Kolaborasi Manusia dan Machine Learning

Apa yang ada di benak kita saat mendengar Machine (mesin)?

Semuanya pasti menjawab: benda mati yang hanya bekerja secara optimal di tangan manusia, bila tidak ia tak akan bisa bekerja. Manusia punya kontrol penuh terhadap mesin di masa lalu dan ia bekerja secara tak mandiri. Kemudian manusia punya terobosan besar dalam mengubah mesin bisa belajar atas apa yang ia ajarkan. Istilah yang kemudian dikenal dengan machine learning.

Saya menganalogikan mengajarkan mesin layaknya seekor anak kucing yang baru saja lahir. Ia masih sangat buta akan segala hal, mulai dari tempat makan, minum hingga lokasi tumpukan pasir untuk pup. Seakan pikirannya akan memprogram apa yang boleh dan tidak dari si majikan, kini majikan mempunyai kucing menggemaskan nan pintar.

ML serupa, ia akan bekerja sesuai dengan data yang sudah majikan (manusia) yang memprogramkannya. Ia sangat membutuhkan data dalam belajar layaknya seekor kucing mungil yang butuh banyak pembiasaan agar tahu segalanya. Sifatnya lebih dinamis dan kompleks, dibandingkan dengan cara kerja mesin biasa.

Mungkin kita tak asing dalam tugas robot di dalam pabrik, semenjak era industri yang mengandalkan robot pintar dalam merakit mobil dan beragam pekerjaan lainnya. Ia bikin bekerja secara konstan tanpa dan minim error dibandingkan dengan manusia. Hanya saja robot di pabrik hanya sebatas sepotong machine, bukan machine learning.

Mesin robotik di pabrik

Mereka diprogram sedemikian rupa hanya sesuai dengan instruksi si pembuatnya. Gerakannya punya statis sesuai algoritma yang diprogramkan. Tidak ada upaya dan program dalam belajar seperti yang ada pada ML.

Data seakan jadi landasan buat menjadi lebih pintar, karena ML akan menganalisa dan menemukan jawaban terbaik dan melakukan tindakan. Tetap saja tidak semua masalah berhasil dipecahkan, tapi ia mampu berpikir lebih cepat dan pintar dalam menganalisa setiap masalah.

Manusia perannya dinilai sangat besar saat ini, bukan sebatas robot pabrik biasa. Tapi mampu berpikir cerdas dan memudahkan pekerjaan manusia. Kolaborasi keduanya membuat manusia terbantu dalam banyak hal, apalagi saat ini ada banyak penerapan ML secara kompleks.

Sejarah Machine Learning yang pantang menyerah belajar

Akhir perang dunia kedua seakan jadi masa revolusi yang besar di dunia komputasi. Dulunya komputer hanya digunakan oleh lembaga inteligen saja. Kemudian harga komputer terjangkau oleh masyarakat karena ada banyak pengembang komputer, termasuk melahirkan program pintar.

Tercetus ide Arthur Samuel di tahun 1952, ia menciptakan game berbentuk papan yang bergerak secara diagonal. Arthur berhasil melahirkan game bernama Game of Checkers pada sebuah komputer IBM. Game of Checkers sebelumnya dimainkan oleh dua orang, tapi Arthur membuatnya bisa dimainkan hanya seorang dengan komputer cerdas.

 

Pada game ini ia dapat mempelajari setiap gerakan untuk memenangkan game Checkers tersebut. Si game tersebut mengingat gerakan yang ia ajarkan tadi dan menyimpan pada memorinya tersebut. Mengulangi kembali setiap gerakan tersebut serupa terhadap yang ia terima dan kemudian mempraktikkan seperti semula.

Alasan itulah yang melahirkan istilah machine learning pada awal mula komputer berkembang. Dasarnya karena si komputer melakukan proses learn from data. Segala gerakan tersebut adalah data yang berhasil dikumpulkan dan menjadi proses terhadap interaksi data. Kemampuan cerdas ini seakan menjadi awal mula ML hingga sangat cerdas dan membantu manusia seperti saat ini.

Peran besar Machine Learning dalam hajat hidup manusia

Mesin pencari raksasa Google atau raksasa sosial media Facebook sudah menerapkan hal serupa dengan berbasis learning sejak jauh-jauh hari. Trafik pencarian yang begitu tinggi dari pengguna seakan menjadikan ML membaca keinginan pengguna dan memprosesnya.

Pada Google sudah memiliki Google Assistant yang akan melayani segala keinginan Anda. Salah satunya dari panggilan suara, akan ada suara GA yang memberikan jawaban terbaik buat Anda. Suara yang keluar saat Anda menggunakan GA bukanlah admin dari pihak Google, tetapi ML yang menawarkan dan mengetahui keinginan kita. Ia cerdas karena sudah tahu kebiasaan pencarian yang Anda inginkan, semua itu diolah jadi sumber referensinya. 

Semua itu tidak mungkin dilakukan oleh admin dengan beragam pencarian beragam dan kompleks, tapi dengan mudah ML mampu membacanya dengan sangat detail. Belum lagi proses seleksi spam yang mengancam sistem email mampu difilter dengan sangai baik oleh ML. Ia akan mengelompokkan pada kategori penting atau spam.

Di komputer Anda pun sudah ada ML, sebagai contoh saat saya menulis di Word. Ada ML yang bekerja dengan optimal. Ia akan mengoreksi segala kesalahan penulisan kata PUEBI hingga kalimat yang terlihat rancu. Saya pun tak kesulitan dalam proses editing yang melelahkan dan kadang sering luput. ML berhasil membantu penulis pemula namun bercita rasa editor.

Kemudian pada ponsel saat ini sudah menggunakan 3D Face Unlock dalam log screen ponsel, kita langsung tahu ini teknologi pengenalan wajah berbasis ML. Ia akan mengenali dengan detail si pemilik ponsel meskipun menggunakan topi dan kacamata. Bahkan ia tidak bisa dikibuli dengan mudah dari foto pemilik ponsel, artinya ML sangat cerdas.

Marketplace kenamaan juga menerapkan konsep demikian, ia akan merekomendasi produk yang Anda cari di kolom pencarian dengan detail. Ia akan membaca selera hingga kemauan pelanggan dengan kata kunci bantuan. Segala data algoritma diri si pencari akan disesuaikan barang yang ia inginkan, sehingga sangat minim error yang terjadi.

Seakan si ML mengelompokkan apa saja yang sesuai dengan yang pelanggan cari. Misalnya saja saya menyukai apparel olahraga yang ada di marketplace tadi, ia akan menawarkan barang yang saya cari. Bisa saja itu sepatu dengan harga menarik sesuai dengan kata kunci pencarian. Tugas itu sepenuhnya dilakukan ML dalam memberikan algoritma terbaik yang ia miliki pada pelanggan di marketplace tersebut.

Penerapan ML pada Microsoft terhadap para penggunanya

Saat proses pembayaran pun diberlakukan hal serupa, dalam proses transaksi sangat rentan dengan aksi penipuan. Pihak marketplace ingin melindungi sejumlah pedagang atau pembeli dalam proses transaksi aman. Dalam hal ini dilibatkanlah ML dalam proses pendeteksian transaksi, proses yang mencurigakan akan digagalkan. Tujuannya jangan sampai ada salah satu pihak yang dirugikan pada marketplace terkait.

Kemudian di jalan raya kita akan akrab dengan proses autonom car yang sedang diterapkan. Nantinya akan ada banyak disrupsi dari para sopir kendaraan. Mereka harus kehilangan banyak peluang pekerjaan di bidang tersebut karena tergantikan dengan teknologi.

Mobil pintar ini akan dilengkapi dengan beragam sensor yang akan mengetahui kondisi jalan, benda yang ada di sekitar hingga lokasi yang ingin dituju. Kemampuan ini bekerja dengan konsep ML, segala data yang ia terima akan diolah termasuk proses menggerakkan roda. Seakan manusia hanya duduk dengan tenang di belakang sambil memandangi pemandangan sekitar.

Konsep ini sudah dilakukan di sejumlah pabrikan mobil berbahan bakar listrik. Pabrikan seperti Tesla motor, Faraday Future, Lucid Air, dan pabrikan lainnya sudah menerapkan komputasi komputer pada kendaraan. Selain menggunakan ML, mobil listrik dinilai sangat ramah lingkungan dibandingkan dengan mobil konvensional.

 

Autonom Car dianggap mampu mengurangi kecelakaan lalu lintas serta mampu mengetahui segala sesuatu benda yang ada di sekitarnya. Peran ML bekerja dengan sangat optimal karena si Autonom Car bekerja secara optimal karena sudah terhubung dalam konsep Internet of Things (IoT). Sedangkan peran ML lebih pada pengolahan data lokasi yang membawa penumpang.

 

Proses trading saham jelas sangat melelahkan, untuk mengontrolnya sangat mengaduk emosi dan membosankan. Harganya yang fluktuatif dapat berubah setiap saat seakan sangat mustahil harus dikontrol oleh manusia. Adanya ML mampu membaca segala algoritma dan menebak perubahan harga yang menguntungkan.

Kemudian terakhir peran dari ML dianggap sangat membantu di dunia medis saat ini. ML punya segudang referensi dalam mendiagnosa beragam penyakit termasuk mampu membaca riwayat penyakit si pasien dari keluarga sehingga mendapatkan keputusan tepat. Sangat membantu dokter dalam mengambil keputusan tepat dan cepat pada pasien. Bukan hanya itu saja, ML dinilai mampu memberikan jalan dan proses penyembuhan.

Bagaimana cara kerja Machine Learning?

Setelah kita mengetahui segudang manfaat yang membantu hajat hidup manusia. Ada banyak yang bertanya bagaimana alur kerja sebuah machine learning hingga bekerja dengan optimal. Ibarat robot, tapi ia tidak seperti robot di pabrik yang punya bentuk. Malahan ML lebih mirip dengan sistem yang ditanamkan pada sebuah sistem.

Ia akan bekerja dengan mengolah data yang terkumpul secara kompleks, mempelajarinya dengan seksama. Ia ibarat seorang bayi yang diberikan kebebasan oleh sang ibunda dalam mengeksplorasi apa yang ia mau. Setelah itu ia akan banyak tahu segala hal karena si bunda yang tidak terlalu protektif.

Begitu juga dengan ML yang diberikan akses seluas-luasnya pada data, segala data yang didapatkan sangat beragam dimulai dari data file teks, Excell, Access, dan lainnya. Makin bervariasi dengan kepadatan volume data yang diterima, ML akan semakin cerdas mengolah semuanya.

Kemudian ML akan mempersiapkan data dengan kualitas terbaik yang ia pilih secara mandiri. Sebelum kemudian menjadikan dua model pilihan yang sesuai pada proses training dan test. Pada bagian data training (pelatihan) akan dijadikan pengembangan model dan pada bagian test (percobaan) akan dijadikan sebagai referensi utama pada ML.

Terakhir adalah proses prediksi yang dilakukan dalam ML mendapatkan dua hasil. Jika hasil prediksi yang dihasilkan berupa diskrit, itu dinamakan proses klarifikasi. Nah… saat itulah ML akan terus belajar hingga berhasil dalam mengambil prediksi dan keputusan akhir. Sedangkan bila hasil prediksi yang didapatkan bersifat kontinu maka disebut dengan regresi.

Cara kerja ini seakan mengingatkan saya pada awal kemunculan Deep Blue yang hampir genap 22 tahun lalu. Tepat pada tanggal 11 Mei 1997 jadi hari yang begitu bersejarah, karena seorang Grandmaster catur kenamaan dunia asal Rusia, Garry Kasparov harus takluk.

Setahun sebelumnya Deep Blue kalah telak dengan sang Grandmaster, tapi ia belajar dari kegagalan sebelumnya. Pada tahap ini, ML sedang menjalani masa klarifikasi data dari sang lawan Garry Kasparov. Pembalasan pun dimulai tahun berikutnya, apalagi para pengembangnya dari teknisi dari IBM yaitu Feng-Hsiung Hsu tertantang menyiapkan ML yang bersaing.

Ia bersama para koleganya mengembangkan Deep Blue sejak tahun 1989. Memang Deep Blue tidak sepintar seorang Grandmaster, namun ia punya kemampuan mumpuni yaitu kemampuan terus belajar. Kemampuan dasar dari ML memiliki 4 komponen penting yang mampu membuat ia bekerja dengan maksimal.

Konsep dasar sebuah ML serupa dengan artificial intelligence yaitu terdiri atas kemampuan searching, reasoning, planning, dan learning. Alhasil ML mampu membaca 200 juta peluang posisi catur hingga jutaan kemungkinan lainnya. Garry Kasparov harus tertunduk lesu saat kalah telak. Membuktikan bahwa ia belajar dan mengetahui segala langkah dan cara yang ingin Kasparov lakukan. Kuncinya ada pada data yang lengkap dan sedikit penyempurnaan.

Ini seakan mengingatkan kembali saya pada game era 90-an saat saya kecil dulu. Ada banyak game arcade hingga game konsol, awal mulanya kecerdasan yang mereka miliki tergolong lemah dan dasar. Tapi makin kelamaan game makin kompleks dengan tingkatan makin besar. Mereka punya tingkatan level kemampuan yang bisa pengguna pilih, makin sulit berarti makin sulit mengalahkan mereka.

Pada permainan pun kini menggunakan ML khususnya dalam menyulitkan gamer mengalahkan musuhnya. Mereka berpikir dengan sangat cerdas karena sudah dibenamkan kecerdasan buatan. Akan mengetahui serangan yang manusia lakukan dan proses penanganan menyerupai manusia. Bisa dikatakan, semakin cerdas game karena manusia punya peran serta di dalamnya. Mungkin itu jadi sebuah tantangan buat gamer bahkan para ML tidak semudah mengalahkan newbie.

Beragam jenis penerapan machine learning

Penerapan machine learning dianggap sangat menjawab kebutuhan zaman yang meningkat. Ada beragam model yang diterapkan sesuai dengan penerapannya. Ada tiga model ML yang diterapkan dan menjadi model rule yaitu:

Supervised Learning, kemampuan dari ML dalam memprediksi hasil akhir berdasarkan sebuah data historis yang ia rangkum. Kemudian memberikan instruksi apa saja yang ia pelajari dari A-Z sesuai pedoman. Ini yang menjadi alasan sebagai supervised learning.

Di dunia meteorologi, klimatologi dan geofisika, penerapan ini sangat membantu dalam mengetahui berbagai ancaman bencana alam. Misalnya saja mengontrol pergerakan badai laut, puting beliung hingga prediksi kegempaan. Sehingga ada upaya penanganan awal yang bisa dipersiapkan pada masyarakat. Algoritma yang digunakan sangat kompleks, ada sejumlah nama seperti algoritma Nearest Neighbor, Naïve Baves, Regression, dan Decision Tree.

UnSupervised Learning, model dari kemampuan ML yang tidak mempunya target dan acuan terhadap hasil prediksinya. Si ML mempelajarinya secara mandiri tanpa acuan yang tetap, sehingga berhasil mendapatkan hasil yang berbeda.

Meskipun begitu, hasil pembelajarannya bisa mengetahui kebiasaan baru yang tidak diketahui sebelumnya. Salah satu algoritma yang terkenal pada model ini adalah K-Means Clustering Algorithm.

Reinforcement Learning, bila kedua algoritma sebelumnya hanya mengambil keputusan umum, pada RL mampu mendapatkan hasil yang lebih spesifik sesuai kinerjanya. Pada Marketplace atau bisnis yang bergerak di ekonomi digital, model ini sangat membantu.

ML akan berlatih dan melakukan banyak percobaan hingga menemukan formula pakem yang memecahkan masalah di marketplace. Data yang didapatkan pun sangat kompleks sehingga bisa mengetahui segala hal detail buat pelanggan.

Nantinya si perusahaan marketplace bisa menawarkan barang yang tepat dan menarik perhatian pelanggan. Harga data yang didapatkan dari model ini sangat berharga, karena sudah mengetahui selera konsumen. Semua proses pun dilakukan penuh oleh mesin tanpa melibatkan manusia sedikit pun.

Sisi negatif yang Machine Learning hadirkan pada manusia

Sudah pasti machine learning memberikan dimensi baru dalam berbagai bidang yang berkaitan dengan teknologi. Banyak aktivitas manusia yang terbantu dan jadi lebih mudah darinya. Meskipun bak dua sisi mata uang yang berbeda, ada saja yang dikorbankan.

Teknologi seakan memberikan banyak disrupsi besar di dunia kerja, peran machine learning menggerus pekerjaan yang menjadi ladang pekerjaan manusia sebelumnya. Banyak yang merasa tak setuju dengan kehadirannya, apalagi mereka mengais rezeki dari ladang tersebut. Belum lagi regulasi yang harus disesuaikan, karena setiap disrupsi akan menghasilkan banyak gesekan buat pemain lama.

Bertahan di era saat ini mengharuskan menjadikan manusia yang inovatif dan kreatif. Tujuan utama ML sangat membantu hajat hidup manusia. Kini tugas manusia selalu pembuatnya bisa berkolaborasi dan mengontrol secara penuh sistem ML, dengan begitu tak ada gesekan dari manusia dan ML. Hidup berdampingan itu indah termasuk dengan ML.

Ayo kita pergi main Playstation bareng, yang kalah bayar..! Apakah Anda siap dengan desrupsi besar ini, silakan komentarnya. Have a Nice Day.