Pemanfaatan artificial intelligence (AI) dan machine learning (ML) kian marak di berbagai bidang. Salah satu pendorongnya adalah demokratisasi AI dan ML melalui berbagai layanan yang memudahkan implementasi kedua teknologi tersebut, seperti yang disediakan oleh Amazon Web Services (AWS).
IDC mencatat, 31% dari 2000 pengambil keputusan dan profesional TI di seluruh dunia menyatakan bahwa inisiatif AI/ML di perusahaannya sudah masuk tahap production.
Sementara hasil studi pasar machine learning dan data science yang dirilis Dresner pada tahun 2021 mengungkapkan bahwa 59% dari enterprise besar di seluruh dunia sedang dalam tahap deployment keduanya.
Namun saat AI/ML mulai menemukan momentumnya, perusahaan masih berkutat dengan sejumlah kendala. Salah satu kendala yang disebutkan IDC adalah penanganan data. Perusahaan tidak punya banyak waktu untuk membangun, melatih, dan men-deploy model-model AI. Sementara banyak pula organisasi yang tidak memiliki cukup keahlian atau kemampuan untuk menyiapkan data.
Senada dengan temuan IDC, Donnie Prakoso, Senior Developer Advocate, ASEAN, AWS menyebutkan bahwa tantangan utama bagi bisnis dalam implementasi machine learning adalah kebutuhan tenaga ahli dan ketersediaan sumber daya yang mumpuni.
Donnie memaparkan, developer dengan keahlian khusus di bidang machine learning belum banyak tersedia. Selain itu, dalam tahap pembelajarannya pun para developer ini membutuhkan lingkungan yang termutakhir, baik dari sisi CPU, GPU, memori, hingga penyimpanan atau storage.
Hal ini, menurut Donnie, yang melatarbelakangi langkah demokratisasi dan pemerataan keahlian machine learning bagi setiap developer, baik di tingkat pemula maupun ahli. Caranya, AWS menyediakan berbagai services atau layanan yang akan memudahkan pelanggan mengimplementasikan machine learning.
AI Services, Cara Mudah Dapatkan Kemampuan Machine Learning
AWS membagi layanan machine learning dalam tiga lapisan/layer: layanan AI, layanan machine learning, dan machine learning framework & infrastructure.
Di lapisan teratas adalah layanan AI untuk para developer yang ingin mengimplementasikan machine leaning melalui API. “Atau dengan kata lain para developer ini tidak perlu repot membangun model (AI/ML) sendiri,”jelas Donnie.
Misalnya, untuk meningkatkan kemampuan personalisasi pada aplikasi, AWS menyediakan recommendation engine melalui Amazon Personalize. Ada pula Amazon Textract untuk kebutuhan intelligent document processing, serta Amazon Comprehend untuk memperoleh insight dari dokumen.
Donnie menekankan, dengan layanan ini, pengguna tidak perlu membangun model machine learning sendiri dan dari nol; dan proses dalam siklus implementasi berlangsung dalam hitungan detik.
“Untuk menggunakan Amazon Personalize, misalnya, customer perlu melakukan input data, dengan meng-upload historical log data, dari lokal atau cloud, atau melakukan ingestion menggunakan AWS SDK. Setelah itu, customer hanya perlu mengakses dashboard yang akan memulai training (model) secara otomatis tanpa perlu menyiapkan infrastruktur apa pun,” terang Donnie.
Ia juga menjelaskan, Amazon Personalize dapat langsung melakukan training terhadap data milik pelanggan karena solusi ini membekal AutoML, yaitu sebuah mekanisme untuk mengotomatisasi dari awal hingga akhir siklus implementasi, termasuk deployment machine learning terhadap sebuah problem.
“Amazon Personalize secara otomatis memilih algoritme yang pas berdasarkan data yang diupload oleh customer. Personalize juga akan melakukan training, hingga deployment untuk inferencial dan mengimplementasi feedback loop untuk meng-update dataset,” tutur Donnie.
Salah satu pengguna Personalize adalah Lotte Mart. Solusi AWS dimanfaatkan untuk meningkatkan loyalitas pelanggan dan mendorong tingkat pembelian melalui layanan rekomendasi berbentuk kupon. Lottemart dapat meningkatkan respon konsumen terhadap produk yang direkomendasikan hingga 5x dan pembelian produk baru hingga 40%.
ML Services Akselerasi Siklus Implementasi
Di lapisan berikutnya, AWS menawarkan machine learning services dengan Amazon SageMaker sebagai layanan utama. Layanan ini menurut Donnie disediakan AWS untuk memudahkan para machine learning engineer dan data scientist menjalankan proses end to end building, training, deploying, monitoring, dan retraining model machine learning.
Di jajaran layanan ini, AWS menyediakan Amazon SageMaker Studio Lab, sebuah layanan yang menawarkan opensource jupyter notebook dengan environment siap pakai, termasuk dalam hal pilihan CPU atau GPU dengan framework yang populer dan storage sampai dengan 15GB.
Contoh machine learning services lainnya adalah Amazon SageMaker Canvas. Layanan ini memudahkan business analyst dan domain expert untuk menghasilkan prediksi machine learning tanpa keharusan memiliki pengetahuan tentang machine learning sebelumnya.
Salah satu pelanggan yang telah memanfaatkan SageMaker adalah Qoala, sebuah perusahaan startup yang berkecimpung di bidang teknologi asuransi atau insurtech. Qoala bermitra dengan ritel dan perusahaan asuransi untuk menghadirkan produk asuransi mikro yang inovatif ke pasaran.
“Untuk dapat meningkatkan operasional dan platform Qoala, termasuk untuk tujuan manajemen polis asuransi dan validasi dokumen, kami membutuhkan fondasi berupa infrastruktur teknologi yang dapat diskalakan. Ini yang dapat disediakan oleh AWS,” ucap Martin Hong, CTO Qoala.
Cara Qoala Manfaatkan Machine Learning
Teknologi Qoala memungkinkan perusahaan asuransi mitra mengotomatisasi pengambilan keputusan selama pemrosesan klaim. Pemeriksaan gambar atau video yang diunggah dilakukan oleh teknologi computer vision dan didukung oleh model machine learning. Misalnya, perusahaan dapat menganalisis video dan mengidentifikasi adanya goresan permukaan, penyok, atau kerusakan.
"Memiliki otomatisasi seperti ini sangat mengurangi waktu dan kebutuhan akan peninjauan fisik secara manual. Juga memungkinkan para partner asuransi agar mampu dengan cepat menyaring dan menolak klaim yang tidak valid," jelas Martin.
Satya Walpresa, Head of Data Qoala, menambahkan bahwa seiring meningkatnya permintaan terhadap asuransi, baik pelanggan maupun mitra penyedia asuransi Qoala menuntut kenyamanan lebih dalam setiap proses.
Salah satu proses yang paling memakan waktu dan tenaga jika dilakukan secara manual adalah pengecekan (assessment) bagian kendaraan yang mengalami kerusakan sebelum dilanjutkan ke pengajuan klaim asuransi. Tanpa machine learning, masing-masing foto kerusakan harus dipelajari satu per satu.
Qoala menggunakan Amazon SageMaker membuat dua model: model ML untuk mengidentifikasi secara otomatis bagian-bagian kendaraan dan model untuk mengenali dan menghitung tingkat kerusakan pada masing-masing bagian mobil.
Satya mengatakan bahwa timnya menggunakan sampel berupa lebih dari 1000 image mobil untuk melatih model machine learning yang bisa dilakukan Qoala dalam hitungan jam.
Selain itu, fitur auto-scaling pada Amazon SageMaker juga memungkinkan Qoala menggunakan teknologi secara lebih efisien yaitu difokuskan untuk melatih model-model yang sering digunakan.
Tidak hanya untuk keperluan yang terkait proses bisnis, machine learning juga dimanfaatkan untuk mempercepat registrasi agen Qoala yang jumlahnya mencapai lebih dari 50 ribu agen. Salah satu layanan yang dimanfaatkan untuk ini adalah Amazon Textract.
Mengenal Dimitri Josephine Sahertian, Instruktur Unreal Engine Kebanggaan Indonesia
Penulis | : | Liana Threestayanti |
Editor | : | Liana Threestayanti |
KOMENTAR