Systems for
strategic
learning
1 Fidan Boylu, Haldun Aytug, Gary J.
Koehler
Latar Belakang
Paradigma
Baru:
“Big Data” Data Mining
“Startegic
Learning”
3
2. Data Mining
Satu tipe penting dari machine learning yang sering digunakan dalam
data mining adalah
Supervised Learning
Contoh
Many Algorithm Klasifikasi Strategic
Developed Biner & Learning
Masalah
6
2. Economic Machine
Learning
Utility-based Data Mining
Cost-sensitive Data-acquisition
Learning Cost
7
Cost-sensitive Learning
Mengeksplorasi masalah dari pembelajaran yang optimal ketika
kesalahan klasifikasi yang berbeda menimbulkan tingkat hukuman atau
pinalti yang berbeda
8
Data-acquisition Cost
Area penting dalam data mining, berpotensi memiliki implikasi
terhadap aplikasi di dunia nyata. Seperti yang dicontohkan oleh Weiss
dan Provost (2003), dan Melville et al. (2005)
9
4. Strategic
Learning
Fakta: Agen-agen terlibat dalam perilaku strategis dan
mengubah karakteristik untuk mencapai klasifikasi yang
menguntungkan mereka
Prinsipal Agen
Perusahaan pemberi kartu kredit Orang/Nasabah
Dewan penerimaan murid di Univ Calon mahasiswa
Sekelompok auditor Perusahaan (Curang/Akan Bangkrut)
Penjaga keamanan bandara Calon penumpang (Teroris)
10
Jika agen mengetahui atau memiliki gagasan tentang aturan
keputusan yang digunakan prinsipal, agen dapat mencoba
memodifikasi atribut mereka untuk mencapai klasifikasi positif oleh
prinsipal
11
4.1 Adversarial Classification
Dalvi et. al., 2004
Pengklasifikasian seharusnya dilihat seperti permainan antara principal yang melakukan
klasifikasi pada agent (musuh).
Permainan
Agent
Principal
(Musuh)
4.2 Multi-Agent
Reinforcement Learning
Sistem Multi Agen (SMA) dimengerti sebagai kumpulan agen cerdas, dalam hal ini adalah perangkat
lunak atau program, yang saling berinteraksi dan bekerja sama untuk mencapai suatu tujuan. Sistem kerja
Reinforcement Learning adalah bagian dari Artificial Intelligence yang melatih algoritma dengan system
trial and error.
4.2 Multi-Agent
Reinforcement Learning
Perbedaan Reinforcment Learning dengan Strategic Learning:
● Perbedaan pihak-pihak yang berkaitan dengan sistem learning
● Jenis interaksi pada sistem learning
● Kondisi terawasi dan semi terawasi
● Asumsi kepemilikan infromasi
4.3 Learning in the presence of self-
interested agents
Boylu et al. (2005) dan Aytug dkk.
(2006). Khususnya, dalam Aytug et
al. (2006):
Vapnik (1998):
SVM adalah algoritma
populer berdasarkan teori
pembelajaran statistic
5 Learning Strategic:
“ Penelitian di masa depan
⊹ Paradigma pembelajaran strategis adalah hal baru dan
banyak bidang penelitian sehingga membuka pintu bagi
gagasan dan pendekatan baru
⊹ Salah satu sudut yang paling menarik untuk penelitian
masa depan akan menghapus asumsi masing-masing
pihak mengetahui parameternya.
⊹ Semua diskusi sejauh ini berfokus pada penggunaan
SVM sebagai pengklasifikasi meskipun teori
pembelajaran dan teori ekspektasi rasional tidak
bergantung pada detail implementasi.
17
The Internet and DSS:
massive, real-time data
availability is changing the
2 DSS landscape
James R. Marsden
Pendahuluan
Meskipun ada banyak definisi dari istilah
sistem pendukung keputusan (decision
support system-DSS), hampir semua peneliti
termasuk Sprague (1980) membagi DDS
berdasarkan dua bahan utama: basis model
dan database.
19
Perusahaan sekarang sering memiliki akses ke informasi yang diperlukan
untuk melacak ''kemajuan transaksi''. Kelimpahan atau serbuan informasi
waktu nyata ini menimbulkan peluang dan tantangan yang signifikan bagi
pengembangan dan implementasi DSS.
Fokus penelitian di sini pada bagaimana kelimpahan data realtime
menawarkan cakrawala baru untuk pengembangan DSS dan kalibrasi ulang
yang berkelanjutan.
Peneliti mempertimbangkan kemungkinan peningkatan DSS yang
dimungkinkan oleh ketersediaan data Internet. 20
Dss dan e-retailer
1.Persepsi pelanggan
tentang kualitas
layanan e-retailer. 2. kisaran harga yang
dikenakan oleh pengecer
yang berbeda untuk
produk yang sama
3. Jangkauan situs
web e-retailer
21
Venkatasan dkk. (2006) mengembangkan dan
mendemonstrasikan proses untuk mengumpulkan data untuk
setiap produk tertentu yang dijual oleh pengecer elektronik:
⊹ Kualitas layanan
⊹ Saluran transaksional
⊹ Ukuran
⊹ Intensitas persaingan di pasar
⊹ Harga
22
Aspek yang sangat menantang dari penelitian ini adalah
mempelajari cara berhasil mengintegrasikan dan
memanfaatkan data dari berbagai sumber dengan tingkat
struktur dan agregasi yang berbeda
23
Penulis berfokus pada analisis
dispersi harga di antara
pengecer elektronik dan
hubungan antara harga,
penilaian pelanggan terhadap
kualitas layanan, dan tingkat
persaingan pengecer.
24
Pembajakan dan hak kekayaan
“ intelektual
Seiring dengan semua manfaat dari arus informasi yang ditingkatkan,
era digital telah membawa kemungkinan pembajakan dan ancaman
yang lebih besar terhadap hak kekayaan intelektual. Meskipun banyak
yang telah ditulis tentang pembajakan musik, hanya ada sedikit
pengetahuan aktual tentang tingkat aktivitas berbagi hingga
penyelidikan terbaru mengembangkan dan memanfaatkan proses
pengumpulan dan penyimpanan data Internet otomatis.
25
“ TEMUAN Memungkinkan
industri musik untuk
Temuan terakhir
lebih memanfaatkan
menawarkan
teknologi informasi
implikasi strategis
di era baru
yang penting bagi
peningkatan
industri musik.
digitalisasi produk
musik.
Mengilustrasikan pengumpulan
informasi waktu-nyata yang
dapat berguna dalam DSS yang
menyediakan panduan
berkelanjutan bagi perusahaan
dalam memprediksi penjualan
dan tren pasar.
26
“ Peneliti menyarankan bahwa pengembangan yang tepat dari DSS
merupakan langkah penting dalam memungkinkan perusahaan
untuk mencapai leverage tersebut. Sementara perusahaan
mungkin berusaha untuk mendorong jenis pembajakan
pengambilan sampel tertentu sambil menghindari pembajakan
penjualan yang hilang, regulator dibebankan dengan
perlindungan hak kekayaan intelektual.
27
Penutup
Dengan mengembangkan sinyal atau format dasbor DSS yang secara otomatis
mengumpulkan dan menganalisis informasi ini secara real time, perusahaan dapat
mengidentifikasi kondisi di mana berbagai lelang rantai pasokan optimal dan bergerak
cepat untuk mengoperasionalkan metode yang disukai. E-retailer dapat menggunakan
DSS untuk membuat keputusan penyesuaian harga yang dinamis saat lanskap pasar
bergeser atau pesaing mengubah struktur harga mereka.
Dalam diskusi yang disajikan di sini, kami telah memanfaatkan karya berbagai
peneliti untuk mengilustrasikan bagaimana, dalam waktu nyata sejumlah besar data
tingkat mikro dapat diambil secara otomatis dari Internet.
28
Thanks!
Any questions?
29