Menghindari Jebakan Proyek ML Industri: 3 Kesalahan Utama yang Harus Dihindari

Penggunaan teknik kecerdasan buatan, dan lebih khususnya machine learning, semakin dilihat sebagai alat revolusioner. Tetapi apa itu machine learning?

Deskripsi yang menarik diajukan oleh Francois Chollet. Dalam bukunya, "Deep Learning with Python," ia mendefinisikan machine learning (ML) sebagai paradigma komputasi baru. Dalam komputasi konvensional, kita memberikan komputer aturan dan data, dan kita harapkan hasil yang benar. Menggunakan machine learning, urutan ini berubah. Kami memberikan data dan hasil ke komputer, dan mengharapkan aturan sebagai jawaban.

Paradigma komputasi baru ini secara signifikan mengubah cara kita memecahkan masalah sehari-hari dan membuka rentang besar peluang di semua bidang studi. Dalam beberapa tahun terakhir, machine learning telah digunakan secara luas, termasuk di sektor industri. Meskipun cakupan yang luas ini dan memiliki banyak profesional hebat yang bekerja di bidang ini, beberapa kesalahan umum telah diamati (dan harus dihindari) dalam pengembangan proyek industri. Meskipun ada banyak yang lain, artikel ini bertujuan untuk membahas tiga dari kesalahan yang mungkin ini.

1. Melupakan Dasar-Dasar

Konsep seperti Industri 4.0, digitalisasi, kecerdasan buatan, machine learning, dan IIoT adalah tren teratas di dunia industri saat ini. Proyek dengan pendekatan seperti ini sering mendapat perhatian khusus dalam portofolio profesional, dan beberapa profesional cenderung memilih jenis solusi ini selama desain proyek untuk meningkatkan peluang mendapatkan proyek disetujui. Namun intinya adalah: apakah alat ini (machine learning atau yang lain) yang tepat untuk memecahkan masalah Anda? Anda perlu bertanya pada diri sendiri beberapa pertanyaan sebelum memilih salah satu alat "modern" ini. Saya telah mencantumkan beberapa di sini, meskipun ada banyak yang lain:

• Apakah saya telah mencoba algoritma yang lebih sederhana untuk memecahkan masalah ini (seperti logika PLC)?
• Apakah kontrol regulasi yang disetel dengan baik menghasilkan hasil kontrol yang serupa atau lebih baik?
• Apakah kita memiliki tim yang sesuai dan terlatih untuk menjaga aplikasi baru ini tetap berfungsi?
• Apakah serangkaian alat kualitas yang berbeda (seperti diagram pareto atau diagram penyebab-dan-dampak) akan memberikan cukup data untuk mendapatkan wawasan yang baik?

Perhatikan bahwa saya tidak mengatakan bahwa alat seperti machine learning tidak dapat memberikan hasil hebat, atau bahwa alat ini terlalu kompleks. Penting untuk diingat, namun, bahwa solusi sederhana sering memberikan hasil yang baik dan biasanya harus menjadi langkah pertama untuk perjalanan Industri 4.0.

2. Tidak Memperhatikan Kualitas Data

Alat machine learning untuk memproses data kini luas digunakan. Perusahaan besar seperti Google dan banyak grup open source telah mengembangkan pustaka ML yang hebat. Pustaka ini tersedia di internet, beberapa dengan biaya rendah atau gratis. Namun, jika kita melihat gambaran besar, setiap proyek machine learning melibatkan empat fase utama:

• Memahami dan mempersiapkan data
• Memproses data ini
• Menganalisis hasil
• Bertindak dengan bijak berdasarkan analisis data

Dengan demikian, ketika kita melihat seluruh proses pengembangan proyek machine learning, tidak jarang beberapa profesional langsung pergi ke tahap tengah (memproses data dan menganalisis hasil) tanpa memperhatikan cukup pada pengumpulan dan persiapan data.

Dasar dari setiap proyek machine learning adalah data. Seperti dalam memasak, di mana titik awal dari setiap hidangan yang baik adalah menggunakan bahan yang baik, faktor penting saat mengembangkan proyek ML yang baik adalah untuk memperoleh dan menggunakan data yang baik. Khususnya di industri, mendapatkan data ini mungkin merupakan tugas yang menantang. Daftar yang tidak ekshaustif dari tantangan potensial ditunjukkan di bawah ini:

• Kurangnya instrumentasi (data yang hilang)
• Data yang kurang akurat karena pemasangan, pemeliharaan, atau konfigurasi instrumentasi yang tidak tepat
• Label data yang salah karena kesalahpahaman dalam analisis—tugas pembelajaran terpantau

Meskipun dengan tantangan ini, dengan persiapan data yang benar (kadang dengan penyesuaian industri), memungkinkan untuk membangun database yang cukup kuat untuk mendapatkan hasil hebat.

Jadi, luangkan waktu pada tugas penting ini!

3. Mengabaikan Pengetahuan Ahli

Ini mungkin merupakan argumen yang kontroversial. Beberapa profesional mungkin mengatakan bahwa jika Anda ingin pendapat ahli, Anda harus memilih sistem ahli menggunakan logika kabur, misalnya. Dalam sudut pandang yang berlawanan, ketika kita menyelidiki jumlah besar pengetahuan yang dimiliki perusahaan kita, hanya mengabaikannya tidak terdengar sebagai cara terbaik untuk mengembangkan proses kita.

Ketika kita mengimplementasikan proyek ML, cara terbaik adalah mendapatkan tim multidisipil yang menggabungkan pengembang ML (orang yang paham tentang teknik ML—misalnya, deep learning, pemrosesan bahasa alami, metode ensemble, clustering, dan sebagainya) dengan penasihat ahli yang tepat (profesional yang tahu realitas proses dan masalah nyata yang akan diselesaikan). Dengan tim multidisipil ini, hasil yang baik diprakarsai. Anda mungkin akan mendapatkan solusi yang lebih akurat, dengan probabilitas yang lebih tinggi bahwa Anda akan dapat menerapkannya di dunia nyata.

Melanjutkan Lebih Lanjut

Meskipun tantangan besar dan kisah peringatan yang ada, machine learning semakin menunjukkan dirinya sebagai alat yang kuat. ML, dan puluhan alat lainnya yang bertujuat untuk memodernisasi dan mengembangkan dunia industri, adalah tren dan proses evolutif alami (dan diperlukan). Namun—terutama dalam proses yang krusial di industri, medis, dan bidang lain—perhatian harus diambil. Jadi, jangan lewatkan langkah: jaga proyek Anda se sederhana mungkin, jaga data Anda dengan baik, dan jangan lupakan para ahli.

Seperti yang kita lihat, proyek machine learning bukan larian pendek, melainkan perjalanan panjang. Seperti perjalanan apa pun, perjalanan ini terdiri dari langkah demi langkah, dan langkah terakhir memiliki kepentingan yang sama dengan langkah pertama.