Agar bisa memahami kebutuhan data apa saja yang sudah harus disediakan mulai dari sekarang, Anda perlu mengatasi persoalan yang sering terjadi terkait pengelolaan data di perusahaan, yakni data hugging. Ada kecenderungan sebagian tim untuk menguasai sendiri data yang mereka kerjakan dan enggan membaginya dengan divisi atau bagian lain di organisasi.
Mematahkan sekat-sekat kekakuan antar tim yang terkait di perusahaan penting untuk dilakukan. Perlu membangun cara pandang yang lebih luas terkait lanskap data. Seiring berjalannya waktu, Anda harus memastikan bahwa Anda punya kontrol terhadap akses dan tata kelola data yang tepat di lingkungan IT perusahaan.
Anda juga harus memahami data-data yang betul-betul dibutuhkan dalam pendekatan machine learning yang Anda terapkan. Saat melakukan perencanaan data, pikirkan juga strategi terbaik untuk penyimpanan data dan investasikan sedini mungkin pada peranti-peranti pemrosesan data untuk mendukung kebutuhan de-identification dan/atau anonymization.
Cerner, misalnya, menerapkan strategi ini dalam rangka meningkatkan penggunaan data secara efektif untuk keperluan membangun insight yang prediktif dan yang terkait dengan diagnostik digital. Saat ini, Cerner menggunakan layanan terkelola penuh untuk membangun, menggelar, dan mengelola model-model penerapan teknologi machine learning dalam skalabilitas yang mereka butuhkan.
Identifikasi Permasalahan Bisnis dengan Tepat
Saat mengevaluasi apa dan bagaimana penerapan machine learning, Anda harus fokus untuk menelaah timbulnya masalah dari beragam sisi: kesiapan data, dampak bisnis, dan kemudahan penerapan machine learning itu sendiri. Kepiawaian tim juga menjadi tolok ukur sejauh mana penerapan itu akan sukses nantinya.
Sejauh mana penerapan ini bisa cepat diselaraskan dengan nilai bisnis merupakan kunci agar sukses dalam penerapan machine learning di perusahaan. Alih-alih mencoba menggelar proyek machine learning untuk kurun waktu tiga tahun, lebih baik fokus pada penerapan use case bisnis yang krusial yang bisa dirampungkan dalam jangka waktu enam hingga sepuluh bulan saja.
Hal pertama yang mesti Anda lakukan adalah mencari area-area di mana data belum banyak termanfaatkan. Selanjutnya, lakukan evaluasi sejauh mana penggelaran machine learning membawa manfaat di area-area tersebut atau apakah justru Anda melakukan perbaikan-perbaikan sia-sia pada hal-hal yang sebenarnya tidak bermasalah. Hindari membidik masalah yang terkesan mentereng, namun justru nilai bisnisnya tak jelas, sebab bisa-bisa malah akan membawa kerumitan yang tak kunjung usai.
Contoh pemecahan masalah dengan tepat dapat dilihat pada penerapan teknologi di Formula 1. Olah raga pacu paling mentereng ini pernah berupaya mencari cara baru dalam menghadirkan metrik balapan yang bisa mengubah bagaimana penggemar balap dan tim Formula 1 dalam menikmati suguhan pertandingan. Kendalanya adalah riwayat data balapan yang harus mereka ayak begitu panjang, sampai 65 tahun.
Setelah tim pakar di bidang teknis dengan para ahli di masing-masing domain duduk bersama untuk menentukan tipe data mentah mana yang punya potensi nilai yang tinggi untuk diolah, baik bagi tim maupun penggemar balapan, data scientist di Formula 1 memanfaatkan teknologi Amazon SageMaker untuk melatih model-model machine learning guna menghasilkan catatan statistik yang bernilai, seperti tingkat performa yang krusial, membuat prediksi balapan, hingga menyiarkan insight yang lebih membawa keterlibatan kepada penggemar untuk dijadikan sebagai bahan pertimbangan dalam mengambil keputusan dan strategi bagi tim maupun pengendara dengan cepat.
Tidak hanya itu saja, pada setiap acara balapan berlangsung, pada masing-masing mobil balap dipasangi dengan 120 sensor yang mampu menghasilkan hingga 3GB data dan 1.500 titik data di tiap detiknya. Untuk menampung jumlah data yang begitu besarnya, Formula 1 memanfaatkan Amazon Kinesis. Amazon Kinesis mendukung penayangan data secara real-time untuk menangkap dan menganalisa angka-angka statistik performa yang krusial dari tiap-tiap mobil yang turut berpacu, misalnya untuk mencermati performa masing-masing pembalap dengan tepat di setiap titik lintasan dan tikungan atau menganalisis apakah mereka ternyata berlebihan dalam memacu tunggangan mereka.
Selami Kultur Machine learning