Manajemen Data: Sumbu Keberhasilan AI
Dave Smith, head of GDPR Technology at SAS UK & Ireland, menjelaskan bagaimana manajemen data mendasari keberhasilan sistem AI.
AI semakin terintegrasi dalam kehidupan sehari-hari, namun kesalahpahaman tentang teknologi dapat memicu ketidakpercayaan. Professor Jim Al-Khalili, presiden yang akan datang British Science Association, memperingatkan bahwa reaksi publik yang mirip dengan debat GM awal dapat muncul kecuali AI disampaikan dengan transparansi yang lebih besar dan keterlibatan publik.
Di luar kepercayaan, model otonom yang tidak terkendali menimbulkan risiko kontrol. Flash Crash 2010, ketika pasar AS menjatuhkan 9 persen dalam 36 menit, menyoroti bagaimana perdagangan algoritma memperkuat volatilitas. Penyelidikan regulatif kini menuntut model untuk dipantau dan outputnya dapat ditinjau.
Menggunakan AI untuk Baik
Saat diterapkan dengan bertanggung jawab, AI dapat mengubah perawatan kesehatan—mendeteksi kanker melalui analisis gambar yang cepat—atau mendukung konservasi dengan mengidentifikasi jejak satwa liar. Mewujudkan manfaat ini memerlukan kerangka yang memastikan keadilan, akuntabilitas, transparansi, dan penjelasan (FATE). Dalam artikel ini kita fokus pada pilar transparansi, yang sangat dipengaruhi oleh cara data dikelola.
Kinerja AI terbatas oleh kualitas data inputnya. Membangun solusi AI biasanya mengikuti tiga tahap kunci:
- Pembersihan data—menghapus catatan yang tidak relevan atau salah yang dapat bias model.
- Transformasi dan enrich—menggabungkan sumber yang berlainan dan menciptakan variabel turunan untuk memberi makan algoritma.
- Deployment—menerapkan model yang telah dilatih ke data langsung sehingga keputusan dapat dibuat secara real-time.
Setiap tahap dapat menambahkan nilai tetapi juga mengubah hasil. Misalnya, menghilangkan outlier selama pembersihan dapat meningkatkan stabilitas model untuk mayoritas kasus, namun juga dapat menghapus sinyal langka namun kritis. Penemuan Dame Jocelyn Bell-Burnell terhadap pulsar pada tahun 1970 menggambarkan bahaya membuang outlier—dia menemukan sinyal lemah dari satu dari 100.000 titik data, membuktikan signifikansinya secara ilmiah.
Perjalanan Data
Kualitas data juga penting untuk menghindari kesalahan yang memalukan. Pada tahun 2014, Bank of America mengirimkan penawaran kartu kredit kepada nama yang tidak valid, “Lisa Is A Slut McXxxxxx”, setelah menerima data rusak dari Golden Key International Honour Society. Validasi yang ketat akan mencegah kesalahan tersebut.
Transformasi memindahkan data dari sistem sumber yang sangat ternormalisasi ke dalam satu tabel datar yang disukai oleh ilmuwan data. Langkah ini seringkali melibatkan penambahan variabel turunan dan harus diimplementasikan dengan hati-hati untuk menghindari kesalahan yang dapat menyesatkan model.
Deployment adalah tahap akhir yang secara langsung mempengaruhi hasil bisnis. Model memiliki umur waktu yang terbatas; produksi yang tertunda dapat membuatnya usang. Selain itu, Pasal 22 GDPR melarang profil analitis pada data pribadi tanpa kondisi ketat seperti persetujuan eksplisit. Deployment yang terkontrol memberikan jejak audit yang menunjukkan data mana yang memakan model dan analitik apa yang diterapkan, memastikan kepatuhan regulasi.
Secara singkat, manajemen data yang kuat adalah fondasi yang memungkinkan AI untuk memberikan hasil yang dapat dipercaya, adil, dan efektif. Memahami setiap langkah pemrosesan data mempertahankan transparansi—inti dari AI yang bertanggung jawab.
Penulis blog ini adalah David Smith, head of GDPR Technology, SAS UK & Ireland.
