Memahami Terminologi Kecerdasan Buatan (AI)

Kita akan menjelajahi lagi beberapa terminologi penting kecerdasan buatan (AI), seperti machine learning, data science, neural network, deep learning, dan tool lainnya.

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.

Machine Learning Vs Data Science

Jika Anda mengikuti seri tulisan sebelumnya, Anda tahu bahwa machine learning pada dasarnya mengacu pada sistem yang mempelajari pemetaan input ke output, atau pemetaan A ke B.

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

Dari data pada tabel harga rumah ini, kita bisa melihat “perbedaan” machine learning dengan data science.

tabel harga rumah dalam konsep kecerdasan buatan

Machine learning seringkali menghasilkan sistem AI, yaitu perangkat lunak yang dapat secara otomatis memasukkan A dan mengeluarkan B, melayani jutaan pengguna.

Sedangkan, data science melibatkan penggalian pengetahuan dan insight dari data.
Menganalisis kumpulan data, dapat mengarah pada kesimpulan yang membantu untuk membuat keputusan bisnis yang tepat.

Misalnya, dengan menganalisis data rumah itu, tim data science mungkin menemukan bahwa rumah dengan 3 kamar tidur harganya lebih mahal daripada rumah dengan 2 kamar tidur, meskipun ukuran luasnya sama.

Insights itu bisa mengarahkan keputusan seperti jenis rumah yang akan dibangun, atau apakah akan berinvestasi dalam renovasi.

Proyek data science seringkali menghasilkan kumpulan slide atau presentasi yang meringkas kesimpulan untuk tindakan bisnis.

Batasan antara machine learning dan data science bisa kabur, dan istilah tersebut mungkin tidak digunakan secara konsisten di seluruh industri.

Machine learning berfokus pada pembelajaran tanpa diprogram secara eksplisit, sedangkan data science menekankan penggalian pengetahuan dari data untuk tujuan pengambilan keputusan.

Machine learning:
“Field of study that gives computers the ability to learn without being explicitly programmed.”

— Arthur Samuel (1959)

Data science:
Science of extracting knowledge and insights from data.

Implementasi Machine learning Dan Data Science

Berikut adalah beberapa contoh bagaimana machine learning dan data science digunakan di dunia nyata:

  • Netflix menggunakan machine learning untuk merekomendasikan film dan acara TV kepada penggunanya. Mereka mengumpulkan data tentang apa yang ditonton penggunanya, lalu menggunakan data ini untuk melatih algoritma machine learning yang mampu memprediksi acara lain yang mungkin disukai pengguna.
  • Amazon menggunakan machine learning untuk merekomendasikan produk kepada pelanggannya. Mereka mengumpulkan data tentang apa yang dibeli pelanggannya, lalu menggunakan data ini untuk melatih algoritma machine learning yang bisa memprediksi produk lain apa yang mungkin diminati pelanggan.
  • Spotify menggunakan machine learning untuk membuat playlist yang dipersonalisasi untuk penggunanya.
  • Google menggunakan machine learning pada search engine-nya, platform iklan, dan proyek mobil self-driving.
  • Mobil self-driving menggunakan machine learning untuk menavigasi jalan. Mobil dilengkapi dengan sensor yang mengumpulkan data tentang keadaan sekitar, lalu menggunakan data ini untuk melatih algoritma machine learning yang dapat mengidentifikasi objek, dan membuat keputusan tentang cara menavigasi jalan dengan aman.

Deep Learning Dan Neural Network

Deep Learning merupakan bagian inti dari machine learning, yang menggunakan neural network untuk mempelajari data.

Apa itu neural network?

Neural network, juga dikenal sebagai jaringan saraf tiruan, memainkan peran sentral dalam deep learning. Jaringan ini, terinspirasi dari struktur otak manusia, terdiri dari neuron yang terhubung satu sama lain. Ia mengambil input (A) dan menghasilkan output (B) berdasarkan perhitungan matematis yang kompleks.

Penting untuk dicatat bahwa meskipun neural network awalnya terinspirasi oleh otak manusia, namun detail cara kerjanya sebagian besar tidak terkait dengan proses saraf biologis. Neural network tiruan adalah model matematika, bukannya representasi mirip otak manusia.

Anda bisa membayangkan bahwa deep learning itu seperti mengajari komputer untuk belajar sendiri. Alih-alih memberi komputer sejumlah roles untuk diikuti, Anda memberinya banyak data, dan membiarkannya mengetahui roles-nya sendiri. Itu disebut dengan melakukan “training” terhadap neural network. Nah, setelah neural network di-training, ia bisa digunakan untuk membuat prediksi atau keputusan.

Penggunaan Deep Learning Dan Neural Network

Berikut adalah beberapa contoh bagaimana deep learning digunakan saat ini:

  • Pengenalan gambar
    Digunakan untuk mengidentifikasi objek dalam foto dan video. Teknologi ini digunakan dalam berbagai aplikasi, seperti pengenalan wajah, mobil self-driving, dan analisis citra medis.
  • Pemrosesan bahasa alami (Natural Processing Language)
    Digunakan untuk memahami bahasa manusia. Teknologi ini digunakan dalam berbagai aplikasi, seperti chatbot, machine translation, dan spam filtering.
  • Pengenalan ucapan
    Digunakan untuk mentranskripsi ucapan menjadi teks. Teknologi ini digunakan dalam berbagai aplikasi, seperti asisten suara, perangkat lunak dictation, dan closed captioning.

Deep Learning adalah teknologi maju, yang mempunyai potensi merevolusi banyak industri, misalnya perawatan kesehatan, keuangan, dan transportasi. Meskipun bidang ini relatif baru, tetapi ia tumbuh dan berkembang pesat. Kita bisa berharap untuk melihat aplikasi deep learning yang jauh lebih menakjubkan di tahun-tahun mendatang.

Memahami Lanskap Kecerdasan Buatan (AI)

Anda bisa membayangkan bahwa kecerdasan buatan (AI), sebenarnya adalah seperangkat tools yang luas, dalam tujuannya untuk mendapatkan “perilaku” komputer yang cerdas.

Di luar machine learning dan deep learning, ada istilah-istilah seperti unsupervised learning, graphical models, planning, knowledge graph. Itu adalah contoh tools tambahan yang juga sering digunakan untuk membuat komputer menjadi cerdas.

Meskipun tidak perlu mengetahui semua istilah-istilah itu secara mendetail, istilah-istilah tersebut mewakili pendekatan yang berbeda terhadap kecerdasan buatan (AI).

Sementara ini, machine learning, khususnya neural network dan deep learning, adalah subset AI yang perannya sangat signifikan, yang memungkinkan penggunaan supervised learning, dan masih banyak lagi.

Di sisi lain, data science menjadi ”intersection” beberapa tools AI yang saya sebutkan di atas. Ia menggunakan berbagai teknik untuk mendapatkan insights dan memecahkan masalah bisnis.

Penggunaan terminologi bisa bervariasi. Beberapa pihak menganggap data science sebagai bagian dari AI, dan sebaliknya, beberapa pihak mengatakan bahwa AI adalah bagian dari data science.

Namun demikian, data science menggunakan tools dari AI, machine learning, dan deep learning untuk menyelesaikan tantangan bisnis yang critical.


Dengan memahami konsep dasar machine learning, data science, deep learning, dan neural network, Anda bisa mulai mengeksplorasi bagaimana tools ini akan di implementasikan pada perusahaan Anda.

Menjadi mahir dalam kecerdasan buatan (AI) melibatkan pemanfaatan konsep-konsep ini untuk mendorong wawasan bisnis dan membuat keputusan yang cerdas.

Terimakasih, semoga bermanfaat.

Pada kesempatan berikutnya, kita akan membahas tentang membuat perusahaan jadi “perusahaan AI”.

Leave a Reply

Your email address will not be published. Required fields are marked *

en_USEN