Sabtu, 20 Oktober 2018

Apa itu Pembelajaran Mesin?

Apa itu Pembelajaran Mesin?
Halo sahabat Tekno? Apakah kamu tau apa itu Pembelajaran Mesin? Jika bel tau silahkan baca artikel ini. Pembelajaran mesin adalah cabang kecerdasan buatan yang sudah merevolusi perangkat lunak modern dan mengubah cara perusahaan berbisnis. Pembelajaran mesin adalah salah satu tren terpanas dalam teknologi saat ini. Bahkan, Gartner menempatkan pembelajaran mesin di puncak Hype Cycle terbaru untuk Emerging Technology . Dan perusahaan telah meramalkan bahwa pada tahun 2020, teknologi kecerdasan buatan (AI) , termasuk pembelajaran mesin "akan secara virtual meresap di hampir setiap produk dan layanan perangkat lunak baru."

Menurut IDC, organisasi akan menghabiskan $ 12,5 miliar untuk sistem AI pada tahun 2017. Itu merupakan peningkatan 59,3 persen yang sangat besar di atas tingkat 2016, dan para analis mengatakan bahwa pengeluaran akan terus tumbuh di lebih dari 50 persen per tahun hingga 2020. Pada saat itu, total Pendapatan AI bisa mencapai $ 46 juta. David Schubmehl, direktur penelitian, sistem kognitif dan analisis konten di IDC, mengatakan, "Sistem Kognitif / AI dengan cepat menjadi bagian penting dari infrastruktur TI dan semua perusahaan perlu memahami dan merencanakan adopsi dan penggunaan teknologi ini dalam organisasi mereka. "

Jadi apa itu pembelajaran mesin? Apa hubungannya dengan kecerdasan buatan? Dan apa yang harus diketahui oleh para profesional teknologi tentang manfaat dan tantangan potensinya?

Apa itu Pembelajaran Mesin?
Orang pertama yang pernah menggunakan ungkapan "machine learning" kemungkinan adalah Arthur Samuel , yang mengembangkan salah satu program komputer pertama untuk bermain catur. Pada tahun 1959, ia mendefinisikan pembelajaran mesin sebagai teknologi yang memberi "komputer kemampuan untuk belajar tanpa secara eksplisit diprogram." Ilmuwan komputer lainnya telah mengusulkan lebih banyak definisi matematis untuk pembelajaran mesin, tetapi definisi Samuel tetap merupakan salah satu yang paling akurat dan paling mudah untuk dipahami.

Pembelajaran mesin adalah bagian dari kecerdasan buatan , segmen ilmu komputer yang berfokus pada penciptaan komputer yang memikirkan cara berpikir manusia. Dengan kata lain, semua sistem pembelajaran mesin adalah sistem AI, tetapi tidak semua sistem AI memiliki kemampuan pembelajaran mesin.

Anda dapat membagi lagi pembelajaran mesin ke dalam beberapa kategori berbeda:

Pembelajaran yang diawasi membutuhkan seorang programmer atau guru yang menawarkan contoh-contoh input yang berbaris dengan output mana. Misalnya, jika Anda ingin menggunakan pembelajaran terawasi untuk mengajar komputer untuk mengenali gambar kucing, Anda akan menyediakannya dengan sejumlah besar gambar, beberapa yang diberi label sebagai "kucing" dan beberapa di antaranya diberi label sebagai "bukan kucing. " Algoritma pembelajaran mesin akan membantu sistem belajar untuk menggeneralisasi konsep sehingga dapat mengidentifikasi kucing dalam gambar yang belum pernah ditemukan sebelumnya.

Pembelajaran tanpa pengawasan membutuhkan sistem untuk mengembangkan kesimpulannya sendiri dari kumpulan data tertentu. Misalnya, jika Anda memiliki serangkaian besar data penjualan online, Anda dapat menggunakan pembelajaran tanpa pengawasan untuk menemukan kelompok atau asosiasi di antara data tersebut yang dapat membantu Anda meningkatkan pemasaran Anda. Anda mungkin menemukan, misalnya, bahwa wanita yang lahir pada awal 1980-an dengan pendapatan lebih dari $ 50K memiliki afinitas untuk merek cokelat batang tertentu atau bahwa orang-orang yang membeli merek soda tertentu juga membeli merek chip tertentu.

• Pembelajaran semi-terawasi , seperti yang mungkin Anda duga, adalah kombinasi dari pembelajaran yang diawasi dan tidak diawasi. Kembali ke contoh kucing, bayangkan bahwa Anda memiliki banyak gambar, beberapa di antaranya telah diberi label "kucing" dan "bukan kucing", dan beberapa di antaranya belum. Sistem pembelajaran semi-diawasi akan menggunakan gambar berlabel untuk membuat beberapa tebakan tentang gambar mana yang tidak berlabel termasuk kucing. Tebakan terbaik kemudian akan dimasukkan kembali ke dalam sistem untuk membantu meningkatkan kemampuannya, dan siklus akan terus berlanjut.

Pembelajaran penguatan melibatkan suatu sistem yang menerima umpan balik yang analog dengan hukuman dan penghargaan. Contoh klasik pembelajaran penguatan (seperti yang diterapkan pada pembelajaran mesin) adalah seorang penjudi yang duduk di depan deretan mesin slot. Pada awalnya, penjudi tidak tahu slot mana yang akan membayar atau seberapa baik, jadi dia mencoba semuanya. Seiring waktu, ia menemukan bahwa beberapa mesin ditetapkan "lebih longgar," sehingga mereka membayar lebih sering dan dalam jumlah yang lebih tinggi. Seiring waktu berlalu, penjudi - atau dalam hal ini, program komputer - akan meningkatkan penghasilannya dengan memainkan mesin yang lebih longgar lebih sering.
Kasus Penggunaan Pembelajaran Mesin
Organisasi di berbagai industri telah mulai bereksperimen dengan pembelajaran mesin. Dalam beberapa kasus, vendor perangkat lunak telah memasukkan pembelajaran mesin ke alat yang digunakan untuk tujuan tertentu, dan dalam kasus lain, pengguna telah mengadaptasi aplikasi pembelajaran mesin untuk keperluannya. Beberapa kasus penggunaan yang paling umum untuk teknologi termasuk yang berikut:

Deteksi penipuan
Bank dan penerbit kartu kredit telah menjadi yang pertama menggunakan pembelajaran mesin. Mereka sering menggunakan teknologi untuk mengidentifikasi transaksi yang mungkin curang. Jika penerbit kartu kredit Anda menelepon Anda untuk melihat apakah Anda baru saja melakukan pembelian tertentu, perusahaan mungkin menggunakan pembelajaran mesin untuk menandai transaksi mencurigakan di akun Anda.
Mesin Rekomendasi - Mesin rekomendasi online yang digunakan oleh perusahaan seperti Amazon dan Netflix adalah salah satu contoh pembelajaran mesin yang paling dikenal. Dengan menggunakan data yang diperoleh dari jutaan pembeli dan pengguna, sistem pembelajaran mesin dapat memprediksi barang-barang yang mungkin Anda sukai berdasarkan kebiasaan belanja atau menonton Anda sebelumnya.

Pencarian
Google, Microsoft Bing, dan mesin pencari lainnya menggunakan pembelajaran mesin untuk meningkatkan kemampuan mereka setiap menit demi menit. Mereka dapat menganalisis data tentang tautan mana yang diklik pengguna sebagai tanggapan terhadap kueri untuk meningkatkan hasil mereka. Mereka juga menggunakan pembelajaran mesin untuk meningkatkan pemrosesan bahasa alami mereka dan memberikan jawaban spesifik untuk beberapa pertanyaan.

Pengawasan video
Pembelajaran mesin memungkinkan sistem pengenalan wajah untuk meningkatkan setiap saat. Dalam beberapa kasus, sistem ini dapat mengidentifikasi penjahat yang diketahui, atau mungkin dapat mengidentifikasi perilaku atau kegiatan yang di luar norma atau melanggar hukum.

Pengenalan tulisan tangan
Layanan Pos AS menggunakan pembelajaran mesin untuk melatih sistemnya yang mengenali alamat-alamat tulisan tangan.

Pemrosesan bahasa alami
Hari ini, sebagian besar dari kita menerima begitu saja bahwa asisten pribadi seperti Siri, Cortana atau Asisten Google akan dapat memahami permintaan suara dan menanggapi pertanyaan. Seiring waktu, alat-alat ini menggunakan pembelajaran mesin untuk meningkatkan kemampuan mereka untuk mengenali, memahami, dan memproses masukan verbal.

• Bot layanan pelanggan
Agen otomatis dapat menggunakan pemrosesan bahasa alami dan data layanan pelanggan untuk menjawab pertanyaan umum dan meningkatkan kualitas jawaban tersebut dari waktu ke waktu.

• Keamanan TI 
Banyak solusi keamanan TI mutakhir saat ini, seperti alat analisis perilaku dan entitas (UEBA), menggunakan algoritme pembelajaran mesin untuk mengidentifikasi kemungkinan serangan. Dalam kasus UEBA, pembelajaran mesin membentuk baseline dari perilaku "normal" yang digunakan untuk mendeteksi anomali, berpotensi memungkinkan organisasi untuk mengidentifikasi dan mengurangi ancaman zero-day.

Analisis aliran Di dunia
Banyak data, seperti umpan media sosial dan transaksi penjualan online, diperbarui terus-menerus. Organisasi menggunakan pembelajaran mesin untuk menemukan wawasan atau mengidentifikasi potensi masalah secara waktu nyata.

• Perawatan prediktif  
Internet of Things (IoT) menawarkan banyak kasus penggunaan pembelajaran mesin potensial, termasuk pemeliharaan prediktif. Perusahaan dapat menggunakan data peralatan historis untuk memperkirakan kapan mesin cenderung gagal, memungkinkan mereka melakukan perbaikan atau memasang komponen pengganti secara proaktif sebelum berdampak pada bisnis atau operasi pabrik.

• Deteksi anomali 
Dengan cara yang sama seperti pembelajaran mesin dapat mengidentifikasi perilaku anomali dalam sistem TI, itu juga dapat mendeteksi anomali dalam produk manufaktur atau makanan. Alih-alih mempekerjakan pengawas untuk memeriksa barang secara visual, pabrik dapat menggunakan sistem pembelajaran mesin yang telah dilatih untuk mengidentifikasi barang-barang yang gagal memenuhi standar atau spesifikasi.

Peramalan permintaan 
Di banyak industri, mendapatkan jumlah produk yang tepat ke lokasi yang tepat sangat penting untuk kesuksesan bisnis. Sistem pembelajaran mesin dapat menggunakan data historis untuk memprediksi penjualan jauh lebih akurat dan cepat daripada yang dapat dilakukan manusia sendiri.

Logistik
Untuk perusahaan transportasi, menyiapkan jadwal dan rute adalah pekerjaan yang rumit dan memakan waktu. Sistem pembelajaran mesin dapat membantu mengidentifikasi cara yang paling efisien dan hemat biaya untuk mendapatkan barang atau orang dari titik A ke titik B.

Perdagangan keuangan
Setiap pedagang berharap menemukan pola di pasar yang akan memungkinkan dia untuk membeli rendah dan menjual tinggi. Algoritma pembelajaran mesin dapat membantu mengidentifikasi peluang potensial berdasarkan aktivitas pasar di masa lalu.

Diagnostik kesehatan 
Banyak ahli membayangkan masa depan di mana alat diagnostik pembelajaran mesin bekerja bersama profesional manusia untuk mengidentifikasi penyakit dan menentukan perawatan yang paling efektif. Sistem komputer mungkin sangat baik dalam mendeteksi anomali dalam berbagai jenis pemindaian dan dalam mencari penyakit langka.

Mobil self-driving 
Kendaraan otonom adalah salah satu aplikasi pembelajaran mesin yang paling menarik. Di masa depan yang tidak terlalu jauh, kendaraan yang mampu melakukan navigasi sendiri dapat menjadi norma.

Robot
Meskipun mereka telah lama menjadi fiksi ilmiah, robot dengan kemampuan belajar mesin bisa segera menjadi bagian dari kehidupan sehari-hari. Robot-robot ini akan dapat meningkatkan kemampuan mereka dari waktu ke waktu, memungkinkan mereka menjadi lebih berguna bagi manusia.
pembelajaran mesin
Apa itu Pembelajaran Mesin?

Manfaat Belajar Mesin
Banyak kasus penggunaan yang dijelaskan di atas dapat ditangani oleh manusia atau perangkat lunak tanpa kemampuan pembelajaran mesin. Namun, teknologi pembelajaran mesin menawarkan beberapa manfaat dari masing-masing alternatif ini:

Kecepatan
Manusia dapat membuat model, memasukkan data dan menjalankan perhitungan yang diperlukan untuk analisis prediktif sendiri. Namun, manusia - atau manusia yang menggunakan perangkat lunak tanpa kemampuan AI - mungkin memerlukan hari, minggu, atau bulan untuk menyelesaikan tugas yang dapat diselesaikan alat pembelajaran komputer hanya dalam hitungan detik, menit atau jam.

Akurasi
Kecepatan itu memungkinkan sistem pembelajaran mesin untuk memanfaatkan volume data yang lebih besar dan jumlah model yang lebih banyak daripada manusia. Akibatnya, sistem AI jauh lebih baik daripada orang-orang di beberapa tugas, seperti analisis prediktif. Namun, di area lain, seperti pengenalan suara atau pengenalan gambar, sistem komputer masih belum mencapai tingkat akurasi yang sama seperti manusia.

Efisiensi dan penghematan biaya 
Perangkat lunak pembelajaran mesin tidak murah; sebenarnya, dalam beberapa kasus itu bisa sangat mahal. Namun, seringkali jauh lebih terjangkau untuk menggunakan perangkat lunak untuk mengotomatisasi tugas daripada mempekerjakan puluhan atau ratusan orang untuk menyelesaikan tugas yang sama.

Tantangan Pembelajaran Mesin
Sementara pembelajaran mesin memiliki banyak potensi dan sudah menjadi hal yang biasa, bidang ini menghadapi banyak tantangan - beberapa organisasi, beberapa teknologi dan beberapa filosofis.

Kelangkaan Talenta - Perusahaan sering membutuhkan ilmuwan data untuk mengoperasikan sistem pembelajaran mesin mereka, dan pekerja dengan keterampilan ini telah menjadi salah satu yang paling dicari. Gaji mereka adalah yang tertinggi di industri teknologi, dan dalam beberapa tahun terakhir, gaji rata-rata mereka meningkat dengan sangat cepat. Namun, data menunjukkan bahwa tren ini mungkin melambat karena vendor menggulirkan perangkat lunak pembelajaran mesin dengan kemampuan swalayan yang memungkinkan para ilmuwan non-data untuk menggunakannya.

Kurangnya budaya yang digerakkan oleh data - Meskipun sebagian besar eksekutif memahami manfaat potensial dari pengambilan keputusan berbasis data dan teknologi pembelajaran mesin, membuat semua orang di perusahaan besar mengubah pola pikir dan aktivitas mereka sering kali merupakan proses yang panjang dan lamban. Pembelajar mesin pembelajaran sering menghadapi rintangan internal ketika mencoba untuk mempromosikan teknologi.

Kualitas data buruk - Sistem AI terbaik di dunia tidak dapat mengembalikan prediksi dan wawasan yang baik jika data yang memberi makan model mereka tidak akurat. Banyak organisasi menemukan bahwa mereka perlu meningkatkan pembersihan data dan proses manajemen data sebelum mereka dapat sepenuhnya menggunakan perangkat lunak pembelajaran mesin.

Integrasi data - Di banyak organisasi, data masih berada dalam aplikasi dan solusi penyimpanan yang sils. Memberi makan semua data yang berbeda ke dalam sistem pembelajaran mesin dapat menimbulkan tantangan, tetapi vendor menanggapi dengan solusi yang dapat menerima berbagai jenis dan format data.

Keamanan data - Menyeimbangkan kebutuhan untuk membatasi akses ke data dengan kebutuhan untuk menggunakan data untuk memberi makan sistem pembelajaran mesin dapat menjadi sulit. Beberapa organisasi mungkin perlu memperbarui kebijakan mereka dan / atau menggunakan alat pembelajaran mesin yang mengenkripsi atau menganonimkan data.

• Persyaratan infrastruktur - Sistem pembelajaran mesin lanjutan bekerja paling baik pada perangkat keras dengan beberapa CPU dan GPU yang cepat. Selain itu, mereka membutuhkan banyak ruang penyimpanan dan kemampuan jaringan yang sesuai untuk memindahkan data dari penyimpanan ke aplikasi dan kembali lagi.

Dilema etika - AI menjadi lebih seperti manusia, tetapi ia tidak memiliki rasa moralitas yang menginformasikan sebagian besar pengambilan keputusan manusia. Misalnya, ketika Microsoft merilis bot media sosial bernama Tay yang memiliki kemampuan pembelajaran mesin, ia dengan cepat belajar untuk mengatakan hal-hal yang tidak pantas dan menyinggung. Beberapa ahli menyerukan perusahaan teknologi untuk memastikan bahwa sistem AI mengikuti serangkaian aturan etis yang ketat untuk mencegah mereka melakukan kejahatan, merugikan manusia atau bahkan memusnahkan umat manusia.

Ketakutan - Banyak orang menemukan gagasan kecerdasan buatan pada umumnya atau pembelajaran mesin khususnya mengganggu. Mereka khawatir komputer akan mengambil alih pekerjaan mereka - dengan alasan yang bagus. Forrester telah meramalkan bahwa "teknologi kognitif seperti robot, kecerdasan buatan (AI), pembelajaran mesin, dan otomatisasi akan menggantikan 7 persen pekerjaan AS pada 2025." Yang lain, termasuk CEO Tesla dan SpaceX, Elon Musk, khawatir bahwa pembelajaran mesin dapat menimbulkan ancaman eksistensial terhadap kemanusiaan. Apakah ketakutan itu beralasan atau tidak, organisasi harus menemukan cara untuk menghadapinya jika mereka ingin merasakan manfaat potensial dari pembelajaran mesin.

Sekian artikel kali ini semoga bermanfaat bagi kalian, jangan lupa komentar yang membangun untuk blog ini dan jangan lupa jg untuk share ya.

Load comments