{"id":10440,"date":"2023-06-14T08:50:39","date_gmt":"2023-06-14T01:50:39","guid":{"rendered":"https:\/\/aansetianto.com\/?p=10440"},"modified":"2023-06-14T08:50:39","modified_gmt":"2023-06-14T01:50:39","slug":"memahami-terminologi-kecerdasan-buatan-ai","status":"publish","type":"post","link":"https:\/\/ai-gearbox.com\/id\/memahami-terminologi-kecerdasan-buatan-ai\/","title":{"rendered":"Memahami Terminologi Kecerdasan Buatan (AI)"},"content":{"rendered":"

Kita akan menjelajahi lagi beberapa terminologi<\/a> penting kecerdasan buatan (AI), seperti machine learning, data science, neural network, deep learning<\/em>, dan tool<\/em> lainnya.<\/p>\n\n\n\n

Dengan memahami konsep-konsep ini, akan memungkinkan Anda untuk melakukan diskusi yang lebih lanjut lagi tentang AI, dan memikirkan kemungkinan untuk penerapannya pada bisnis Anda.<\/p>\n\n\n\n

Machine Learning Vs Data Science<\/h2>\n\n\n\n

Jika Anda mengikuti seri tulisan sebelumnya, Anda tahu bahwa machine learning<\/em> pada dasarnya mengacu pada sistem yang mempelajari pemetaan input ke output, atau pemetaan A ke B.<\/p>\n\n\n\n

Misalnya, jika Anda memiliki kumpulan data (dataset<\/em>) rumah dengan data seperti ukuran rumah, jumlah kamar tidur, jumlah kamar mandi, dan status renovasi, maka Anda bisa membuat sistem machine learning<\/em> pada aplikasi mobile, untuk memprediksi harga rumah berdasarkan input ini ( A) dan menghasilkan output yang sesuai (B).<\/p>\n\n\n\n

Dari data pada tabel harga rumah ini, kita bisa melihat \u201cperbedaan\u201d machine learning<\/em> dengan data science<\/em>.<\/p>\n\n\n\n

\"tabel<\/figure>\n\n\n\n

Machine learning<\/em> seringkali menghasilkan sistem AI, yaitu perangkat lunak yang dapat secara otomatis memasukkan A dan mengeluarkan B, melayani jutaan pengguna.<\/p>\n\n\n\n

Sedangkan, data science<\/em> melibatkan penggalian pengetahuan dan insight<\/em> dari data.
Menganalisis kumpulan data, dapat mengarah pada kesimpulan yang membantu untuk membuat keputusan bisnis yang tepat.<\/p>\n\n\n\n

Misalnya, dengan menganalisis data rumah itu, tim data science<\/em> mungkin menemukan bahwa rumah dengan 3 kamar tidur harganya lebih mahal daripada rumah dengan 2 kamar tidur, meskipun ukuran luasnya sama.<\/p>\n\n\n\n

Insights<\/em> itu bisa mengarahkan keputusan seperti jenis rumah yang akan dibangun, atau apakah akan berinvestasi dalam renovasi.<\/p>\n\n\n\n

Proyek data science<\/em> seringkali menghasilkan kumpulan slide<\/em> atau presentasi yang meringkas kesimpulan untuk tindakan bisnis.<\/p>\n\n\n\n

Batasan antara machine learning<\/em> dan data science<\/em> bisa kabur, dan istilah tersebut mungkin tidak digunakan secara konsisten di seluruh industri.<\/p>\n\n\n\n

Machine learning<\/em> berfokus pada pembelajaran tanpa diprogram secara eksplisit, sedangkan data science<\/em> menekankan penggalian pengetahuan dari data untuk tujuan pengambilan keputusan.<\/p>\n\n\n\n\n

\n
\n

Machine learning:<\/strong>
\u201cField of study that gives computers the ability to learn without being explicitly programmed.\u201d<\/p>\n\u2014 Arthur Samuel (1959)<\/cite><\/blockquote>\n<\/div><\/div>\n\n\n\n

\n
\n

Data science:<\/strong>
Science of extracting knowledge and insights from data.<\/p>\n<\/blockquote>\n<\/div><\/div>\n\n\n\n\n

Implementasi Machine learning Dan Data Science<\/h3>\n\n\n\n

Berikut adalah beberapa contoh bagaimana machine learning<\/em> dan data science<\/em> digunakan di dunia nyata:<\/p>\n\n\n\n