Kedua adalah Deployment. Model AI yang dibuat seharusnya bisa di-deploy di mana saja. “Karena vendor lock-in is a nightmare. Kita ingin sebebas bebasnya menerapkan teknologi yang kita miliki saat ini. Kalau deploymentnya tidak fleksibel, akan sulit bagi kita untuk mengintegrasikan model AI itu dengan mesin yang sudah ada, terutama dengan legacy system atau mesin-mesin lama yang belum mempunyai sensor IoT,” papar Christian.
Ketiga adalah Detection, deteksi terhadap pola-pola (pattern) yang tersembunyi. Pasalnya, manusia akan kesulitan melakukan deteksi pola secara manual apabila volume datanya sangat besar atau datanya sangat kompleks. “AI bisa melakukan deteksi, bisa melihat pattern yang tersembunyi sehingga kita bisa mendapatkan insight yang lebih banyak,” imbuh Christian. Terakhir adalah Depth, yaitu kedalaman eksplorasi AI terhadap data-data yang ada.
Bisa Manual, Tapi...
Kemudian Christian Suryanto juga memaparkan tahap-tahap dalam predictive maintenance: data collection/data procurement, data preparation, feature engineering, model training, prediction, dan deployment.
Christian menuturkan bahwa adalah mungkin untuk membangun model AI untuk predictive maintenance ini secara manual, jika kita memang belum mempunyai platformnya. “Tapi kita akan membutuhkan komputasi yang luar biasa dan tim yang luar biasa juga untuk mengerti hal itu, dan mentranslasikan apapun yang ada di real case menjadi mathematical case dan kemudian ditranslasi kembali balik ke real case. Sekali lagi, ini bisa dilakukan secara manual tapi perhitungannya akan intens,” jelas Christian.
Dan proses predictive maintenance ini juga tidak bisa dilakukan hanya sekali, Proses ini harus dilakukan secara terus menerus. “Proses ini akan berulang-ulang karena kita akan terus memperbarui model tersebut,” jelas Christian. Proses yang berulang-ulang ini bertujuan menghasilkan insight yang lebih baik.
H2O Sederhanakan Predictive Maintenance
Membantu perusahaan menyederhanakan predictive maintenance, IBM menawarkan solusi H20 Driverless AI. “H2O Driverless AI adalah suatu platform, automated machine learning platform, AI to do AI. simplifying the process, untuk data expert bahkan sampai ke non data scientist,” jelas Christian. H2O yang dapat berjalan di mesin IBM Power ini akan melakukan proses predictive maintenance mulai dari data preparation sampai ke prediction dan deployment.
“Misalnya kita punya sensor untuk mendeteksi air pressure pada truk, setelah itu data-data dari sensor tersebut dari multiple truck kita gabungkan dalam satu file dan kita masukkan ke H2O Driverless AI, nanti hasil yang keluar adalah global, apakah truk butuh maintenance atau tidak. As simple as that,” tegas Christian.
Salah satu fitur yang digarisbawahi oleh Christian adalah explain ability. Menurut Christian, salah satu hal yang paling utama dari model AI adalah kepercayaan atau trust.
“Oke, AI menjadi salah satu yang penting. Model juga menjadi salah satu yang penting. Tapi apakah benar kita bisa percaya model tersebut? Ujung-ujungnya ini hanya akan jadi blackbox kalau kita nggak tau dia mengambil kesimpulan dari mana. Seakan-akan dia bilang A kita terima A, dia bilang B kita terima B. Kita harus punya background juga kenapa sistem mengambil pilihan A atau B. Mengapa harus dilakukan maintenance, mengapa tidak harus maintenance,” jelasnya.
H2O datang dengan satu fitur di mana memungkinkan pengguna dapat memperoleh reasoning lima faktor teratas yang menyebabkan sistem mengambil keputusan untuk melakukan pemeliharaan atau tidak.
Saksikan video mengenai manfaat predictive maintenance di industri manufaktur yang disampaikan dalam acara InfoKomputer Tech Gathering, klik link YouTube ini.
| Penulis | : | Liana Threestayanti |
| Editor | : | Liana Threestayanti |
KOMENTAR