Daftar Isi[Bersembunyi][Menunjukkan]
Kita sekarang dapat menghitung luasan ruang dan seluk-beluk partikel subatom berkat komputer.
Komputer mengalahkan manusia dalam hal menghitung dan menghitung, serta mengikuti proses logis ya/tidak, berkat elektron yang bergerak dengan kecepatan cahaya melalui sirkuitnya.
Namun, kita tidak sering melihatnya sebagai "cerdas" karena, di masa lalu, komputer tidak dapat melakukan apa pun tanpa diajarkan (diprogram) oleh manusia.
Pembelajaran mesin, termasuk pembelajaran mendalam dan kecerdasan buatan, telah menjadi kata kunci dalam berita utama ilmiah dan teknologi.
Pembelajaran mesin tampaknya ada di mana-mana, tetapi banyak orang yang menggunakan kata tersebut akan berjuang untuk mendefinisikan secara memadai apa itu, apa fungsinya, dan untuk apa itu paling baik digunakan.
Artikel ini berusaha untuk mengklarifikasi pembelajaran mesin sambil juga memberikan contoh nyata dan nyata tentang cara kerja teknologi untuk mengilustrasikan mengapa itu sangat bermanfaat.
Kemudian, kita akan melihat berbagai metodologi pembelajaran mesin dan melihat bagaimana mereka digunakan untuk mengatasi tantangan bisnis.
Akhirnya, kami akan berkonsultasi dengan bola kristal kami untuk beberapa prediksi cepat tentang masa depan pembelajaran mesin.
Apa itu Pembelajaran Mesin?
Pembelajaran mesin adalah disiplin ilmu komputer yang memungkinkan komputer untuk menyimpulkan pola dari data tanpa secara eksplisit diajarkan apa pola itu.
Kesimpulan ini sering didasarkan pada penggunaan algoritma untuk secara otomatis menilai fitur statistik data dan mengembangkan model matematika untuk menggambarkan hubungan antara berbagai nilai.
Bandingkan ini dengan komputasi klasik, yang didasarkan pada sistem deterministik, di mana kami secara eksplisit memberikan komputer seperangkat aturan yang harus diikuti untuk melakukan tugas tertentu.
Cara pemrograman komputer ini dikenal sebagai pemrograman berbasis aturan. Pembelajaran mesin berbeda dari dan mengungguli pemrograman berbasis aturan karena dapat menyimpulkan aturan ini sendiri.
Asumsikan Anda seorang manajer bank yang ingin menentukan apakah aplikasi pinjaman akan gagal pada pinjaman mereka.
Dalam metode berbasis aturan, manajer bank (atau spesialis lainnya) akan secara tegas menginformasikan komputer bahwa jika nilai kredit pemohon di bawah tingkat tertentu, aplikasi harus ditolak.
Namun, program pembelajaran mesin hanya akan menganalisis data sebelumnya tentang peringkat kredit klien dan hasil pinjaman dan menentukan ambang batas ini sendiri.
Mesin belajar dari data sebelumnya dan membuat aturannya sendiri dengan cara ini. Tentu saja, ini hanya dasar pembelajaran mesin; model pembelajaran mesin dunia nyata secara signifikan lebih rumit daripada ambang batas dasar.
Meskipun demikian, ini adalah demonstrasi yang sangat baik dari potensi pembelajaran mesin.
Bagaimana a mesin mempelajari?
Untuk menjaga hal-hal sederhana, mesin "belajar" dengan mendeteksi pola dalam data yang sebanding. Anggap data sebagai informasi yang Anda kumpulkan dari dunia luar. Semakin banyak data yang dimasukkan ke dalam mesin, semakin "pintar" jadinya.
Namun, tidak semua data sama. Asumsikan Anda seorang bajak laut dengan tujuan hidup untuk mengungkap kekayaan terkubur di pulau itu. Anda akan membutuhkan banyak pengetahuan untuk menemukan hadiah.
Pengetahuan ini, seperti halnya data, dapat membawa Anda ke arah yang benar atau salah.
Semakin besar informasi/data yang diperoleh, semakin sedikit ambiguitas yang ada, dan sebaliknya. Oleh karena itu, penting untuk mempertimbangkan jenis data yang Anda masukkan ke mesin Anda untuk dipelajari.
Namun, begitu sejumlah besar data diberikan, komputer dapat membuat prediksi. Mesin dapat mengantisipasi masa depan selama tidak menyimpang jauh dari masa lalu.
Mesin "belajar" dengan menganalisis data historis untuk menentukan apa yang mungkin terjadi.
Jika data lama menyerupai data baru, maka hal-hal yang dapat Anda katakan tentang data sebelumnya kemungkinan akan berlaku untuk data baru. Seolah-olah Anda melihat ke belakang untuk melihat ke depan.
Apa saja jenis pembelajaran mesin?
Algoritma untuk pembelajaran mesin sering diklasifikasikan menjadi tiga jenis besar (meskipun skema klasifikasi lain juga digunakan):
- Pembelajaran terawasi
- Pembelajaran tanpa pengawasan
- Pembelajaran penguatan
Pembelajaran terawasi
Pembelajaran mesin yang diawasi mengacu pada teknik di mana model pembelajaran mesin diberikan kumpulan data dengan label eksplisit untuk kuantitas minat (jumlah ini sering disebut sebagai respons atau target).
Untuk melatih model AI, pembelajaran semi-diawasi menggunakan campuran data berlabel dan tidak berlabel.
Jika Anda bekerja dengan data yang tidak berlabel, Anda harus melakukan beberapa pelabelan data.
Pelabelan adalah proses pelabelan sampel untuk membantu melatih pembelajaran mesin model. Pelabelan terutama dilakukan oleh orang-orang, yang dapat memakan biaya dan waktu. Namun, ada teknik untuk mengotomatiskan proses pelabelan.
Situasi aplikasi pinjaman yang kita diskusikan sebelumnya adalah ilustrasi yang sangat baik dari pembelajaran yang diawasi. Kami memiliki data historis mengenai peringkat kredit mantan pemohon pinjaman (dan mungkin tingkat pendapatan, usia, dan sebagainya) serta label khusus yang memberi tahu kami apakah orang tersebut gagal membayar pinjaman mereka atau tidak.
Regresi dan klasifikasi adalah dua bagian dari teknik pembelajaran terawasi.
- Klasifikasi – Itu menggunakan algoritma untuk mengkategorikan data dengan benar. Filter spam adalah salah satu contohnya. “Spam” dapat menjadi kategori subjektif—garis antara komunikasi spam dan non-spam kabur—dan algoritme filter spam terus menyempurnakan dirinya sendiri bergantung pada umpan balik Anda (artinya email yang ditandai manusia sebagai spam).
- Regresi – Sangat membantu dalam memahami hubungan antara variabel dependen dan independen. Model regresi dapat meramalkan nilai numerik berdasarkan beberapa sumber data, seperti perkiraan pendapatan penjualan untuk perusahaan tertentu. Regresi linier, regresi logistik, dan regresi polinomial adalah beberapa teknik regresi yang menonjol.
Pembelajaran tanpa pengawasan
Dalam unsupervised learning, kita diberikan data yang tidak berlabel dan hanya mencari pola. Anggap saja Anda Amazon. Bisakah kami menemukan cluster (kelompok konsumen serupa) berdasarkan riwayat pembelian klien?
Meskipun kami tidak memiliki data yang eksplisit dan konklusif tentang preferensi seseorang, dalam hal ini, hanya dengan mengetahui bahwa sekumpulan konsumen tertentu membeli barang yang sebanding memungkinkan kami untuk membuat saran pembelian berdasarkan apa yang juga telah dibeli oleh individu lain dalam klaster.
Korsel "Anda mungkin juga tertarik" Amazon didukung oleh teknologi serupa.
Pembelajaran tanpa pengawasan dapat mengelompokkan data melalui pengelompokan atau asosiasi, tergantung pada apa yang ingin Anda kelompokkan bersama.
- Kekelompokan – Pembelajaran tanpa pengawasan mencoba mengatasi tantangan ini dengan mencari pola dalam data. Jika ada cluster atau grup yang serupa, algoritma akan mengkategorikannya dengan cara tertentu. Mencoba mengkategorikan klien berdasarkan riwayat pembelian sebelumnya adalah contohnya.
- Asosiasi – Pembelajaran tanpa pengawasan mencoba mengatasi tantangan ini dengan mencoba memahami aturan dan makna yang mendasari berbagai kelompok. Contoh yang sering dari masalah asosiasi adalah menentukan hubungan antara pembelian pelanggan. Toko dapat tertarik untuk mengetahui barang apa yang dibeli bersama dan dapat menggunakan informasi ini untuk mengatur posisi produk tersebut agar mudah diakses.
Pembelajaran Penguatan
Pembelajaran penguatan adalah teknik untuk mengajar model pembelajaran mesin untuk membuat serangkaian keputusan yang berorientasi pada tujuan dalam pengaturan interaktif. Kasus penggunaan game yang disebutkan di atas adalah ilustrasi yang sangat baik untuk ini.
Anda tidak perlu memasukkan ribuan game catur AlphaZero sebelumnya, masing-masing dengan gerakan berlabel "baik" atau "buruk". Cukup ajarkan aturan permainan dan tujuannya, lalu biarkan dia mencoba tindakan acak.
Penguatan positif diberikan untuk kegiatan yang membawa program lebih dekat ke tujuan (seperti mengembangkan posisi bidak yang kokoh). Ketika tindakan memiliki efek sebaliknya (seperti menggeser raja sebelum waktunya), mereka mendapatkan penguatan negatif.
Perangkat lunak pada akhirnya dapat menguasai permainan menggunakan metode ini.
Pembelajaran penguatan banyak digunakan dalam robotika untuk mengajarkan robot untuk tindakan yang rumit dan sulit direkayasa. Kadang-kadang digunakan bersamaan dengan infrastruktur jalan, seperti sinyal lalu lintas, untuk meningkatkan arus lalu lintas.
Apa yang bisa dilakukan dengan pembelajaran mesin?
Penggunaan pembelajaran mesin dalam masyarakat dan industri menghasilkan kemajuan dalam berbagai upaya manusia.
Dalam kehidupan kita sehari-hari, pembelajaran mesin sekarang mengontrol pencarian dan algoritma gambar Google, memungkinkan kita untuk lebih akurat dicocokkan dengan informasi yang kita butuhkan saat kita membutuhkannya.
Dalam kedokteran, misalnya, pembelajaran mesin sedang diterapkan pada data genetik untuk membantu dokter memahami dan memprediksi bagaimana kanker menyebar, memungkinkan untuk mengembangkan terapi yang lebih efektif.
Data dari luar angkasa sedang dikumpulkan di sini di Bumi melalui teleskop radio besar – dan setelah dianalisis dengan pembelajaran mesin, data ini membantu kita mengungkap misteri lubang hitam.
Pembelajaran mesin di ritel menghubungkan pembeli dengan hal-hal yang ingin mereka beli secara online, dan juga membantu karyawan toko untuk menyesuaikan layanan yang mereka berikan kepada klien mereka di dunia fisik.
Pembelajaran mesin digunakan dalam pertempuran melawan teror dan ekstremisme untuk mengantisipasi perilaku mereka yang ingin menyakiti orang yang tidak bersalah.
Pemrosesan bahasa alami (NLP) mengacu pada proses yang memungkinkan komputer untuk memahami dan berkomunikasi dengan kita dalam bahasa manusia melalui pembelajaran mesin, dan ini menghasilkan terobosan dalam teknologi terjemahan serta perangkat yang dikendalikan suara yang semakin kita gunakan setiap hari, seperti Alexa, Google dot, Siri, dan asisten Google.
Tanpa pertanyaan, pembelajaran mesin menunjukkan bahwa itu adalah teknologi transformasional.
Robot yang mampu bekerja bersama kita dan meningkatkan orisinalitas dan imajinasi kita sendiri dengan logika sempurna dan kecepatan manusia supernya bukan lagi fantasi fiksi ilmiah – robot menjadi kenyataan di banyak sektor.
Kasus penggunaan Pembelajaran Mesin
1. Keamanan siber
Karena jaringan menjadi lebih rumit, spesialis keamanan siber telah bekerja tanpa lelah untuk beradaptasi dengan berbagai ancaman keamanan yang terus berkembang.
Melawan malware dan taktik peretasan yang berkembang pesat cukup menantang, tetapi proliferasi perangkat Internet of Things (IoT) telah mengubah lingkungan keamanan siber secara mendasar.
Serangan bisa terjadi kapan saja dan di mana saja.
Untungnya, algoritme pembelajaran mesin telah memungkinkan operasi keamanan siber untuk mengikuti perkembangan pesat ini.
Analisis prediktif memungkinkan deteksi dan mitigasi serangan yang lebih cepat, sementara pembelajaran mesin dapat menganalisis aktivitas Anda di dalam jaringan untuk mendeteksi kelainan dan kelemahan pada mekanisme keamanan yang ada.
2. Otomatisasi layanan pelanggan
Mengelola semakin banyak kontak klien online telah membebani banyak organisasi.
Mereka hanya tidak memiliki personel layanan pelanggan yang cukup untuk menangani volume pertanyaan yang mereka terima, dan pendekatan tradisional dari masalah outsourcing ke contact center tidak dapat diterima untuk banyak klien saat ini.
Chatbots dan sistem otomatis lainnya sekarang dapat mengatasi tuntutan ini berkat kemajuan dalam teknik pembelajaran mesin. Perusahaan dapat membebaskan personel untuk melakukan lebih banyak dukungan pelanggan tingkat tinggi dengan mengotomatiskan aktivitas biasa dan berprioritas rendah.
Jika digunakan dengan benar, pembelajaran mesin dalam bisnis dapat membantu merampingkan penyelesaian masalah dan memberi konsumen jenis dukungan bermanfaat yang mengubah mereka menjadi juara merek yang berkomitmen.
3. Komunikasi
Menghindari kesalahan dan kesalahpahaman sangat penting dalam semua jenis komunikasi, tetapi lebih dari itu dalam komunikasi bisnis saat ini.
Kesalahan tata bahasa yang sederhana, nada yang salah, atau terjemahan yang salah dapat menyebabkan berbagai kesulitan dalam kontak email, evaluasi pelanggan, konferensi video, atau dokumentasi berbasis teks dalam berbagai bentuk.
Sistem pembelajaran mesin memiliki komunikasi yang maju jauh melampaui hari-hari memabukkan Microsoft Clippy.
Contoh pembelajaran mesin ini telah membantu individu berkomunikasi secara sederhana dan tepat dengan menggunakan pemrosesan bahasa alami, terjemahan bahasa waktu nyata, dan pengenalan suara.
Sementara banyak individu tidak menyukai kemampuan koreksi otomatis, mereka juga menghargai dilindungi dari kesalahan yang memalukan dan nada yang tidak tepat.
4. Pengenalan Objek
Sementara teknologi untuk mengumpulkan dan menginterpretasikan data telah ada selama beberapa waktu, mengajarkan sistem komputer untuk memahami apa yang mereka lihat telah terbukti menjadi tugas yang sulit.
Kemampuan pengenalan objek ditambahkan ke semakin banyak perangkat karena aplikasi pembelajaran mesin.
Sebuah mobil self-driving, misalnya, mengenali mobil lain ketika melihatnya, bahkan jika programmer tidak memberikan contoh yang tepat dari mobil itu untuk digunakan sebagai referensi.
Teknologi ini sekarang digunakan dalam bisnis ritel untuk membantu mempercepat proses checkout. Kamera mengidentifikasi produk di keranjang konsumen dan dapat secara otomatis menagih akun mereka ketika mereka meninggalkan toko.
5. Pemasaran Digital
Sebagian besar pemasaran saat ini dilakukan secara online, menggunakan berbagai platform digital dan program perangkat lunak.
Saat bisnis mengumpulkan informasi tentang konsumen mereka dan perilaku pembelian mereka, tim pemasaran dapat menggunakan informasi tersebut untuk membangun gambaran mendetail tentang audiens target mereka dan menemukan orang mana yang lebih cenderung mencari produk dan layanan mereka.
Algoritme pembelajaran mesin membantu pemasar memahami semua data itu, menemukan pola dan atribut signifikan yang memungkinkan mereka mengkategorikan kemungkinan secara ketat.
Teknologi yang sama memungkinkan otomatisasi pemasaran digital yang besar. Sistem iklan dapat diatur untuk menemukan calon konsumen baru secara dinamis dan memberikan konten pemasaran yang relevan kepada mereka pada waktu dan tempat yang tepat.
Masa Depan Pembelajaran Mesin
Pembelajaran mesin tentu mendapatkan popularitas karena lebih banyak bisnis dan organisasi besar menggunakan teknologi untuk mengatasi tantangan tertentu atau mendorong inovasi.
Investasi berkelanjutan ini menunjukkan pemahaman bahwa pembelajaran mesin menghasilkan ROI, terutama melalui beberapa kasus penggunaan yang sudah mapan dan dapat direproduksi yang disebutkan di atas.
Lagi pula, jika teknologinya cukup baik untuk Netflix, Facebook, Amazon, Google Maps, dan sebagainya, kemungkinan itu dapat membantu perusahaan Anda memanfaatkan datanya sebaik mungkin.
Sebagai baru Mesin belajar model dikembangkan dan diluncurkan, kami akan menyaksikan peningkatan jumlah aplikasi yang akan digunakan di seluruh industri.
Ini sudah terjadi dengan pengenalan wajah, yang dulunya merupakan fungsi baru di iPhone Anda, namun kini diimplementasikan ke berbagai program dan aplikasi, terutama yang berkaitan dengan keamanan publik.
Kunci bagi sebagian besar organisasi yang mencoba memulai pembelajaran mesin adalah melihat melampaui visi futuristik yang cerah dan menemukan tantangan bisnis nyata yang dapat dibantu oleh teknologi tersebut.
Kesimpulan
Di era pasca-industri, para ilmuwan dan profesional telah mencoba membuat komputer yang berperilaku lebih seperti manusia.
Mesin berpikir adalah kontribusi AI yang paling signifikan bagi umat manusia; kedatangan fenomenal mesin self-propelled ini telah dengan cepat mengubah peraturan operasi perusahaan.
Kendaraan self-driving, asisten otomatis, karyawan manufaktur otonom, dan kota pintar akhir-akhir ini menunjukkan kelayakan mesin pintar. Revolusi pembelajaran mesin, dan masa depan pembelajaran mesin, akan bersama kami untuk waktu yang lama.
Tinggalkan Balasan