Studi Kasus
Machine Learning digunakan sepanjang kehidupan digital seseorang. Berikut beberapa contohnya:
- Spam – Filter spam Anda adalah hasil dari program ML yang dilatih dengan contoh spam dan pesan email biasa.
- Rekomendasi – Berdasarkan buku yang Anda baca atau produk yang Anda beli, program ML memprediksi buku atau produk lain yang mungkin Anda inginkan. Sekali lagi, program ML dilatih dengan data dari kebiasaan dan pembelian pembaca lain.
- Penipuan kartu kredit – Demikian pula, program ML dilatih tentang contoh transaksi yang ternyata penipuan, bersama dengan transaksi yang sah.
Masih banyak lagi contohnya, termasuk deteksi wajah pada aplikasi media sosial untuk mengelompokkan foto Anda, mendeteksi tumor otak pada scan otak, atau menemukan anomali pada sinar-X.
Tipe Machine Learning
Machine learning memiliki tiga jenis utama.
Jenis pertama adalah pembelajaran terawasi (Supervised Learning), di mana model menggunakan input dan output yang diketahui untuk menggeneralisasikan output di masa mendatang. Tipe kedua adalah pembelajaran tanpa pengawasan (Unsupervised Learning), di mana model tidak mengetahui input atau output, UL menemukan pola dalam data tanpa bantuan. Tipe ketiga adalah pembelajaran penguatan (Reinforcement Learning), di mana model berinteraksi dengan lingkungannya dan belajar mengambil tindakan yang memaksimalkan imbalan.
Penting untuk mengetahui berbagai jenis ML karena jenis tersebut dapat memandu dalam memilih algoritme yang masuk akal untuk memecahkan masalah bisnis.
Supervised learning
Belajar dengan mengidentifikasi pola pada data yang sudah diberi label.
Pembelajaran yang diawasi adalah jenis ML yang populer karena dapat diterapkan secara luas. Disebut pembelajaran terawasi karena memerlukan pengawas (guru) yang dapat menunjukkan jawaban yang tepat untuk model tersebut.
Seperti siswa lainnya, algoritme yang diawasi belajar dengan contoh. Dibutuhkan seorang guru yang menggunakan data pelatihan untuk membantunya menentukan pola dan hubungan antara masukan dan keluaran: “Di sini, di gambar ini adalah sebuah mobil. Ini mobil di gambar lain.” Model dilatih pada data berlabel ini untuk secara akurat mengidentifikasi di mana sebuah mobil berada dalam gambar baru yang belum pernah dilihatnya sebelumnya.
Namun, Anda dapat memiliki berbagai jenis masalah dalam pembelajaran yang diawasi. Masalah-masalah ini dapat dikategorikan secara luas menjadi dua kategori: klasifikasi dan regresi.
Masalah klasifikasi memiliki dua jenis. Tipe pertama dianggap sebagai masalah klasifikasi biner. Ingat contoh sebelumnya tentang mengidentifikasi transaksi penipuan. Variabel target dalam contoh ini terbatas pada dua opsi: curang atau tidak curang. Contoh ini adalah masalah klasifikasi biner karena Anda mengklasifikasikan pengamatan ke dalam salah satu dari dua kategori.
Masalah klasifikasi multikelas juga ada. Masalah ML ini mengklasifikasikan pengamatan ke dalam salah satu dari tiga kategori atau lebih. Misalkan Anda memiliki model ML yang memprediksi mengapa pelanggan menelepon toko Anda. Tujuannya adalah untuk mengurangi jumlah transfer yang diperlukan sebelum membawa pelanggan ke departemen dukungan pelanggan yang tepat. Dalam hal ini, departemen dukungan pelanggan yang berbeda mewakili berbagai variabel target potensial—yang mungkin banyak departemen berbeda.
Contoh Classification
- Deteksi penipuan
- Pengenalan gambar
- Retensi pelanggan
- Diagnosis medis
- Iklan yang dipersonalisasi
Masalah regresi juga ada. Dalam masalah regresi, Anda tidak lagi memetakan input ke sejumlah kategori yang ditentukan. Sebaliknya, Anda memetakan input ke nilai kontinu, seperti bilangan bulat. Salah satu contoh masalah regresi ML adalah memprediksi harga saham perusahaan. Misalnya, algoritme berbasis regresi akan memprediksi bahwa besok, harga saham sebuah perusahaan dapat naik dari $113 per saham menjadi $127 per saham.
Contoh Regression
- Prediksi penjualan produk
- Perkiraan cuaca
- Perkiraan pasar
- Prediksi pertumbuhan penduduk
Unsupervised learning
Mesin harus mengungkap dan membuat label sendiri.
Terkadang, hanya data yang Anda miliki, tidak ada pengawas (guru) yang tersedia. Dalam pembelajaran tanpa pengawasan, label tidak disediakan (seperti pada pembelajaran dengan pengawasan) karena Anda tidak mengetahui semua variabel dan polanya. Dalam hal ini, mesin harus mengungkap dan membuat label sendiri. Model-model ini menggunakan data yang disajikan untuk mendeteksi properti yang muncul dari seluruh kumpulan data, dan kemudian membuat pola.
Subkategori umum dari pembelajaran tanpa pengawasan disebut pengelompokan (Clustering). Jenis algoritme ini mengelompokkan data ke dalam klaster berbeda yang didasarkan pada fitur serupa untuk lebih memahami atribut klaster tertentu. Misalnya, Anda bekerja untuk organisasi pemasaran yang mendukung perusahaan yang menyediakan sumber daya cloud-computing untuk pelanggan mereka. Dengan menganalisis kebiasaan pembelian pelanggan, algoritme tanpa pengawasan dapat mengidentifikasi kelompok pelanggan yang mengkategorikan (atau mendeskripsikan) perusahaan tertentu sebagai kecil, sedang, atau besar. Perusahaan dapat menggunakan wawasan ini untuk membuat keputusan pemasaran strategis berdasarkan informasi di tingkat mana mereka berada (kecil, menengah, atau besar) sehingga mereka dapat menargetkan kebutuhan pelanggan mereka akan sumber daya cloud-computing dengan lebih baik. Dalam situasi ini, pengelompokan dapat membantu Anda menyadari bahwa Anda harus mengusulkan strategi pemasaran yang berbeda untuk perusahaan dengan ukuran berbeda.
Keuntungan dari algoritme tanpa pengawasan adalah algoritme tersebut memungkinkan untuk melihat pola dalam data yang sebelumnya tidak disadari. Contohnya mungkin keberadaan dua jenis pelanggan utama.
Contoh Unsupervised Learning
- Rekomendasi produk
- Segmentasi pelanggan
- Pemasaran yang ditargetkan
- Diagnosis medis
- Visualisasi
- Pemrosesan bahasa alami
- Penemuan struktur data
- Pengurutan gen
Reinforcement learning
Belajar melalui trial and error.
Jenis pembelajaran mesin lain yang semakin populer akhir-akhir ini adalah pembelajaran penguatan (Reinforcement Learning). Tidak seperti pembelajaran mesin lainnya, pembelajaran penguatan terus meningkatkan modelnya dengan mendapatkan umpan balik dari iterasi sebelumnya. Dalam pembelajaran penguatan, agen terus belajar, melalui coba-coba, saat berinteraksi dalam lingkungan. Pembelajaran penguatan berguna ketika imbalan dari hasil yang diinginkan diketahui, tetapi jalan untuk mencapainya tidak diketahui. Menemukan jalan itu membutuhkan banyak trial and error.
Perhatikan contoh AWS DeepRacer. Dalam simulator AWS DeepRacer, agennya adalah mobil virtual, dan lingkungannya adalah trek balap virtual. Tindakannya adalah input throttle dan kemudi ke mobil. Tujuannya adalah menyelesaikan lintasan balap secepat mungkin tanpa menyimpang dari lintasan. Mobil harus mempelajari perilaku mengemudi yang dimaksud untuk mencapai tujuan menyelesaikan lintasan. Anda menggunakan bonus untuk memberi insentif pada model Anda untuk mempelajari perilaku mengemudi yang dimaksud.
Dalam pembelajaran penguatan, apa yang mendorong pembelajaran disebut agen. Dalam hal ini, agennya adalah mobil AWS DeepRacer. Lingkungan adalah tempat agen belajar, yang dalam contoh ini adalah trek balap yang ditandai. Saat agen melakukan sesuatu di lingkungan yang memicu respons, seperti melewati batas yang tidak boleh dilanggar, itu disebut tindakan. Tanggapan itu disebut hadiah atau penalti tergantung pada apakah agen melakukan sesuatu yang harus diperkuat atau dicegah dalam model. Saat agen bergerak di lingkungan, tindakannya harus terus menerima lebih banyak imbalan dan lebih sedikit penalti, hingga memenuhi hasil bisnis yang diinginkan.
Contoh Reinforcement Learning
- Permainan AI
- Mobil self-driving
- Robotika
- Perutean layanan pelanggan