Sejumlah perusahaan lintas industri sedang mengeksplorasi dan mengimplementasikan proyek kecerdasan buatan atau Artificial Intelegence (AI).
Subjeknya dari data yang ukurannya besar hingga robotika, yang kemudian merambah ke proses bisnis otomatis, meningkatkan pengalaman pelanggan, dan berinovasi untuk mengembangkan produk.
Menurut situs McKinsey, “AI menjanjikan manfaat besar bagi bisnis dan ekonomi melalui kontribusinya terhadap produktivitas dan pertumbuhan.” Namun di balik semua itu pasti saja selalu muncul tantangan.
Subjeknya dari data yang ukurannya besar hingga robotika, yang kemudian merambah ke proses bisnis otomatis, meningkatkan pengalaman pelanggan, dan berinovasi untuk mengembangkan produk.
Menurut situs McKinsey, “AI menjanjikan manfaat besar bagi bisnis dan ekonomi melalui kontribusinya terhadap produktivitas dan pertumbuhan.” Namun di balik semua itu pasti saja selalu muncul tantangan.
Komputer dan mesin tidak datang ke dunia ini dengan pengetahuan yang melekat. Seperti manusia, mereka ini perlu diajari bahwa lampu merah berarti berhenti dan hijau berarti pergi.
Jadi, bagaimana mesin-mesin ini benar-benar mendapatkan kecerdasan yang mereka butuhkan untuk melakukan tugas-tugas seperti mengendarai mobil atau mendiagnosis penyakit?
Jadi, bagaimana mesin-mesin ini benar-benar mendapatkan kecerdasan yang mereka butuhkan untuk melakukan tugas-tugas seperti mengendarai mobil atau mendiagnosis penyakit?
Ada banyak cara untuk mendapatkan AI, dan yang paling penting dalam pengembangannya adalah data. Tanpa data berkualitas, kecerdasan buatan adalah khayalan belaka. Ada dua cara data dapat dimanipulasi baik melalui Rule-Based atau Machine Learning dan beberapa latihan guna membantu Anda memilih di antara kedua metode tersebut.
Sistem Rule-Base
Jauh sebelum AI dan Machine Learning (ML) menjadi istilah umum di bidang teknologi, pengembang mengkodekan pengetahuan manusia ke dalam sistem komputer sebagai aturan yang disimpan dalam basis pengetahuan.
Aturan-aturan ini mendefinisikan semua aspek tugas, biasanya dalam bentuk pernyataan "Jika". Contohnya: "jika A, lalu lakukan B, kalau tidak X, lalu lakukan Y".
Aturan-aturan ini mendefinisikan semua aspek tugas, biasanya dalam bentuk pernyataan "Jika". Contohnya: "jika A, lalu lakukan B, kalau tidak X, lalu lakukan Y".
Sementara jumlah aturan yang harus ditulis tergantung pada jumlah tindakan yang Anda inginkan untuk ditangani system. Misalnya, 20 tindakan menulis dan mengkode secara manual setidaknya 20 aturan.
Sistem berbasis aturan pada umumnya memiliki performa yang lebih rendah, lebih efektif namun berisiko karena aturan ini tidak akan berubah atau memperbarui sendiri kalu tidak diolah lagi oleh ownernya. Namun, aturan dapat membatasi kemampuan AI dengan kecerdasan yang kaku dan hanya dapat melakukan apa yang telah dikerjakan owner.
Sistem berbasis aturan pada umumnya memiliki performa yang lebih rendah, lebih efektif namun berisiko karena aturan ini tidak akan berubah atau memperbarui sendiri kalu tidak diolah lagi oleh ownernya. Namun, aturan dapat membatasi kemampuan AI dengan kecerdasan yang kaku dan hanya dapat melakukan apa yang telah dikerjakan owner.
Hasil tetap: misalnya, hanya ada dua status yang dapat digunakan tombol "Tambahkan ke Troli", baik ditekan atau tidak.
Risiko kesalahan cukup tinggi: Berisiko positif palsu, karena akan tebaca seperti 100% akurat atau 100% Tidak akurat, sesuai yang sudah diterapkan.
Sistem Machine Learning
Sementara ini sistem berbasis aturan dapat dianggap memiliki kecerdasan "tetap dan kaku", sebaliknya pada sistem Machine Learning ini AI yang dihasilkan akan bersifat adaptif dan memiliki upaya untuk mensimulasikan kecerdasan manusia.
Masih terdapat lapisan aturan yang mendasarinya. Mesin akan memiliki kemampuan untuk mempelajari aturan baru dan membuang aturan yang tidak berfungsi lagi.
Masih terdapat lapisan aturan yang mendasarinya. Mesin akan memiliki kemampuan untuk mempelajari aturan baru dan membuang aturan yang tidak berfungsi lagi.
Dalam praktiknya, ada beberapa cara mesin dapat belajar, tetapi pelatihan yang diawasi ketika mesin diberi data untuk dilatih, umumnya merupakan langkah pertama dalam program Machine Learning. Hasil akhirnya, mesin akan dapat menafsirkan, mengelompokkan, dan melakukan tugas-tugas lain dengan data yang tidak berlabel atau informasi yang tidak diketahui oleh ownernya.
Aturan sederhana tidak berlaku, artinya tidak menggunakan aturan kaku dan baku seperti Ruled-base perubahannya lebih cepat: Akan diperbarui ketika situasi, skenario, dan data berubah lebih cepat dan dapat terus menulis aturan baru.
Baca juga :
- Tren Keamanan Digital 2020 AI Malware
- Bahaya Mengancam di balik Faceapp
- Kacamata Deteksi Corona Rokid-T1
Nah begitulah perbedaan dari Rule-based dan Machine Learning. Manfaat yang diantisipasi untuk AI tinggi, sehingga keputusan yang diambil perusahaan pada awal pelaksanaannya bisa sangat penting untuk kesuksesan.
Menyelaraskan pilihan teknologi Anda dengan tujuan bisnis dapat mendasari apa yang akan dilakukan kedepannya. Masalah apa yang Anda coba selesaikan, atau tantangan yang Anda coba temui. Keputusan untuk menerapkan sistem Ruled-base atau Machine Learning akan memiliki dampak jangka panjang pada bagaimana program AI perusahaan berkembang dan berskala.
Menyelaraskan pilihan teknologi Anda dengan tujuan bisnis dapat mendasari apa yang akan dilakukan kedepannya. Masalah apa yang Anda coba selesaikan, atau tantangan yang Anda coba temui. Keputusan untuk menerapkan sistem Ruled-base atau Machine Learning akan memiliki dampak jangka panjang pada bagaimana program AI perusahaan berkembang dan berskala.
Bagi banyak pengembang AI, tantangannya adalah ketika memulai pengembangan Ai itu sendiri. Jika Anda termasuk dalam kategori pengembang AI, mulailah dengan menentukan apakah metodenya akan menggunakan Ruled-base atau Machine Learning. Gunakan yang paling baik untuk kebutuhan Anda.