Penulis: Swami Sivasubramanian, Vice President of Amazon Machine Learning, AWS
Pertanyaan di seputar machine learning bukan lagi diperlukan atau tidak, tapi bagaimana teknologi ini dapat diadopsi dengan cepat dan efektif. AWS menyarankan agar perusahaan/organisasi mempertimbangkan empat hal ini ketika mulai mengaplikasikan machine learning.
Masa keemasan teknologi machine learning (ML) telah tiba. Dulu dinomorduakan, kini machine learning telah menjadi salah satu strategi inti (core strategies) bisnis bagi perusahaan-perusahaan di seluruh dunia. Kehadiran machine learning begitu menjanjikan bagi perusahaan/organisasi mulai dari penyedia layanan kesehatan hingga pertanian, perusahaan fintech hingga media dan hiburan.
Cerner, perusahaan penyedia layanan kesehatan dan teknologi terkemuka di kancah global, memanfaatkan machine learning untuk meningkatkan penyajian layanan kepada pasien. Mereka mulai beralih dari model perawatan pasien yang bersifat reaktif menjadi proaktif. Bahkan, kini mereka bisa memprediksi potensi kegagalan jantung kongestif 15 bulan sebelum dilakukan diagnosa klinis.
Kemudian ada Intuit, perusahaan peranti lunak di bidang bisnis dan finansial. Mereka berhasil mengidentifikasi transaksi palsu berkat bantuan teknologi machine learning. Bahkan, dengan teknologi machine learning yang dibangun di atas AWS, NFL mampu menyusun insight baru untuk selalu terbarui dengan informasi mengenai cedera yang dialami oleh pemain, aturan-aturan pertandingan terkait, peranti pendukung, proses rehabilitasi, hingga pemulihan.
Memulai pengembangan proyek machine learning di sebuah organisasi mungkin terasa pelik, tapi penting bagi perusahaan untuk mulai membangun pola pikir machine learning masa depan di lingkungan kerjanya. Menurut laporan Deloitte Insights State of AI in Enterprise di tahun 2018, sekira 63 persen perusahaan telah berinvestasi pada teknologi machine learning agar tetap kompetitif. IDC bahkan memperkirakan bahwa belanja AI dan teknologi-teknologi kognitif lainnya akan melampaui angka US$50 miliar secara global di tahun 2021.
Kini, pertanyannya bukan lagi apakah perusahaan perlu menerapkan strategi machine learning atau tidak. Namun lebih pada bagaimana perusahaan dapat menerapkan machine learning tersebut secepatnya dan seefektif mungkin?
Di Amazon sendiri, penerapan teknologi machine learning sudah berjalan sejak 20 tahun lalu, mulai dari penerapan machine learning di area-area seperti, personalisasi, manajemen supply chain, hingga sistem prakiraan untuk proses tata laksana di perusahaan. Hari ini, machine learning punya peranan penting dalam meningkatkan fungsi dari tiap-tiap lini bisnis di perusahaan. Ini tentu tidak mungkin terwujud dalam waktu semalaman. Perlu adanya perubahan kultur dan teknologi sedemikian rupa. Kami menggali banyak hal-hal mengenai bagaimana meraih sukses dalam menghadirkan machine learning.
Terlepas apakah perusahaan Anda baru akan mengenal machine learning atau sudah dalam fase implementasi tahap awal, inilah empat langkah yang bisa Anda pertimbangkan sebagai pegangan agar berhasil dalam melalui perjalanan transformatif pemanfaatan teknologi machine learning di perusahaan.
Atur Data Anda
Saat mulai mengadopsi machine learning, data kerap dianggap sebagai kendala nomor satu oleh banyak perusahaan. Bila menilik dari pengalaman kami bersama-sama dengan pelanggan dalam pengembangan model machine learning, lebih dari separuh dari seluruh waktu yang dibutuhkan untuk pengembangan dihabiskan untuk hal-hal, seperti data wrangling, data cleanup, dan tahapan-tahapan pra pemrosesan data. Siapa pun SDM yang ditugaskan dalam adopsi machine learning di perusahaan, apabila Anda tidak berinvestasi pada pembangunan strategi data yang kuat, maka akan banyak waktu yang terbuang untuk tugas-tugas yang berkenaan dengan data cleanup dan manajemen data, alih-alih untuk tugas-tugas krusial, seperti pengembangan algoritma-algoritma baru.
Ada tiga pertanyaan yang penting untuk diutarakan ketika hendak memulainya: Apakah data tersedia saat ini? Data apa saja yang tersedia? Dalam kurun setahun ke depan, data apa sajakah yang kira-kira akan kita butuhkan dan perlu dikumpulkan mulai dari sekarang?
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
Agar bisa segera beranjak dari proyek pilot ke penggelaran machine learning dalam skala yang lebih luas, Anda pertama kali harus bisa memahami bagaimana kultur machine learning itu sendiri. Pimpinan dan pengembangan harus sama-sama punya pemikiran yang sama mengenai bagaimana mereka dapat menerapkan machine learning sebagai solusi atas beragam permasalahan bisnis.
Dalam perjalanannya nanti, tentu Anda akan merasakan sendiri beragam kendala di sana-sini. Namun, di tataran inti, machine learning itu sendiri sebetulnya merupakan eksperimentasi yang akan terus mengalami penyempurnaan-penyempurnaan seiring waktu. Jadi di depan, perusahaan harus sudah siap dan mafhum dengan kegagalan dan mulai meluaskan cara pandang mereka terhadap segala kemungkinan yang akan terjadi. Jika ini diterapkan, niscaya kultur machine learning yang Anda bangun akan punya peran yang vital dalam turut meletakkan fondasi menuju kesuksesan perusahaan dalam jangka panjang.
Kesalahan umum yang dilakukan perusahaan adalah menaruh pakar-pakar teknologi di tim yang berlainan. Kekakuan seperti ini bisa memicu beragam masalah lain. Tak jarang jika pengembangan model machine learning biasanya berakhir menjadi onggokan konseptual, namun tidak memberikan solusi nyata atas permasalahan yang terjadi.
Perusahaan malah justru perlu mendudukkan bersama antara tim pakar di bidang teknis dengan para ahli di masing-masing domain kepakaran, agar dalam mencari solusi, mereka dapat menariknya dari tiap-tiap permasalahan yang dialami oleh pelanggan. Dengan menempatkan orang-orang yang tepat diharapkan dapat memupus kesenjangan kultur dalam pengadopsian, ditambah dengan keputusan yang cepat oleh perusahaan untuk menggelontorkan belanja bisnis.
Di sisi lain, pimpinan perusahaan juga harus gigih dalam mencari strategi agar memudahkan pengembang dalam penerapan machine learning ini. Membangun infrastruktur untuk pengembangan machine learning dalam skala yang luas tentu membutuhkan SDM dalam jumlah yang luar biasa. Ini justru dirasa akan menghambat inovasi. Dalam mengembangkan model machine learning, tim tidak boleh fokus hanya pada hal-hal yang sifatnya dikerjakan beramai-ramrai namun tak jelas diferensiasinya. Dengan menggunakan peranti yang mampu mencakup seluruh workflow dalam membangun, melatih dan menggelar model-model machine learning, proses produksi bisa dilakukan dengan lebih cepat, serta dengan upaya dan biaya yang tentu lebih rendah.
Intuit, contohnya, berencana untuk menyederhanakan proses penyortiran TurboTax bagi nasabah mereka, agar memudahkan dalam mengidentifikasi bidang-bidang mana yang bisa dipangkas. Dengan menggunakan Amazon SageMaker yang diterapkan pada peranti ExpenseFinder milik mereka, Intuit bisa menarik transaksi bank secara otomatis setara dengan nilai dalam setahun. Ini berkat algoritma machine learning di Intuit yang bisa membantu nasabah mengungkap rata-rata sebesar $4.300 dalam pembiayaan bisnis mereka. Waktu yang dibutuhkan untuk pengembangan model machine learning juga terpangkas dari 6 bulan menjadi kurang dari seminggu.
Ini hanya salah satu contoh saja bagaimana machine learning bisa membawa banyak perubahan dalam bisnis bagi hampir di semua lini industri. Machine learning bukan lagi teknologi yang ada di awang-awang. Machine learning mendukung terwujudnya transformasi di masa kini. Tentu dalam perjalanannya nanti, Anda akan merasakan sendiri beragam kendala di sana-sini. Namun, di tataran inti, machine learning itu sendiri sebetulnya merupakan eksperimentasi yang akan terus mengalami penyempurnaan-penyempurnaan seiring waktu. Jadi di depan, perusahaan harus sudah siap dan mafhum dengan kegagalan dan mulai meluaskan cara pandang mereka terhadap segala kemungkinan yang akan terjadi. Jika ini diterapkan, niscaya kultur machine learning yang Anda bangun akan punya peran yang vital dalam turut meletakkan fondasi menuju kesuksesan perusahaan dalam jangka panjang.
Pengembangan Tim
Membangun kultur machine learning, Anda harus fokus dalam pengembangan tim, seperti mengembangkan skill yang tepat bagi tiap-tiap engineer serta memastikan bahwa pimpinan di level atas bisnis mendapatkan pelatihan yang tepat agar memiliki pemahaman mendasar mengenai machine learning.
Di sisi lain, merekrut SDM berpengalaman tinggi di bidang machine learning bukan perkara mudah. Selain karena terkait dengan persoalan biaya, mendapatkan mereka juga bak mencari jarum di tumpukan jerami. Perusahaan perlu mengembangkan kapasitas dan kemampuan SDM yang sudah ada. Skill di bidang machine learning bisa dipupuk melalui penyelenggaraan pelatihan-pelatihan bagi pengembang secara internal. Cara ini dipercaya juga akan membuat mereka lebih betah dan loyal kepada perusahaan.
Amazon menggelar sejumlah program yang mendukung talenta-talenta mudah mengenali machine learning lebih jauh, terlepas tingkat kepiawaian maupun latar belakang industri mereka. Beberapa tahun yang lalu, Amazon mengembangkan in-house Machine learning University (MLU) untuk membantu para pengembang mudah mengasah kemampuan machine learning mereka, serta menyediakan peranti yang dibutuhkan oleh bibit-bibit baru untuk mengenal teknologi tersebut.
Kami juga menyelenggarakan kursus yang sama tentang machine learning pada tahun 2018 untuk melatih engineer kami agar siap mendukung pengembang melalui program AWS Training and Certification yang kami tawarkan. Di bulan Agustus tahun ini, kami juga menyelenggarakan sejumlah kursus singkat dengan pengajar berasal dari tim pakar Amazon ML. Saat ini, kursus ini sudah bisa diakses secara daring. Mulai 2021, seluruh kelas yang diselenggarakan dalam MLU juga akan tersedia dalam bentuk video on-demand, bersama semua materi coding terkait.
Kita melihat satu lagi pendekatan yang dilakukan oleh Morningstar, firma layanan finansial global, yang sempat menikmati pelatihan langsung bagi karyawan mereka melalui program AWS DeepRacer untuk mendukung akselerasi penerapan teknologi machine learning di seluruh lini perusahaan, dari produk, layanan, hingga proses investasi yang mereka tawarkan. Sudah lebih dari 445 karyawan Morningstar yang saat ini terlibat dalam program AWS DeepRacer League. Program ini menjadi satu cara untuk lebih melibatkan mereka dalam merealisasikan komitmen perusahaan di level global dalam meningkatkan skill dan menyatukan tim global perusahaan.