Membuka Rahasia Machine Learning: Wawasan Praktis untuk Pemimpin Industri
Machine Learning (ML) bisa terkesan sulit diaksesi bagi siapa pun yang tidak akrab dengan itu. Kurangnya pemahaman tentang apa itu ML dan apa artinya bagi industri manufaktur kadang-kala memberikan ide yang luarbiasa tentang mesin cerdas siap untuk menguasai manusia. Namun ML, pada dasarnya, adalah kemajuan besar dalam pengembangan Teknologi Informasi (IT). Cara kerjanya dan keterbatasannya harus dipahami sepenuhnya oleh mereka yang ingin menggunakannya untuk manfaat maksimal organisasi mereka.
ML, tentu saja, memerlukan penggunaan keterampilan statistik dan IT spesifik yang belum banyak dimiliki atau dibutuhkan dalam manufaktur. Namun prinsipnya cukup sederhana – dan bahkan intuitif untuk dipahami. Bagi saya, itu adalah layanan terjemahan bahasa online yang saya anggap cukup biasa – yaitu Google Translate – yang membantu saya menyadari potensi transformatif ML.
Untuk kata sederhana, perangkat lunak terjemahan bahasa lama didasarkan pada kamus pemrograman, aturan tata bahasa, dan banyak pengecualiannya. Pendekatan ini melibatkan upaya yang besar.
Dari proses 'berbasis aturan' ke 'berbasis data'
· Metodologi baru berasal dari ide yang lebih sederhana: jangan mencoba mendefinisikan aturan dan tabel leksikal dari nol, biarkan perangkat lunak 'menemukan'nya. Jutaan halaman yang sudah diterjemahkan dikumpulkan dari organisasi internasional.
· Ketika pengguna mengirimkan teks untuk diterjemahkan, perangkat lunak memotongnya menjadi elemen dasar lalu mencari yang identik atau serupa dalam bahasa yang sama di antara halaman yang diterjemahkan.
· Terjemahan yang paling mungkin diekstrak untuk disarankan kepada pengguna.
Pola statistik yang relevan yang ditemukan dalam data, oleh karena itu, menggantikan aturan terjemahan. Alih-alih harus diprogram secara keras, mereka secara otomatis 'dipelajari' oleh perangkat lunak. Mudah untuk melihat nilai penghematan biaya pendekatan ini, dibandingkan dengan yang tradisional, terutama karena kualitas terjemahan yang dihasilkan biasanya setara dengannya.
Di manufaktur, keuntungan produktivitas ditambah dengan peningkatan kualitas yang signifikan. Siapa pun yang pernah menentukan proses otomatisasi tahu betapa rumitnya untuk memprediksi semua situasi yang akan dihadapi perangkat lunak setelah masuk produksi. Ini bahkan ketika ahli domain fungsional terlibat. Aturan fungsional perangkat lunak didasarkan pada asumsi yang sama-sama bergantung pada sejumlah terbatas pengamatan. Namun kenyataan sering kali jauh lebih kompleks dari yang diharapkan, berarti otomatisasi akhirnya suboptimal atau perangkat lunak akhirnya membutuhkan koreksi yang mahal.
Machine Learning, di sisi lain, menyerap dan mengembangkan dirinya menggunakan semua data yang tersedia, terlepas dari volume. Artinya risiko pola atau kasus penggunaan yang terlewat dari gambar adalah terbatas.
Manusia harus tetap memegang kendali
Mesin juga menghindari 'bias kognitif' kecerdasan manusia yang mengarah pada pilihan data yang tidak sempurna dan pengambilan keputusan yang tidak tepat.
Contoh yang baik adalah pemrosesan otomatis permintaan pinjaman yang diterima bank. Sebuah algoritma memeriksa informasi kunci peminjam bersama informasi pengembalian. Kemudian itu menyoroti hubungan yang mungkin antara profil peminjam dan risiko gagal bayar. Diterapkan pada permintaan pinjaman baru, algoritma akan memprediksi, dengan tingkat akurasi yang dianggap cukup, apakah peminjam akan membayar kembali. Ini berarti risiko keputusan buruk, yang dipicu oleh prasangka atau suasana hati petugas bank, dihilangkan.
Namun, sangat penting bahwa manusia tetap menjadi pengambil keputusan akhir.
Pertama, karena perangkat lunak jelas tidak sempurna. Ini diatur oleh pengaturan yang dibuat oleh manusia. Misalnya, mungkin telah dioptimalkan untuk menghindari 'false-positives' (di mana pinjaman diberikan kepada peminjam yang akan gagal bayar) dan jadi akan cenderung menolak beberapa aplikasi pinjaman. Oleh karena itu, pengguna harus memeriksa apakah rekomendasi sistem itu sah dan, jika perlu, menolaknya. Ini akan memungkinkan sistem untuk belajar kriteria baru sehingga algoritma menerima aplikasi dari profil serupa di lain waktu.
Alasan kunci lainnya adalah hanya manusia yang harus memastikan standar etik terpenuhi, terutama ketika keputusan berkaitan dengan hak individu.
Data di atas segalanya
Penting untuk memilih dan mengatur model algoritma yang cocok dengan proses manufaktur yang terkait dan jenis data yang mendukungnya. Kinerja otomatisasi akan tergantung pada memenuhi dua imperatif: kualitas data, dan representativitas set pelatihan, yang berarti otomatisasi akan lebih efisien saat ML dilakukan berdasarkan observasi yang tidak bias.
Akses ke data adalah kunci keberhasilan ML karena, pada akhirnya, tidak ada tingkat kecanggihan algoritma yang akan pernah menggantikan set data yang buruk.
Dengan meningkatnya daya komputer dan digitalisasi, telah 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. Machine Learning cenderung mengabaikan perilaku arbitrader. Tergantung pada kita untuk memastikan itu tidak menggantikannya dengan over-generalisasi yang tidak tepat.
Oleh Jean-Cyril Schütterlé, VP Product & Data Science di Sidetrade
