Kali ini,
mereka sadar bahwa mereka menghadapi tantangan teknis yang sulit dan bertanya-tanya apakah
implementasi terbaik dari alur ML saat ini akan mampu mengatasinya.
Tim terlebih dahulu melakukan bagian Max dari analisis MinMax. Analisis menunjukkan
bahwa dengan gambar yang Anda miliki, sistem Anda akan menerbitkan 89% tilang yang benar
dan 11% tilang salah. Dengan 51 parkir overstay per tahun, laba per mesin adalah $23,97 per
tahun. Alur ML Anda tidak akan efektif.
Waktunya untuk panik! Bisakah tim rekayasa membangun alur ML yang berbeda? Mereka
mencobanya, tetapi tidak ada alur yang layak untuk bisnis jika Anda menggunakan gambar dari
kamera keamanan yang ada. Jika Anda tidak bisa mendapatkan gambar yang lebih baik, maka
Anda tidak memiliki proyek AI yang layak.
TIPS Membatalkan proyek dalam kasus seperti ini bukan hal yang buruk sama sekali.
Contoh ini menunjukkan kepada Anda secara persis alasan Anda harus melakukan
analisis MinMax sejak awal proyek. Kapan waktu yang Anda pilih untuk menyampaikan
pembatalan proyek kepada bos Anda: ketika Anda telah menghabiskan 3% anggaran
(waktu dan biaya) dan dapat membuktikan bahwa proyek tidak bisa berjalan, atau
ketika Anda telah menghabiskan 105% anggaran dan menyadari bahwa proyek tidak
bisa dilanjutkan? Jika Anda ditakdirkan untuk gagal, gagallah dengan cepat, dan
mulai sesuatu yang lebih produktif.
Bos Anda maklum dan memahami bahwa ide menggunakan gambar dari kamera keamanan
yang dipasang di atap tidak akan berhasil. Bos Anda melakukan beberapa panggilan telepon lalu
menghubungi Anda dengan kabar baik! Anda dapat menggunakan kamera yang jauh lebih baik
yang ditempatkan di sekitar tempat parkir. Beberapa kamera akan diposisikan sedemikian rupa
sehingga Anda tidak perlu mengkhawatirkan penghalang. Anda meminta tim untuk mengulangi
analisis MinMax dengan alur ML yang sama, tetapi dengan asumsi Anda akan menggunakan
kamera yang lebih baik.
Kali ini, bagian Max dari MinMax menunjukkan bahwa hasil terbaik yang mungkin
dicapai dengan sistem tersebut adalah 98% tilang benar, dan 2% tilang salah. Dan dengan
51 parkir overstay per tahun, laba per mesin adalah $129,54 per tahun. (Ingat, bagian Max
memberikan hasil yang sesuai dengan implementasi terbaik dari alur ML.) Namun, bagian
Min yang menganalisis alur paling sederhana yang dapat Anda bangun, menunjukkan bahwa
Anda hanya memiliki 91% tilang benar, dengan laba $47,43 per tahun. Implementasi paling
sederhana dari alur ML tidak akan berhasil, tetapi mungkin Anda dapat meningkatkannya.
Proyek harus dilanjutkan, tetapi ada satu pertanyaan tentang seberapa sulitkah upaya untuk
meningkatkan alur ML. Kita akan membahasnya nanti.
6.4.2 Bagaimana jika alur ML Anda memerlukan perbaikan?

Hasil analisis MinMax sering kali konklusif tentang nilai bisnis dari alur ML Anda. Di bagian
sebelumnya, Anda melihat contoh di mana analisis Min menunjukkan bahwa alur sudah
memberikan hasil bisnis yang layak. Anda juga melihat contoh di mana alur ML tidak memadai
untuk memenuhi tujuan bisnis. Namun, terkadang hasilnya tidak konklusif: alur ML Anda
memerlukan perbaikan untuk memenuhi tujuan bisnis Anda.
Bagian ini menjelaskan situasi terakhir ini. Gambar 6.5 menunjukkan gambaran umum
tentang penerapan analisis MinMax untuk kasus di mana alur ML memerlukan perbaikan.
Gambar 6.5 Di sini, analisis Min tidak mencapai ambang batas nilai, sedangkan analisis
Max melebihinya. Mungkin alur ini dapat diperbaiki sehingga cukup layak untuk bisnis.
Pada gambar 6.5, hasil analisis menunjukkan bahwa dengan alur ML yang Anda gunakan,
implementasi Min tidak cukup baik, tetapi analisis Max menunjukkan bahwa struktur alur ML
saat ini dapat diperbaiki untuk memberikan hasil bisnis yang dapat diterima. Dalam situasi ini,
Anda dapat mengatakan bahwa alur ML tersebut lolos analisis Max namun gagal di analisis Min.
Alur ML yang menghasilkan uang dengan sedikit usaha dari Anda adalah hal yang patut
dipertahankan. Alur ML yang tidak menghasilkan uang bahkan ketika Anda menggunakan
teknik terbaik di setiap tahapan baiknya ditinggalkan sejak awal. Namun, apa yang terjadi ketika
Anda berada di tengah-tengah situasi dan Anda tahu bahwa Max Anda cukup baik, namun Min
Anda tidak? Anda perlu memperbaiki alur ML sebelum Anda dapat merilis produk AI Anda,
sehingga Anda harus melakukan analisis sensitivitas (seperti yang dijelaskan dalam bab 7).
Cara melakukan analisis alur ML 69
6.4.3 Aturan untuk menafsirkan hasil analisis MinMax

Di bagian sebelumnya, Anda telah mempelajari cara menafsirkan hasil analisis MinMax. Jika kita
merangkum bagaimana kita mengambil keputusan-keputusan tersebut, kita dapat menyusun
seperangkat aturan untuk menafsirkan hasil analisis MinMax. Bagian ini merangkum aturan-
aturan tersebut. Pertama-tama mari kita sepakati definisi beberapa istilah:
 Kita akan mengatakan bahwa bagian Min dari analisis MinMax lulus jika implementasi
paling minimal dari alur ML yang dapat Anda buat sudah memiliki nilai bisnis yang
melebihi ambang batas nilai pada kurva laba. Alur ML minimal tersebut layak untuk
bisnis.
 Kita akan mengatakan bahwa bagian Max dari analisis MinMax lulus jika implementasi
terbaik dari alur ML akan memiliki cukup nilai bisnis yang melebihi ambang batas nilai
pada kurva laba. Implementasi terbaik dari alur ML Anda saat ini akan menjadi layak
untuk bisnis.
Kombinasi yang berbeda dari hasil analisis Min dan Max memiliki makna bisnis yang berbeda.
Tabel 6.1 merangkum hasil yang memungkinkan dari analisis MinMax serta dampak bisnisnya.
Tabel 6.1 Rangkuman hasil yang memungkinkan dari analisis MinMax. Setiap hasil memiliki implikasi
langsung untuk bisnis Anda.
Hasil Min/hasil Max Max lulus Max gagal
Alur ML layak untuk bisnis. Kombinasi ini tidak bisa terjadi.
Alur ML memerlukan perbaikan agar Alur ML saat ini tidak cocok untuk
layak untuk bisnis. menyelesaikan masalah bisnis.
6.5 Cara melakukan analisis alur ML

Sekarang, setelah Anda tahu cara menafsirkan hasil analisis MinMax, mari membahas cara
melakukan analisis. Bagaimana kita mendapatkan angka-angka hasil analisis MinMax dari
bagian sebelumnya? Dengan menganalisis alur ML. Bagian ini menunjukkan kepada Anda cara
melakukan analisis tersebut.
CATATAN Jika Anda seorang manajer tanpa latar belakang di bidang rekayasa, Anda
mungkin ingin membaca sekilas semua penjelasan analisis MinMax untuk mendapatkan
pemahaman dasar tentang apa yang akan dilakukan tim Anda selama proses ini. Jika
Anda seorang manajer dengan latar belakang di bidang rekayasa, Anda seharusnya
dapat memahami (atau bahkan melakukan) analisis ini.
Langkah pertama dalam menganalisis alur ML adalah memastikan bahwa Anda memiliki semua
prasyarat. Anda memerlukan diagram logis alur ML yang diusulkan. Anda juga memerlukan
metrik teknis dan bisnis yang Anda gunakan pada proyek serta kurva laba.
Anda menganalisis alur ML dengan menjalankan data dengan alur tersebut lalu
menggunakan kurva laba untuk mengukur hasilnya dalam konteks bisnis. Proses umum untuk
analisis (gambar 6.6) sama untuk bagian Min dan Max dari analisis MinMax, dan bahkan dapat
diterapkan untuk analisis sensitivitas alur ML.
Gambar 6.6 Analisis alur ML. Analisis ini memberi tahu Anda apa yang dapat dicapai oleh alur ML saat
ini untuk bisnis. Baik bagian Min maupun Max dari analisis MinMax menggunakan proses yang sama.
Analisis yang ditunjukkan pada gambar 6.6 mengukur hasil alur ML Anda dalam konteks bisnis.
Hal ini dilakukan dengan memproses data nyata dengan alur ML Anda saat ini, mengukur
output menggunakan metrik teknis, lalu mengubah nilai tersebut ke dalam metrik bisnis. Cara
lain untuk memahami analisis ini adalah Anda seperti sedang mengumpani alur ML dengan data
nyata lalu menerapkan bagian Understand (Memahami) dari proses CLUE untuk mengukur
hasilnya.
Proses yang sama dari gambar 6.6 akan berlaku untuk bagian Min serta Max dari analisis
MinMax. Yang berubah bukanlah cara Anda menganalisis alur ML melainkan implementasi
tahapan alur ML.
Setelah Anda memahami keseluruhan proses untuk menganalisis alur ML, mari melihat
cara melakukan analisis riil. Bagian 6.5.1 menunjukkan kepada Anda cara melakukan bagian
Min dari analisis MinMax, dan bagian 6.5.2 menunjukkan cara melakukan bagian Max.
Bagian 6.5.3 membahas cara memperhitungkan perkiraan tren dan faktor keselamatan
selama pelaksanaan analisis MinMax. Bagian 6.5.4 memperkenalkan berbagai jenis
kurva laba yang mungkin Anda jumpai dalam praktiknya. Terakhir, bagian 6.5.5 menunjukkan
cara menerapkan analisis MinMax pada kurva laba yang memiliki bentuk kompleks.
6.5.1 Melakukan analisis Min dari analisis MinMax

Untuk melakukan bagian analisis Min, Anda terlebih dahulu harus membangun implementasi
alur ML yang paling sederhana. Tujuannya adalah untuk membangun implementasi alur ML
yang dapat Anda uji dengan data nyata.
Sebesar apa upaya yang harus Anda kerahkan dalam mempersiapkan alur ML untuk
bagian Min dari analisis MinMax? Upaya seharusnya tidak besar dibandingkan dengan ukuran
seluruh proyek. Aturan umumnya adalah seharusnya hanya diperlukan beberapa orang selama
beberapa minggu upaya, terlepas dari ukuran proyek, dengan biaya tidak lebih dari 5% dari
total anggaran proyek. Jika Anda adalah perusahaan kecil, hal ini dapat berarti yang terbaik
yang dapat dilakukan satu orang dalam beberapa hari.
Kuncinya adalah menggunakan sarana yang paling mudah. Gunakan implementasi alur
yang dapat Anda bangun dengan cepat. Jika produk komersial siap pakai (COTS) dapat
membantu Anda, gunakanlah. Tanyakan pada diri Anda, apakah Anda dapat menggunakan
produk orang lain di tahap alur mana pun untuk mengimplementasikan fungsi yang
diperlukan? Anda ingin mendapatkan sistem yang bekerja dengan upaya minimum
sehingga Anda dapat melihat hasil bisnis yang memungkinkan dengan sistem tersebut.
Setelah analisis selesai, saatnya untuk menerapkan teknik yang Anda pelajari di bagian 6.4
dan menafsirkan hasil analisisnya. Jika Anda sudah memiliki alur ML yang memberikan hasil
yang melebihi nilai ambang batas metrik bisnis, alur Anda sudah layak untuk bisnis sebagaimana
adanya.
CATATAN Apa yang terjadi jika Anda perlu mengerahkan upaya yang besar untuk
membangun bahkan alur ML yang paling sederhana? Tanpa implementasi sederhana
tersebut, Anda tidak dapat melakukan bagian analisis Min. Oleh karena itu, hasil
analisis Min Anda adalah nol—implementasi alur ML Anda saat ini memiliki nol nilai
bisnis. Tanpa melakukan perbaikan, Anda tidak memiliki apa-apa.
6.5.2 Melakukan analisis Max dari analisis MinMax

Jika yang Anda miliki saat ini tidak cukup baik untuk dirilis, Anda jelas perlu meningkatkan sistem
AI Anda sebelum sistem tersebut layak untuk bisnis. Sekarang adalah saatnya Anda melakukan
bagian Max dari analisis MinMax dan menentukan apakah alur ML Anda memerlukan perbaikan
untuk mencapai tujuan bisnis Anda. Bagian ini menunjukkan cara melakukan bagian analisis
ini.
Untuk bagian Max dari analisis MinMax, penjelasannya adalah untuk alur ML dengan
struktur tertentu, hasil terbaik untuk alur tersebut secara keseluruhan adalah hasil di mana
setiap tahapnya memiliki implementasi terbaik. Lihat tahap B pada alur ML yang ditunjukkan
pada gambar 6.6. Misalnya tahap tersebut diberikan sebuah gambar dan menangani pengenalan
visual angka pada gambar. Untuk analisis Max, Anda akan melihat hasil terbaik yang telah dicapai
orang lain dalam mengenali angka dan menggunakannya sebagai proksi untuk hasil terbaik
yang dapat dicapai oleh tahap B Anda jika Anda mengerahkan upaya yang cukup besar ke sana.
Yang terbaik sejauh ini adalah batas atas ekspektasi wajar

Untuk kepentingan pembahasan, mari kita asumsikan bahwa hasil terbaik yang
pernah didapatkan oleh siapa saja sejauh ini untuk tahap tertentu dari alur ML
(kita sebut saja tahap B) adalah 99,22% akurasi. Bayangkan Anda membangun alur
ML menggunakan tahapan tersebut, dan ketika Anda melakukan bagian Max dari
analisis MinMax, Anda menemukan bahwa alur ML Anda tidak layak untuk bisnis.
Namun, jika Anda dapat meningkatkan akurasi tahap B hanya sebesar 0,5% (ke
akurasi 99,72%), Anda akan memiliki alur ML yang layak untuk bisnis. Haruskah
Anda berasumsi bahwa tim Anda akan mampu mencapai 99,72% akurasi?
Untuk sebagian besar tim di industri, sangat sulit menjamin tim dapat melampaui
hasil terbaik yang dicapai di bidang AI sejauh ini. Itu berarti alur ML mana pun yang
tidak dapat mendatangkan hasil bisnis yang dapat diterima ketika setiap tahapnya
menggunakan implementasi terbaik yang diketahui, berdasarkan strukturnya, tidak
cocok untuk menyelesaikan masalah bisnis Anda. Alur ML seperti itu telah gagal
dalam bagian Max dari analisis MinMax. Jika Anda perlu melampaui hasil terbaik
dalam sejarah bahkan untuk mendapatkan produk yang layak secara minimal, sudah
sepantasnya alur ML tersebut disingkirkan.
Bagian analisis Max sangat penting pada tahap awal dalam membangun bisnis atau
produk baru. Pada tahap ini, Anda memperkirakan total biaya proyek dan alur Anda,
dan, kemungkinannya, Anda melewatkan sejumlah biaya. Jika alur ML Anda gagal di
bagian Max dari analisis MinMax bahkan ketika total biaya Anda mungkin diperkirakan
terlalu rendah, alur ML tersebut jelas tidak dapat mendukung produk AI yang layak.
Pertanyaan paling penting selama analisis Max alur ML adalah, "Apa proksi yang
masuk akal untuk hasil terbaik dalam tahap ini?" Mari kita lihat beberapa cara untuk
menemukan proksi yang baik.
Bagian Max dari analisis MinMax berakar pada tolok ukur kompetitif (competitive
benchmarking) [1,120]. Tolok ukur kompetitif berarti Anda mencari proksi,
seseorang yang memiliki masalah serupa, dan Anda mengukur seberapa baik mereka
memecahkannya. Berikut adalah beberapa sumber yang akan kita selidiki dengan
lebih mendetail yang dapat Anda gunakan sebagai proksi:
 H
asil terbaik yang dicapai sejauh ini dalam bisnis, industri, atau akademik
tentang masalah yang serupa dengan yang Anda coba atasi
 Seseorang yang melakukan tugas yang Anda butuhkan untuk dilakukan oleh AI
APA HASIL TERBAIK UNTUK MASALAH SEPERTI MASALAH ANDA DALAM DUNIA AKADEMIK ATAU
INDUSTRI?
Apa hasil terbaik yang telah dipublikasikan dalam dunia akademik atau bisnis untuk
tugas seperti tugas Anda? Yang Anda cari adalah organisasi yang pernah memiliki
masalah yang sama dengan yang saat ini Anda miliki dan seberapa baik mereka
mengatasinya.
Ketika melihat industri, Anda tidak hanya mencari produk COTS yang dapat Anda
beli, tetapi juga hal terbaik yang dapat dicapai oleh perusahaan lain (bahkan jika
mereka bukan pesaing langsung Anda) saat menangani masalah seperti yang Anda
hadapi. Ketika Anda melihat makalah-makalah akademik, Anda melihat hasil terbaik
yang dipublikasikan. Dalam kedua kasus tersebut, kuncinya adalah Anda mencoba
menemukan hal terbaik yang telah dicapai seseorang saat memecahkan masalah yang
semirip mungkin dengan masalah Anda.
TIPS JIka Anda sedang mempertimbangkan produk COTS untuk tahap tertentu
dalam alur, tanyakan kepada vendor tentang hasil terbaik yang pernah dicapai dengan
produk mereka untuk masalah seperti masalah Anda. Vendor yang yakin bahwa mereka
menyediakan nilai bisnis yang nyata untuk kasus bisnis seperti kasus bisnis Anda
seharusnya mengenali pertanyaan tersebut sebagai peluang untuk menampilkan diri.
Alasan menggunakan akademik atau industri sebagai proksi adalah jika para ahli terbaik di
dunia tidak dapat mencapai lebih dari 80% akurasi pada tugas tertentu, masuk akal untuk
beranggapan bahwa Anda tidak akan melakukan lebih baik dari 80%.
Terkait proksi yang harus dipilih, sebaiknya Anda menggunakan proksi yang lebih mirip
dengan masalah Anda—penggunaan industri yang sudah terbukti selalu menjadi proksi yang
lebih kuat daripada makalah akademis. Di sisi lain, makalah akademis yang menjelaskan situasi
yang persis seperti situasi Anda bisa jadi adalah proksi yang lebih baik daripada penggunaan
industri pada masalah yang kurang terkait.
Seberapa mirip situasi Anda?

Anda harus bekerja dengan hati-hati untuk memastikan bahwa masalah yang Anda
pilih untuk digunakan sebagai proksi mirip dengan situasi Anda. Proksi harus
berkaitan erat, dan Anda harus memahami bagaimana kondisi di mana hasil yang
diiklankan tersebut dicapai. Berikan perhatian khusus pada penyederhanaan apa
pun yang mungkin dimasukkan oleh penulis makalah akademis.
B. Hu et al. memberikan contoh dalam makalah mereka tentang klasifikasi deret
waktu [121]. Akselerator data dapat digunakan untuk mengenali gerakan dan gestur
seorang aktor. Pertanyaannya di sini adalah, bagaimana Anda tahu kapan satu
gerakan dimulai dan satu gerakan lain berakhir? Jawaban untuk komunitas akademik
tersebut, pada satu titik waktu, adalah mereka akan menggunakan sesuatu yang
secara teknis dikenal disebut pra-segmentasi.
Komunitas tersebut tertarik untuk mengklasifikasikan gestur dengan syarat sudah
diketahui kapan gestur tersebut dimulai dan berhenti. Gestur tersebut diketahui
karena sang aktor diminta untuk melakukan gestur sesuai instruksi. Untuk
mendapatkan pra-segmentasi yang lebih tepat, beberapa aktor bahkan menggunakan
metronom!
Satu-satunya masalah adalah pengenalan gestur jika data akselerometer sudah
disegmentasi sebelumnya dengan bantuan metronom jauh lebih mudah daripada
memahami data akselerometer yang berasal dari jam tangan pintar (seperti Apple
Watch). Jika Anda menggunakan hasil komunitas tersebut sebagai proksi untuk hal-
hal yang memungkinkan dengan akselerometer jam tangan pintar, Anda mungkin
akan bertanya-tanya mengapa Anda tidak dapat memperoleh akurasi pengenalan
gestur yang mirip dengan yang mampu dicapai oleh komunitas akademik tersebut.
Bagaimana jika selama analisis Max tim Anda melewatkan hasil terbaik mutlak yang
dipublikasikan? Misalnya, hasil tersebut disebutkan di makalah ilmiah yang tidak terkenal.
Itu tidak masalah; temuan Max yang dibuat oleh tim Anda tetap dianggap sebagai Max untuk
organisasi Anda, dan Max tersebut tidak dipengaruhi oleh adanya makalah tertentu yang tidak
terkenal. Yang Anda cari selama analisis Max bukanlah Max mutlak yang diketahui oleh umat
manusia. Anda sedang mencari Max praktis atau industri—yang mungkin bisa didapatkan oleh
tim Anda ketika mereka mencoba mengimplementasikan tahap alur tertentu. Tim Anda tidak
dapat mengimplementasikan algoritme dari makalah yang tidak mereka ketahui.
SEBERAPA BAIK SEORANG MANUSIA AKAN MEMECAHKAN MASALAH ANDA?

Bagaimana jika Anda tidak memiliki contoh apa pun yang mirip dengan masalah Anda? Jika
belum pernah ada orang yang memecahkan masalah seperti masalah Anda, berbahaya untuk
berasumsi bahwa Anda dapat membuat produk AI dengan kinerja yang lebih baik daripada
manusia. Sebaliknya, lihat apa yang dapat dilakukan seseorang ketika diberikan subset kecil dari
data Anda. Gunakan orang tersebut sebagai proksi Anda.
Pilih seseorang dan tunjukkan kepadanya data yang sama dengan yang dilihat oleh tahap
alur Anda. Minta dia untuk memainkan peran sebagai tahap alur tersebut, kemudian ukur
apa yang dicapai oleh tahapan berbasis manusia tersebut. Itulah perkiraan Anda tentang titik
maksimum yang dapat dilakukan oleh algoritme AI.
CATATAN Meskipun terdapat kemungkinan untuk mendapatkan efek yang lebih baik
daripada manusia pada beberapa tugas, pada saat buku ini ditulis, situasi seperti ini
jarang terjadi, sering kali tidak layak, dan, bahkan ketika tercapai, biasanya dihasilkan
oleh tim yang sudah terdiri dari orang-orang yang merupakan peneliti-peneliti AI
terbaik di dunia. Kemungkinan hasil dari algoritme AI Anda akan lebih buruk daripada
yang dapat dicapai seseorang jauh lebih besar.
6.5.3 Perkiraan dan faktor keselamatan dalam analisis MinMax

Sifat bagian Max dari analisis MinMax adalah Anda memperkirakan apa yang dapat dicapai
jika setiap tahap alur ML Anda memiliki implementasi sebaik mungkin. Bagian ini membahas
pertanyaan-pertanyaan yang sering muncul ketika Anda sedang memperkirakan apa yang dapat
Anda capai. Misalnya:
etika Anda melakukan analisis MinMax dan proyek Anda akan dirilis 18 bulan lagi,
 K
haruskah Anda memperhitungkan tren dalam peningkatan kualitas perangkat keras atau
algoritme AI?
agaimana seharusnya Anda menggunakan pendapat pakar selama analisis MinMax?
 B
aruskah Anda menambahkan faktor keselamatan apa pun ke dalam hasil Anda?
 H
MENGGUNAKAN PERKIRAAN TREN DALAM ANALISIS MINMAX

Terkadang Anda mungkin melihat suatu tren peningkatan kualitas dan memperkirakan
bagaimana dampak kelanjutan tren tersebut pada saat Anda memulai proyek Anda. Misalnya,
biaya penyimpanan data sedang menurun, dan jika proyek Anda berjalan dua tahun mendatang,
Anda dapat memperhitungkan penurunan biaya penyimpanan data dan menyimpulkan bahwa
Anda mampu menyimpan lebih banyak data daripada yang dapat Anda lakukan sekarang.
Anda juga dapat menerapkan tren peningkatan kualitas algoritme AI. Dalam beberapa kasus,
mungkin ada tren yang jelas bahwa algoritme AI makin membaik. Sebagai contoh, saat ini, AI
makin baik dalam pengenalan gambar dan aliran video, dan perbaikan ini terjadi dengan cepat.
Perkiraan tren sangat menggoda untuk dilakukan terutama jika hasil analisis Max Anda gagal
dengan margin kecil dari ambang batas kelayakan bisnis yang ingin Anda jangkau. Misalnya,
Anda memerlukan 96% akurasi, dan saat ini angka terbaik yang Anda capai adalah 95,5%, tetapi
menurut Anda dua tahun lagi angka tersebut akan naik menjadi 96%.
Saya sendiri tidak suka memperkirakan tren dalam upaya AI awal; saya meminta sebagian
besar klien saya untuk tidak mencoba melakukannya. Agar berhasil memprediksi tren di
suatu bidang, Anda memerlukan lebih banyak keahlian daripada yang mungkin Anda miliki
pada saat Anda memulai upaya awal di bidang tersebut. Saya bukan hanya membahas tentang
pengetahuan teknis, melainkan juga pengetahuan tentang kemampuan organisasi Anda dalam
mengintegrasikan teknologi AI baru. Terakhir, agar tren menjadi signifikan, proyek biasanya
perlu memakan waktu cukup lama dan lebih lama daripada yang diperlukan oleh proyek AI
pertama Anda.
PERKIRAAN BERDASARKAN PENDAPAT PAKAR

Tak pernah ada salahnya untuk meminta perkiraan dari pakar tentang hasil Max yang dapat
Anda peroleh dalam suatu tahap alur. Pakar tersebut bisa berupa konsultan atau akademisi.
Mereka mungkin juga tidak hanya menunjukkan hasil terbaik yang memungkinkan dalam tahap
alur tertentu, tetapi juga cara mencapainya.
Manfaat lain dari pendapat pakar adalah mereka mungkin mengetahui suatu bidang
dengan cukup baik sehingga dapat memberi tahu Anda bukan hanya hasil terbaik saat ini,
melainkan juga tren yang sedang terjadi di area penelitian tertentu. Apakah ini bidang yang
sedang meningkatkan kemampuannya dengan cepat (seperti komunitas pengenalan gambar)?
Berapa banyak pelatihan yang diperlukan bagi tim Anda untuk mencapai hasil tersebut?
Pastikan Anda mengkontekstualisasi saran dari pakar. Apakah pakar tersebut menjawab satu
pertanyaan secara terpisah, dan apakah pakar tersebut memahami situasi Anda dengan baik?
Diperlukan biaya mahal untuk menyewa pakar dan mereka adalah orang-orang sibuk, dan
Anda akan tergoda untuk menghemat biaya dengan cara mengajukan satu pertanyaan lugas yang
dibuat oleh tim Anda. Masalahnya adalah tim Anda kemudian harus melakukan kontekstualisasi
pertanyaan serta jawabannya di bidang di mana mereka tidak memiliki keahlian sebanyak pakar
tersebut.
Jawaban yang Anda dapatkan dalam situasi semacam itu juga dapat memberi Anda rasa
aman yang palsu: Anda cenderung untuk percaya bahwa jawabannya benar karena berasal dari
pakar terkenal. Namun, tugas kontekstualisasi (yang dilakukan oleh pakar yang lebih rendah)
bisa menjadi bagian besar masalah. Mengajukan pertanyaan yang tepat adalah sesuatu yang
sulit, dan sering kali seorang pakar dapat mencapai kedudukannya sebagai pakar dikarenakan
mereka tahu mana pertanyaan yang perlu diajukan.
Sebelumnya Anda telah menghadapi masalah kontekstualisasi pertanyaan di bab 3, saat kita
merumuskan pertanyaan penelitian untuk memecahkan masalah bisnis. Seperti halnya eksekutif
dan ilmuwan data yang perlu berkomunikasi di bab 3, Anda harus berbicara dengan seorang
pakar untuk memastikan bahwa pertanyaan (yang ditanyakan dengan benar) mencerminkan
kebutuhan Anda.
Saya percaya bahwa menghemat uang untuk mendapatkan saran dari pakar adalah
pendekatan yang tampak seperti penghematan namun sebenarnya merugikan. Anggarkan
dana yang diperlukan untuk mendapatkan waktu yang cukup banyak dengan pakar untuk
menjelaskan masalah yang Anda hadapi sehingga pakar tersebut dapat mengkontekstualisasi
jawabannya. Jika Anda memiliki pakar yang tepat, Anda dapat menjelaskan kepada mereka hal-
hal spesifik tentang situasi bisnis Anda dalam waktu beberapa jam.
Terakhir, pastikan Anda memahami bentuk jawaban yang Anda dapatkan dari seorang pakar.
Apakah jawaban tersebut berupa fakta, pendapat pakar tentang situasi, atau hanya perkiraan?
Anda sudah tahu bahwa saya tidak suka dengan perkiraan tren di proyek-proyek AI awal, dan
pendapat saya tidak berubah hanya karena yang melakukan perkiraan adalah pakar teknis di
bidangnya.
PERINGATAN Jika Anda mendapatkan perkiraan, berhati-hatilah karena sebagian

besar orang (dan sebagian besar pakar) bukan penaksir yang sangat akurat. Silakan
baca buku D. W. Hubbard [75] untuk melihat data yang menunjukkan bahwa sebagian
besar orang adalah penaksir yang buruk, sebuah diskusi tentang mengapa manusia
adalah penaksir yang buruk, dan cara-cara agar seseorang bisa menjadi penaksir yang
lebih akurat.
HARUSKAH ANDA MENAMBAHKAN FAKTOR KESELAMATAN SELAMA ANALISIS ANDA?

Terkadang hasil akademis tidak dapat direplikasi sepenuhnya di lingkungan industri. Anda
mungkin juga skeptis bahwa tim Anda dapat menciptakan solusi AI yang akan menyelesaikan
suatu tugas dengan hasil yang mirip dengan yang dapat dilakukan oleh seorang manusia pada
tugas yang sama.
Dalam situasi seperti ini, Anda mungkin ingin menyertakan faktor keselamatan, seperti,
"Kami berasumsi bahwa kami hanya dapat mencapai 50% dari hasil terbaik yang dipublikasikan."
Tentu saja, tidak jelas faktor keselamatan apa yang seharusnya disertakan—mengapa kita
memilih 50% sebagai faktor keselamatan dan bukan 80%? Faktor keselamatan adalah ide yang
baik ketika Anda memahami masalah dengan cukup baik sehingga Anda dapat menjelaskan
dari mana ketidakpastian tersebut berasal dan seberapa besar ketidakpastian yang ada. Namun,
ketika Anda tidak tahu seberapa besar ketidakpastian yang ada, faktor keselamatan hanyalah
sekadar tebakan.
PERINGATAN Berhati-hatilah saat Anda menghadapi faktor-faktor keselamatan yang

merupakan angka bulat (seperti 2, 3, 10, atau 50%). Angka-angka ini terlalu bulat sebagai
hasil analisis teknis masalah, dan angka-angka tersebut mungkin hanyalah hasil tebakan.
6.5.4 Kategori kurva laba

Dalam contoh analisis kurva laba yang disajikan sejauh ini, kita telah mengasumsikan bahwa
kurva laba bersifat monoton—bahwa ketika metrik teknis meningkat, metrik bisnis (seperti laba)
juga meningkat. Ini adalah situasi kehidupan nyata yang paling umum, tetapi bagian ini akan
menunjukkan apa yang harus dilakukan ketika kurva laba dan metrik teknis memiliki hubungan
yang lebih rumit.
CATATAN Bagian ini menarik bagi pembaca umum dan pembaca yang lebih matematis.
Untuk memudahkan kelompok pembaca yang paling luas, saya akan menggunakan
istilah sehari-hari untuk mendeskripsikan beberapa konsep secara lebih sederhana.
Saya meminta kesabaran dari pembaca saya yang lebih matematis—Anda sudah
mengenali konsep dasar yang saya jelaskan, serta kasus-kasus luar biasa, dan Anda dapat
menambahkan sendiri aspek-aspek matematis yang mendasari.
Kurva laba bisa memiliki berbagai bentuk. Kita fokus pada empat kategori di gambar 6.7. Mari
bahas kategori kurva laba yang ditunjukkan pada gambar 6.7:
 Dalam kurva laba linear, hubungan antara metrik bisnis dan metrik teknis adalah
garis lurus.
 Dalam kurva laba monoton, ketika metrik bisnis meningkat, metrik teknis juga meningkat.
Namun, fungsi yang menjelaskan hubungan antara metrik teknis dan metrik bisnis bukan
garis lurus—kurva laba bisa memiliki berbagai bentuk. Setiap kurva laba linear adalah
kurva monoton, tetapi tidak berlaku sebaliknya.
 Kurva laba yang lebih rumit berikutnya adalah kurva laba non-monoton. Kurva ini
memiliki bagian-bagian di mana metrik bisnis meningkat ketika metrik teknis meningkat
dan bagian-bagian lain di mana metrik bisnis menurun ketika metrik teknis meningkat.
Grafik (c) menunjukkan satu jenis kurva non-monoton yang mungkin Anda temui
dalam praktik.
Gambar 6.7 Berbagai jenis kurva laba. Kurva laba linear dan monoton lebih mudah untuk dioptimalkan
daripada kurva laba non-monoton. Hindari kurva laba non-unik.
 Contoh terakhir adalah kurva laba yang non-unik (ambigu)—tidak ada hubungan unik
antara metrik teknis tertentu dan pendapatan. Anda akan menghadapi kurva laba jenis
ini ketika metrik teknis gagal mengukur pertimbangan bisnis yang vital bagi Anda.
Anda mengetahui bentuk kurva laba untuk proyek Anda; tim Anda yang membangunnya.4 Mari kita berikan
beberapa contoh konkret ketika Anda akan menjumpai jenis kurva laba yang ditunjukkan pada
gambar 6.7:

Anda akan sering menjumpai kurva laba linear (grafik (a)) ketika terdapat hubungan
yang sederhana dan langsung antara metrik teknis dan metrik bisnis Anda. Misalnya,
kurva laba linear akan terjadi ketika Anda memiliki aturan bentuk, "Biaya tahunan kami
diberikan menggunakan rumus $100K * RMSE."
Meskipun kurva laba dalam beberapa kasus mungkin diperoleh secara eksperimental, itu adalah topik teknis lanjutan
4
yang tidak praktis untuk dibahas dalam buku ini dikarenakan target pembaca dan ruang yang tidak sesuai. Beberapa topik
teknis yang relevan dengan derivasi kurva laba eksperimental mencakup desain eksperimen, analisis permukaan respons,
dan pengoptimalan Bayesian.
 Anda mungkin menjumpai kurva laba monoton (tetapi nonlinear) ketika Anda
memprediksi suatu nilai—makin baik prediksi Anda, makin berharga prediksi tersebut.
Grafik (b) menunjukkan hubungan eksponensial antara metrik teknis dan metrik bisnis—
di mana peningkatan kecil dalam hal akurasi prediksi akan menghasilkan peningkatan
laba yang besar. Anda akan sering menghadapi situasi tersebut di pasar keuangan.5
ontoh lain kurva non-monoton adalah di bidang robotika, di mana kurva laba akan
 C
terlihat seperti kurva yang ditunjukkan dalam grafik (c). Dalam robotika, terdapat
sebuah konsep bernama the uncanny valley [122]. Pertimbangkan dua robot, yang pertama
dengan wajah mirip boneka, dan robot kedua dengan fitur wajah (serta gerakan wajah)
yang mirip dengan wajah manusia, tetapi bukan duplikat yang sempurna. Kita cenderung
berpikir bahwa robot kedua dengan model wajah yang lebih canggih akan lebih populer,
tetapi yang terjadi adalah sebaliknya [122]. Beberapa orang memiliki reaksi insting
negatif terhadap robot kedua.
 Contoh lain dari kurva non-monoton adalah sistem otomatis yang memerlukan
pengawasan ketat manusia. Bayangkan tentang sistem keamanan yang menggunakan
AI untuk menyoroti aktivitas mencurigakan. Contoh lainnya adalah ketika para pekerja
sedang mengawasi robot dan mesin otomatis. Sistem transportasi (seperti pesawat) juga
termasuk dalam fenomena yang sama [123].
Ketika (untuk alasan hukum atau kepraktisan) Anda harus memiliki seorang manusia
yang ditugaskan secara penuh untuk mengawasi sistem Anda (dan merasa bosan dalam
waktu yang sangat sering), Anda mungkin melihat bentuk yang mirip dengan grafik (c).
Sistem gabungan AI dan manusia akan memiliki kinerja lebih buruk ketika sebuah AI yang
tidak sempurna melakukan kesalahan sesekali (tetapi masih melakukannya) daripada
ketika AI tersebut melakukan kesalahan lebih sering. Alasannya tidak terletak pada
kinerja sistem AI tersebut tetapi pada kinerja manusia yang mengawasi operasi—manusia
cenderung bosan dan lalai sehingga mungkin lambat untuk memperbaiki masalah ketika
pada akhirnya terjadi. Atau mereka mungkin tidak mahir merespons kesalahan sistem AI.
 Contoh lain kurva laba non-monoton adalah di beberapa situasi di mana metrik bisnisnya
adalah laba. Terkadang, mencapai nilai yang lebih tinggi dalam metrik teknis itu mahal
dan memerlukan pengeluaran modal tambahan. Bayangkan peningkatan lanjutan untuk
metrik teknis Anda mengharuskan Anda untuk membeli akses ke sumber data tambahan
yang mahal. Hal ini menciptakan "jurang" dalam kurva laba Anda di mana peningkatan
lebih lanjut dari metrik teknis Anda hanya memungkinkan setelah Anda membeli data
tambahan yang mahal (dan, oleh karena itu, mengurangi laba pada titik tersebut).
Sebagai aturan umum, kurva laba monoton lebih mudah ditangani, dan jika Anda bisa memilih,
Anda harus memilihnya. Jika Anda memiliki dua kombinasi metrik teknis/metrik bisnis yang
sama baiknya untuk dipilih, di mana salah satunya adalah kurva monoton dan yang lainnya tidak,
pilihlah kombinasi monoton.
5
Perhatikan bahwa alasan untuk hubungan eksponensial adalah bahwa peningkatan besar mungkin sulit, atau bahkan
diyakini mustahil. Ada kemungkinan bahwa dikarenakan persaingan, setelah Anda menunjukkan bahwa peningkatan
memungkinkan, pesaing Anda akan mencoba memahami, dan bentuk kurva dapat dengan cepat berubah. Bab 7 menun-
jukkan cara beroperasi dengan kurva laba yang berubah dari waktu ke waktu.
PERINGATAN Jangan pernah mengambil keputusan bisnis hanya berdasarkan pada metrik teknis
yang tidak dapat Anda kaitkan dengan pertimbangan bisnis yang Anda sukai! Jika begitu,
berarti Anda sedang memutuskan untuk memaksimalkan angka (metrik teknis), bukan
mengoptimalkan hasil bisnis.
Pada proyek-proyek AI awal Anda, atau ketika tim AI Anda masih mengumpulkan pengalaman,
Anda sebaiknya memilih kasus penggunaan yang memiliki kurva laba sederhana. Itu karena
alasan teknis (kurva laba monoton lebih mudah dianalisis) serta alasan bisnis.
CATATAN Kurva laba yang kompleks dapat menjadi penanda kasus bisnis yang lemah
untuk AI, di mana monetisasi tidak mudah dilakukan. Tetapi kurva ini juga bisa menjadi
indikasi kasus bisnis yang sangat kuat sehingga kurva laba tersebut layak untuk Anda
analisis secara mendetail. Atau itu hanyalah kebetulan teknis—katakanlah"Memang
seperti inilah hubungan antara metrik bisnis dan teknis ini." Saya tidak memulai
dengan gagasan praduga, tetapi ketika saya melihat kurva laba non-monoton, saya
selalu bertanya pada diri sendiri, "Mengapa kurva laba ini memiliki bentuk seperti ini?"
Terkadang Anda tidak memiliki pilihan—satu-satunya kombinasi metrik teknis/metrik bisnis

yang sesuai untuk Anda adalah non-monoton. Teknik yang ditunjukkan pada bagian berikutnya
akan membantu tim ilmu data Anda untuk mengatasi situasi tersebut.
6.5.5 Mengatasi kurva laba yang kompleks

Sekarang mari kita bahas detail yang diperlukan untuk membuat kurva laba yang lebih kompleks.
Bagian ini menjelaskan aspek-aspek teknis dalam mengatasi kurva laba non-monoton dan non-
unik.
CATATAN Saya berasumsi pada bagian ini bahwa pembaca sudah terbiasa dengan
confusion matrix dan F-score dalam konteks pengolahan bahasa alami (NLP). Anda
dapat menemukan informasi lebih lanjut di makalah Leon Derczynski [124].
Pertama-tama, mari kita bahas cara mengenali kurva laba non-unik. Kurva laba non-unik terjadi
ketika tidak ada hubungan matematika yang unik antara metrik bisnis dan metrik teknis yang
Anda gunakan. Contoh dari bidang hukum adalah e-discovery, di mana AI digunakan untuk
membantu menghemat biaya pengacara yang meninjau dokumen. Kita dapat menggunakan AI
untuk memeriksa dokumen dalam jumlah besar. Jika sistem AI dapat secara andal menandai teks
yang tidak berkaitan dengan perkara, AI dapat memberikan penghematan waktu yang signifikan
bagi pengacara, dan penghematan biaya untuk pihak yang berperkara.
Bayangkan Anda sedang bekerja untuk sebuah firma hukum. Pertanyaan bisnis Anda adalah,
"Bisakah Anda memperkirakan jumlah uang maksimum yang dapat dihemat oleh AI selama
fase discovery litigasi?"6 Penghematan Anda dalam e-discovery sebanding dengan persentase
dokumen yang diklasifikasi secara benar oleh AI sebagai "tidak berhubungan dengan gugatan"—
negatif benar (true negative).
Sistem AI yang menganalisis dokumen adalah bagian dari bidang NLP yang lebih luas. Salah
satu metrik yang biasanya digunakan oleh komunitas NLP adalah F-score [124]. Sayangnya
untuk kasus bisnis kita, F-score tidak memperhitungkan true negative! Cukup memungkinkan
6
Agar contoh ini tetap sederhana dan relevan, mari berasumsi bahwa ini adalah satu-satunya pertanyaan yang Anda ingin-
kan dan mengabaikan biaya AI yang melakukan kesalahan hukum. Tentu saja, jika pertanyaan pertama ini menghasilkan
penghematan biaya yang cukup, dan firma hukum memutuskan untuk menjelajahi sistem AI ini, pertanyaan bisnis lanju-
tan akan diajukan.
bagi dua sistem AI yang berbeda, dengan jumlah true negative yang sangat bervariasi, untuk
memiliki F-score yang sama! Dalam kasus bisnis kita, itu berarti tidak ada hubungan unik antara
F-score dan jumlah penghematan yang dapat dilakukan oleh AI. F-Score yang sama mungkin
menghemat 10% atau 80% waktu pengacara! Anda tidak dapat menggunakan F-score ini untuk
membangun kurva laba "penghematan biaya/F-score". Meskipun Anda dapat menggunakan
F-score untuk mengukur karakteristik lain dari sistem ini, ini jelas bukan metrik teknis yang baik
untuk kurva laba di mana metrik bisnisnya adalah penghematan biaya.
CATATANKalau begitu, mengapa orang-orang menggunakan F-score? Karena F-score

cocok untuk banyak bidang pencarian informasi, tetapi tidak cocok di kasus bisnis
kita. F-score sering digunakan dalam konteks NLP [124], jadi jika Anda sedang
memperdebatkan metrik teknis mana yang akan digunakan, ini adalah titik awal yang
wajar. Poin pembelajaran yang lebih luas adalah bahwa hanya karena metrik teknis
tertentu digunakan secara luas, metrik tersebut tidak serta merta berguna untuk kurva
laba Anda.
Sekarang, mari jelajahi beberapa kurva laba non-monoton. Anda harus melakukan analisis
MinMax pada kurva laba non-monoton dengan cara berbeda dari analisis kurva monoton.
Jika kurva Anda non-monoton, maka pendekatan analisis MinMax yang harus Anda lakukan
ditunjukkan pada gambar 6.8.
Ingat bahwa istilah Min dalam analisis MinMax mengacu pada konfigurasi minimum alur
ML Anda (setiap tahap memiliki implementasi minimal yang sederhana), bukan mengacu ke
nilai minimum dari metrik bisnis. Anda selalu ingin mendapatkan nilai terbaik dari metrik
bisnis yang dapat Anda peroleh dengan alur ML Anda! Oleh karena itu, ketika melakukan
Gambar 6.8 Analisis MinMax pada kurva laba non-monoton. Hasil analisis Min adalah nilai terbaik dari
metrik bisnis pada bagian [0, Min Point]. Hasil analisis Max adalah nilai tertinggi dari metrik bisnis pada
bagian [0, Max Point].
Pertanyaan umum tentang analisis MinMax 81
Analisis MinMax pada gambar 6.8, hasil analisis Min Anda adalah nilai terbaik yang Anda lihat
pada seluruh interval [0, Min Point] antara awal kurva dan titik di mana Anda melakukan analisis
Min. Logika serupa berlaku ketika melakukan bagian Maks dari analisis MinMax pada seluruh
interval [0, Max Point].
Setelah Anda memahami analisis MinMax secara keseluruhan, analisis MinMax pada kurva
laba non-monoton tidak sulit dilakukan. Namun, ini lebih melelahkan daripada bekerja dengan
kurva laba monoton! Dan pekerjaan tidak selesai pada analisis MinMax—proyek dengan kurva
laba non-monoton biasanya memiliki pertimbangan khusus. Misalnya, jika kurva laba memiliki
bentuk pada gambar 6.7 bagian (c), karena seorang pengawas manusia mungkin merasa bosan
dan lalai, bagaimana Anda akan mengatasi kebosanan tersebut?
Ketika matematika cepat tidak berguna

Makin tinggi Anda menaiki tangga kompleksitas dalam kurva laba, makin sulit bagi Anda untuk
memahami hubungan. Nonlinearitas sederhana dalam suatu kurva laba menjadikan matematika
cepat tidak berguna. Lebih parah lagi jika kurva tersebut adalah kurva non-monoton!
Ketika Anda gagal menyajikan kurva laba yang terdefinisi dengan baik, Anda sedang memaksa
peserta rapat di tim Anda untuk melakukan matematika cepat untuk mencari tahu arti dari metrik
teknis dalam istilah bisnis! Saya tahu saya tidak dapat berkonsentrasi pada topik utama dari
sebagian besar rapat sambil secara bersamaan melakukan matematika cepat yang diperlukan
untuk kurva laba nonlinear dan non-monoton sebagai "aktivitas sampingan". Saya menduga
banyak orang yang terjebak dalam posisi seperti itu akan melewatkan matematika cepat tersebut
sama sekali dan memilih "Mari kita tingkatkan metrik teknisnya saja." Setiap ketidaklinearan
dalam hubungan antara metrik teknis dan metrik bisnis kemudian diabaikan, atau maksimal
dikira-kira.
Ini berarti proyek AI apa pun yang gagal membangun kurva laba, tetapi kebetulan memiliki
kurva laba non-monoton, sedang melakukan pengoptimalan untuk hal yang salah! Hal tersebut
sangat disayangkan ketika optimalisasi pasti dari metrik teknis adalah aktivitas yang mahal, yang
kemudian diikuti dengan perkiraan!
Saya pernah mendengar lelucon tentang serangkaian perkiraan yang berurutan, ketika saya
masih di tahun pertama kuliah. Lelucon tersebut adalah: "Rekayasa adalah tentang mengguna-
kan pengukur sekrup mikrometer untuk melakukan pengukuran, kemudian menandai tempat
yang harus dipotong dengan sepotong kapur, dan akhirnya menggunakan kapak untuk memotong
di tempat yang sudah ditandai!"
6.6 Pertanyaan umum tentang analisis MinMax

Setelah Anda memahami dasar-dasar dalam melakukan analisis MinMax, kita perlu
membahas beberapa pertanyaan praktis tentang melakukan analisis tersebut. Bagian
ini menyajikan jawaban untuk pertanyaan-pertanyaan umum berikut:
 Haruskah MinMax menjadi analisis pertama alur ML ketika analisis yang lebih kompleks
dapat memberikan hasil yang lebih tepat?
 Haruskah saya melakukan analisis MinMax bagian Min atau Max terlebih dahulu?
 Apakah analisis MinMax sesuatu yang hanya mampu dilakukan oleh perusahaan besar?
 Mengapa Anda menggunakan istilah analisis MinMax? Mengapa Anda tidak menyebutn-
ya analisis Kasus Terbaik/Kasus Terburuk?
6.6.1 Haruskah MinMax menjadi analisis pertama alur ML?

Mari mulai dengan pertanyaan apakah MinMax harus menjadi analisis pertama alur ML. Jika
Anda sudah akrab dengan bidang rekayasa sistem dan kontrol proses industri, Anda mungkin
sudah akrab dengan beberapa jenis analisis yang sesuai ketika menganalisis alur ML. Jadi
mengapa menggunakan analisis MinMax, ketika analisis yang lebih kompleks dapat memberikan
hasil yang lebih tepat?
Saya akan membahas beberapa jenis alternatif analisis alur ML di bab 7. Jenis-jenis analisis
tersebut mungkin lebih ampuh daripada MinMax, seperti yang dijelaskan di sini. Namun,
MinMax adalah analisis yang mudah dipelajari, murah untuk dilakukan, dan memberikan
perkiraan yang wajar tentang kesesuaian alur Anda. Ini adalah keseimbangan yang baik antara
kompleksitas analisis dan ketepatan hasil.
PERINGATAN Tidak ada gunanya melakukan analisis alur ML jika analisis tersebut
terlalu kompleks untuk dipelajari dan mahal untuk diterapkan, terlepas dari ketepatan
hasil analisis tersebut. Analisis yang memprediksi masa depan secara sempurna hanya
sepadan jika hasilnya akan tersedia sebelum masa depan tersebut tiba.
6.6.2 Analisis mana yang harus Anda lakukan terlebih dahulu? Min atau Max?
Mari kita bahas tentang urutan analisis MinMax yang harus Anda lakukan. Apakah Anda
menjadwalkan analisis MinMax bagian Min atau Max terlebih dahulu? Bagian-bagian ini bersifat
independen, jadi untuk validitas analisis, urutan bagian analisis Min dan Max tidak terlalu
penting. Ketika saya menerapkan MinMax, saya menggunakan proses yang ditunjukkan pada
gambar 6.9 untuk memperhitungkan faktor-faktor seperti kesulitan bagian Min dan Max serta
pendapat-pendapat sebelumnya tentang hasil yang diharapkan.
Gambar 6.9 Urutan

analisis MinMax yang
harus Anda lakukan
pada alur ML. Lakukan
bagian analisis yang
dapat memberikan
jawaban konklusif
terlebih dahulu.
Pertanyaan umum tentang analisis MinMax 83
Setiap bagian Min dan Max bisa memberikan hasil konklusif tersendiri tentang
apakah Anda sedang menggunakan alur yang tepat. Konklusivitas dari salah satu bagian
analisis MinMax membantu Anda menghindari kebutuhan untuk melakukan bagian
lain. Jika analisis Max mudah dilakukan dan analisis tersebut gagal, Anda tidak perlu
melakukan analisis Min. Gambar 6.9 menunjukkan penjadwalan bagian-bagian analisis
MinMax sehingga Anda memulai dengan komponen analisis yang lebih mudah, yang
juga memberikan hasil konklusif.
6.6.3 Haruskah perusahaan kecil atau tim kecil melewatkan analisis MinMax?
Pertanyaan lainnya adalah, "Bukankah perusahaan kecil seharusnya meminimalkan
biaya overhead proses dengan mengerjakan algoritme AI dan alur ML itu sendiri, lalu
melihat apa yang terjadi saat mereka mengirimkannya?" Ya, analisis alur ML lebih baik
dilewati saja. . . Jika Anda yakin Anda menggunakan alur ML yang tepat! Masalahnya
adalah ketika tidak ada analisis MinMax (atau yang setara), Anda tidak bisa yakin bahwa
Anda sedang menggunakan alur ML yang tepat. Karena perusahaan dan tim yang lebih
kecil memiliki lebih sedikit uang dan sumber daya untuk pulih dari kesalahan, analisis
MinMax justru lebih penting untuk tim-tim kecil.
Ketika Anda sedang membangun alur ML untuk sebuah proyek AI, Anda sedang
bekerja di area baru yang pada dasarnya memiliki risiko besar dan praktik-praktik
terbaik masih bermunculan. Sangat sedikit orang yang telah melakukan cukup
banyak proyek AI sehingga secara intuitif dapat membangun alur ML yang tepat pada
percobaan pertama, dan untuk banyak masalah, jumlah alur ML yang tidak dapat
digunakan lebih banyak daripada jumlah alur ML yang dapat digunakan.
Jadi bagaimana cara mengetahui apakah Anda menggunakan alur ML yang tepat?
Anda dapat mengambil risiko, tetapi jika Anda salah, maka Anda berakhir dengan alur
ML cacat yang Anda bangun dengan susah payah dan sekarang mulai mengeras.
TIPS Mengetahui apakah Anda memiliki alur ML yang memadai jauh

lebih penting dalam konteks perusahaan kecil! Analisis MinMax yang layak
adalah langkah teknis paling penting dalam proyek AI, dan memilih untuk
melewatinya justru mendatangkan risiko, bukan merampingkan proses.
Argumen serupa berlaku untuk analisis sensitivitas: Bagaimana cara mengetahui tahap
alur yang harus Anda tingkatkan? Analisis sensitivitas sangat penting untuk digunakan
di perusahaan berbagai ukuran. Bab berikutnya menjelaskan tentang hal ini.
6.6.4 Mengapa Anda menggunakan istilah analisis MinMax?

Beberapa istilah digunakan dalam bisnis dan industri untuk mengacu ke analisis
MinMax. Analisis ini juga dikenal dengan sebutan analisis Kasus Terbaik/Kasus
Terburuk. Istilah-istilah ini sering terdengar di bidang ML.7 Namun, saat bekerja
di industri ini, saya menemukan bahwa istilah Kasus Terbaik/Kasus Terburuk ini
bermasalah karena sering tidak jelas dari sudut pandang mana (bisnis atau rekayasa)
kasus terbaik tersebut akan diukur.
7
Sebagai contoh penggunaan Kasus Terbaik ⁄ Kasus Terburuk dalam konteks algoritme ML, hasil kasus terbaik untuk
algoritme ML dibahas dalam [112].
Lihat alur ML yang telah kita analisis dalam bab ini. Apa itu kasus terbaik, dari
sudut pandang bisnis? Bahwa implementasi teknis alur ML yang paling sederhana akan
mengatasi masalah bisnis. Itulah alur ML yang kita gunakan untuk bagian Min dari
alur MinMax. Namun, dari sudut pandang rekayasa, Anda bisa mengatakan bahwa
hasil Min adalah kasus terburuk. Saya mengenal banyak rekayasawan dan ahli statistik
yang menyatakan hal tersebut. Alur ML yang Anda miliki saat ini menetapkan batas
terendah (kasus terburuk) tentang seberapa baik perilaku AI produk Anda jika Anda
merilis produk Anda hari ini.
Semua pembahasan ini sangat menarik bagi beberapa rekayasawan, dan mereka
memiliki alasan yang baik untuk itu: terminologi yang tidak tepat adalah akar penyebab
banyak masalah dalam profesi mereka. Meskipun saya berempati dengan argumen
tersebut, dari sudut pandang pragmatis, saya lebih memilih untuk menggunakan
istilah analisis MinMax.
6.7 Latihan
Latihan berikut ini membantu Anda mendapatkan pemahaman yang lebih baik
tentang konsep yang diperkenalkan dalam bab ini. Pada dasarnya, penafsiran hasil
analisis MinMax mudah dilakukan. Menganalisis alur ML adalah sebuah keterampilan
teknis dan bisnis, jadi sekarang adalah saatnya untuk membentuk tim yang terdiri dari
seorang spesialis bisnis dan seorang rekayasawan dan melakukan latihan-latihan ini
bersama-sama. Semua latihan dalam bab ini menggunakan alur ML yang diberikan
dalam gambar 6.10.
Gambar 6.10 Contoh alur ML. Kita akan menggunakan alur ini untuk latihan dalam bab ini.
Anda juga perlu merujuk pada informasi yang diberikan sebelumnya dalam tabel 6.1
(yang diulang di sini untuk memudahkan Anda dengan nama tabel 6.2).
Tabel 6.2 Rangkuman hasil yang memungkinkan dari analisis MinMax
Hasil Min/hasil Max Max lulus Max gagal
Alur ML layak untuk bisnis. Kombinasi ini tidak bisa terjadi.
Alur ML memerlukan perbaikan agar Alur ML saat ini tidak cocok untuk
layak untuk bisnis. menyelesaikan masalah bisnis.
Jawablah pertanyaan berikut ini.
Pertanyaan 1: Perhatikan bahwa dalam tabel 6.2, Anda tidak memiliki panduan untuk
situasi di mana bagian Min dari MinMax telah lulus, tetapi bagian Max dari MinMax
gagal. Jelaskan mengapa hal ini terjadi.
Latihan 85
Pertanyaan 2: Untuk alur ML pada gambar 6.10, asumsikan bahwa ambang nilai di
mana proyek menjadi layak bagi bisnis adalah $1 juta. Tentukan apakah alur ini layak
diupayakan jika hasil analisis MinMax adalah sebagai berikut:
 Skenario 1: Bagian Min adalah $2,3 juta, dan bagian Max adalah $23 juta.
 Skenario 2: Bagian Min adalah $500 rb, dan bagian Max adalah $1 juta.
 Skenario 3: Bagian Min adalah $500 rb, dan bagian Max adalah $2 juta.
 Skenario 4: Bagian Min adalah $1,1 juta, dan bagian Max adalah $900 rb.
 Skenario 5: Bagian Min adalah $500 rb, dan bagian Max adalah $900 rb.
Pertanyaan 3: Jika Anda seorang ilmuwan data atau manajer teknis, pilihlah sebuah
masalah teknis dan buat alur ML untuk masalah tersebut. Lakukan analisis Max dari
analisis MinMax untuk alur tersebut.
Pertanyaan 4: Jika Anda seorang ilmuwan data atau manajer teknis, lihat contoh yang
diberikan di bagian 6.4.1 dan lakukan analisis MinMax seperti yang dijelaskan di bagian
tersebut. Tentukan dari mana jumlah dolar yang diberikan di bagian tersebut berasal.
Petunjuk: kurva laba dibangun dari confusion matrix pengklasifikasi.
Pertanyaan 5: Bagaimana Anda akan mengklasifikasikan penggunaan AI dalam konteks

penghematan biaya litigasi selama proses e-discovery yang dijelaskan di bagian 6.5.5?
Gunakan taksonomi penggunaan AI yang diperkenalkan di bagian 2.5. Hal tersebut
ditunjukkan pada gambar 2.5, dan diduplikasi di sini dengan nama gambar 6.11, yang
merangkum taksonomi yang dibahas di bagian tersebut.
Gambar 6.11 Taksonomi AI berdasarkan peran tingkat tinggi yang dimainkannya dalam bisnis.
Anda dapat menggunakan taksonomi ini untuk memandu Anda dalam menemukan tindakan bisnis
yang tersedia yang dapat Anda bantu dengan AI. (Gambar ini adalah pengulangan gambar 2.5.)
Rangkuman

Manajemen proyek adalah tentang mengambil keputusan terbaik berdasarkan informasi
yang Anda miliki sekarang, dan biasanya dalam waktu yang terbatas. Untuk mendapatkan
indikasi awal tentang nilai bisnis alur ML Anda, Anda harus menganalisisnya menggunakan
analisis MinMax.
Untuk mengalokasikan sumber daya secara ekonomis dalam proyek AI Anda, Anda perlu

menentukan apakah Anda menggunakan alur ML yang tepat kemudian memperbaiki
tahap-tahap yang tepat dari alur ML tersebut sesuai kebutuhan. Yang pertama dilakukan
menggunakan analisis MinMax, dan yang terakhir menggunakan analisis sensitivitas. Ini
adalah bagian Economize dari proses CLUE.
Analisis MinMax memungkinkan Anda untuk menentukan apakah alur ML Anda sudah

memenuhi tujuan bisnis, memerlukan perbaikan agar dapat memenuhi tujuan tersebut,
atau tidak mampu memenuhi tujuan tersebut.
Analisis MinMax membantu Anda menerapkan kebijakan "Jika Anda gagal, tangani

kegagalan dengan cepat!" pada proyek AI.
Bab ini membahas
Memandu proyek AI
menuju keberhasilan
7
 Melakukan analisis sensitivitas pada alur ML
 Menilai metode analisis sensitivitas lanjutan
 Memperhitungkan efek waktu dalam alur Anda
Mengorganisir sebuah proyek sehingga "Jika Anda gagal,

tangani kegagalan dengan cepat"
Bab ini menjawab pertanyaan: "Apa yang harus saya lakukan ketika alur ML saya memerlukan
perbaikan, dan bagaimana cara mengetahui bahwa saya sedang memperbaiki tahap alur ML
yang tepat?" Masalah-masalah seperti ini hampir selalu muncul untuk produk AI yang sudah
ada di pasaran, dan tujuan Anda adalah untuk terus meningkatkan pengalaman pengguna
produk AI.
Pertanyaan-pertanyaan yang sama muncul selama pengembangan awal proyek AI saat
alur ML Anda saat ini memerlukan perbaikan guna memenuhi tujuan bisnis. Secara teknis,
situasi ini terjadi ketika bagian Min dari analisis MinMax gagal, dan bagian Max lulus. (Bagian
6.4.3 menjelaskan detail skenario tersebut.)
Dalam bab ini, saya akan menunjukkan cara memperbaiki alur ML Anda. Kuncinya
adalah memutuskan secara tepat tahap alur ML yang perlu Anda fokuskan untuk upaya
87
88 BAB 7 Memandu proyek AI menuju keberhasilan
perbaikan Anda, yang memungkinkan Anda untuk menghemat sumber daya. Bagian Economize
dari proses CLUE ini menangani cara terbaik dalam mengerahkan sumber daya Anda.

Di bagian 7.1, kita melihat bagaimana analisis sensitivitas menunjukkan tahap mana dari
alur ML Anda yang memerlukan perbaikan.
 Bagian 7.2 mengakhiri perjalanan kita dalam proses CLUE.
 Bagian 7.3 membahas metode-metode lanjutan untuk melakukan analisis sensitivitas dan
kapan Anda harus menggunakannya.

Bagian 7.4 menunjukkan cara mengelola pertumbuhan dan pemeliharaan alur ML
setelah perilisan proyek AI Anda.
 Bagian 7.5 membahas bagaimana Anda harus menyeimbangkan serangkaian proyek AI
dan proyek Anda saat ini dengan memperkuat proyek-proyek sukses dan menyingkirkan
proyek-proyek gagal Anda.
7.1 Memperbaiki alur ML dengan analisis sensitivitas

Ketika Anda tahu bahwa Anda perlu memperbaiki hasil alur ML, muncul pertanyaan bagian
mana dari alur tersebut yang harus Anda perbaiki. Apakah Anda memerlukan data yang lebih
bersih dengan lebih sedikit kesalahan atau algoritme AI yang lebih baik? Anda memiliki sumber
daya terbatas dan tidak memutuskan, "Mari perbaiki semuanya di alur ML secara serentak dan
kita lihat apa yang terjadi." Anda harus memilih tahap alur ML yang akan diperbaiki. Bagian
ini memperkenalkan alat yang akan memandu Anda mencari tahap alur ML yang paling tepat
untuk diperbaiki berikutnya. Alat tersebut disebut analisis sensitivitas.
DEFINISI Analisis sen sitivitas menunjukkan bagaimana menyempurnakan satu tahap

alur ML dapat memperbaiki hasil dari alur tersebut secara keseluruhan. Analisis sen-
sitivitas memandu Anda mencari tahap alur ML yang harus Anda tingkatkan terlebih
dahulu.
Pada dasarnya, analisis sensitivitas menjawab pertanyaan bisnis: "Pada tahap alur ML mana
saya harus berinvestasi untuk mendapatkan hasil maksimal?" Dengan mengetahui jawaban atas
pertanyaan tersebut, Anda dapat menghemat sumber daya yang dikerahkan ke dalam perbaikan
alur.
Mari kita lihat satu contoh. Katakanlah Anda memiliki alur pada gambar 7.1, dan Anda
ingin memperbaiki hasil (output dari tahap E) alur tersebut.
Gambar 7.1 Contoh alur ML. Kami menggunakan alur ini sebagai contoh dasar untuk analisis
sensitivitas. (Gambar ini sama dengan gambar 6.10 untuk memudahkan pembaca.)
Oleh karena itu, Anda bertanya, "Bagaimana hasilnya jika saya memperbaiki setiap tahap
dari alur ini?" Misalnya, jika tahap A 1% lebih baik, bagaimana perbaikan pada alur secara
keseluruhan? Anda kemudian akan mengajukan pertanyaan yang sama untuk tahap B, C, D,
dan E. Analisis sensitivitas adalah alat yang Anda gunakan untuk menjawab semua pertanyaan
ini, dan ini memungkinkan Anda untuk mengganti intuisi dan firasat dengan pendekatan
berbasis data.
Memperbaiki alur ML dengan analisis sensitivitas 89
TIPS Analisis sensitivitas memberi Anda nilai bisnis pengembangan tahap dalam alur
ML. Analisis sensitivitas pada setiap tahap memungkinkan Anda untuk menentukan
peringkat tahapan alur berdasarkan seberapa besar keseluruhan perbaikan yang
dihadirkan setiap tahap pada bisnis Anda ketika masing-masing tahap diperbaiki.
Berdasarkan hasil analisis sensitivitas, Anda dapat membuat prioritas tahapan alur ML dan
membuat backlog tugas yang diperlukan untuk memperbaikinya. Setelah memiliki backlog
tersebut, Anda akan menggunakan metodologi manajemen proyek yang biasa Anda gunakan
untuk mengelola seluruh proyek. Dengan analisis sensitivitas, Anda mengubah masalah
perbaikan alur ML menjadi keputusan manajemen yang serupa dengan keputusan yang Anda
ambil setiap hari. Pendekatan ini berlaku terlepas dari apakah lingkungan Anda Agile atau
tidak. Anda menyeimbangkan biaya dan waktu untuk meningkatkan sebuah tahap dalam alur
ML dengan manfaat bisnis.
CATATAN Saya telah menulis bagian berikutnya, 7.1.1 dan 7.1.2, untuk pembaca
dengan latar belakang rekayasa, sehingga didominasi dengan beberapa konsep level
kalkulus pengantar sederhana. Anda dapat melompati detail bagian-bagian tersebut
jika Anda hanya ingin mendapatkan gambaran tentang bagaimana tim Anda harus
melakukan analisis sensitivitas.
Pada bagian-bagian berikutnya, saya menyajikan dua metode lanjutan dalam melakukan analisis
sensitivitas:
 Bagian 7.1.1 membahas analisis sensitivitas lokal. Tim Anda harus menggunakan analisis
sensitivitas lokal ketika Anda menduga bahwa yang memungkinkan hanyalah perbaikan
inkremental suatu tahap alur ML.
Bagian 7.1.2 membahas analisis sensitivitas global. Tim Anda harus menggunakan analisis

sensitivitas global ketika Anda menduga bahwa perbaikan luas pada suatu tahap alur ML
memungkinkan.
 Bagian 7.1.3 menyajikan contoh penafsiran hasil analisis sensitivitas.
Seorang manajer yang mengambil keputusan tentang tahap alur mana yang akan diperbaiki
selanjutnya lebih berminat untuk menafsirkan hasil analisis sensitivitas (yang dijelaskan di
bagian 7.1.3); jenis analisis yang dilakukan menjadi minat tambahan. Namun, pakar teknis yang
melakukan analisis sensitivitas harus tahu cara memilih bentuk analisis yang benar—lokal atau
global.
7.1.1 Melakukan analisis sensitivitas lokal

Analisis sensitivitas lokal menjawab pertanyaan: "Bagaimana hasil bisnis yang terjadi jika saya
hanya sedikit memperbaiki satu tahap dari alur ML saya saat ini?" Jenis analisis sensitivitas ini
cocok ketika Anda menduga bahwa yang memungkinkan hanyalah perbaikan inkremental kecil
pada tahap tertentu. Contohnya adalah ketika Anda (atau komunitas yang lebih luas) telah
berupaya keras untuk memperbaiki sebuah tahap alur tertentu dan Anda yakin bahwa sudah
diperlukan lagi perbaikan besar pada hasil tahap tersebut.
Sebagai contoh, mari kita asumsikan bahwa kita ingin memperbaiki alur ML pada gambar
7.1 dan ingin menemukan tahap mana dari alur tersebut, ketika diperbaiki, akan menghasilkan
kinerja yang terbaik secara keseluruhan dari alur tersebut. Untuk melakukan ini, kita akan
menerapkan analisis sensitivitas untuk setiap tahap alur ML tersebut.
CATATAN Analisis sensitivitas pada satu tahap jauh lebih cepat dilakukan daripada
benar-benar memperbaiki (untuk semua hasil yang memungkinkan) tahap tertentu
dari alur ML. Oleh karena itu, kita dapat menggunakan analisis sensitivitas sebagai
panduan untuk mengetahui tahap alur mana yang harus diperbaiki berikutnya.
Mari kita lihat analisis tahap B dari gambar 7.1. Katakanlah tahap B mengklasifikasikan inputnya
ke dalam beberapa kategori. Mari berasumsi bahwa metrik teknis untuk mengukur kemampuan
tahap B untuk mengklasifikasikan input ke dalam kategori yang tepat adalah akurasi klasifikasi.
Selain itu, bayangkan saat ini Anda mencapai x% akurasi klasifikasi pada tahap B. Gambar 7.2
mengilustrasikan metode analisis sensitivitas ini.
Gambar 7.2 Analisis sensitivitas lokal. Untuk perbaikan-perbaikan kecil pada respons tahap B, analisis ini mengasumsikan
respons linear dalam alur ML. Jika peningkatan 0,5% pada tahap B menghasilkan 1% perbaikan pada hasil alur, maka peningkatan
1% pada tahap B akan menghasilkan 2% perbaikan di keseluruhan alur ML.
Apa yang terjadi pada output tahap terakhir (tahap E) alur saat Anda mengubah akurasi
klasifikasi tahap B sekitar x%? Apa yang terjadi pada x – 1% dan x + 1%? Anda melakukan analisis
sensitivitas lokal dengan menyimulasikan perbaikan pada hasil tahap B.
Anda melakukan jenis analisis sensitivitas ini secara lokal, di dekat titik di mana akurasi
pengklasifikasi Anda adalah x%. Anda mendapatkan hasil keseluruhan alur ketika Anda
mengubah output tahap B agar memiliki akurasi sebesar x – 1% dan x + 1% dan kemudian
mengukur efek perubahan pada tahap B tersebut terhadap output alur ML. Anda menggunakan
kurva laba untuk mengubah metrik teknis menjadi metrik bisnis, dan terakhir, Anda
merencanakan hubungan antara perubahan pada tahap B dan hasil bisnis dari seluruh alur.
PERINGATAN Kurva laba dan kurva sensitivitas versus tahap adalah dua kurva yang sama
sekali berbeda. Kurva pertama menunjukkan bagaimana metrik bisnis berubah
ketika metrik teknis yang mengukur seluruh alur ML juga berubah. Kurva kedua
menunjukkan bagaimana metrik bisnis berubah sebagai fungsi perbaikan pada setiap
tahap.
Cara mendapatkan 1% lebih rendah (atau lebih tinggi)

Untuk mendapatkan output 1% lebih rendah, Anda mengambil pengklasifikasi apa adanya dan
menjalankan output pengklasifikasi tersebut melalui pembuat angka acak. Pembuat angka
acak harus disetel untuk mengurangi total akurasi pengklasifikasi tersebut sebesar 1%. Untuk
mendapatkan kenaikan akurasi 1%, Anda dapat menggunakan manusia untuk meninjau hasilnya
dan mengoreksinya.
Anda juga dapat menggunakan produk atau layanan komersial siap pakai (COTS) yang mencapai
hasil lebih baik daripada yang saat ini mampu Anda hasilkan.a Produk atau layanan COTS tersebut
tidak harus mampu memainkan peran permanen dalam versi produksi alur ML Anda. Untuk tujuan
analisis, tidak masalah jika, karena alasan biaya, kinerja, atau kompleksitas integrasi produk
COTS dengan alur, Anda tidak dapat menyertakan produk COTS di dalam versi produksi alur ML.
Produk COTS hanya perlu digunakan untuk eksperimen yang dapat menghasilkan peningkatan
akurasi sebesar 1% selama satu kali.
a
nda harus selalu melakukan survei lanskap komersial sebelum menginvestasikan sumber daya yang besar untuk
A
membangun solusi internal. Oleh karena itu, Anda harus sudah mengetahui apa saja solusi-solusi COTS ini.
Ketika melakukan analisis sensitivitas lokal, Anda mengasumsikan bahwa di sekitar x%, respons
seluruh alur ML bersifat linear. Jika perubahan 1% pada tahap B menyebabkan perubahan
1% pada output alur ML, maka perubahan 2% pada tahap B akan menyebabkan perubahan
2% pada output. Dengan pendekatan analisis sensitivitas ini, Anda memahami perilaku output
seluruh alur ML di sekitar output klasifikasi tahap B sebesar x%.
Pendekatan analisis sensitivitas ini paling sesuai ketika Anda menduga bahwa perbaikan apa
pun pada hasil analisis sensitivitas akan bersifat inkremental dan bahwa peningkatan kinerja
sebesar 1% mungkin signifikan.
CATATAN Contoh umum dari situasi ini adalah ketika tahap alur yang sedang Anda
perbaiki adalah implementasi algoritme AI tertentu. Tim Anda juga mungkin telah
bekerja untuk memperbaiki tahap tersebut selama waktu tertentu. Di sini, asumsinya
adalah bahwa perbaikan sekecil apa pun pada metrik mungkin merupakan perjuangan.
Dalam contoh yang baru saja saya gunakan untuk mengilustrasikan analisis sensitivitas lokal, tidak
ada yang luar biasa dengan perbaikan metrik 1%. Anda tidak harus menggunakan perbaikan
1%; Anda juga dapat menggunakan 0,1%, 1,5%, 2%, atau persentase lainnya. Yang penting
adalah Anda menggunakan persentase kenaikan yang merupakan bagian dari total perbaikan
yang memungkinkan pada tahap tersebut. Misalnya, jika potensi peningkatan dibatasi sebesar
0,1%, Anda dapat menggunakan kenaikan 0,05%.
7.1.2 Analisis sensitivitas global

Sering kali, tidak ada alasan untuk percaya bahwa Anda dibatasi dengan perbaikan kecil pada
tahap tertentu dari alur ML. Bisa jadi memungkinkan untuk memperbaiki suatu tahap sebesar
30% atau 60%? Analisis sensitivitas global membantu Anda memahami bagaimana alur ML
bereaksi terhadap perbaikan drastis pada satu tahap.
Salah satu contoh sumber perbaikan dramatis yang memungkinkan pada suatu tahap alur
adalah ketika Anda belum memiliki implementasi apa pun dari tahap tersebut, tetapi Anda
tahu bahwa ada beberapa implementasi yang memungkinkan dari tahap tersebut yang akan
memberikan hasil yang sangat berbeda. Contoh lainnya adalah ketika Anda sedang memperbaiki
tahap alur yang menjalankan pembersihan data. Setidaknya, secara teoretis, jika Anda
mengerahkan upaya yang cukup ke tahap tersebut, Anda dapat sepenuhnya membersihkan
data.
CATATAN Dalam praktiknya, terdapat keterbatasan seberapa tinggi kualitas data yang
dapat Anda miliki dan capai. Namun, Anda memiliki kontrol besar terhadap seberapa
besar Anda dapat meningkatkan kualitas data input Anda.
Ketika perbaikan besar pada hasil satu tahap memungkinkan untuk dicapai, analisis sensitivitas
lokal tidak cocok untuk digunakan, karena Anda sedang menghadapi respons alur ML dalam
rentang yang luas. Sebaliknya, Anda harus menguji seluruh rentang nilai yang tersedia dengan
interval antara titik-titik pengujian. Gambar 7.3 menunjukkan pendekatan analisis sensitivitas
ini.
Analisis sensitivitas global dilakukan dengan cara yang serupa dengan analisis sensitivitas
lokal, tetapi alih-alih melakukan analisis pada dua titik (x – 1% dan x + 1%), Anda menganalisis
dalam suatu rentang nilai yang dapat dihasilkan oleh tahap tersebut. Dengan pendekatan ini,
Anda dapat lebih mengakomodasi hubungan nonlinear antara perubahan pada satu tahap
alur ML dan output dari alur ML secara keseluruhan. Kelemahannya adalah ada lebih banyak
pekerjaan analisis sensitivitas yang perlu Anda lakukan karena Anda menganalisis lebih banyak
titik. Jadi berapa titik (dan dengan interval apa) yang harus Anda gunakan?
Berhubungan dengan interval, interval didapatkan dengan membandingkan tingkat
kinerja saat ini dengan tingkat kinerja maksimum yang menurut Anda memungkinkan (atau
100%, jika Anda tidak memiliki alasan untuk menduga bahwa Anda tidak dapat mencapai
100%). Mengenai jumlah titik yang Anda butuhkan untuk melakukan analisis, itu ditentukan
Gambar 7.3 Analisis sensitivitas global menggunakan rentang nilai yang luas. Anda melakukan analisis sensitivitas global
ketika tidak ada alasan untuk percaya bahwa yang memungkinkan hanyalah perbaikan kecil (dengan kata lain, Anda percaya
bahwa perbaikan drastis dapat dilakukan).
oleh seberapa banyak usaha yang Anda butuhkan untuk melakukan analisis per titik
pengujian. Disarankan untuk memulai dengan setidaknya tiga titik dan menggunakan
sebanyak mungkin titik yang dapat Anda akomodasi dalam kerangka waktu yang tersedia.
Setelah Anda menyelesaikan analisis sensitivitas untuk setiap tahap dari alur Anda, Anda
memiliki data tentang bagaimana perubahan pada setiap tahap alur dapat memengaruhi
nilai bisnis Anda. Data ini memberi Anda keunggulan besar dibandingkan orang-orang yang
memperbaiki output alur ML mereka berdasarkan "pengalaman dan intuisi."
7.1.3 Contoh penggunaan hasil analisis sensitivitas

Katakanlah Anda memiliki alur ML dari gambar 7.1, dan analisis MinMax menunjukkan bahwa
Anda perlu memperbaikinya untuk mencapai tujuan bisnis Anda. Anda memiliki perkiraan
dari tim pengembangan tentang durasi yang diperlukan untuk memperbaiki setiap tahap alur
(dan seberapa besar perbaikan yang dapat dilakukan pada setiap tahap). Semua perbaikan
tersebut akan sangat banyak memakan waktu: kira-kira memerlukan sebagian besar tim selama
berminggu-minggu untuk memperbaiki setiap tahap. Anda ingin produk Anda segera dirilis,
jadi Anda hanya ingin menerapkan perbaikan dengan hasil yang wajar.
Mari kita anggap bahwa metrik bisnisnya adalah laba dalam bentuk dolar per unit, dan Anda
memerlukan perbaikan sebesar $3/unit untuk mencapai ambang nilai. Selain itu, asumsikan
Anda memiliki hasil berikut ini dari analisis sensitivitas:
1 Tahap A dan B dapat diperbaiki secara substansial. Menyimulasikan berbagai perbaikan
dapat dilakukan dengan mudah pada kedua tahap tersebut. Namun, setelah melakukan
analisis sensitivitas global, tidak satu pun dari kedua tahap ini yang secara signifikan
memengaruhi hasil alur.
2 Tahap C dapat diperbaiki hanya sekitar 1–2%. Rekayasawan memerlukan waktu satu jam
kerja untuk melakukan analisis sensitivitas pada satu titik. Hasil analisis tersebut adalah
untuk setiap 1% perbaikan pada tahap C, berdasarkan analisis sensitivitas lokal, seluruh
alur ML akan mengalami perbaikan sebesar $10/unit/%.
3 Tahap D juga dapat diperbaiki hanya sedikit (1–2%), dan seluruh tim memerlukan waktu
dua hari untuk melakukan analisis pada satu titik. Analisis sensitivitas lokal pada dua
titik menunjukkan bahwa sensitivitas untuk 1% perbaikan pada tahap ini adalah $0,05/
unit/%. Kesulitan dalam memperbaiki tahap D sebanding dengan perbaikan tahap C.
4 Tahap E tidak dapat diperbaiki sama sekali melebihi levelnya saat ini. (Tahap E hanya
menyediakan notifikasi.)
Dalam contoh ini, saya akan memilih untuk memperbaiki tahap C: tahap ini memiliki sensitivitas
tinggi dan tampaknya sama-sama mudah untuk diperbaiki dengan tahap D. Yang terpenting, saya
percaya bahwa jumlah perbaikan yang wajar dan dapat dicapai pada tahap C akan membantu
saya mencapai tujuan bisnis.
7.2 Kita telah menyelesaikan CLUE

Seperti yang telah Anda pelajari pada bagian 6.2, kombinasi antara analisis MinMax dan analisis
sensitivitas adalah cara Anda Menghemat (Economize) sumber daya langka Anda, yang merupakan
bagian E terakhir dari proses CLUE. Analisis MinMax memberi tahu Anda bahwa Anda
menggunakan alur ML yang tepat. Analisis sensitivitas membantu Anda mengerjakan tahap
yang tepat dari alur tersebut.
TIPS Jika Anda seorang ilmuwan data, Anda mungkin melihat pengulangan di sini.
Anda dapat mempertimbangkan analisis MinMax dan analisis sensitivitas seolah-olah
Anda sedang menggunakan ilmu data untuk memprediksi perilaku alur ML.
CLUE adalah sebuah proses terintegrasi, dan setiap tahapnya bergantung pada tahap sebelumnya.
Gambar 7.4 menunjukkan dependensi pada CLUE.
Bagian Economize dari CLUE menggunakan bagian Understand (dalam bentuk kurva laba seperti
ditunjukkan pada gambar 4.4). Bagian Understand mengharuskan metrik bisnis dan teknis Terkait.
Terakhir, Anda mengerjakan masalah bisnis yang tepat, dan di situlah peran bagian Consider dari
CLUE.
CATATAN Tujuan akhir dari proses CLUE adalah mengurangi penyesalan di

perjalanan. CLUE mengatur proyek AI Anda dengan cara yang mengaitkan bisnis dan
teknologi. CLUE mencegah potensi pemborosan, seperti mengerjakan masalah bisnis
yang salah atau mengupayakan solusi teknis yang tidak dapat memberikan hasil bisnis
yang diinginkan.
Kami telah menyelesaikan CLUE 95
Gambar 7.4 Dependensi antara bagian-bagian CLUE—tahap berikutnya bergantung pada implementasi yang tepat dari tahap
sebelumnya. Dengan mengikuti CLUE, Anda dapat mengerjakan masalah bisnis yang tepat, memilih alur ML yang tepat untuk
memecahkan masalah tersebut, dan selalu berupaya memperbaiki tahap alur yang tepat.
Di setiap titik selama proyek, CLUE membantu Anda untuk fokus mengambil keputusan cerdas
berdasarkan informasi yang dapat dikumpulkan dengan murah tetapi memiliki daya prediktif
untuk hasil teknis yang memungkinkan untuk alur ML Anda. Hal ini memungkinkan Anda untuk
menjawab pertanyaan seperti, "Seberapa besar kemungkinan alur ML ini untuk memberikan
hasil bisnis yang dapat diterima?"
CATATAN CLUE membantu Anda mengambil keputusan berdasarkan informasi

terbaik yang tersedia saat ini atau yang mudah untuk dikumpulkan dengan cepat.
Bahkan jika Anda memilih untuk menggunakan proses selain CLUE, proses tersebut harus
mengatasi masalah yang sama seperti halnya CLUE: Anda harus mengerjakan masalah bisnis
yang tepat, memahami hasil dalam istilah-istilah bisnis, dan menghemat sumber daya Anda
berdasarkan informasi yang Anda miliki (bukan berdasarkan firasat). Jika Anda gagal mengatasi
salah satu pertimbangan ini, Anda membuka celah risiko pada hasil proyek Anda.
Di saat data tidak tersedia, kepribadian akan mengambil alih!

Dengan tidak menggunakan data untuk mengelola pengembangan alur ML Anda, berarti
Anda menangani pengembangannya berdasarkan firasat atau berdasarkan kepercayaan Anda
terhadap kepribadian tim yang menyarankan tindakan tertentu.
Ingat bahwa sudah menjadi hal umum bagi sedikit anggota tim untuk memahami keseluruhan
alur ML, tetapi kebanyakan dari mereka hanya memiliki pemahaman yang luas tentang bagian
alur yang mereka kerjakan secara pribadi. Anggota tim memiliki sifat manusiawi yang lebih
nyaman memberikan nasihat tentang cara memperbaiki bagian sistem yang mereka pahami,
bukan bagian yang tidak mereka pahami.
Menilai pengajuan teknis di area yang tidak Anda kuasai secara teknis adalah situasi terburuk
yang harus ditangani oleh manajer. Selama menganjurkan pendapat mereka, anggota tim
(lanjutan)
akan menunjukkan kualitas kepemimpinan, integritas, kedewasaan, kekuatan persuasi, dan
keahlian. Itu semua adalah kualitas yang nyata. Ini semua juga sama sekali tidak berkaitan
dengan bagian alur ML apa yang merupakan tahap paling produktif untuk diperbaiki. Mengambil
keputusan berdasarkan pemahaman tentang orang dapat membuat Anda salah jalur.
Alur ML memiliki selera humor. Tahap alur ML yang paling produktif untuk diperbaiki sering kali
akan ditugaskan kepada anggota tim Anda yang paling tidak persuasif. Kemudian Anda akan
dibiarkan hidup dengan konsekuensinya.
Inti dari penggunaan proses seperti CLUE adalah untuk menggantikan kebutuhan akan
pengetahuan yang mendalam tentang algoritme AI dan detail sistem AI dengan seperangkat
metrik yang memungkinkan Anda memahami keputusan teknis dalam istilah-istilah bisnis.
Ingat contoh pengelola pabrik dari bab 2? Manajer yang tidak semahir pekerja pabrik sebagai
mandor sif tetapi masih tahu cara menjalankan pabrik? Manajer tersebut menggunakan data
dan pengetahuan manajemen untuk menjalankan pabrik.
Dengan data yang disediakan oleh CLUE, Anda juga dapat menggunakan data dan
keterampilan manajemen untuk menjalankan proyek AI Anda. Pengaplikasian CLUE
menawarkan pendekatan yang lebih fleksibel daripada meminta manajer untuk mempelajari
detail AI dan rekayasa data yang rumit pada tingkat yang akan diperlukan seandainya
pengetahuan teknis adalah satu-satunya alat yang akan Anda gunakan untuk menilai argumen
teknis.
Manajer juga manusia

Para penyangkal mungkin akan memberi tahu Anda bahwa apa pun kondisinya, Anda memerlukan
pemahaman AI untuk memimpin sebuah proyek AI. Saya tidak setuju, terutama jika keterampilan
AI tersebut mengorbankan keterampilan kepemimpinan.
Di samping itu, jika pendapat mereka benar, kita tidak akan pernah memiliki revolusi AI yang
luas di banyak bidang bisnis dan industri. Apakah Anda percaya bahwa ada cukup banyak orang
yang memiliki kemampuan, waktu, ketekunan, dan fokus (dan beberapa kualitas umum lain yang
diperlukan) untuk dengan cepat mencapai pemahaman AI level PhD? Orang-orang tersebut juga
dituntut untuk belajar cara menjadi pemimpin yang baik. Namun, AI juga mengalami perkembangan
yang pesat, sehingga diperlukan pendidikan teknis yang ekstensif dan berkelanjutan agar tetap
relevan. Setelah menemukan waktu untuk mempelajari semua itu, di mana orang-orang tersebut
mendapatkan waktu untuk melakukan pekerjaan yang diperlukan?
Kita meminta kombinasi kualitas yang dimiliki oleh sedikit orang, dan mengajari detail AI kepada
manajer saja tidak akan cukup. Selain itu, kita tidak hanya memerlukan manajer seperti ini di
perusahaan teknologi besar, tetapi juga di setiap bidang yang dituntut untuk menerapkan AI
selama beberapa tahun mendatang.
Saya rasa tidak realistis jika kita berharap dapat mengajarkan detail-detail AI kepada sebanyak
mungkin pemimpin yang kita perlukan untuk mewujudkan revolusi AI tersebut. Kita perlu
menemukan sebuah cara untuk memimpin proyek-proyek AI yang tidak memerlukan keahlian AI
yang signifikan, atau kita tidak akan memiliki banyak proyek AI yang sukses.
Metode lanjutan untuk analisis sensitivitas 97
Mungkin ada manajer-manajer yang memiliki intuisi menakjubkan dan mengerjakan proyek-
proyek di area baru yang selama ini hanya menyediakan sedikit peluang pengalaman (seperti yang
terjadi pada sebagian besar proyek AI saat ini). Saya akan membiarkan Anda menebak jumlah
manajer seperti ini. Namun, saya akan mengatakan bahwa bagi orang yang tidak memiliki perasaan
yang intuitif, mengelola proyek berdasarkan proses seperti CLUE menjadikan mereka sebagai
penanggung jawab manajemen dan arsitektur perangkat lunak yang lebih baik daripada mengelola
hanya berdasarkan firasat.
7.3 Metode lanjutan untuk analisis sensitivitas

Metode untuk analisis alur yang telah diperkenalkan sebelumnya dapat dilakukan dengan cepat
dan dapat membantu Anda mengetahui lebih awal apakah alur Anda adalah alur yang tepat untuk
digunakan dalam jangka panjang. Saya menyarankan ketika Anda memulai dengan CLUE dan
AI, Anda menggunakan metode analisis sensitivitas yang dijelaskan di bagian 7.1. Namun, seiring
dengan meningkatnya kemahiran Anda dengan analisis sensitivitas, Anda mungkin berminat untuk
melakukan analisis sensitivitas dengan cara yang lebih presisi (tetapi juga jauh lebih rumit). Bagian
ini membahas metode-metode tersebut.
Topik kompleks di depan

Bagian ini menjelaskan metode lanjutan yang memerlukan pengalaman rekayasa proses yang
substansial agar dapat berhasil diterapkan. Bagian ini ditujukan untuk pembaca tingkat lanjut
yang sudah memiliki latar belakang rekayasa proses atau untuk tim yang sudah menerapkan
CLUE dan ingin menjadi lebih mahir.
Tujuan saya adalah mengajari Anda untuk mengenali ketika Anda memiliki situasi yang mungkin
memerlukan metode lanjutan ini, dan memberi Anda pemahaman yang cukup tentang metode-
metode ini sehingga Anda tahu jenis bantuan apa yang harus Anda minta dari para pakar.
Bagian 7.3.2 dan 7.3.3 adalah satu-satunya bagian dari buku ini yang menurut saya hanya relevan
untuk perusahaan besar dengan investasi besar dalam alat, teknologi, dan infrastruktur AI. Anda
akan memerlukan seorang pakar di bidang rekayasa proses untuk menerapkan banyak topik
yang dijelaskan pada bagian ini, dan tidak ada cara untuk mempelajari keahlian tersebut dari
satu bab atau, dalam hal ini, dari satu buku.
Jika Anda tidak memiliki anggaran untuk membayar pakar tersebut, saya juga menyertakan
beberapa referensi yang akan memberi Anda pengantar tentang cara belajar melakukan hal-hal
ini sendiri. Untuk mendapatkan manfaat maksimal dari semua referensi tersebut, Anda tetap
memerlukan latar belakang rekayasa (dan banyak kesabaran).
Setelah Anda mengembangkan alur ML awal dan menginvestasikan banyak waktu dan uang ke
dalamnya, Anda mungkin bersedia menghabiskan lebih banyak waktu untuk menganalisis cara-
cara untuk memperbaiki alur tersebut. Di sinilah metode-metode analisis yang lebih canggih
berguna. Dalam skenario tertentu, metode-metode tersebut dapat memberikan hasil analisis
yang lebih baik, meskipun dengan konsekuensi meningkatnya kompleksitas analisis yang
dilakukan. Pemetaan seluruh bagian ini adalah sebagai berikut:
 Bagian 7.3.1 menunjukkan cara mendeteksi adanya nonlinearitas.
 Bagian 7.3.2 membahas tentang interaksi di alur ML.
 Bagian 7.3.3 memperkenalkan konsep desain eksperimen, sebuah teknik yang dapat
menemukan dan menangani interaksi tetapi memerlukan pengetahuan rekayasa proses
yang signifikan agar dapat berhasil diterapkan.
 Bagian 7.3.4 membahas kritik-kritik umum yang mungkin Anda hadapi ketika melakukan
analisis sensitivitas.
 Bagian 7.3.5 menyarankan praktik-praktik terbaik untuk memperbaiki alur ML Anda
dengan meningkatkan kualitas data Anda.
 Bagian 7.3.6 menyajikan penerapan beberapa kemajuan terkini di bidang analisis
sensitivitas untuk alur ML.
Terdapat dua sumber kesalahan yang signifikan dalam analisis sensitivitas: nonlinearitas [125,
126] dan interaksi antartahap alur. Ketika Anda menjumpai nonlinearitas, hasil analisis sensitivitas
lokal Anda mengalami kesalahan. Ketika Anda menjumpai interaksi, mengubah dua tahap alur
dapat mengakibatkan perilaku yang jauh berbeda jika Anda mengubahnya bersama-sama, bukan
mengubahnya satu per satu. Mari kita bahas setiap sumber kesalahan ini secara singkat.
7.3.1 Apakah analisis sensitivitas lokal sesuai untuk alur ML Anda?

Analisis sensitivitas lokal, yang dijelaskan di bagian 7.1.1, mengasumsikan bahwa respons
keseluruhan alur ML terhadap perubahan pada satu tahap bersifat linear: jika perubahan 0,5%
pada tahap B menghasilkan perbaikan 1% pada keseluruhan alur, maka perbaikan 1% pada
tahap B akan menghasilkan 2% perbaikan pada alur ML. Jika asumsi linearitas respons alur ini
dilanggar, maka hasil analisis sensitivitas Anda akan memiliki kesalahan di dalamnya. Bagian ini
menunjukkan kepada Anda cara mendeteksi kapan asumsi linearitas tersebut rusak. Ketika itu
terjadi, analisis sensitivitas lokal tidak layak digunakan, dan Anda harus menggantinya dengan
analisis sensitivitas global.
Secara informal, respons nonlinear terjadi ketika output pada kurva laba dapat berubah lebih
cepat (atau lebih lambat) daripada yang terjadi jika responsnya linear. Gambar 7.5 menunjukkan
situasi di mana kurva laba sistem meningkat secara nonlinear (superlinear atau cembung) dan,
untuk peningkatan persentase tertentu pada kinerja satu tahap alur, Anda mendapatkan lebih
dari persen tersebut peningkatan respons pada kurva laba.
Mengapa kecembungan respons penting? Karena, seperti yang dapat Anda lihat di gambar
7.5 ketika Anda memiliki respons cembung, makin jauh Anda bergerak dari titik di mana Anda
melakukan analisis, makin besar kesalahannya. Dalam kasus ekstrem, kesalahan bisa jadi sangat
besar hingga dapat membatalkan hasil analisis. Anda bahkan mungkin melewatkan bahwa
perbaikan pada tahap alur ML Anda tersebut akan memberikan hasil yang cukup besar. Peristiwa
probabilitas rendah dan berdampak tinggi seperti ini umumnya disebut dalam lingkungan bisnis
sebagai angsa hitam [127].1 Jadi, nonlinearitas penting ketika tidak ada hasil yang besar. Gambar
7.6 menunjukkan situasi di mana analisis sensitivitas lokal tidak memiliki kecembungan.
1
i Eropa, diyakini dalam waktu yang lama bahwa semua angsa berwarna putih, sampai seseorang melakukan perjalanan
D
yang cukup jauh sehingga melihat seekor angsa berwarna hitam. Satu angsa hitam, meskipun sangat jarang ada, memiliki
dampak besar dalam menyangkal teori ini.
Gambar 7.5 Kecembungan dalam respons alur ML. Makin jauh Anda bergerak dari titik di mana analisis
dilakukan, makin besar kesalahan dalam analisis Anda. Jangan pernah mengekstrapolasi jauh dari titik di mana
analisis sensitivitas lokal Anda dilakukan.
Gambar 7.6 Analisis sensitivitas dengan adanya kecembungan. Analisis sensitivitas lokal yang dilakukan hanya
pada dua titik, x dan x + 1%, tidak memiliki kecembungan karena Anda selalu dapat menggambar sebuah garis di
antara dua titik.
Terdapat teknik-teknik heuristik yang dapat Anda gunakan untuk menunjukkan bahwa Anda
mungkin memiliki respons nonlinear dan yang sangat sesuai untuk situasi di mana nonlinearitas
cenderung sangat membengkokkan hasilnya. Salah satu teknik heuristik adalah menggantikan
analisis sensitivitas lokal dengan melakukan analisis sensitivitas global pada tiga titik dan melihat
Gambar 7.7 Analisis sensitivitas global dengan adanya kecembungan. Dengan konsekuensi bertambahnya kompleksitas analisis,
analisis sensitivitas global dapat mendeteksi adanya nonlinearitas respons.
apakah respons bersifat linear atau apakah ada indikasi kecembungan/kecekungan. Detail
tentang teknik ini dijelaskan oleh Taleb et al. [126]. Gambar 7.7 menunjukkan penerapan teknik
heuristik tersebut. Kebetulan, analisis sensitivitas global apa pun dapat menerapkan teknik yang
sama (dijelaskan dalam makalah Taleb et al. [126]) untuk mendeteksi respons nonlinear.
Seberapa penting kemungkinan kesalahan pada analisis sensitivitas linear untuk alur ML
Anda, dan apakah fakta bahwa analisis sensitivitas linear bisa kehilangan kecembungan berarti
Anda harus selalu melakukan analisis sensitivitas global? Saya mengambil pandangan pragmatis
dan ingat bahwa semua keputusan manajemen proyek perlu diambil dalam waktu yang terbatas.
Perbedaan utama antara analisis sensitivitas lokal dan analisis sensitivitas global adalah analisis
sensitivitas lokal memerlukan dua titik (seperti x dan x + 1%) untuk dilakukan, sementara
analisis sensitivitas global (dan pendekatan heuristik yang dijelaskan dalam makalah Taleb et al.
[126]) memerlukan setidaknya tiga poin untuk diselesaikan.
TIPS Jika saya tahu bahwa melakukan analisis sensitivitas pada satu titik data lebih
banyak itu murah dan mudah, saya akan selalu melakukan analisis sensitivitas global.
Jika hal tersebut mahal (misalnya, ketika saya harus menggunakan manusia sebagai
proksi untuk melakukan analisis), saya akan menggunakan analisis sensitivitas lokal
jika perlu dan melakukannya hanya pada dua titik.
Jika analisis sensitivitas alur ML pada titik data tambahan itu mahal, satu-satunya situasi di mana
saya mengkhawatirkan kecembungan adalah ketika saya tidak memiliki hasil yang jelas setelah
menganalisis keseluruhan alur. Namun, dalam kasus tersebut, saya menjadwalkan perbaikan
tahap yang memiliki kecembungan di depan tahap-tahap yang memiliki hasil analisis sensitivitas
serupa tetapi tidak menunjukkan respons cembung. Hal tersebut memberikan kesempatan
untuk (kemungkinan) angsa hitam untuk menguntungkan saya.
CATATAN Anda tidak boleh menganggap nonlinearitas sebagai bahaya untuk proyek
Anda. Kecembungan berarti tujuan bisnis akan lebih mudah dicapai daripada jika
sensitivitas tahap bersifat linear. Dampak dari tidak adanya kecembungan selama
analisis sensitivitas itu terbatas. Proyek Anda harus diatur sedemikian rupa sehingga,
"Jika Anda gagal, tangani kegagalan dengan cepat." Oleh karena itu, jika perbaikan
suatu tahap lebih lambat daripada yang Anda harapkan, Anda menyadarinya lebih
awal dan berhenti mengerjakan tahap tersebut.
7.3.2 Cara menangani interaksi antara tahap-tahap alur ML

Terkadang, mengubah dua hal pada waktu yang sama memberikan hasil yang sangat berbeda
dibandingkan mengubah keduanya satu per satu. Hal itu terjadi ketika terdapat interaksi antara
dua variabel. Bagian ini memberikan contoh interaksi serta saran tentang cara mengatasinya
dalam konteks analisis alur ML.
Salah satu contoh interaksi adalah ketika Anda membeli sebuah laptop, Anda mementingkan
bobot laptop sekaligus kecepatan prosesornya. Laptop yang lebih ringan selalu lebih baik,
dengan catatan semua aspek lainnya setara. Prosesor yang lebih cepat selalu lebih baik, dengan
catatan semua aspek lainnya setara. Namun, jika Anda menaruh prosesor yang cepat dalam
laptop kecil (dan ringan), prosesor tersebut mungkin akan mengalami panas berlebih, karena
tidak ada cukup ruang dalam laptop bagi prosesor untuk melakukan pendinginan yang layak.
Membuat laptop yang kecil tetapi kuat juga mahal. Akibatnya, laptop yang kecil dengan prosesor
yang tangguh mungkin tidak layak diproduksi (atau dibeli).
Apa efek interaksi?

Dengan adanya interaksi, analisis yang hanya mengubah satu variabel dalam satu waktu (seperti
output dari satu tahap alur ML) bisa menjadi tidak valid. Selain itu, Anda akan menjumpai para
ahli statistik dan ilmuwan data yang akan menunjukkan bahwa adanya interaksi memengaruhi
hasil analisis MinMax dan sensitivitas.
Itu benar, tetapi bagaimana relevansinya dengan analisis yang dapat dilakukan oleh tim Anda?
Anda dapat melakukan analisis interaksi hanya jika tim Anda tahu cara melakukan analisis
interaksi. Bahkan jika interaksi ada, jika Anda tidak tahu cara menemukannya, Anda harus
menerima risiko interaksi (dan efeknya pada analisis MinMax dan sensitivitas).
Saran saya adalah pertimbangkan tim yang Anda miliki untuk memutuskan seberapa besar
interaksi yang diinginkan. Jika organisasi Anda memiliki pengetahuan yang besar tentang
rekayasa proses dan kemampuan untuk dengan cepat menganalisis perilaku alur ML Anda pada
beberapa titik, maka saya menyarankan agar Anda melakukan analisis interaksi. Dalam praktiknya,
ini biasanya adalah tim yang didanai dengan baik di perusahaan besar yang mengerjakan sebuah
proyek di mana perubahan kecil pada alur ML dapat memberikan hasil keuangan yang besar.
Untuk tim yang baru memulai dengan AI dan analisis sensitivitas, saran saya adalah jangan
mengkhawatirkan interaksi terlebih dahulu dan fokuslah pada apa yang terjadi pada alur
ML ketika Anda hanya mengubah satu faktor pada satu waktu. Dua sumber daya Six Sigma
dari ASQ [21,22] memberikan beberapa titik awal pada proses serta profil orang-orang yang
memiliki pengalaman yang baik dalam merancang eksperimen untuk mendeteksi interaksi, yang
membawa kita ke topik desain eksperimen yang lebih luas ([24]).
7.3.3 Haruskah saya menggunakan desain eksperimen?

Desain eksperimen (DOE) [24] adalah metodologi yang telah berhasil digunakan di bidang
rekayasa proses selama puluhan tahun untuk meningkatkan kualitas, biaya, dan efisiensi proses
seperti manufaktur objek fisik. Ketika Anda memiliki lini pabrik dengan biaya operasi jutaan
dolar, Anda ingin tahu apakah lini pabrik tersebut berjalan optimal. DOE adalah tentang
melakukan eksperimen, dengan hasil yang dapat menunjukkan cara memperbaiki lini pabrik
Anda. Bagian ini memperkenalkan Anda pada DOE dan menyarankan kapan DOE dapat
diterapkan untuk suatu proyek AI.
Secara historis, pengembangan perangkat lunak tidak banyak menggunakan DOE. Beberapa
alasannya antara lain DOE adalah topik kompleks yang asing bagi teknisi perangkat lunak.
Lebih penting lagi, di luar DOE, penerapan pseudo-eksperimen ("kita coba saja dan lihat apa
yang terjadi") memerlukan biaya yang rendah dalam hal perangkat lunak; misalnya, parameter
konfigurasi dapat diubah dengan mudah untuk melihat reaksi dari database Anda.
CATATAN Pseudo-eksperimen memiliki banyak kelemahan. Misalnya, pseudo-eksperimen

dapat melewatkan interaksi. Selain itu, eksperimen ini sensitif dengan proses latar;
jika sebuah proses latar berjalan pada waktu yang tidak tepat, hasil pseudo-eksperimen
Anda dapat terpengaruh. Tidak seperti pseudo-eksperimen, eksperimen yang tepat yang
dilakukan berdasarkan metodologi DOE akan memberikan jawaban yang tepat bahkan
ketika terdapat interaksi dan proses latar.
Dengan proyek AI baru-baru ini, biaya untuk "sekadar mencoba sesuatu" telah meningkat drastis.
Bukan hal aneh ketika sebuah proyek besar di sebuah perusahaan besar mungkin menggunakan
ratusan mesin untuk melatih beberapa algoritme AI yang rumit [128]. Menjalankan sistem
tersebut memerlukan banyak uang, dan, karena harga infrastruktur perangkat keras mulai
menyaingi biaya menjalankan pabrik, metode yang digunakan untuk menjalankan pabrik dapat
menjadi relevan bagi teknisi perangkat lunak juga.
DOE memungkinkan banyak keuntungan dibandingkan dengan pseudo-eksperimen.
Dengan menggunakan DOE, Anda dapat mengelola pengembangan alur ML yang mahal
dengan lebih baik.
Jadi, haruskah Anda menggunakan DOE pada proyek Anda? Untuk sebagian besar proyek
AI, saya tidak merekomendasikan DOE karena rumit untuk dijalankan secara tepat dan
mengharuskan para pakar dengan pelatihan khusus untuk menerapkannya dengan benar. Biaya
eksperimen (dan pakar tersebut) terlalu tinggi untuk melazimkan pendekatan ini pada proyek
AI rata-rata saat ini. Selain itu, jika Anda belum pernah memikirkan manajemen alur ML Anda
secara sistematis, metode-metode yang sudah disajikan dalam buku ini akan sangat membantu.
CATATAN Jika Anda melihat riwayat perkembangan bidang rekayasa proses, semuanya
juga dimulai dengan eksperimen sederhana dan teori serta pengetahuan DOE dibangun
setelahnya.
Namun, jika Anda menjalankan operasi AI besar-besaran, dan investasi modal Anda dalam tim,
perangkat keras, dan infrastruktur seimbang dengan biaya operasional pabrik, dan jika hasil dari
setiap keputusan yang Anda ambil terkait manajemen alur ML Anda memiliki risiko yang tinggi,
saya akan merekomendasikan yang sebaliknya. Sebaliknya, saran saya adalah bekerja dengan
seorang pakar yang memahami AI dan rekayasa proses. Pakar tersebut dapat memberikan saran-
saran per kasus tentang apa yang tepat untuk sistem Anda. Anda sudah menghabiskan begitu
banyak uang untuk menjalankan sistem Anda sehingga Anda harus mendesain eksperimen di
dalamnya secara layak.
7.3.4 Satu keberatan umum yang mungkin Anda hadapi

Bagian ini membahas kritik yang mungkin akan Anda hadapi dan mengapa kritik tersebut benar
dan sebagian besarnya tidak relevan untuk kasus penggunaan praktis analisis alur ML. Kritik tersebut
adalah ada kemungkinan Anda membangun sebuah contoh di mana analisis sensitivitas akan
menunjukkan hasil yang, meskipun berguna, bukanlah hasil terbaik.
Mari kita lihat satu contoh. Bayangkan Anda memiliki situasi di mana Anda telah melakukan
analisis sensitivitas global pada lima titik, dan terdapat situasi tidak biasa di mana interaksi telah
menghasilkan kurva sensitivitas pada gambar 7.8.
Gambar 7.8 Analisis sensitivitas dilakukan di lokasi S1–S5 tetapi tidak memiliki maksimum aktual pada titik M. Tidak
masalah; Anda berada di atas ambang batas nilai, jadi Anda masih bisa menghasilkan uang. Tidak ada analisis murah yang
dilakukan hanya pada beberapa titik yang dapat menghindari masalah ini.
Pada gamba 7.8, Anda telah melakukan analisis pada lima titik, S1–S5. Hasil terbaik yang
Anda dapatkan adalah maksimum dari lima titik yang Anda lihat (S5). Namun, ini bukan nilai
maksimum mutlak dari fungsi yang mendasari, yakni lokasi M.
Gambar 7.9 Jika kurva yang mendasari memiliki bentuk yang diberikan pada gambar ini (bukan gambar 7.8),
analisis sensitivitas akan menemukan nilai maksimum yang sebenarnya. Anda tidak pernah tahu bentuk kurva yang
mendasari, sehingga maksimum kurva tersebut tidaklah penting. Yang penting adalah Anda berada di atas ambang
batas nilai.
Meskipun contoh di atas terlihat meyakinkan, pikirkan lagi. Dalam praktiknya, apakah Anda memiliki
akses ke "kebenaran," yang diwakili oleh kurva sensitivitas dasar yang sebenarnya dalam gambar 7.8?
Tidak! Sensitivitas nyata tersebut tidak diketahui dan tidak tersedia untuk proyek Anda; yang
Anda miliki hanyalah hasil dari analisis sensitivitas pada titik S1–S5. Kurva sensitivitas dasar tetap
tersembunyi dan mungkin juga telah menjadi kurva dalam gambar 7.9.
Saya bisa membuat banyak contoh tandingan, tetapi semuanya memiliki satu kesamaan:
kritik yang saya sebutkan mengasumsikan bahwa Anda sudah mengetahui seluruh bentuk kurva
pada gambar 7.8! Dalam praktiknya, Anda tidak pernah memiliki akses ke kurva sensitivitas
dasar. Jika Anda memilikinya, Anda tidak akan perlu mempertanyakan tahap yang harus Anda
investasikan, Anda hanya perlu membacanya dari kurva sensitivitas.
Hal ini membawa kita ke perbedaan antara teori matematis, yang menjadi
landasan keberatan awal dalam bagian ini, dan manajemen proyek praktis.
Keberatan yang diajukan adalah keberatan teoretis tanpa saran nyata tentang apa yang harus
dilakukan. Meskipun para pengkritik dapat menunjuk ke beberapa metode yang dapat
menemukan nilai maksimum dari kurva dasar, ketika Anda meminta detailnya, Anda akan
mengetahui bahwa metode-metode tersebut memerlukan pelaksanaan analisis sensitivitas
di banyak titik. Jumlah titik tempat Anda menganalisis adalah faktor penentu biaya analisis,
sehingga metode-metode tersebut sering kali terlalu mahal untuk diterapkan sebagai pemandu
keputusan perbaikan dalam alur ML.
Orang-orang praktis memerlukan solusi, dan dalam hal ini, jawabannya adalah mengenali bahwa
Anda sudah terbiasa dengan masalahnya. Masalah tersebut sama seperti jika saya bertanya kepada Anda,
"Jadi, berapa jumlah maksimum uang yang bisa Anda hasilkan dalam hidup?" Mungkin saja jika Anda
diperkenalkan kepada orang yang tepat, Anda mungkin telah mendirikan sebuah perusahaan yang
lebih kaya daripada Google saat ini, tetapi Anda tidak akan pernah tahu. Anda tidak mengetahui
kurva "sensitivitas pendapatan" hidup Anda yang dapat menjawab pertanyaan tersebut.
CATATAN Dalam hidup, Anda tidak pernah tahu apakah Anda telah menghasilkan
uang sebanyak mungkin yang memungkinkan untuk Anda hasilkan. Satu-satunya hal
yang Anda ketahui adalah apakah Anda sudah menghasilkan uang yang cukup untuk
hidup nyaman atau belum.
Seperti halnya untuk kehidupan, pertanyaan untuk proyek bukanlah "Berapa nilai maksimum
dari kurva?" Ingat, Anda berada di medan perburuan yang kaya hewan buruan (bagian 3.1.1),
dan Anda ingin memastikan bahwa proyek AI yang Anda investasikan menguntungkan. Anda
juga perlu memutuskan berdasarkan informasi terbaik yang tersedia pada saat Anda harus
mengambil keputusan investasi. Jika analisis sensitivitas tidak menemukan nilai maksimum tetapi
masih memungkinkan pembangunan alur yang menguntungkan, itu disebut kesuksesan dalam
bisnis.
CATATAN Jarang Anda menemukan alur ML di mana analisis sensitivitas melewatkan

begitu banyak area menguntungkan sehingga Anda terbentur dan tidak dapat
meningkatkannya.2 Bahkan lebih jarang lagi, alur ML di mana hal tersebut terjadi
mudah mendatangkan keuntungan. Alur langka seperti ini bukanlah kelinci yang
mudah untuk diburu, dan Anda sedang berada di tanah perburuan yang kaya hewan
buruan. Cobalah sesuatu yang lain.
Analisis sensitivitas melibatkan pemaksimalan informasi yang tersedia untuk Anda pada saat ini
dan memungkinkan Anda untuk menentukan apakah tindakan berikutnya yang Anda lakukan
menguntungkan atau tidak. Itu saja yang Anda butuhkan untuk menjalankan proyek AI yang
sukses.
Bagaimana dengan pembelajaran tanpa pengawasan?

Anda mungkin mendengar pertanyaan apakah analisis sensitivitas (serta analisis MinMax) hanya
berlaku untuk pembelajaran dengan pengawasan. Jawabannya adalah analisis tersebut relevan
untuk jenis AI apa pun karena Anda juga selalu bisa membangun kurva laba untuk pembelajaran
tanpa pengawasan.
Katakanlah produk Anda menganalisis data dan membuat klaster dari data tersebut. Setelah
itu, klaster disajikan kepada manusia, yang menggunakannya sebagai salah satu input untuk
keputusan yang perlu diambil dalam waktu yang sangat terbatas. Contohnya adalah sistem yang
menggunakan AI untuk membuat klaster jenis-jenis kesalahan dalam sistem transportasi yang
kompleks.
Dalam situasi seperti ini, makin banyak klaster yang Anda sajikan (dan makin sulit untuk melihat
hal-hal yang sama di setiap klaster), maka makin sedikit nilai yang dimiliki sistem untuk pengguna.
Jelas, ada hubungan antara output suatu sistem dan nilainya bagi pengguna. Bisa jadi Anda harus
melakukan eksperimen dengan bantuan dari para pengguna nyata untuk menentukan nilainya
bagi pengguna. Hasil dari eksperimen tersebut dapat dijelaskan dalam bentuk kurva laba.

2
Anda harus menghadapi situasi seperti ini tidak hanya dalam satu tahap alur ML yang sedang Anda analisis, tetapi dalam
beberapa tahap pada saat yang sama.
7.3.5 Cara menganalisis tahap yang menghasilkan data

Beberapa tahap dalam alur Anda kemungkinan adalah operasi dengan data, dan setiap
algoritme AI yang Anda gunakan akan mengambil data sebagai input. Umumnya, Anda
dapat meningkatkan kualitas data input tersebut. Bagian ini memberikan saran tentang cara
menganalisis bagaimana peningkatan data memengaruhi alur ML Anda.
Tujuan Anda saat melakukan analisis sensitivitas global atau bagian Max dari analisis MinMax
haruslah untuk mendapatkan data terbaik yang bisa Anda dapatkan. Terbaik di sini mencakup
semua dimensi—dataset yang lebih besar, data yang lebih tertarget, dataset yang lebih bersih.
CATATANJika Anda sedang membangun perangkat fisik berbasis AI, seperti kamera,
"lebih baik" mungkin berarti memiliki sensor yang unggul. Jika Anda memiliki masalah
dengan gambar yang kabur, bisakah Anda mendapatkan kamera yang lebih baik? Jika
Anda memiliki masalah dengan penghalang, bisakah Anda mendapatkan lebih banyak
kamera?
Sering terjadi bahwa data yang lebih baik dapat mengalahkan algoritme AI yang lebih baik [129],
jadi sangat penting bagi Anda untuk mencari tahu apa yang terjadi ketika Anda memiliki data
yang lebih bersih.
Bagaimana cara membersihkan semua data tersebut?

Masalah terkadang muncul di ruang data yang besar: bagaimana Anda mengukur dampak
memiliki data yang lebih bersih jika volume data Anda sangat besar? Tidak mungkin Anda
meminta manusia untuk membersihkan 1 PB data secara manual! Selain itu, meskipun
Anda dapat memulai proyek untuk membersihkan 1 PB data, pada saat Anda mendapatkan
jawabannya, Anda juga telah menghabiskan sangat banyak waktu dan uang untuk
melakukannya, sehingga nilai ekonomi informasi tersebut rendah.
Untungnya, ada solusi sederhana: ringkas dua tahap alur menjadi satu tahap. Misalnya,
satu tahap alur menyerap data gambar dan tahap lainnya menerapkan pengenalan objek
berdasarkan pembelajaran mendalam pada gambar-gambar tersebut. Sangat sulit menjawab
pertanyaan, "Apa hasil penerapan arsitektur jaringan pembelajaran mendalam ini jika saya
memiliki data gambar yang sangat bersih?" Jadi, upaya untuk meningkatkan fase penyerapan
data sulit dilakukan.
Namun, jauh lebih mudah untuk menjawab pertanyaan, "Apa hasil terbaik yang dapat kita
capai dengan pengenalan gambar jika kita melihat data dan algoritme bersama-sama?"
Anda hanya perlu melihat hasil pengenalan gambar terbaik yang dicapai sejauh ini pada
dataset apa pun. Dengan meringkas dua tahap alur ML menjadi satu tahap (penyerapan data
dan pengenalan), Anda telah mengubah pertanyaan yang kompleks menjadi satu pertanyaan
sederhana.
7.3.6 Jenis analisis sensitivitas apa yang berlaku untuk proyek saya?
Analisis sensitivitas adalah topik yang kompleks dan area penelitian aktif dalam komunitas ilmu
komputer (misalnya, lihat Global Sensitivity Analysis: The Primer [117]). Anda mungkin ingin
mengetahui bagaimana beberapa penelitian terbaru dapat membantu Anda melakukan analisis
sensitivitas yang lebih baik. Bagian ini menyajikan kriteria yang harus Anda gunakan untuk
menentukan kesesuaiannya untuk proyek Anda.
Pertanyaan yang paling penting yang harus Anda tanyakan ketika melihat penelitian apa
pun dalam hal analisis sensitivitas adalah, "Seberapa banyak pekerjaan yang diperlukan untuk
menerapkan metode ini?" Hanya metode yang mudah diterapkan (dibandingkan dengan
ukuran total proyek Anda) yang memiliki nilai praktis untuk manajemen proyek dari alur ML.
TIPS Jika analisis Anda begitu kompleks sehingga untuk melakukannya diperlukan
biaya sama banyaknya dengan membangun alur ML, Anda mungkin hanya perlu
membangun alur tersebut dan melihat apa yang terjadi.
Sumber biaya terbesar dalam analisis alur ML adalah jumlah titik di mana analisis perlu dilakukan.
Akibatnya, metode-metode yang dijelaskan pada bagian 7.1 jauh lebih dapat diterapkan daripada
teknik-teknik analisis sensitivitas global yang memerlukan analisis ribuan titik (terutama untuk
tim AI dengan pengalaman rekayasa proses yang terbatas).
Trik praktis
Meskipun bisa jadi sulit menjadikan data atau hasil lebih baik, sering kali mudah menjadikannya
lebih buruk dengan memasukkan kesalahan ke dalamnya. Caranya adalah alih-alih membuat
hasil tahap alur ML 1% lebih baik dan menganalisis pada titik x dan x + 1%, jadikan hasilnya
1% lebih buruk dan analisis pada titik x – 1% dan x%. Jika Anda menggunakan trik ini, Anda
mengasumsikan bahwa perilaku alur Anda serupa antara ketika output suatu tahap sedikit
meningkat dan jika output sedikit menurun.
Misalnya Anda sedang melakukan analisis sensitivitas global pada titik-titik 33%, 66%, dan 100%.
Setelah Anda menyelesaikan analisis pada 100%, Anda dapat dengan sengaja merusak data
output tahap tersebut untuk melakukan analisis pada titik 33% dan 66%.
Trik yang sama berlaku untuk analisis sensitivitas lokal. Jika alur Anda sudah memberikan hasil
dalam tahap yang, misalnya, 95% akurat, jangan melakukan analisis sensitivitas pada titik 95%
dan 96%. Sebaliknya, lakukan pada 94% dan 95%. Jauh lebih mudah memasukkan kesalahan di
dalam output tahap Anda saat ini daripada meningkatkannya.
Anda dapat menggunakan trik yang sama untuk menyesuaikan metode analisis sensitivitas
yang memerlukan evaluasi di ribuan titik dengan analisis alur ML ketika Anda membangun hasil
untuk satu titik (titik terbaik), lalu menurunkan nilai hasil tersebut untuk menyimulasikan titik-titik
lainnya.
Namun, harap diperhatikan bahwa teknik yang disajikan dalam bilah samping ini memiliki detail
halus dan perangkap yang menjebak. Kesalahan yang Anda masukkan dalam output bukanlah
sekadar kesalahan acak. Kesalahan tersebut harus memiliki sifat statistik yang sama dengan
kesalahan yang dimiliki oleh implementasi nyata dari sebuah tahap dalam alur ML. Anda
membutuhkan pakar untuk menghindari perangkap ini.
Saran saya adalah Anda sebaiknya tidak mencoba teknik ini sampai Anda memiliki staf yang
memiliki banyak pengalaman dalam analisis sensitivitas, rekayasa proses, dan analisis distribusi
statistik.
7.4 Bagaimana proyek AI Anda berkembang seiring berjalannya waktu

Teknik-teknik MinMax dan analisis sensitivitas yang disajikan sejauh ini difokuskan pada proyek-
proyek AI yang diselesaikan dengan cepat. Dalam kondisi normal, Anda harus memilih proyek
yang dapat dikirimkan kepada pelanggan nyata Anda dengan cepat [28], terutama untuk proyek
AI awal Anda. Bagaimanapun, setelah dikirimkan, proyek AI tersebut bisa berada di pasar dalam
waktu yang lama. Selain itu, terkadang proyek AI Anda adalah terobosan baru, dan diperlukan
waktu yang lama untuk mengirimkannya ke pasar. Bagian ini menunjukkan bagaimana Anda
harus memodifikasi metode yang disajikan sejauh ini saat Anda memimpin proyek-proyek AI
yang berlangsung lama.
Bagian 7.4.1 membahas pengaruh waktu terhadap proyek Anda. Bagian 7.4.2 menunjukkan
cara memodifikasi bagian Understand dari proses CLUE untuk memperhitungkan pengaruh
waktu dalam proyek-proyek yang lama. Bagian 7.4.3 menunjukkan cara membuat diagram
perubahan pada nilai bisnis proyek seiring waktu.
7.4.1 Waktu memengaruhi hasil bisnis Anda

Dalam mengelola sebuah proyek, kita sering kali berfokus pada urutan langkah yang harus
kita jalankan agar berhasil. Kita memandang waktu dalam bentuk tenggat proyek, dan kita
memandang tenggat sebagai tanggung jawab rekayasa. Bagian ini menunjukkan kepada Anda
cara pandang yang berbeda tentang waktu sehingga Anda dapat mempertimbangkan bersama-
sama keputusan rekayasa dan manajemen yang memengaruhi proyek Anda.
Dalam banyak proyek, waktu dipikirkan belakangan dan hanya muncul dalam bentuk
tenggat. Tim manajemen dan rekayasa menegosiasikan tenggat tersebut. Setelah disepakati,
tenggat menjadi masalah yang dialami oleh manajer proyek dan rekayasa. Hal ini mengakibatkan
perpecahan antara dampak waktu pada nilai dari apa yang dikerjakan dan manajemen teknis
proyek AI. Tim rekayasa berfokus untuk memenuhi tenggat. Manajemen berkonsentrasi untuk
membuat rencana kontingensi jika tenggat tidak terpenuhi, dan mereka terkadang mengejutkan
tim rekayasa dengan permintaan fitur baru. Alih-alih mengintegrasikan pengambilan keputusan
teknis dengan hasil bisnis, hubungan antar kedua tim menjadi terpisah, atau bahkan secara
terang-terangan berlawanan.
Cara yang lebih baik untuk menangani dimensi waktu adalah dengan menyertakan waktu
untuk menyelesaikan proyek secara langsung dalam metrik-metrik yang Anda kelola dan
optimalkan. Jika waktu yang diperlukan untuk menyelesaikan proyek adalah hal penting, Anda
harus dapat mengukur setidaknya kisaran seberapa penting waktu tersebut. Setelah Anda
mengukur pengaruh waktu pada proyek Anda, Anda dapat menyertakan waktu di dalam kurva
laba.
TIPS Jika Anda tidak dapat melakukan penghitungan secara persis, gunakanlah
perkiraan. Lihat buku D. W. Hubbard [75] untuk mengetahui cara mengukur "benda
tidak berwujud" dalam bisnis.
Nilai proyek (dan ambang nilai yang harus dipenuhi) berubah seiring waktu. Misalnya, AI yang
mampu mengindeks dan menelusuri internet memiliki nilai bisnis yang besar pada tahun 1998
(sebelum Google). Hari ini, nilai AI tersebut jauh lebih kecil. Oleh karena itu, kurva laba serta
ambang nilai proyek Anda berubah dari waktu ke waktu.
Bagaimana proyek AI Anda berkembang seiring waktu 109
Perubahan tersebut menjadi signifikan ketika Anda berurusan dengan waktu yang lebih lama,
seperti proyek AI sukses yang bisa berada di pasaran selama bertahun-tahun.
Jika sebuah proyek memiliki rentang tanggal penyelesaian, Anda sebaiknya tidak
menggunakan kurva laba tunggal untuk seluruh durasi proyek. Anda harus memiliki beberapa
kurva laba yang mencerminkan perubahan pada nilai bisnis pada berbagai waktu. Gambar 7.10
menunjukkan serangkaian kurva laba untuk sebuah proyek yang berjalan selama dua tahun.
Gambar 7.10 Serangkaian kurva laba untuk proyek AI yang berjalan lama. Bentuk kurva laba dan terutama
nilai ambang berubah seiring berjalannya waktu.
Anda harus mengelola alur ML dengan mempertimbangkan waktu. Bahkan pendekatan

sesederhana "jika selesai sebelum 1 Juni, akurasi x memiliki nilai $y; jika selesai lebih lama,
nilainya $z,” ketika diterapkan ke kurva laba akan memberi Anda cara cepat dalam menangani
dimensi waktu.
PERINGATAN Tenggat adalah cara yang lemah untuk memperhitungkan waktu. Proses
Agile sendiri tidak mengatasi dinamika tenggat tetapi hanya memberlakukan lebih
banyak titik pemeriksaan antara tim rekayasa dan bisnis. Bahkan pada proyek Agile,
Anda harus secara sengaja berfokus pada implikasi jangka panjang dari alur ML yang
Anda pilih.
7.4.2 Meningkatkan alur ML seiring waktu

Pada titik tertentu, Anda akan berurusan dengan proyek-proyek AI yang lebih lama.
Proyek-proyek tersebut dapat berlangsung selama jangka waktu yang lama, dan,
seperti yang terlihat di bagian 7.4.1, kurva laba dapat berubah seiring berjalannya
waktu.
PERINGATANPada proyek yang lebih lama, kurva laba biasanya bergeser dari
waktu ke waktu untuk memperhitungkan biaya peluang penundaan. Anda
harus memperhitungkan pergeseran tersebut saat mengevaluasi nilai bisnis
proyek.
Untuk memperhitungkan perubahan tersebut, Anda memperkirakan berapa

lama waktu yang diperlukan untuk menyelesaikan perbaikan suatu tahap
alur pengiriman, kemudian Anda menggunakan kurva laba yang sesuai
yang mencerminkan nilai yang akan dimiliki oleh perbaikan tersebut pada
saat proyek AI dirilis (bukan hari ini). Gambar 7.11 menjelaskan proses ini.
Gambar 7.11 Modifikasi bagian Understand dari proses CLUE untuk memperhitungkan waktu penyelesaian
yang lama. Nilai proyek berubah seiring waktu yang diperlukan untuk menyelesaikannya. Anda harus
menggunakan kurva laba yang sesuai dengan waktu ketika Anda akan merilis perangkat lunak untuk menghitung
nilai perbaikan.
Setelah Anda memperhitungkan pengaruh waktu terhadap kurva laba Anda,

penjadwalan perbaikan dalam alur Anda dapat dilakukan dengan mudah.
Anda menjadwalkan perbaikan tahap-tahap dalam alur ML dengan urutan yang
memungkinkan Anda mencapai ambang nilai sesegera mungkin dan untuk tetap
berada di atas ambang nilai seiring kemajuan proyek.
CATATAN Seperti halnya nilai perbaikan suatu tahap dalam alur ML, ambang
nilai juga berubah seiring waktu. Misalnya, ambang nilai Anda bisa $5/unit
dalam enam bulan pertama, kemudian menurun menjadi $4/unit. Jangan
lupa untuk memperhitungkan perubahan pada ambang nilai saat membuat
jadwal.
7.4.3 Diagram waktu: Bagaimana nilai bisnis berubah seiring waktu

Pada proyek yang lebih lama, nilai bisnis proyek juga berubah seiring waktu. Anda
dapat merepresentasikan perubahan nilai bisnis dari waktu ke waktu dengan bantuan
diagram waktu. Bagian ini memberikan contoh pembuatan diagram tersebut.
Contoh ini mengasumsikan bahwa ambang nilai didasarkan pada nilai produk AI
Anda untuk pengguna akhir Anda dan dinyatakan dalam laba yang didapatkan oleh
pengguna akhir Anda per unit. Saya juga berasumsi bahwa Anda mencoba memasuki
Bagaimana proyek AI Anda berkembang seiring waktu 111
pasar yang berkembang pesat yang diharapkan memiliki nilai seumur hidup yang tinggi
bagi perusahaan yang menetapkan solusi standar. Oleh karena itu, tujuan perusahaan
Anda adalah eksistensi pasar. Tujuan Anda adalah merilis produk yang layak sesegera
mungkin, dan untuk menjaganya agar tetap layak, tanpa mengkhawatirkan laba
dalam 24 bulan ke depan. Pimpinan perusahaan memperkirakan bahwa laba akan
datang kemudian, ketika produk Anda sudah mapan sebagai suatu standar.
Mari kita lihat skenario di mana perubahan pada ambang nilai dari waktu ke
waktu diberikan dalam tabel 7.1. Anda dapat mengekstrak informasi tersebut dengan
menerapkan proses yang ditunjukkan pada gambar 7.11.
Tabel 7.1 Nilai perbaikan tahap untuk pengguna akhir Anda
Nama Nilai perbaikan Nilai perbaikan dalam Nilai perbaikan dalam Waktu yang diperlukan untuk
tahap hari ini 6 bulan 12 bulan menyelesaikan perbaikan tahap
A $7 $4 $3 2 bulan
B $30 $27 $21 11 bulan
C $14 $10 $7 3 bulan
D $10 $8 $6 6 bulan
Nilai dan waktu yang dibutuhkan untuk memperbaiki tahap alur diberikan dalam
tabel 7.2. Anda dapat membangun perubahan ambang nilai dengan membaca
ambang nilai dari kurva laba yang sesuai dalam gambar 7.12.
Tabel 7.2 Ambang nilai yang dimiliki unit untuk pelanggan Anda. Anda harus melewati ambang nilai
agar pelanggan membeli produk Anda.
Ambang nilai sekarang Ambang nilai dalam 6 bulan Ambang nilai dalam 12 bulan
$5/unit $14/unit $15/unit
Gambar 7.12 menunjukkan diagram waktu dari nilai yang diharapkan dimiliki oleh alur
ML Anda untuk pengguna akhir. Perhatikan bahwa ada dua alasan mengapa nilai bisnis
alur ML berubah: perbaikan pada tahap alur ML dan berjalannya waktu. Peningkatan
dalam utilitas alur pada 2, 5, 11, dan 23 bulan disebabkan oleh penyelesaian perbaikan
pada tahap A, C, D, dan B. Penurunan tajam pada 6 dan 12 bulan disebabkan oleh
berlalunya waktu seiring menurunnya nilai bisnis perbaikan dalam tahap-tahap alur Anda.
Diagram waktu memungkinkan Anda untuk menentukan ekspektasi nilai alur ML
Anda di setiap titik di masa depan. Informasi tersebut membantu Anda menjawab
pertanyaan tentang bagaimana urutan yang Anda gunakan dalam memperbaiki tahap
alur jika Anda memiliki proyek yang berlangsung lama.
Gambar 7.12 Meningkatkan alur ML dengan memperhitungkan parameter waktu yang diberikan pada tabel 7.1 dan 7.2.
Urutan perbaikan tahap alur ML harus dimulai dengan tahap A, kemudian tahap C, kemudian tahap D, dan akhirnya tahap
B. Urutan tersebut memungkinkan Anda untuk merilis produk yang layak hanya dalam waktu dua bulan.
Teknik ini berguna baik dalam tahap-tahap awal proyek, ketika Anda memilih alur
ML terbaik untuk pertanyaan penelitian Anda, maupun ketika Anda perlu mengelola
pengembangan alur ML baru yang akan menggantikan alur ML saat ini dalam proyek Anda.
Dalam kasus terakhir, Anda dapat menggunakan diagram seperti yang ada di gambar 7.12 untuk
memberi tahu cara mengelola perbaikan inkremental yang ingin Anda buat pada alur ML lama dan
memperkirakan titik di mana Anda berharap alur baru dapat mengambil alih pekerjaan alur lama.
7.5 Menutup proyek AI Anda

Untuk mengelola proyek diperlukan banyak perkiraan, seperti berapa lama fungsionalitas
tertentu diimplementasikan, seberapa rumit algoritme AI tertentu untuk diterapkan, dan
seberapa besar nilai bisnis yang akan diberikan oleh implementasi. Terkadang, semuanya terjadi
sesuai perkiraan dan rencana. Namun ada kalanya, realitas tidak sesuai dengan keinginan kita,
dan ternyata perkiraan kita tidak tepat. Bagian ini menunjukkan kepada Anda apa yang harus
dilakukan ketika masalah ternyata jauh lebih rumit untuk dipecahkan daripada perkiraan awal.
Hari ini, jika Anda sedang menjalankan proyek AI awal, tim Anda kemungkinan adalah tim
pertama di perusahaan Anda untuk menggunakan teknik-teknik AI yang kuat untuk mengatasi
masalah bisnis Anda. Ini juga berarti bahwa jika proyek tersebut terbukti sulit diselesaikan,
sesuai dengan perkiraan awal Anda, perlu dimodifikasi berdasarkan apa yang telah Anda
pelajari saat ini meskipun perkiraan awal Anda benar. Alih-alih melanjutkan proyek yang
sulit untuk diterapkan, Anda harus menjedanya dan mencoba sesuatu yang lebih sederhana.
Pada proyek-proyek AI awal, Anda berada di lahan perburuan yang kaya hewan buruan,
dan Anda harus berpikir seperti seorang pemburu (bagian 3.1.1)—jangan buang-buang waktu
Menutup proyek AI Anda 113
untuk mengejar mamut yang besar tapi belum tentu dapat, tetapi tangkaplah kelinci, yang lebih
mudah dan jelas ada di depan mata. Jika Anda sudah berburu sekian lama dan mendapati bahwa
hewan yang Anda buru ternyata adalah seekor mamut yang cukup pandai menyamarkan dirinya
sebagai seekor kelinci, Anda harus meninggalkan perburuan tersebut dan mencari kelinci yang
sebenarnya.
Jika Anda gagal, tangani kegagalan dengan cepat

Pendekatan manajemen proyek Anda harus condong terhadap kegagalan cepat. Anda harus
melakukan berkompromi untuk menerima kemungkinan menyerah terlalu dini dan kehilangan
solusi potensial jika dengan begitu Anda akan menghindari situasi di mana Anda terperangkap
dalam waktu yang lama oleh sesuatu yang pada akhirnya tidak berhasil.
Ingat bahwa kondisi utama matinya prakarsa AI adalah ketika mereka bertahan di proyek-proyek
bermasalah terlalu lama dan tidak ada hasil yang dapat ditunjukkan pada akhirnya (bagian 3.1.1).
Anda harus selalu menetapkan batas waktu (timebox) untuk proyek AI Anda sebelum Anda harus
menghentikannya jika Anda menghadapi kesulitan. Jika pertanyaan penelitian ternyata jauh
lebih sulit untuk diterapkan daripada perkiraan awal, Anda tidak boleh keras kepala untuk
mengejar jawabannya. Sebagai gantinya, hentikan proyek saat ini dan mulai upayakan pertanyaan
penelitian yang lebih mudah.
Dengan pendekatan ini, Anda sedang menukar kemungkinan penangguhan proyek yang
berpotensi menghasilkan solusi fungsional (tetapi juga bisa berakhir sebagai proyek pemborosan
waktu tanpa hasil yang ditunjukkan) untuk mencoba proyek yang lebih mudah terlebih dahulu.
Namun, saat menggunakan teknik ini, penting untuk memahami apa yang telah Anda temukan
ketika Anda menangguhkan pertanyaan penelitian. Anda telah memutuskan untuk menangguhkan
pertanyaan penelitian tersebut; Anda belum menemukan bahwa mengupayakan pertanyaan penelitian
tersebut lebih lanjut tidak memiliki nilai bisnis.
Sayangnya, organisasi sering kali memiliki kebiasaan mengklasifikasikan hasil proyek
penelitian dengan kategori biner—"ya/tidak", "berjalan/tidak berjalan." Untuk menggunakan
pendekatan timebox dengan benar, Anda perlu memahami bahwa analisis awal pertanyaan
penelitian memiliki tiga kemungkinan hasil:
1
Ya—Pendekatan ini patut untuk diupayakan lebih lanjut. Kita harus mengerahkan banyak
sumber daya ke sana.
2
Tidak—Kita
telah mencoba cukup banyak hal sehingga kita yakin bahwa ini adalah
pendekatan yang salah dan diperkirakan tidak akan berjalan. Jangan kerahkan sumber
daya tambahan apa pun ke sana.
3
Mungkin—Dengan waktu yang kita luangkan ke dalam penyelidikan awal, kita tidak
dapat menunjukkan bahwa pendekatan ini bisa berjalan. Namun, kita belum cukup lama
menyelidikinya untuk mengetahui bahwa pendekatan ini tidak akan berjalan bahkan jika
kita berusaha lebih keras. Jika kita memiliki lebih banyak uang dan waktu nanti, kita
harus tengok lagi masalah ini.
CATATAN Sangat penting untuk melaporkan dan melacak hasil Anda dalam bentuk
logika tiga status, yakni ya/tidak/mungkin. Alasannya adalah Anda tidak akan
pernah membuka kembali pertanyaan yang dijawab dengan "tidak", tetapi mungkin
akan melanjutkan pertanyaan yang dijawab dengan "mungkin" di kemudian hari.
Membedakan hal ini secara tepat adalah satu-satunya cara kerja pendekatan "bersedia
untuk meninggalkan proyek yang sulit".
Gambar 7.13 Menjalankan proyek AI dengan kemampuan untuk menangguhkan proyek yang
menantang. Pendekatan ini memungkinkan Anda untuk dengan cepat mengurangi kerugian pada
proyek yang terbukti lebih sulit daripada perkiraan, dan sebaliknya, memungkinkan Anda untuk
mencoba proyek yang lebih mudah.
Di kemudian hari, ketika Anda memiliki solusi yang sukses yang ingin Anda tingkatkan dengan
lebih banyak sumber daya, Anda mungkin memutuskan bahwa beberapa proyek berstatus
"mungkin" layak untuk ditinjau kembali. Gambar 7.13 merangkum proses menjalankan sebuah
proyek menggunakan klasifikasi hasil tiga status, ya/tidak/mungkin.
7.6 Latihan
Pertanyaan dalam latihan ini mengacu pada alur ML pada gambar 7.14, yang dibuat ulang dari
gambar 6.10 (dan gambar 7.1).
Gambar 7.14 Contoh alur ML. Kita akan melakukan analisis sensitivitas pada alur ini. (Ini adalah
pengulangan gambar 6.10 untuk memudahkan pembaca.)
Latihan 115
Pertanyaan 1: Pertanyaan ini memberi Anda hasil analisis sensitivitas untuk alur di gambar
7.14. Asumsikan bahwa metrik bisnis adalah laba dan ambang nilai adalah $2 juta/tahun.
Hasil analisis MinMax Anda adalah $1,9 juta/tahun untuk bagian Min dan $3 juta/tahun
untuk bagian Max. Anda memutuskan untuk melakukan analisis sensitivitas. Mengapa analisis
sensitivitas perlu dilakukan? Anda telah mengerjakan semua tahap selama waktu tertentu, dan
Anda telah mencapai titik di mana semua tahap menjadi makin sulit untuk diperbaiki. Tentukan
tahap mana dari alur tersebut yang harus Anda investasikan jika hasil analisis sensitivitas adalah
sebagai berikut:

Tahap A memerlukan 6 bulan untuk diperbaiki dengan peningkatan 1%. Ketika Anda
memperbaiki tahap A, keseluruhan perbaikan pada alur ML akan menjadi $10 rb/%.

Tahap B memerlukan 2 bulan untuk diperbaiki dengan peningkatan 1%. Ketika Anda
memperbaiki tahap B, keseluruhan perbaikan pada alur ML akan menjadi $200 rb/%.
 Tahap C memerlukan 1 tahun untuk diperbaiki dengan peningkatan 1%. Ketika Anda
memperbaiki tahap C, keseluruhan perbaikan pada alur ML akan menjadi $800 rb/%.

Alur ML tidak menunjukkan perbaikan hasil yang berarti ketika tahap D dan E diperbaiki.
Kapan situasi seperti itu terjadi dalam praktiknya?
Pertanyaan 2: Pertanyaan ini memberi Anda hasil analisis sensitivitas untuk alur di gambar
7.14. Asumsikan bahwa metrik bisnis adalah laba dan ambang nilai adalah $2 juta/tahun. Hasil
analisis MinMax Anda adalah $1,9 juta/tahun untuk bagian Min dan $3 juta/tahun untuk
bagian Max. Anda memutuskan untuk melakukan analisis sensitivitas. Anda belum membangun
purwarupa apa pun atau mencoba membersihkan data. Tentukan tahap mana dari alur tersebut
yang harus Anda investasikan jika hasil analisis sensitivitas adalah sebagai berikut:

Tahap A memerlukan 3 bulan untuk diperbaiki dengan peningkatan 2%. Ketika Anda
memperbaiki tahap A, keseluruhan perbaikan pada alur ML akan menjadi $200 rb/%.
 Tahap B memerlukan 2 bulan untuk diperbaiki dengan peningkatan 1%. Ketika Anda
memperbaiki tahap B, keseluruhan perbaikan pada alur ML akan menjadi $100 rb/%.

Tahap C memerlukan 1 tahun untuk diperbaiki dengan peningkatan 1%. Ketika Anda
memperbaiki tahap C, keseluruhan perbaikan pada alur ML akan menjadi $800 rb/%.

Alur ML tidak menunjukkan perbaikan hasil yang berarti ketika tahap D dan E diperbaiki.
Pertanyaan 3: Proyek AI Anda menyelidiki apakah, dengan menginstal sensor IoT untuk
memantau suara kendaraan, Anda dapat menentukan jenis perubahan nada yang menandakan
adanya masalah mekanis pada kendaraan. Anda telah memasang sebuah sensor dalam 150
kendaraan dan telah menunggu selama sebulan. Hanya satu kendaraan yang memiliki masalah
mekanis. Setelah penyelidikan satu bulan penuh, ilmuwan data Anda memberi tahu bahwa dari
data yang dikumpulkan, mereka tidak dapat memprediksi kerusakan kendaraan, dan bahwa satu
kendaraan yang rusak adalah dataset yang tidak mencukupi. Apakah ini berarti Anda tidak dapat
membuat AI yang dapat memprediksi kerusakan kendaraan?
Pertanyaan 4: Katakanlah Anda memiliki dua alur ML. Metrik bisnis Anda adalah pendapatan.
Ambang nilainya konstan $10 juta/tahun. Anda memiliki dua tim paralel yang dapat mengerjakan
kedua alur ML. Alur 1 akan menghasilkan $20 juta/tahun, dan alur 2 akan menghasilkan $30
juta/tahun. Biaya untuk tim untuk mengembangkan alur tersebut kecil dibandingkan dengan
laba seumur hidup yang diperkirakan dari proyek AI ini. Organisasi Anda dapat menerapkan
alur 1 dalam waktu 4 bulan dan alur 2 dalam waktu 1 tahun. Tentukan mana dari kedua alur
tersebut yang harus Anda rilis, dan kapan. Selain itu, gambarlah sebuah diagram waktu yang
menunjukkan dua alur ini.
Ringkasan

Analisis sensitivitas menjawab pertanyaan, "Tahap alur ML mana yang harus saya
investasikan?" Ada dua bentuk analisis sensitivitas: analisis sensitivitas lokal dan analisis
sensitivitas global.

Analisis sensitivitas lokal berlaku ketika Anda yakin bahwa Anda hanya dapat sedikit
memperbaiki tahap alur ML.

Anda harus melakukan analisis sensitivitas global ketika menurut Anda, sebuah tahap
dalam alur dapat diperbaiki secara signifikan.

CLUE adalah proses terpadu yang menangani pertimbangan-pertimbangan penting
dalam mengelola proyek AI. Setiap bagian proses CLUE bergantung pada bagian CLUE
sebelumnya, sehingga Anda harus melakukan C, L, U, dan E secara berurutan. Untuk
mengambil keputusan cerdas berdasarkan data, Anda memerlukan proses seperti CLUE.

Pada proyek yang berlangsung lama, nilai bisnis dari solusi Anda berubah seiring
berjalannya waktu, sehingga Anda perlu membuat beberapa kurva laba untuk
memperhitungkan nilai pada waktu-waktu yang berbeda. Anda dapat menggunakan
diagram waktu untuk memvisualisasikan bagaimana perubahan nilai bisnis alur ML Anda
seiring berjalannya waktu.

Jawaban atas pertanyaan penelitian Anda tidak terbatas pada ya/tidak. Jawabannya juga
bisa berupa, "Saat ini tidak diketahui dengan sumber daya yang bisa kita kerahkan untuk
menjawab pertanyaan tersebut." Jangan takut untuk menangguhkan proyek tersebut dan
meninjaunya kembali di kemudian hari.

Sukses Dengan AI

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sukses Dengan AI

Diunggah oleh

Hak Cipta:

Format Tersedia

Sukses

Special Sales Department

© 2020 oleh Manning Publications Co. Semua hak dilindungi.

Manning Publications Co. Editor akuisisi: Mike Stephens

Buku lengkap tersedia di tautan ini.

2 Cara menggunakan AI dalam bisnis Anda

sebagai bagian dari produk yang lebih besar 15 Menggunakan AI

untuk mengotomatisasi bagian dari proses bisnis 17 AI sebagai ■

3 Memilih proyek AI pertama Anda

dengan metrik bisnis 40 Memperkirakan kesulitan proyek AI

memadai 51 Intinya adalah menggunakan alat mutakhir untuk melihat

lautan data 52 Menggunakan firasat, bukan CLUE

6.1 Alasan analisis alur ML penting untuk Anda 58

analisis Max dari analisis MinMax 71 Penghitungan dan ■

faktor-faktor keselamatan dalam analisis MinMax 74 Kategori ■

analisis MinMax? 83 Mengapa Anda menggunakan istilah

7 Memandu proyek AI menuju keberhasilan

global 92 Contoh penggunaan hasil analisis sensitivitas

tahap alur ML 101 Haruskah saya menggunakan desain

eksperimen? 102 Salah satu penolakan yang mungkin

Anda jumpai 103 Cara menganalisis tahap yang

memproduksi data 106 Jenis analisis sensitivitas apa yang

berlaku untuk proyek saya? 106

seiring waktu 109 Diagram waktu: Bagaimana nilai bisnis berubah

seiring waktu 110

Buku lengkap tersedia di tautan ini.

Mulai rencanakan strategi Anda dengan Azure AI

¡ Menggunakan Azure OpenAI Service, CarMax telah menyederhanakan pembuatan

—Jessica Hawk, Wakil Presiden Perusahaan, Data dan AI

Buku lengkap tersedia di tautan ini.

Bab ini membahas

2.1 Apa yang perlu Anda ketahui tentang AI?

Mengelola proyek AI adalah penerapan ilmu manajemen seperti biasa

2.2 Bagaimana AI digunakan?

Gambar 2.1 Loop Sense/

Unsur-unsur pada gambar 2.1 adalah sebagai berikut:

Analyze—(Menganalisis) Ini adalah kotak tempat Anda menerapkan AI ke dataset Anda.

Pertimbangan penting dalam penerapan loop Sense/Analyze/React adalah pertanyaan tentang

Loop Sense/Analyze/React dapat diterapkan secara luas

Analisis data otomatis adalah pengembangan baru?

2.3 Apa yang baru dengan AI?

Contoh AI yang menjadikan otomatisasi mungkin dilakukan

Terjemahan otomatis dari satu bahasa ke bahasa lain—terjemahan bahasa bukanlah

AI tidak dapat membantu Anda dengan kasus bisnis yang buruk

2.4 Menghasilkan uang dengan AI

2.4.1 AI diterapkan pada diagnosis medis

3 Gambar diambil dalam alur kerja yang sudah diotomatisasi.

2.4.2 Prinsip umum untuk memonetisasi AI

2.5 Menemukan tindakan domain

Anda dapat menggunakan AI sebagai bagian dari hal-hal berikut:

2.5.1 AI sebagai bagian dari sistem pendukung keputusan

AI membantu tim manajemen

2.5.2 AI sebagai bagian dari produk yang lebih besar

Mungkin dulu mengatakan "Kami menggunakan AI" adalah teknik pemasaran/penggalangan

AI sebagai bagian dari produk

AI dalam produk yang sepenuhnya otonom

Bagaimana kemampuan produk Anda berkembang?

2.5.3 Menggunakan AI untuk mengotomatisasi bagian dari proses bisnis

AI yang mengotomatiskan bagian dari alur kerja

Ketika Anda sedang mempertimbangkan penggunaan AI untuk mengotomatisasi bagian dari

Menciptakan pekerjaan baru dengan AI

2.5.4 AI sebagai produk

ketika Anda berniat menjual solusi AI sebagai produk utuh.

3 Gambar diambil dalam alur kerja yang sudah diotomatisasi.