Apa Itu Pembelajaran Mesin?
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 menyampaikan bahwa pengeluaran akan terus tumbuh di lebih dari 50 persen per tahun sampai 2020. Pada ketika itu, total Pendapatan AI bisa mencapai $ 46 juta. David Schubmehl, eksekutif penelitian, sistem kognitif dan analisis konten di IDC, mengatakan, "Sistem Kognitif / AI dengan cepat menjadi cuilan penting dari infrastruktur TI dan semua perusahaan perlu memahami dan merencanakan adopsi dan penggunaan teknologi ini dalam organisasi mereka. "
Kaprikornus apa itu pembelajaran mesin? Apa hubungannya dengan kecerdasan buatan? Dan apa yang harus diketahui oleh para profesional teknologi wacana manfaat dan tantangan potensinya?
Apa itu Pembelajaran Mesin?
Orang pertama yang pernah memakai ungkapan "machine learning" kemungkinan ialah Arthur Samuel , yang membuatkan salah satu acara komputer pertama untuk bermain catur. Pada tahun 1959, ia mendefinisikan pembelajaran mesin sebagai teknologi yang memberi "komputer kemampuan untuk berguru 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 gampang untuk dipahami.
Pembelajaran mesin ialah cuilan dari kecerdasan buatan , segmen ilmu komputer yang berfokus pada penciptaan komputer yang memikirkan cara berpikir manusia. Dengan kata lain, semua sistem pembelajaran mesin ialah sistem AI, tetapi tidak semua sistem AI mempunyai kemampuan pembelajaran mesin.
Anda sanggup membagi lagi pembelajaran mesin ke dalam beberapa kategori berbeda:
• Pembelajaran yang diawasi membutuhkan seorang programmer atau guru yang memperlihatkan contoh-contoh input yang berbaris dengan output mana. Misalnya, kalau Anda ingin memakai 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 berguru untuk menggeneralisasi konsep sehingga sanggup mengidentifikasi kucing dalam gambar yang belum pernah ditemukan sebelumnya.
• Pembelajaran tanpa pengawasan membutuhkan sistem untuk membuatkan kesimpulannya sendiri dari kumpulan data tertentu. Misalnya, kalau Anda mempunyai serangkaian besar data penjualan online, Anda sanggup memakai pembelajaran tanpa pengawasan untuk menemukan kelompok atau asosiasi di antara data tersebut yang sanggup membantu Anda meningkatkan pemasaran Anda. Anda mungkin menemukan, misalnya, bahwa perempuan yang lahir pada awal 1980-an dengan pendapatan lebih dari $ 50K mempunyai afinitas untuk merek cokelat batang tertentu atau bahwa orang-orang yang membeli merek soda tertentu juga membeli merek chip tertentu.
• Pembelajaran semi-terawasi , menyerupai yang mungkin Anda duga, ialah kombinasi dari pembelajaran yang diawasi dan tidak diawasi. Kembali ke pola kucing, bayangkan bahwa Anda mempunyai banyak gambar, beberapa di antaranya telah diberi label "kucing" dan "bukan kucing", dan beberapa di antaranya belum. Sistem pembelajaran semi-diawasi akan memakai gambar berlabel untuk menciptakan beberapa tebakan wacana 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 mendapatkan umpan balik yang analog dengan eksekusi dan penghargaan. Contoh klasik pembelajaran penguatan (seperti yang diterapkan pada pembelajaran mesin) ialah seorang penjudi yang duduk di depan deretan mesin slot. Pada awalnya, penjudi tidak tahu slot mana yang akan membayar atau seberapa baik, jadi beliau 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, acara komputer - akan meningkatkan penghasilannya dengan memainkan mesin yang lebih longgar lebih sering.
Kasus Penggunaan Pembelajaran Mesin
Organisasi di aneka macam industri telah mulai bereksperimen dengan pembelajaran mesin. Dalam beberapa kasus, vendor perangkat lunak telah memasukkan pembelajaran mesin ke alat yang dipakai untuk tujuan tertentu, dan dalam masalah lain, pengguna telah mengadaptasi aplikasi pembelajaran mesin untuk keperluannya. Beberapa masalah penggunaan yang paling umum untuk teknologi termasuk yang berikut:
• Deteksi penipuan
Bank dan penerbit kartu kredit telah menjadi yang pertama memakai pembelajaran mesin. Mereka sering memakai teknologi untuk mengidentifikasi transaksi yang mungkin curang. Jika penerbit kartu kredit Anda menelepon Anda untuk melihat apakah Anda gres saja melaksanakan pembelian tertentu, perusahaan mungkin memakai pembelajaran mesin untuk menandai transaksi mencurigakan di akun Anda.
Mesin Rekomendasi - Mesin rekomendasi online yang dipakai oleh perusahaan menyerupai Amazon dan Netflix ialah salah satu pola pembelajaran mesin yang paling dikenal. Dengan memakai data yang diperoleh dari jutaan pembeli dan pengguna, sistem pembelajaran mesin sanggup memprediksi barang-barang yang mungkin Anda sukai menurut kebiasaan belanja atau menonton Anda sebelumnya.
• Pencarian
Google, Microsoft Bing, dan mesin pencari lainnya memakai pembelajaran mesin untuk meningkatkan kemampuan mereka setiap menit demi menit. Mereka sanggup menganalisis data wacana tautan mana yang diklik pengguna sebagai tanggapan terhadap kueri untuk meningkatkan hasil mereka. Mereka juga memakai pembelajaran mesin untuk meningkatkan pemrosesan bahasa alami mereka dan menyampaikan tanggapan spesifik untuk beberapa pertanyaan.
• Pengawasan video
Pembelajaran mesin memungkinkan sistem pengenalan wajah untuk meningkatkan setiap saat. Dalam beberapa kasus, sistem ini sanggup mengidentifikasi penjahat yang diketahui, atau mungkin sanggup mengidentifikasi sikap atau kegiatan yang di luar norma atau melanggar hukum.
• Pengenalan goresan pena tangan
Layanan Pos AS memakai pembelajaran mesin untuk melatih sistemnya yang mengenali alamat-alamat goresan pena tangan.
• Pemrosesan bahasa alami
Hari ini, sebagian besar dari kita mendapatkan begitu saja bahwa ajudan eksklusif menyerupai Siri, Cortana atau Asisten Google akan sanggup memahami seruan bunyi dan menanggapi pertanyaan. Seiring waktu, alat-alat ini memakai pembelajaran mesin untuk meningkatkan kemampuan mereka untuk mengenali, memahami, dan memproses masukan verbal.
• Bot layanan pelanggan
Agen otomatis sanggup memakai pemrosesan bahasa alami dan data layanan pelanggan untuk menjawab pertanyaan umum dan meningkatkan kualitas tanggapan tersebut dari waktu ke waktu.
• Keamanan TI
Banyak solusi keamanan TI mutakhir ketika ini, menyerupai alat analisis sikap dan entitas (UEBA), memakai algoritme pembelajaran mesin untuk mengidentifikasi kemungkinan serangan. Dalam masalah UEBA, pembelajaran mesin membentuk baseline dari sikap "normal" yang dipakai untuk mendeteksi anomali, berpotensi memungkinkan organisasi untuk mengidentifikasi dan mengurangi bahaya zero-day.
• Analisis aliran Di dunia
Banyak data, menyerupai umpan media umum dan transaksi penjualan online, diperbarui terus-menerus. Organisasi memakai pembelajaran mesin untuk menemukan wawasan atau mengidentifikasi potensi problem secara waktu nyata.
• Perawatan prediktif
Internet of Things (IoT) memperlihatkan banyak masalah penggunaan pembelajaran mesin potensial, termasuk pemeliharaan prediktif. Perusahaan sanggup memakai data peralatan historis untuk memperkirakan kapan mesin cenderung gagal, memungkinkan mereka melaksanakan perbaikan atau memasang komponen pengganti secara proaktif sebelum berdampak pada bisnis atau operasi pabrik.
• Deteksi anomali
Dengan cara yang sama menyerupai pembelajaran mesin sanggup mengidentifikasi sikap anomali dalam sistem TI, itu juga sanggup mendeteksi anomali dalam produk manufaktur atau makanan. Alih-alih mempekerjakan pengawas untuk mengusut barang secara visual, pabrik sanggup memakai 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 sempurna ke lokasi yang sempurna sangat penting untuk kesuksesan bisnis. Sistem pembelajaran mesin sanggup memakai data historis untuk memprediksi penjualan jauh lebih akurat dan cepat daripada yang sanggup dilakukan insan sendiri.
• Logistik
Untuk perusahaan transportasi, menyiapkan acara dan rute ialah pekerjaan yang rumit dan memakan waktu. Sistem pembelajaran mesin sanggup 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 beliau untuk membeli rendah dan menjual tinggi. Algoritma pembelajaran mesin sanggup membantu mengidentifikasi peluang potensial menurut acara pasar di masa lalu.
• Diagnostik kesehatan
Banyak hebat membayangkan masa depan di mana alat diagnostik pembelajaran mesin bekerja bersama profesional insan untuk mengidentifikasi penyakit dan memilih perawatan yang paling efektif. Sistem komputer mungkin sangat baik dalam mendeteksi anomali dalam aneka macam jenis pemindaian dan dalam mencari penyakit langka.
• Mobil self-driving
Kendaraan otonom ialah salah satu aplikasi pembelajaran mesin yang paling menarik. Di masa depan yang tidak terlalu jauh, kendaraan yang bisa melaksanakan navigasi sendiri sanggup menjadi norma.
• Robot
Meskipun mereka telah usang menjadi fiksi ilmiah, robot dengan kemampuan berguru mesin bisa segera menjadi cuilan dari kehidupan sehari-hari. Robot-robot ini akan sanggup meningkatkan kemampuan mereka dari waktu ke waktu, memungkinkan mereka menjadi lebih berkhasiat bagi manusia.
pembelajaran mesin
Manfaat Belajar Mesin
Banyak masalah penggunaan yang dijelaskan di atas sanggup ditangani oleh insan atau perangkat lunak tanpa kemampuan pembelajaran mesin. Namun, teknologi pembelajaran mesin memperlihatkan beberapa manfaat dari masing-masing alternatif ini:
• Kecepatan
Manusia sanggup menciptakan model, memasukkan data dan menjalankan perhitungan yang diharapkan untuk analisis prediktif sendiri. Namun, insan - atau insan yang memakai perangkat lunak tanpa kemampuan AI - mungkin memerlukan hari, minggu, atau bulan untuk menuntaskan kiprah yang sanggup 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, menyerupai analisis prediktif. Namun, di area lain, menyerupai pengenalan bunyi atau pengenalan gambar, sistem komputer masih belum mencapai tingkat akurasi yang sama menyerupai manusia.
• Efisiensi dan penghematan biaya
Perangkat lunak pembelajaran mesin tidak murah; sebenarnya, dalam beberapa masalah itu bisa sangat mahal. Namun, seringkali jauh lebih terjangkau untuk memakai perangkat lunak untuk mengotomatisasi kiprah daripada mempekerjakan puluhan atau ratusan orang untuk menuntaskan kiprah yang sama.
Tantangan Pembelajaran Mesin
Sementara pembelajaran mesin mempunyai 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 ialah yang tertinggi di industri teknologi, dan dalam beberapa tahun terakhir, honor rata-rata mereka meningkat dengan sangat cepat. Namun, data memperlihatkan bahwa tren ini mungkin melambat alasannya ialah 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, menciptakan semua orang di perusahaan besar mengubah pola pikir dan acara 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 sanggup mengembalikan prediksi dan wawasan yang baik kalau data yang memberi makan model mereka tidak akurat. Banyak organisasi menemukan bahwa mereka perlu meningkatkan pencucian data dan proses administrasi data sebelum mereka sanggup sepenuhnya memakai 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 sanggup mengakibatkan tantangan, tetapi vendor menanggapi dengan solusi yang sanggup mendapatkan aneka macam jenis dan format data.
• Keamanan data - Menyeimbangkan kebutuhan untuk membatasi jalan masuk ke data dengan kebutuhan untuk memakai data untuk memberi makan sistem pembelajaran mesin sanggup menjadi sulit. Beberapa organisasi mungkin perlu memperbarui kebijakan mereka dan / atau memakai 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 menyerupai manusia, tetapi ia tidak mempunyai rasa moralitas yang menginformasikan sebagian besar pengambilan keputusan manusia. Misalnya, ketika Microsoft merilis bot media umum berjulukan Tay yang mempunyai kemampuan pembelajaran mesin, ia dengan cepat berguru untuk menyampaikan hal-hal yang tidak pantas dan menyinggung. Beberapa hebat menyerukan perusahaan teknologi untuk memastikan bahwa sistem AI mengikuti serangkaian aturan etis yang ketat untuk mencegah mereka melaksanakan kejahatan, merugikan insan 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 menyerupai 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 sanggup mengakibatkan bahaya eksistensial terhadap kemanusiaan. Apakah ketakutan itu beralasan atau tidak, organisasi harus menemukan cara untuk menghadapinya kalau mereka ingin mencicipi manfaat potensial dari pembelajaran mesin.
Sekian artikel kali ini supaya bermanfaat bagi kalian, jangan lupa komentar yang membangun untuk blog ini dan jangan lupa jg untuk share ya.
0 Response to "Apa Itu Pembelajaran Mesin?"
Post a Comment