Mengembangkan Machine Learning untuk Bisnis

Machine learning dapat membantu bisnis untuk mendapatkan insight dari data dan membantu menyelesaikan permasalahan kompleks dalam bisnis tersebut.

Tidak heran, saat ini banyak bisnis yang sudah menggunakan maupun ingin mengembangkan machine learning untuk mengoptimalkan kinerja dan produktivitas bisnisnya.

Sebelum menggunakan atau mengembangkan machine learning dalam bisnis, pastikan kebutuhan dan masalah bisnis perlu diselesaikan dengan machine learning, apakah bisnis sudah cocok mengembangkan machine learning?

Pertanyaan ini sangat penting sebab dalam bisnis, produk yang bagus terkadang datang dari fitur yang bagus, bukan dari algoritma machine learning yang makin rumit.

Fitur yang bagus akan cocok dengan kebutuhan dan perhitungan yang sesuai, dan hal ini tidak selalu muncul dengan cara membuat machine learning yang rumit.

Sebagai contoh, jika ingin membeli buah ke pasar tradisional, kita tidak harus menggunakan kendaraan yang mewah dan bagus, misalnya Ferrari.

Akan susah mencari tempat parkir untuk ferrari jika kita ingin ke pasar tradisional.

Jika pertanyaan tersebut sudah terjawab dan memang bisnis membutuhkan produk machine learning, maka terdapat beberapa hal yang perlu diperhatikan agar produk machine learning yang dikembangkan tidak akan sia-sia, di antaranya adalah sebagai berikut:

1. Pastikan alur kerja machine learning sudah siap dan benar
2. Machine learning memiliki tujuan yang jelas dan masuk akal
3. Fitur yang digunakan harus masuk akal dengan cara-cara yang simpel
4. Pastikan alur kerjanya tetap benar dalam proses pengembangannya

Berangkat dari ke empat hal di atas, Google membuat solusi “Rules of Machine Learning” yang dapat digunakan sebagai acuan untuk mengembangkan produk machine learning.

1. Tidak usah takut jika ternyata bisnis tidak memerlukan machine learning

Mengembangkan machine learning memerlukan data, maka selama bisnis belum butuh, tidak perlu takut untuk mengembangkan produknya sampai bisnis memiliki data untuk menggunakan machine learning.

Sebagai contoh, jika ingin meranking aplikasi terbaik, tidak usah ragu untuk menggunakan tenaga manusia dalam menentukan hal simpel seperti “aplikasi mana yang paling banyak didownload”.

Hal tersebut bakal lebih memudahkan dibanding memaksa menggunakan machine learning tanpa kesiapan.

2. Buat list data yang akan digunakan untuk mengembangkan machine learning

Setelah mendapatkan bayangan mengenai hal-hal apa yang akan dikerjakan, maka tugas selanjutnya adalah membuat list data apa saja yang akan digunakan untuk mengembangkan machine learning.

Data-data yang disusun ini nantinya berperan dalam machine learning yang akan dikembangkan.

Contohnya dalam mengembangkan produknya, tim Google Plus+ melakukan perhitungan data jumlah share setiap pembaca, jumlah comment atau view dari setiap post.

Data tersebut pada akhirnya dapat digunakan sebagai otomasi “seberapa bagus sebuah post”.

3. Menentukan pipeline machine learning

Setelah melalui 2 tahap di atas, bisnis sudah siap untuk masuk ke fase pertama pengembangan machine learning, yaitu menentukan pipeline machine learning.

Pipeline merupakan alur kerja dalam menerapkan machine learning.

Untuk menyusunnya, bisnis harus mengutamakan kesederhanaan model dengan infrastruktur yang sesuai.

Dengan demikian bisnis juga dapat memastikan bahwa model yang digunakan memang bisa diterapkan di aplikasi yang akan kita kembangkan.

Model sederhana ini kemudian diterapkan pada infrastruktur yang testable.

Dengan demikian bisnis dapat memonitor perkembangan dari model machine learning yang dibuat agar tetap sesuai dengan tujuan awal.

Untuk melakukan testing model, bisnis memerlukan dua hal.

Pertama ialah dengan mencoba memasukkan data kedalam algoritma machine learning dan memastikan bahwa segalanya berjalan sesuai dengan keinginan.

Selanjutnya jika memungkinkan, bisnis dapat membandingkan perhitungan secara statistik hasil algoritma training dengan hasil di tempat lain, menggunakan data yang sama.

Testing selanjutnya dilakukan setelah model machine learning ditraining.

Model tersebut akan dibawa keluar dan dites kembali performanya, apakah sesuai atau tidak dengan yang ditraining.

4. Memonitor performa model

Bila model yang digunakan telah lolos testing, bukan berarti model ini akan relevan selamanya.

Sama seperti manusia, semakin tua umurnya, performa model semakin berkurang.

Hal ini terjadi karena data-data yang diterima semakin hari makin baru dan belum tentu cocok dengan algoritma model bisnis yang semakin tua.

Untuk mengatasi permasalahan tersebut, maka monitoring terhadap performa model perlu untuk dilakukan.

Sesuai namanya, tahap ini berfungsi untuk memonitor berapa lama model berada di performa terbaik.

Dalam tahap monitor ini, bisnis memerlukan dashboard yang memberikan informasi secara real-time terhadap model yang dimiliki.

Monitoring berguna agar bisnis dapat mengetahui dan menentukan seberapa sering ia harus mengupdate model machine learning yang digunakan.

Bila tidak di monitor dan modelnya kadaluarsa, model dapat keluar dari tujuan awalnya dan membuat bisnis merugi.

Ketika melakukan monitoring, jangan lupa untuk mendokumentasikan setiap fitur dan kolom agar ketika pembuat model sudah tidak lagi bekerja untuk bisnis, maka penerus model dapat mengerti maksud dari model yang digunakan.

5. Tentukan pencapaian bisnis yang perlu dibenarkan oleh machine learning

Bila sudah memiliki model yang siap digunakan, langkah selanjutnya adalah mengidentifikasi pencapaian bisnis yang harus dibenarkan oleh model machine learning ini.

Dalam menentukan tujuan, bisnis dapat menggunakan hal-hal yang tercatat dalam sistem.

Sebagai contoh, bisnis dapat menentukan:

• Apakah model machine learning dapat membuat user mengklik link web bisnis?
• Apakah bisa membuat file di download lebih banyak user? atau
• Apakah user lebih banyak memforward? dll.

Dalam menentukan tujuan, sebaiknya hindari hal-hal yang tidak dapat dihitung secara langsung, seperti:

• Apakah user senang atau tidak? atau
• Apakah produk berpengaruh ke user?

Memang tujuan-tujuan tadi penting, namun sulit ketika harus menghitung secara langsung dan sulit untuk mengetahui nilai pastinya.

Maka dari itu, lebih baik menggunakan hal yang tercatat oleh sistem.

Dengan demikian, bisnis dapat berasumsi bahwa user senang dengan content bila semakin lama berada dalam halaman website atau semakin banyak mendownload file dari website.

Kelima hal di atas merupakan beberapa tips yang dapat diterapkan ketika ingin mengembangkan machine learning dalam bisnis.

Jika tertarik untuk belajar lebih lanjut mengenai hal ini, Sekolah Data Pacmann bisa menjadi solusinya.

Silakan kunjungi halaman Sekolah Data Pacmann untuk mengetahui kurikulum dan informasi lebih lanjut.

Further Reading:

Rules of Machine Learning: Best Practices for ML Engineering

Reconciling Modern Machine-Learning Practice and the Classical Bias–Variance Trade-Off

Approaching (Almost) Any Machine Learning Problem