Fitur Enterprise Saat Kecerdasan Buatan Menjadi Sahabat Perusahaan

Saat Kecerdasan Buatan Menjadi Sahabat Perusahaan

Ilustrasi kecerdasan buatan.

Jika ada kesempatan menggunakan speaker cerdas Amazon Echo, cobalah memintanya menyanyikan sebuah lagu. Lalu, jika tidak puas, cobalah “mengolok-oloknya” dengan mengatakan “Alexa, you’re very stupid”. Anda mungkin akan terkejut bahwa perangkat ini akan menjawab dengan beberapa cara, salah satunya dengan mengatakan “That’s not a very nice thing to say”. Jawaban yang cukup cerdas bukan?

“Kecerdasan” speaker cerdas semacam Amazon Echo dan Google Home merupakan bukti bahwa penerapan kecerdasan buatan (artificial intelligence) sudah kian meluas.

Di Google, yang setiap saat kita gunakan untuk mencari informasi, khususnya dengan memanfaatkan fitur speech recognition, teknologi kecerdasan buatan telah diterapkan sejak lama. Demikian pula ketika Anda ingin mencocokkan sebuah gambar dengan Google Images, kecepatan dan keakuratan hasil pencarian dimungkinkan berkat kecerdasan buatan.

Kalahkan Manusia

Di sektor jasa asuransi misalnya, kecerdasan buatan bisa menghemat proses penghitungan klaim bagi nasabah, yang selama ini masih dilakukan oleh manusia, walaupun dibantu oleh peranti lunak khusus.

Sementara itu, International Business Machine (IBM) makin serius mengembangkan komputer super Watson. Hingga kini, IBM mengklaim telah meningkatkan kemampuan Watson di tingkatan kuantum yang dapat diakses oleh publik di website mereka.

Google juga sedang mengembangkan DeepMind, sistem kecerdasan buatan yang pengerjaannya dilakukan sejak tahun 2014. Pada Maret 2016, DeepMind dengan peranti lunak AlphaGo mengalahkan Lee Sedol dalam lima putaran permainan Go, catur klasik Cina. Kompleksitas game ini diklaim melebihi permainan catur biasa. Lee Sedol adalah pemain Go profesional peringkat ke-9 dunia asal Korea Selatan.

Nah, seiring meningkatnya penggunaan kecerdasan buatan di berbagai bidang, kali ini kami akan memaparkan beberapa perusahaan atau lembaga yang telah menerapkan sistem kecerdasan buatan secara nyata.

Mengingat jumlahnya sangat banyak, kami meringkasnya berdasarkan tingkat kemenonjolannya dalam beberapa kategori industri.

Penerapan di Media Massa

Kecerdasan buatan sangat efektif diterapkan di bidang media massa untuk meningkatkan kecepatan dan keakuratan berita bagi audiensi. Pada 6 September 2016, France Info, perusahaan yang menaungi Radio France bekerja sama dengan Dataminr untuk melakukan itu.

Dataminr mendapatkan data dari 500 juta status pengguna Twitter dan sumber informasi lainnya yang disaring berdasarkan topik, waktu, dan wilayah. Data itu secara otomatis terkirim kepada klien secara real time. Dengan cara itu, pengelola France Info mampu memberikan informasi secara lebih akurat, relevan, dan lebih awal kepada audiensinya.

Ilustrasi mekanisme pengunaan Dataminr di industri media massa.

Contoh penerapan konkretnya adalah ketika terjadi badai gurun yang menghantam sebagian wilayah Timur Tengah termasuk pantai barat India pada 6 April 2015.

Hindustan Times yang menggunakan layanan Dataminr, mendapatkan informasi awal itu dari status Twitter seorang pelancong yang kebetulan berada di tengah-tengah badai menggunakan angkutan umum. Menggunakan layanan peta di Dataminr, redaksi Hindustan Times mendapati bahwa pelancong tersebut sedang di wilayah Rajasthan, India. Dari pelancong itu pulalah redaksi mendapatkan foto-foto eksklusif peristiwa tersebut.

Dataminr didirikan pada tahun 2009 di New York Amerika serikat oleh Ted Bailey, Jeff Kinsey, dan  Sam Handel. Pada 2014, CNBC menobatkan Dataminr sebagai salah satu dari lima puluh perusahaan dunia paling disruptif, sebab memiliki kelebihan dan keunikan algoritma dalam mencari dan mengumpulkan data (dibandingkan dengan Google, IBM, dan Salesforce.com).

Penerapan di Bidang Analisis Keuangan

Pada November 2014, Goldman Sachs memutuskan menggelontorkan dana investasi sebesar US$15 juta kepada Kensho, sebuah perusahaan rintisan di Amerika Serikat yang didirikan oleh Daniel Nadler.

Alasannya sederhana yakni Kensho memproduksi peranti lunak cerdas Warren yang mampu menampilkan informasi lengkap dan akurat seputar peristiwa keuangan terkini, termasuk analisis dan prediksi. Goldman Sachs, CIA, JP Morgan Chase, Bank of America dan CNBC adalah tiga perusahaan dari sekian banyak perusahaan yang menjadi klien Kensho.

Ilustrasi mekanisme aplikasi Kensho Warren di bidang analisis keuangan.

Daniel Nadler mendapatkan ide pembuatan Warren, ketika pada tahun 2013 ia menjadi mahasiswa magang di Boston Federal Reserve. Di sana ia mendapati bahwa beragam peristiwa yang terjadi saat ini dan di masa lalu menjadi faktor penentu sangat besar bagi seseorang dan perusahaan untuk memutuskan langkah-langkah investasi yang tepat. Peristiwa ini misalnya fluktuasi harga minyak di Timur Tengah dan pemilihan umum di Eropa.

Dari sana timbul pertanyaan: “Kapan pertama kali peristiwa itu terjadi?” atau “Bagaimana dampak peristiwa itu terhadap pasar?” Warren menjawab pertanyaan-pertanyaan itu dengan jawaban yang eksak, tidak seperti hasil pencarian mesin pencari biasa yang menampilkan hasil analisis yang sudah ada sebelumnya.

Warren mampu menjawab hingga 65 juta pertanyaan dengan menganalisis keterkaitan di antara lebih dari 90 ribu data yang meliputi data bencana alam, perkembangan politik, performa keuangan perusahaan, peluncuran produk baru, hingga keputusan-keputusan yang diambil lembaga pemerintahan.

 

Kepada Warren, Anda dapat mengetikkan beragam pertanyaan-pertanyaan yang sangat kompleks (natural languange) dengan jawaban yang eksak.

Misalnya (dalam bahasa Inggris): which cement stocks go up the most when a Category 3 hurricane hits Florida? (jawaban: Texas Industries), which defense stocks go up when North Korea fires a test missile? (jawaban: Raytheon, General Dynamics, Lockheed Martin), atau which Apple supplier’s share price goes up the most when the company releases a new iPad? (jawaban: OmniVision).

Penerapan di Bidang Manajemen

Pada 22 Desember 2016, Bridgewater Associates mengumumkan pengembangan peranti lunak untuk memenuhi kebutuhan manajemen, seperti rekrutmen karyawan dan keperluan pembuatan keputusan strategis.

Bridgewater Associates menilai bahwa dengan kehadiran kecerdasan buatan itu, karyawan lain bertugas untuk menetapkan kriteria apa saja yang dimasukkan ke dalam algoritma peranti lunak tersebut, termasuk, tentu saja mengawasi pelaksanaannya.

Tim pembuat program, yang sejak awal 2015 dibentuk, dikepalai oleh David Ferrucci yang juga terlibat dalam pengembangan IBM Watson. Program awal itu dinamakan PriOS. Tujuannya, membuat sekitar ¾ keputusan manajemen yang dapat digunakan hingga lima tahun mendatang.

Kemampuan ini dapat membantu perusahaan merekrut karyawan yang tepat untuk bidang pekerjaan khusus. Hasil pemeringkatan kemudian dikaji kembali oleh beberapa anggota tim, jika terdapat ketidaksetujuan tentang cara-cara untuk memprosesnya.

Pembuatan program ini dianggap sebagai langkah yang tepat untuk menghindari ketidaktepatan manusia saat mengambil keputusan, yang tidak jarang dipengaruhi oleh kondisi hati dan kejiwaanya. Bagi Bridgewater Associates, sebagai perusahaan terkait pengelolaan keuangan terbesar di dunia, keputusan yang keliru sangat menentukan keberlangsungan kinerja perusahaan.

Perusahaan konsultan Huge, yang pernah melayani Nike, Google, dan Gedung Putih, merasa perlu membuat Dakota. Untuk memenuhi kebutuhan tertentu, Dakota membantu Huge untuk memilih karyawan yang tepat yang akan melakukan presentasi.

Dakota memeriksa terlebih dahulu pangkalan data yang berisikan dokumen riwayat hidup para karyawan, lalu menginformasikan siapa saja yang cocok bertemu calon klien, termasuk materi–materi yang patut dipresentasikan.

Dakota juga bisa mencari profil tentang rekanan yang cocok digandeng untuk sebuah proyek. Huge sedang mengembangkan Dakota agar tidak sekadar menerima perintah teks melalui SMS, tetapi bisa mengenali perintah suara, dan tampilan visual.

Penerapan di Bidang Pemasaran

Netflix pun tak ingin tertinggal dan mencoba melibatkan kecerdasan buatan agar mereka bisa benar-benar memahami kebutuhan pengguna. Sebelumnya, untuk mengukur minat penggguna, Netflix mengandalkan sistem rating, berbasis banyaknya bintang yang diberikan pengguna kepada setiap film yang disukainya. Itulah yang dijadikan rujukan analisis dan prediksi tentang pengguna.

Masalah pun muncul ketika tidak semua orang ingin menonton film dengan rating lima bintang. Seorang pengguna barangkali memberikan lima bintang pada film The Godfather dan memberikan tiga bintang pada film serial Friends, tetapi lebih tertarik untuk menonton Friends.

Dengan kecerdasan buatan, Netflix mengumpulkan data dari 83 juta pengguna, berupa jumlah play, pause, klik, dan penelusuran. Peranti lunak mempelajari data ini dan menggabungkan dengan kesamaan ciri antarpengguna dan kelompok pengguna untuk mencari pola tertentu, kemudian membuat sebuah prediksi.

Fitur Discovery di Spotify berbasis kecerdasan buatan untuk mengenali selera musik pengguna.

Di lain pihak, pada Mei 2016, Spotify mengumumkan keberhasilannya dalam menerapkan fitur Discovery Weekly Playlists, yang mencapai 40 juta pengguna aktif. Sejak diluncurkan pada Juli 2016, jumlah track lagu yang tersedia di sini mencapai lima juta dengan jumlah penayangan mencapai 1,5 miliar. Jumlah pengguna unik itu melebihi separuh dari jumlah anggota Spotify yang kini mencapai 70 juta.

Menerapkan kecerdasan buatan dengan algoritma yang lebih rumit berbanding Netflix, Spotify menganalisis riwayat musik yang telah dimainkan, tetapi difokuskan pada musik yang didengar paling akhir.

Katakanlah Anda sedang mendengarkan lagu Burn karya Deep Purple. Sistem kemudian mencari lagu lain yang mirip (baik dari segi nama penyanyi, judul, genre dan subgenre) di antara jutaan playlist yang dibuat oleh pengguna lainnya.

Setelah ditemukan dan cocok dengan profil akun Anda, lagu tersebut secara otomatis dimasukkan ke dalam playlist Anda sebagai lagu yang belum pernah Anda dengar sebelumnya, tetapi berpeluang besar untuk Anda dengarkan.  

Penerapan di Bidang Kesehatan

Selain mampu mengindentifikasi perawatan penyakit kanker dan menang pada kuis Jeopardy, IBM Watson juga mampu membantu penelitian baru, yaitu neuroscience.

Pada Desember 2016, IBM mengumumkan keberhasilannya dalam menemukan lima gen yang terkait dengan ALS (amyotrophic lateral sclerosis). Ini merupakan sebuah penyakit degeneratif, di mana sel yang mengontrol pertumbuhan otot berada dalam kondisi mati. Ini yang membuat penderitanya lumpuh bahkan meninggal dunia.

Hasil kerja sama IBM dengan Barrow Neurological Institute itu “melatih” Watson dengan cara mempelajari semua literatur ALS yang ada selama ini dan mengenali lebih jauh jenis protein tertentu. Protein ini dicurigai memiliki hubungan erat dengan penyebab ALS.

Asisten Suara IBM Havyn yang Berbasis IBM Watson

IBM Watson kemudian memeringkat sekitar 1.500 data gen manusia dan menganalisisnya untuk memastikan apakah protein ini memang terkait dengan ALS. Hasilnya adalah sebanyak 8 dari 10 gen terkait ALS sedangkan 5 gen lainnya tidak terkait sama sekali. Hasil positif ini sangat membantu peneliti dan dokter dalam memberikan perawatan yang tepat bagi penderita.

Tanpa IBM Watson, penelitian serupa bisa berlangsung bertahun-tahun. IBM Watson di lain pihak mampu melakukannya hanya dalam beberapa bulan.

Penerapan di Bidang Manajemen Peralatan

Teknologi canggih lainnya yang menggunakan kecerdasan buatan adalah teknologi digital twin yang dikembangkan secara ambisius oleh General Electric (GE).

Digital twin adalah peranti lunak khusus untuk melakukan fungsi manajemen peralatan, khususnya pengendalian dan pengawasan yang dapat dilakukan secara virtual. Katakanlah Anda merupakan seorang manajer pabrik yang sedang berada di luar kota. Namun, bawahan Anda sangat memerlukan pertimbangan Anda tentang pipa turbin yang mengalami keretakan, yang kemungkinan besar menghambat proses produksi.

Daripada sekadar mengirimkan informasi tersebut dalam bentuk teks dan foto, dengan digital twins, Anda dapat “mengunjungi” pabrik melalui laptop atau komputer tablet. Dari sana, informasi lebih lengkap dapat dilihat, mulai dari informasi terkini dalam bentuk teks, gambar asli, dan gambar keretakan virtual secara 3D.

Tidak hanya itu, dengan suara, Anda dapat memerintahkan digital twins untuk mencari beragam rekomendasi pemecahan masalah yang mungkin bisa dijadikan acuan, termasuk perkiraan berapa lama masalah tersebut dapat diselesaikan, lengkap dengan anggaran biayanya. Semua itu dijawab layaknya Anda berbicara dengan orang lain. Jikalau ingin mengintegrasikannya dengan kacamata virtual, itu tidak menjadi masalah.

Ilustrasi digital twins dari GE.

Kecanggihan digital twins, khususnya tentang pencarian solusi atas masalah, dimungkinkan dengan “melatih” peranti lunak dengan jutaan data yang dimiliki perusahaan atau sumber data yang lain yang terkait.

Terdapat tiga aspek mendasar di balik digital twins: pertama, See, data (jenis dan suku cadang alat, dan lain-lain, termasuk sensor yang ditempatkan pada alat secara langsung) yang dijadikan pembuatan model, lalu solusi. Hal itu dilakukan dengan cara memutakhirkan (update) data dan metode pembelajaran.

Kedua, Think, di mana peranti lunak mencari rasionalisasi (reasoning) yang paling masuk akal atas sebuah masalah lalu mengoptimalkannya. Ketiga, Do, memprosesnya menjadi informasi (teks,suara, dan gambar).

Masa Depan di Tangan Mesin

Kecerdasan buatan mampu meningkatkan kompetisi bisnis perusahaan dan membuatnya memenangkan pasar. Namun, di sisi lain muncul kekhawatiran baru terhadap meningkatnya jumlah pengangguran. Pasalnya, perusahaan tidak perlu lagi merekrut karyawan tambahan.

Menurut laporan Gartner pada tahun 2014, pada tahun 2029 nanti, sepertiga profesi manusia akan digantikan oleh peranti lunak, robot, dan mesin cerdas. Di tahun yang sama, seperti yang diungkapkan Ray Kurzweil (Director of Engineering Google), tingkat kecerdasan buatan akan menyamai kecerdasan manusia. Selain itu, peningkatan kemampuan komputer kuantum pada beberapa dekade mendatang akan mengubah lanskap peradaban manusia seutuhnya, khususnya untuk menguak misteri alam semesta.

Comments

comments