Demistifikasi Machine learning
Machine Learning (ML) tampaknya tidak dapat ditembus oleh siapa pun yang tidak terbiasa dengannya. Kurangnya pemahaman tentang apa itu ML, dan apa artinya bagi pabrikan...
Pembelajaran Mesin (ML) tampaknya tidak dapat ditembus oleh siapa pun yang tidak terbiasa dengannya. Kurangnya pemahaman tentang apa itu ML, dan apa artinya bagi industri manufaktur, terkadang memunculkan ide-ide aneh tentang mesin cerdas yang siap mengambil alih umat manusia. Namun ML pada dasarnya merupakan kemajuan besar dalam perkembangan Teknologi Informasi (TI). Cara kerjanya, dan batasannya, harus sepenuhnya dipahami oleh mereka yang ingin menggunakannya untuk keuntungan penuh organisasi mereka.
ML, memang, membutuhkan penggunaan keterampilan statistik dan TI khusus yang belum dimiliki atau dibutuhkan oleh beberapa orang di bidang manufaktur. Tetapi prinsipnya cukup sederhana – dan bahkan intuitif untuk dipahami. Bagi saya, apa yang pernah saya anggap sebagai layanan online terjemahan bahasa yang agak biasa – yaitu Google Terjemahan – yang membantu saya menyadari potensi transformatif ML.
Sederhananya, perangkat lunak terjemahan bahasa telah lama didasarkan pada kamus pemrograman, aturan tata bahasa, dan banyak pengecualiannya. Pendekatan ini melibatkan banyak usaha.
Dari proses 'berbasis aturan' ke 'berdasarkan data'
· Metodologi baru berasal dari ide yang lebih sederhana:jangan mencoba mendefinisikan aturan dan tabel leksikal dari awal, biarkan perangkat lunak 'menemukannya'. Jutaan halaman yang sudah diterjemahkan dikumpulkan dari organisasi internasional.
· Saat pengguna mengirimkan teks untuk diterjemahkan, perangkat lunak akan memotongnya menjadi elemen dasar, lalu mencari yang identik atau serupa dalam bahasa yang sama di dalam halaman yang diterjemahkan.
· Terjemahan yang paling mungkin diekstraksi untuk disarankan kepada pengguna.
Pola statistik yang relevan ditemukan dalam data, oleh karena itu, ganti aturan terjemahan. Alih-alih harus diprogram dengan susah payah, mereka secara otomatis 'dipelajari' oleh perangkat lunak. Sangat mudah untuk melihat nilai penghematan biaya dari pendekatan ini, dibandingkan dengan pendekatan tradisional, terutama karena kualitas terjemahan yang dihasilkan biasanya setara dengan itu.
Di bidang manufaktur, peningkatan produktivitas diperparah dengan peningkatan kualitas yang substansial. Siapa pun yang pernah menentukan proses otomasi tahu betapa rumitnya mengantisipasi semua kemungkinan situasi yang harus dihadapi perangkat lunak setelah diproduksi. Ini bahkan ketika ahli domain fungsional terlibat. Aturan fungsional perangkat lunak didasarkan pada asumsi yang bergantung pada sejumlah pengamatan terbatas. Namun kenyataan sering kali terbukti jauh lebih kompleks dari yang diperkirakan, yang berarti bahwa otomatisasi pada akhirnya tidak optimal atau perangkat lunak akhirnya membutuhkan koreksi yang mahal.
Machine Learning, di sisi lain, menyerap dan mengembangkan dirinya sendiri menggunakan semua data yang tersedia, terlepas dari volumenya. Itu berarti risiko pola atau kasus penggunaan yang ditinggalkan dari gambar terbatas.
Manusia harus tetap memegang kendali
Mesin ini juga menghindari 'bias kognitif' kecerdasan manusia yang menyebabkan pemilihan data yang tersedia tidak sempurna dan pengambilan keputusan yang tidak tepat.
Contoh yang baik adalah pemrosesan otomatis permintaan pinjaman yang diterima oleh bank. Sebuah algoritme melihat melalui informasi kunci peminjam bersama dengan informasi penggantian. Ini kemudian menyoroti kemungkinan hubungan antara profil peminjam dan risiko default. Diterapkan pada permintaan pinjaman baru, algoritme akan memprediksi, dengan tingkat akurasi yang dianggap cukup, apakah peminjam akan membayar kembali. Ini berarti risiko keputusan yang buruk, yang dipicu oleh prasangka atau suasana hati operator bank, dihilangkan.
Meskipun demikian, sangat penting bagi manusia untuk tetap menjadi pengambil keputusan utama.
Pertama, karena perangkat lunaknya jelas tidak sempurna. Itu diatur oleh pengaturan yang dibuat oleh manusia. Misalnya, mungkin telah dioptimalkan untuk menghindari 'positif palsu' (di mana pinjaman diberikan kepada peminjam yang akan gagal bayar) dan dengan demikian akan cenderung menolak aplikasi pinjaman tertentu. Oleh karena itu, pengguna harus memeriksa bahwa rekomendasi sistem itu sah dan, jika perlu, menolaknya. Ini akan memungkinkan sistem mempelajari kriteria baru sehingga algoritme menerima aplikasi dari profil serupa di lain waktu.
Alasan utama lainnya adalah bahwa hanya manusia yang harus memastikan standar etika terpenuhi, terutama ketika keputusan menyangkut hak individu.
Data über alles
Sangat penting untuk memilih dan menyiapkan model algoritmik yang sesuai dengan proses manufaktur yang dipertaruhkan dan jenis data yang mendukungnya. Performa otomatisasi akan bergantung pada pemenuhan dua persyaratan:kualitas data, dan keterwakilan set pelatihan, yang berarti bahwa otomatisasi akan lebih efisien saat ML dilakukan berdasarkan pengamatan yang tidak bias.
Akses ke data sangat penting untuk keberhasilan ML karena, pada akhirnya, tidak ada tingkat kecanggihan algoritme yang dapat menggantikan kumpulan data yang buruk.
Dengan meningkatnya kekuatan komputer dan digitalisasi, menjadi mungkin dan mungkin penting untuk memanfaatkan pendekatan berbasis data untuk merancang proses manufaktur otomatis yang lebih efisien. Di luar keterampilan ilmiah yang diperlukan, keberhasilan solusi ini terletak pada pengumpulan data yang relevan dan pemantauan operasinya oleh manusia. Pembelajaran Mesin cenderung mengabaikan perilaku sewenang-wenang. Terserah kita untuk memastikan itu tidak menggantikannya dengan generalisasi berlebihan yang tidak pantas.
Oleh Jean-Cyril Schütterlé, VP Produk &Ilmu Data di Sidetrade
