Example 1
Example 1
MACHINE
LEARNING
PROBLEMS
Kelompok 3
Aditiya Podungge
Ahsana Rizky Mashura
Ferly Ferizal
Jabar Lauarde
Zakka Ugih Rizqi
01
UNDERSTANDING
WHICH PROCESSES
NEED AUTOMATION
Sebelum memutuskan program AI mana yang akan
digunakan, kita perlu mengevaluasi masalah apa yang ingin
dipecahkan. Proses yang rumit memerlukan pemeriksaan
lebih lanjut sebelum otomatisasi. Meskipun Machine
Learning pasti dapat membantu otomatisasi beberapa
proses, tetapi tidak semua masalah otomatisasi memerlukan
Machine Learning.
02
LACK OF QUALITY DATA
Data Tidak Lengkap Data Seimbang dan Data Tak Seimbang Noisy Data
Salah satu masalah utama yang sering dihadapi dalam Machine Learning adalah sulitnya mendapatkan
data siap olah. Kualitas data sangat penting agar algoritma berfungsi sesuai dengan tujuan awalnya.
Keterbatasan data, noisy data, dirty data, imbalance dan incomplete data merupakan musuh dari
Machine Learning. Solusi untuk permasalahan ini adalah meluangkan waktu untuk evaluasi dan
mencermati data dengan tata kelola data yang baik, integrasi data dan eksplorasi.
03
INADEQUATE
INFRASTRUCTURE
Machine Learning membutuhkan kemampuan data churning yang besar. Sistem lama sering kali
tidak mampu menangani beban kerja, sehingga kita perlu memeriksa apakah infrastruktur system
dapat menangani Machine Learning. Jika tidak bisa, kita harus melakukan upgrade system,
melengkapinya dengan akselerasi hardware dan storage yang fleksibel.
04
IMPLEMENTATION
Integrasi metodologi Machine Learning yang lebih baru ke dalam metodologi yang telah ada merupakan
tugas yang rumit. Mempertahankan interpretasi dan dokumentasi yang tepat akan sangat membantu
dalam memudahkan implementasi. Bekerja sama dengan sebuah mitra implementasi dapat membuat
implementasi layanan seperti deteksi anomali, prediksi, dan ensemble modeling menjadi lebih mudah.
https://www.provintl.com/blog/5-common-machine-learning-problems-how-to-beat-them