Tags Posts tagged with "machine learning"

machine learning

Leonardo Koesmanto (Head of Digibank, DBS Indonesia). [Foto: Abdul Aziz/InfoKomputer]

Dengan memanfaatkan machine learning, sebuah bank bisa lebih efisien sekaligus memberikan layanan optimal bagi nasabahnya. Kesimpulan itulah yang bisa ditarik dari pengalaman Bank DBS yang saat ini mulai memanfaatkan machine learning.

Salah satu implementasi machine learning di DBS adalah memberi insight bagi Relationship Manager (RM) saat berhubungan dengan nasabahnya. “Ketika akan bertemu nasabah, seorang RM itu harus riset dulu setiap nasabahnya,” cerita Leonardo Koesmanto (Head of Digibank, DBS Indonesia). Riset tersebut meliputi karakter investasi nasabah (seperti risk taker atau risk averse) dan juga kondisi pasar saat itu. Jika dalam sehari seorang RM harus bertemu lima nasabah, tentu proses riset akan membutuhkan waktu yang lama.

Hal itulah yang mendorong DBS untuk melirik machine learning. Proses riset yang biasanya dilakukan secara manual, kini menggunakan komputer. Machine learning akan menganalisis berbagai faktor, seperti latar belakang konsumen dan kondisi pasar, untuk kemudian memberikan saran kepada RM dalam membuat penawaran investasi. Berdasarkan masukan tersebut, sang RM bisa dengan cepat memberikan saran investasi yang tepat bagi nasabah.

Penggunaan machine learning pun bisa meluas ke sisi digital personal assistant. Personal assistant ini bisa menjawab pertanyaan nasabah seputar produk perbankan yang biasanya ditangani oleh customer service. “Karena 80% pertanyaan ke customer service pada dasarnya sama,” tambah pria yang akrab dipanggil Leo ini.

Lebih jauh lagi, digital personal assistant ini juga bisa membantu proses perbankan. Ketika ingin membayar tagihan telepon, misalnya, nasabah tinggal berkata atau mengetikkan “Saya ingin membayar tagihan telepon.” Hal yang sama pun bisa dilakukan ketika nasabah ingin mengecek saldo, melakukan transfer, dan berbagai kegiatan perbankan lainnya.

Semua kemudahan itu sejalan dengan visi DBS yang menginginkan bank menjadi satu hal yang invisible. “Kalau dulu, ketika kita melakukan kegiatan perbankan, kita harus pergi ke bank,” ungkap Leo. Sedangkan ke depannya, semua yang dilakukan nasabah di bank, bisa dilakukan menggunakan smartphone-nya. Kata “bank” pun akan bertransformasi menjadi sebuah kegiatan dan bukan lagi bentuk fisik. “Kita berada di belakang dari setiap transaksi yang dilakukan,” tambah Leo menggambarkan visi DBS ke depan.

Untuk mencapai ke sana, tantangannya memang tidak sedikit. Tantangan terbesar adalah bagaimana “melatih” machine learning ini untuk bisa bekerja dengan sempurna. “Machine learning itu ibarat anak yang harus diajari dulu,” tambah Leo. Contohnya, sang mesin harus bisa menangkap pertanyaan mengenai cara membuka rekening di DBS yang diungkapkan dengan bahasa resmi maupun sehari-hari.

Agar bisa belajar, sang mesin harus terus dipakai sehingga perbendaharaan kata dan kalimat yang ia mengerti bisa semakin besar. “Kami baru saja implementasi, jadi perlu waktu untuk dia menjadi pintar,” ujar Leo. Namun ia yakin, peran machine learning akan semakin besar di masa depan. “Saya cukup optimistis implementasinya akan banyak,” ungkap Leo.

Leonardo Koesmanto adalah salah satu pembicara pada acara CTI IT Infrastructure Summit 2017. Di acara ini, Leo akan membahas lebih jauh mengenai starategi DBS dalam menerapkan machine learning. Jika tertarik untuk ikut, silakan daftarkan diri Anda di alamat ini.

Ilustrasi Aplikasi Kurio

Informasi atau berita yang tidak dapat dipertanggung jawabkan bisa menimbulkan provokasi bagi pembacanya. Kurio terpanggil untuk mengurangi penyebaran berita hoax dan clickbait yang sangat merasahkan masyarakat. Karena itu, Kurio akan memfilter setiap berita yang terdapat dalam aplikasinya dengan memanfaatkan teknologi Machine Learning.

David Wayne Ika (CEO & Founder of Kurio) mengatakan Tim Kurio telah merancang sebuah algoritma untuk mengurangi masuknya berita hoax dengan Machine Learning pada aplikasinya serta membantu penyebaran berita hoax agar tidak semakin menyebar.

“Dengan machine learning dan algoritma, setiap artikel yang masuk akan difilter terlebih dahulu sehingga tidak masuk ke dalam artikel stream,” katanya dalam siaran
persnya, Sabtu.

“Kita memerlukan kesadaran untuk dapat memilah dan menyaring terlebih dahulu informasi atau berita-berita yang ingin dikonsumsi. Kita juga harus lebih pintar dan bijaksana untuk menerima informasi yang kita dapatkan dari sosial media,” ucapnya.

Machine Learning Kurio memungkinkan software bisa bekerja secara mandiri dengan meminimalkan campur tangan manusia. Para insinyur terbaik Kurio merancang sistem kecerdasan buatan yang selalu memperbarui kemampuannya seiring waktu.

Software berbasis Machine Learning bisa belajar dari error-error yang terjadi. Semakin banyak data yang diolah, tingkat error semakin turun, seiring dengan tingkat
akurasi yang semakin tinggi.

Tidak hanya Machine Learning, Kurio juga melibatkan tim kurator untuk mengkurasi kembali artikel-artikel yang sudah masuk ke dalam artikel stream. Selain mengkurasi kembali artikel-artikel yang masuk, tim kurator juga memastikan pengguna Kurio mendapatkan artikel-artikel bermanfaat dan terbaru yang terangkum dalam topik Top Stories.

“Kurio hadir dengan teknologi Machine Learning untuk menjauhkan pengguna dari godaan klik artikel yang mengandung hoax,” pungkasnya.

Aplikasi Kurio tersedia di smartphone untuk platform iOS dan Android. Pengguna Kurio telah diunduh lebih dari satu juta download dan 80 persen adalah pengguna Android dan 20 persen pengguna iOS dengan MAU (Monthly Active User) sebesar 29 persen serta DAU (Daily Active User) dari Kurio juga mencapai 30 persen dari MAU.

Elon Musk (CEO Tesla dan SpaceX)

Elon Musk (CEO Tesla dan SpaceX) memprediksi manusia harus bersatu dengan mesin sebagai bagian dari rantai evolusi. Proses evolusi itu membutuhkan kecepatan bandwith yang tinggi untuk menghubungkan otak manusia dengan mesin untuk menyelesaikan berbagai permasalahan.

“Saya selau berpikir, kita harus menggabungkan kecerdasan biologi dan kecerdasan digital. Ini sebagai besar tentang bandwidth, kecepatan koneksi antara otak dan
digital,” kata Musk dalam ajang World Government Summit di Dubai seperti dikutip TheNextWeb.

“Jika kita tidak melakukannya, maka kita akan tergantikan oleh kecerdasan buatan,” ujarnya.

Musk menjelaskan mesin itu dapat mengkomunikasikan triliun bit perdetik dibandingkan kekuatan manusia yang lamban hanya 10 bit perdetik.

Cara menanamkan bandwith berkecepatan tinggi ke dalam otak bisa melalui simbiosis antara manusia dan intelijen mesin. Setelah itu, manusia dapat memecahkan masalah dan permasalahan yang tidak terpecahkan.

“Jika kamu tidak bisa mengalahkan mesin, lebih baik menjadi satu dengannya,” pungkasnya.

Ilustrasi machine learning. [kredit: Shutterstock]

Kurang dari sebulan, ajang tahunan CTI IT Infrastructure Summit 2017 akan digelar. Untuk tahun ini, ajang prestisius tersebut akan mengangkat tema Machine Learning: Capitalizing the Information of Everything to Drive Your Digital Business.

Machine learning sendiri adalah salah satu cabang computer science yang memungkinkan komputer menganalisa data tanpa harus dipogram secara spesifik. Hal ini berbeda dengan aplikasi pada umumnya yang harus secara detail memperhitungkan segala kemungkinan. Aplikasi berbasis machine learning memungkinan komputer mempelajari pola dari semua data yang ia miliki, untuk kemudian memberikan insight yang bisa membantu kita mengambil keputusan.

Dalam konteks yang lebih luas, machine learning adalah bagian dari konsep Artificial Intelligence dan cognitive computing yang kini dikembangkan banyak perusahaan teknologi dunia.

Ada alasan tersendiri mengapa CTI IT Infrastructure Summit 2017 mengambil tema machine learning. Dalam beberapa tahun terakhir, machine learning telah menjadi bagian penting dari akselerasi perusahaan dunia. Perusahaan seperti Amazon, SoftBank, atau PayPal adalah beberapa contoh perusahaan yang telah memanfaatkan machine learning.

Akan tetapi, machine learning, AI, dan cognitive computing memang belum terlalu populer di dunia IT Indonesia. Hal ini diakui Gunawan Susanto (President Director, IBM Indonesia) yang menjadi salah satu pendukung acara CTI Infrastructure Summit 2017. “Cognitive computing adalah salah satu cara Indonesia mengejar ketertinggalan dengan negara lain,” ungkap Gunawan.

Apalagi, beberapa negara tetangga sudah mulai memanfaatkan cognitive computing sebagai competitive advantage. Bumrungrad Hospital di Thailand, misalnya, menggunakan cognitive computing untuk membantu dokter spesialis kanker (oncologist) dalam memberikan perawatan yang tepat bagi pasien kanker. Dengan menganalisis literatur medis mengenai kanker dari seluruh dunia, cognitive computing bisa memberikan saran kepada dokter mengenai perawatan terbaik bagi sang pasien.

Contoh lain adalah perusahaan akomodasi Starwood Hotels & Resorts yang terkenal dengan jaringan hotel Sheraton dan Westin. Mereka telah menggunakan machine learning pada Revenue Optimization System (ROS ) mereka atau sistem pengaturan harga kamar. Sistem ini mampu mempelajari aneka data dalam menentukan harga kamar secara real-time menggunakan berbagai data internal, seperti jumlah ketersediaan kamar, tingkat pemesanan, pembatalan, tipe kamar, dan harga kamar harian. ROS juga menganalisis data eksternal seperti harga hotel pesaing, cuaca di sekitar, dan acara-acara besar yang diselenggarakan di dekat lokasi hotel. Hasilnya, lebih dari 1.000 hotel milik Starwood bisa mengubah harga kamar setiap menitnya demi menentukan harga yang paling efisien untuk meningkatkan pemasukan dan keuntungan perusahaan.

Dua contoh di atas menunjukkan, cognitive computing mampu memberikan keunggulan unik bagi perusahaan. Peluangnya pun terbilang tak terbatas karena pemanfaatan cognitive computing bisa dilakukan untuk berbagai skenario. Perusahaan retail, misalnya, bisa memanfaatkan cognitive computing untuk memprediksi stok sebuah produk berdasarkan pola pembelian konsumen selama ini. Nelayan pun bisa memanfaatkan sistem pintar ini untuk memperkirakan area laut yang padat ikan berdasarkan data cuaca dan pola arus laut.

Pendek kata, semua kebutuhan bisnis bisa memanfaatkan machine learning. Namun karena prinsip dasar dari machine learning adalah “belajar”, tiap skenario membutuhkan data dan proses pembelajaran yang berbeda. Karena itulah Gunawan Susanto mengajak semua pihak di ekosistem IT Indonesia untuk memanfaatkan machine learning berdasarkan kebutuhan unik bangsa ini. “Jangan sampai kita cuma menikmati service [berbasis machine learning]-nya, namun player-nya dari negara lain,” ujar Gunawan.

Ingin mengetahui lebih jauh mengenai pemanfaatan machine learning di berbagai industri? Daftarkan diri Anda di alamat ini untuk mengikuti CTI IT Infrastructure Summit 2017. Akan ada pembicara dari Grab, Singtel, DBS, dan berbagai perusahaan lain yang akan membahas bagaimana mereka memanfaatkan machine learning.

Rachmat Gunawan (Direktur, CTI Group) dan Gunawan Susanto (Presiden Direktur, IBM Indonesia) dalam konferensi pers kick off CTI IT Infrastructure Summit 2017.

CTI Group kembali akan menggelar seminar dan pameran infrastruktur CTI IT Infrastructure Summit 2017 pada tanggal 8 Maret 2017 di Hotel Ritz-Carlton Pacific Place, Jakarta.

Penyelenggaraan kali ini telah memasuki tahun keempat dan akan mengangkat topik “Machine Learning: Capitalizing the Information of Everything to Drive Your Digital Business”. Harapannya, para peserta dapat memahami peran teknologi machine learning dalam membantu organisasi mengolah data dan informasi menjadi insight berharga demi pertumbuhan bisnis.

Mengapa machine learning dipilih oleh CTI Group sebagai tema besar tahun ini?

“Dengan begitu dahsyatnya pertumbuhan data di seluruh dunia, di mana sekitar 2,5 quintillion data digital tercipta per hari, bisnis tidak lagi mampu menganalisis data tersebut secara tradisional untuk memperoleh insight penting. Di sinilah kehadiran machine learning diperlukan untuk menganalisis data secara otomatis dan memprediksi masa depan untuk mendongkrak pemasukan,” jelas Rachmat Gunawan (Direktur, CTI Group) dalam konferensi pers di Jakarta, Rabu (8/2).

IDC mencatat 75% enterprise dan pengembang software akan menerapkan fungsi machine learning dengan tool analitik bisnis yang lengkap, minimal dalam satu aplikasi perusahaan. Sedangkan Gartner memperkirakan pada tahun 2018, lebih dari separuh perusahaan enterprise di dunia akan meningkatkan daya saing melalui implementasi advanced analytics dan algoritma yang nantinya mampu mendisrupsi seluruh industri.

Machine learning juga diprediksi akan mengalami peningkatan dalam sisi service market dari US$613,4 juta di 2016 menjadi US$3,755 juta pada 2021 dengan Laju Pertumbuhan Majemuk Tahunan (CAGR) sebesar 43,7%.

“IBM memiliki solusi pendekatan Cognitive yang mampu menganalisis, memberikan rekomendasi di seluruh industri. IBM Watson merupakan produk dari solusi Cognitive kami yang memiliki kemampuan untuk membuka data-data yang tidak teridentifikasi,” jelas Gunawan Susanto (Presiden Direktur, IBM Indonesia).

“Melalui CTI IT Infrastructure Summit 2017, kami ingin menjadi mitra industri dalam menerapkan teknologi cognitive computing untuk mendorong keberhasilan bisnis di era transformasi digital saat ini,” imbuh Rachmat.

Seleksi iCIO Awards 2017

Seperti tahun-tahun sebelumnya, CTI IT Infrastructure Summit 2017 bakal menghadirkan beragam solusi TI terkini dan sharing best practice, tidak hanya bagi profesional di bidang TI, tetapi juga pemasaran, keuangan, produksi, dan sektor lainnya dari lintas industri di Indonesia.

Pada acara ini, juga akan diumumkan para CIO dan IT leader yang memenangi penghargaan iCIO Awards 2017 sebagai “The Most Influential CIO”, “The Most Intelligent CIO”, dan “The Most Innovative CIO”.

Saat ini, sembilan CIO dari berbagai latar belakang industri, yakni keuangan, pemerintahan, e-commerce, edukasi, dan transportasi berhasil lolos dalam tahapan seleksi formulir aplikasi dan akan mengikuti tahap akhir dari proses pemilihan, yakni wawancara dan presentasi dengan Dewan Juri.

Dewan Juri iCIO Awards 2017 terdiri dari Hasnul Suhaimi (Executive & Business Coach, mantan CEO XL Axiata), Hendra Godjali (CEO, Ernst & Young), Prihadiyanto (Managing Director, Accenture Indonesia), Arif Budisusilo (Pemimpin Redaksi Harian Bisnis Indonesia), dan Richardus Eko Indrajit (Kepala Asosiasi Perguruan Tinggi Informatika dan Komputer/APTIKOM).

“iCIO Community memberikan penghargaan setinggi-tingginya untuk para CIO yang telah mengikuti proses seleksi iCIO Awards 2017. Kami berharap mereka nantinya dapat menjadi role model bagi para praktisi TIK, khususnya para CIO lain, dalam mengatasi berbagai tantangan penerapan TIK di organisasinya serta memberikan kontribusi peningkatan kinerja bisnis dan membangun daya saing organisasi secara berkelanjutan.” ujar Harry Surjanto (Founder and Advisor, iCIO Community).

CTI IT Infrastructure Summit 2017 didukung oleh lembaga riset Gartner dan Grab Indonesia serta vendor-vendor TI terkemuka di dunia, seperti IBM, FireEye, Dell-EMC, Fujitsu, Hewlett-Packard Enterprise, Lenovo, F5, Hitachi Data Systems, Lexmark, Varonis, Data Spark, Samsung, Pure Storage, dan Progress Software.

Untuk registrasi atau mendapatkan informasi yang lebih lengkap mengenai CTI IT Infrastructure Summit 2017, silakan kunjungi: www.itinfrastructuresummit.com.

Bunga apa yang pantas diberikan bagi istri yang akan berulang tahun esok hari? Bagi banyak suami, pertanyaan itu mungkin hanya bisa dijawab dengan tatapan kosong dan wajah bingung. Namun jangan khawatir, ada Gwyn yang siap membantu.

Cukup mengunjungi alamat https://www.1800flowers.com/gwyn-1800flowers, Anda bisa berkonsultasi dengan Gwyn. Dia akan menanyakan warna kesukaan sang istri, jenis bunga yang disukai, dan setelah itu memberikan rekomendasi bunga apa yang bisa diberikan kepada sang istri. Kedengarannya memang simpel, namun ada teknologi yang menarik di balik itu.

Gwyn (yang sebenarnya merupakan singkatan dari Gift When You Need) adalah asisten berbasis artificial intelligence (AI). Fungsi Gwyn adalah mengetahui keinginan konsumen untuk kemudian menyajikan bunga yang tepat dari koleksi 16 perusahaan bunga di bawah 1-800-Flowers.com. “Kami menciptakan Gwyn sebagai bagian dari usaha kami meningkatkan customer experience,” ungkap Chris McCann, President 1-800-Flowers.com.

Sebagai “asisten” yang bertugas mengulik keinginan konsumen, tugas Gwyn tentu saja tidak mudah. Gwyn harus bisa mengetahui keinginan konsumen berdasarkan medium chatting yang menggunakan natural language manusia. Artinya, Gwyn tidak bisa diprogram menggunakan algoritma standar. Gwyn harus menggunakan pendekatan machine learning yang bisa mengintepretasikan natural language tersebut menjadi bahasa yang dimengerti mesin.

Untuk menciptakan Gwyn ini, 1-800-Flowers.com menggunakan solusi IBM Watson Engagement Advisor (WEA). Tidak cuma memahami bahasa manusia, IBM WEA juga membantu Gwyn menemukan konteks berdasarkan berbagai data. Contohnya history data konsumen selama ini, kesukaan mereka, dan juga momen yang sesuai dengan waktu permintaan (seperti menyediakan bunga warna pink menjelang Hari Valentine).

Sedangkan untuk di sisi backend, Gwyn juga memanfaatkan IBM Watson Explorer (WEX) untuk memindai seluruh inventori. Dengan begitu, Gwyn bisa memberikan rekomendasi bunga yang memang tersedia di inventori 1-800-Flowers.com.

Gwyn merupakan contoh bagaimana teknologi machine learning bisa digunakan untuk mempelajari berbagai data dan informasi, dari bentuk numerik yang dipahami mesin sampai bahasa manusia yang mesti diinterpretasikan lebih lanjut. Berdasarkan pemahaman ini, Gwyn bisa secara cerdas mengumpulkan dan menganalisis data, lalu merekomendasikan bunga yang sesuai selera dan kebutuhan konsumen dengan AI.

Cerita soal Gwyn di atas adalah satu dari kian banyaknya contoh implementasi AI di industri retail. Contoh lainnya adalah perusahaan outdoor apparel North Face yang juga memanfaatkan AI untuk membantu konsumen memilih produk yang tepat.

Implementasi AI pun tidak cuma di sisi pengguna. IBM Watson memiliki fitur Order Optimizer yang akan memberikan saran terkait strategi inventori toko retail. Saran itu diberikan setelah menganalisa pola pembelian konsumen, tingkat laku sebuah produk, sampai kondisi cuaca yang mempengaruhi pembelian sebuah produk.

Implementasi AI juga bisa digunakan untuk menyediakan produk yang personal dan menjawab kebutuhan tiap konsumen. Dengan menganalisis social profile, preferensi personal, sampai tren yang ada saat ini, industri retail bisa memberikan produk yang sesuai berbasis individu. Dengan begitu, setiap konsumen merasa kebutuhannya terpenuhi dan mendapat sentuhan personal dari toko retail tersebut.

Pendek kata, AI dan machine learning akan mentransformasi industri retail dalam skala yang luar biasa.

Artificial Intelligence untuk Semua

Penerapan AI dan machine learning sebenarnya tidak cuma untuk industri retail. Semua industri bisa menjadikan AI sebagai competitive advantage.

Untuk mengetahui lebih jauh bagaimana AI bisa mentransformasi industri perbankan, telekomunikasi, sampai e-commerce, Anda bisa mengikuti acara CTI IT Infrastructure Summit 2017. Pada acara bertajuk “Machine Learning: Capitalizing the Information of Everything to Drive Your Digital Business”, Anda bisa belajar dari perusahaan yang telah berhasil memanfaatkan machine learning.

Segera daftarkan diri Anda di www.itinfrastructuresummit.com mengingat tempat yang terbatas.

Produser Musik Alex Da Kid membuat lagu dengan bantuan IBM Watson

Selain menulis puisi dan novel, teknologi kecerdasan buatan (AI) bisa digunakan untuk membuat musik. Contohnya, Alex Da Kid (peraih nomine Grammy Awards dan Produser Musik) yang menggunakan platform cognitive computing IBM Watson untuk membuat lagu dalam album terbarunya.

Alex Da Kid menggunakan Watson untuk menganalisis komposisi lagu-lagu pada tangga lagu Billboard selama lima tahun terakhir, termasuk juga artikel koran, skrip film, dan komentar di media sosial.

Alex ingin memahami perasaan dan emosi di setiap periode waktu agar dapat meningkatkan proses kreativitasnya.

“Watson berhasil mengumpulkan jutaan percakapan, headline koran, dan memberikan saya ide bahwa perasaan manusia sangat mudah berubah dalam lima tahun terakhir,” katanya seperti dikutip Forbes.

Dengan bantuan Watson, Alex meluncurkan single lagu “Not Easy” yang bercerita tentang patah hati, dengan berkolaborasi bersama X Ambassadors, Elle King, dan Wiz Khalifa. Terbukti, lagunya menduduki peringkat empat dalam chart iTunes.

Alex juga memanfaatkan Watson Beat, algoritma machine learning dari IBM yang mampu mempelajari musik lintas generasi, untuk membuat lirik musik dan menawarkan elemen musik yang berbeda. Watson Beat juga dapat menggali data dari beragam lagu untuk mengetahui nada-nada yang ingin didengarkan oleh penikmat musik ataupun yang dapat menginspirasi musisi.

“Musisi akan menggunakan kecerdasan buatan [dan machine learning] untuk memahami apa yang diinginkan pendengar, membantu memprediksi lagu mana yang akan sukses, membuat lagu untuk pendengar yang spesifik, dan bahkan mendorong proses kreatif ke tingkat yang lebih lanjut,” pungkas Alex.

Alex Da Kid adalah produser dari lagu-lagu hits seperti “Massive Attack” (Nicki Minaj), “Airplanes” (B.o.B feat. Hayley Williams), “Love the Way You Lie” (Eminem feat. Rihanna), dan “Radioactive” (Imagine Dragons).

Video teknologi IBM Watson di balik lagu “Not Easy”:

Membedakan foto sepatu dan baju adalah sebuah pekerjaan yang sangat mudah dilakukan manusia. Namun bagaimana jika ada jutaan foto yang harus disortir?

Masalah seperti ini benar dialami oleh Lazada. Setiap produk yang dipampang di platform mereka harus diperiksa dan diverifikasi. “Apakah kualitas fotonya bagus? Apakah nama produknya akurat? Setelah itu, kami harus menempatkannya di kategori produk yang tepat,” cerita John Berns (SVP Head of Data Science, Lazada).

Awalnya, Lazada melakukan proses tersebut secara manual oleh manusia. Namun mengingat setiap tahun ada 30 juta foto yang harus diolah, proses manual tersebut menuntut waktu dan tenaga yang tak sedikit. Hal inilah yang mendorong Lazada untuk membangun sistem berbasis teknologi machine learning.

“Sistem ini bisa melihat gambar, menganalisis, lalu menaruhnya di kategori yang tepat,” kata Berns. Ketika dilakukan secara manual, proses verifikasi biasanya berlangsung 30 detik Namun ketika menggunakan sistem berbasis machine learning, waktu yang dibutuhkan hanya sekitar 5-6 detik.

Akurasi sistem tersebut juga bisa diandalkan. “Sekitar 90% produk dapat diklasifikasikan berdasarkan machine learning, sementara sisanya masuk ke dalam suggestion untuk diproses secara manual,” tambah Berns.

Implementasi Luas

Machine learning sendiri adalah salah satu cabang ilmu komputer yang memiliki kemampuan belajar dari pola data, baik yang diberikan sebelumnya maupun data baru. Machine learning erat kaitannya dengan computational computing karena mengandalkan pola statistik dari data yang ia proses. Seperti contoh di atas, sistem machine learning Lazada bisa mengenali foto sebuah baju karena ia mengenali ciri-ciri baju dari jutaan foto baju yang telah ia proses.

Teknologi machine learning sebenarnya bukan hal yang baru. Pada tahun 1960, Joseph Weizenbaum membuat komputer bernama Eliza yang mengambil pendekatan machine learning. Namun implementasi machine learningmendapat momentumnya dalam beberapa tahun terakhir karena ekosistem yang mendukung. Contohnya peningkatan kecepatan komputasi yang bisa memproses data ukuran raksasa dengan lebih cepat. Selain itu, algoritma machine learning juga kian matang seiring kian seriusnya perusahaan teknologi raksasa, seperti Google, Microsoft, dan Amazon, dalam mengimplementasikan machine learning.

Perusahaan dari berbagai industri pun kini mulai melirik machine learning sebagai competitive advantage. Survei yang dilakukan MIT terhadap 168 perusahaan dengan pendapatan di atas US$500 juta menunjukkan, 76% responden telah menggunakan aplikasi berbasis machine learning untuk mengejar kenaikan pendapatan.

Sementara lembaga survei McKinsey menyebut, lebih dari selusin bank di Eropa telah mengganti sistem statistik yang biasa mereka gunakan dengan sistem baru berbasis machine learning. Hasilnya pun sangat positif. Bank yang telah menggunakan machine learning ini berhasil meningkatkan pendapatan 10% terhadap produk baru, serta penurunan churn (angka nasabah yang berhenti menggunakan jasa keuangan) sampai 20%.

Hal ini bisa dicapai karena sistem berbasia machine learning bisa memberikan rekomendasi yang lebih presisi dalam menawarkan produk baru maupun mendeteksi nasabah yang akan berhenti. Dalam konteks yang lebih luas, machine learning juga bisa digunakan untuk memprediksi potensi fraud, meningkatkan layanan masyarakat dan kesehatan, serta memperbaiki pola pelatihan olahraga.

Pendek kata, machine learning adalah tools yang akan membantu tiap perusahaan dalam meningkatkan kinerja mereka. Pertanyaan besarnya, apakah perusahaan Anda siap mengimplementasikannya?

Ingin tahu lebih banyak bagaimana machine learning bisa membantu perusahaan Anda?

Anda ingin tahu lebih banyak bagaimana machine learning bisa membantu perusahaan Anda? Anda bisa mengikuti CTI IT Infrastructure Summit yang akan diselenggarakan pada 8 Maret 2017. Pada acara yang bertajuk “Machine Learning: Capitalizing the Information of Everything to Drive Your Digital Business”, narasumber dari berbagai industri akan berbagi strategi mereka dalam mengimplementasikan machine learning.

Segera daftarkan diri Anda di http://www.itinfrastructuresummit.com/preregister mengingat tempat yang terbatas.

opera-adcolony-official-image-2

Dua perusahaan iklan mobile di bawah bendera Opera ASA, yaitu Opera Mediaworks dan AdColony, mengumumkan integrasi bisnis periklanan mereka ke dalam satu merek baru. Dengan begitu, Opera Mediaworks pun berganti nama menjadi AdColony.

Sebagai hasil dari integrasi bisnis yang akan resmi bergulir pada Januari 2017 ini, AdColony akan mencakup semua area bisnis dari Opera Mediaworks dan AdColony, termasuk media-rich/display, streaming video, video Instant-Play, dan seluruh teknologi dan format iklan yang tersebar di dalam marketplace milik AdColony yang telah terprogram.

Sekadar informasi, AdColony adalah platform iklan video mobile yang dibeli Opera pada tahun 2014. Setelah akuisisi itu, AdColony menjadi bagian integral serta pengendali pendapatan utama dari bisnis Opera Mediaworks. Oleh karena itu, penggunaan nama AdColony untuk melanjutkan momentum dan reputasi merek di industri periklanan mobile bisa dimengerti.

Alasan perubahan nama menjadi AdColony juga disebabkan oleh proses akuisisi peramban milik Opera ASA oleh perusahaan konsorsium asal China. Sebagai bagian dari kesepakatan tersebut, konsorsium memegang seluruh hak nama dan merek “Opera”. Pada akhirnya, proses akuisisi mengharuskan Opera ASA selaku induk perusahaan untuk mengubah nama Opera Mediaworks.

“Saya senang dapat menyatukan bisnis periklanan di bawah brand AdColony secara global,” ujar Will Kassoy (CEO, AdColony). “Kami juga sangat bersemangat untuk menghadirkan pengalaman brand yang dapat menggugah emosi dan mampu memberikan hasil yang nyata dengan menggabungkan kreativitas dan generasi terbaru teknologi iklan, seperti otomatisasi dan artificial intelligence berbasis data science.”

“Proses rebranding ini adalah kesempatan bagi kami untuk menegaskan siapa kami, apa yang kami lakukan, serta apa peran yang kami mainkan dalam industri ini. Positioning AdColony yang kuat di tengah teknologi seluler dan video yang terbaik di kelasnya akan meningkatkan kehadiran dan relevansi, sekaligus memperkokoh posisi kami di dalam industri mobile advertising,” Vikas Gulati (Managing Director for Asia, AdColony) menambahkan.

Pencapaian dan Visi Global AdColony

AdColony akan terus memanfaatkan software development kit (SDK) yang saat ini masih menjadi yang terbaik di dunia, kedua setelah Google untuk kategori 1.000 aplikasi terbaik di dunia. Beberapa aplikasi populer, yang AdColony sebut sebagai “Today’s Primetime” termasuk dalam deretan penerbit dengan pertumbuhan paling pesat seperti Liputan6, Detik, Kapanlagi, dan perusahaan media lainnya.

adcolony-ad-mobile

Mobile First Insight (MFI) terbaru untuk Asia Pasifik menyatakan bahwa pengguna ponsel menghabiskan sekitar 46 menit setiap hari pada setiap penggunaan aplikasi populer, dengan lama rata-rata penggunaan per sesi lebih dari 9.6 menit; lebih lama dibandingkan dengan standar waktu penggunaan aplikasi lain.

Selain itu, menurut proyeksi terbaru eMarketers, Indonesia adalah pasar iklan kedua terbesar di dunia setiap tahun sejak 2015 hingga 2019. Pengeluaran untuk digital advertising saat ini sedang bertumbuh empat kali lipat lebih cepat dan pengeluaran mobile advertising meningkat hingga tiga digit dan akan terus bertambah hingga tahun 2018.

Jejak SDK yang kuat memungkinkan AdColony mengakses sinyal data yang lebih kuat dibanding pemain lain untuk data dan penargetan yang lebih baik guna menciptakan hasil optimal bagi pengguna. AdColony terus berinvestasi ke dalam data science dan machine learning.

Selama beberapa bulan terakhir ini, AdColony telah merekrut ilmuwan terbaik dalam bidang teknologi dan data yang dapat bekerja untuk memperbaiki platform terpadu dengan nama Apollo yang akan diluncurkan dalam beberapa fase sepanjang tahun 2017.

Ilustrasi machine learning. [kredit: Shutterstock]

Ilustrasi machine learning. [kredit: Shutterstock]

Apakah Anda pernah menonton film “Stealth”? Film itu bercerita tentang sebuah pesawat tempur tanpa awak EDI UCAV (Extreme Deep Invader Unmanned Combat Air Vehicle) yang dipiloti komputer. Komputer itu mampu memahami manuver canggih dan kemampuan udara yang diajarkan manusia dan menerapkannya saat terbang.

Film itu memang sebatas fiksi ilmiah. Namun, yang menjadi pertanyaan, mungkinkah sistem semacam EDI UCAV ini akan bisa diciptakan? Mungkinkah komputer bisa belajar sebagaimana halnya manusia?

Konsep Machine Learning

Pertanyaan tersebut ternyata telah ada dalam pikiran manusia selama berabad-abad. Memikirkan sebuah mesin atau sistem yang bisa belajar tanpa pemrograman dan lalu mengambil keputusan sendiri merupakan ide paling ambisius manusia. Hal ini memunculkan konsep kecerdasan buatan (artificial intelligence).

Dalam “bahasa” ilmu komputer, mesin cerdas yang ideal merupakan sebuah agen rasional. Mesin ini akan menerima input dari lingkungan sekitarnya dan mengambil tindakan atau langkah yang memperbesar peluangnya meraih keberhasilannya dalam berbagai tujuan.

Istilah “kecerdasan buatan” bisa diterapkan pada sistem komputer atau mesin yang menggunakan teknik tertentu untuk menirukan fungsi kognitif aktivitas otak manusia, seperti “belajar” dan “memecahkan masalah”. Kecerdasan buatan sendiri merupakan domain yang memayungi aneka konsep lain, seperti knowledge representation, machine learning, natural language processing, machine perception, computer vision, speech recognition, serta affective computing.

Arthur Samuel di tahun 1959 mendefinisikan machine learning sebagai “cabang ilmu yang memungkinkan komputer memiliki kemampuan untuk belajar tanpa perlu diprogram lagi”. Machine learning karena itu mengkaji aneka algoritma yang bisa “belajar” dari data dan membuat keputusan atau prediksi berdasarkan data tersebut.

Algoritma semacam ini bekerja dengan cara membangun sebuah model dari masukan-masukan (input) untuk menghasilkan prediksi atau pengambilan keputusan berdasarkan data (output). Ini berbeda dari model komputer “konvensional” yang membutuhkan “bimbingan” dalam bentuk program untuk mengarahkan hasil proses komputer sesuai keinginan programmer.

Machine learning berkaitan erat (dan sering bertumpang tindih) dengan computational statistics. Computational statistics sendiri merupakan disiplin ilmu yang juga berfokus pada pembuatan keputusan atau prediksi via penggunaan komputer. Machine learning dipakai dalam aneka aktivitas menggunakan komputer, di mana pemrograman dianggap tidak mampu melakukannya. Penerapan sehari-hari termasuk spam filtering, optical character recognition, search engines, dan computer vision.

Akan tetapi, salah satu hambatan terbesar penerapan machine learning terletak pada kenyataan bahwa aneka keputusan yang dihasilkan berdasarkan berbagai masukan (input) dianggap terlalu kompleks untuk dideskripsikan. Untuk mengatasi hal ini, para ahli machine learning merancang algorithma yang “memilah” pengetahuan dari data dan pengalaman tertentu, berdasarkan prinsip-prinsip statistika dan komputasi.

Machine learning memadukan banyak pendekatan seperti teori probabilitas, logika, combinatorial optimization, pencarian, statistika, reinforcement learning, dan control theory. Metode yang didapat sebagai hasil pengembangan ini merupakan dasar dari banyak implementasi, mulai dari pemrosesan vision to language, perkiraan, pengenalan pola-pola, permainan, data mining, expert systems, serta robotika.

Sejarah Singkat Machine Learning

Pada tahun 1946, komputer pertama (ENIAC) berhasil dibuat. ENIAC sendiri dioperasikan secara manual, yaitu operatornya (manusia) akan menghubungkan berbagai saklar yang menghubungkan aneka sirkuit dalam ENIAC. Dengan cara ini, ENIAC bisa melakukan perhitungan yang diinginkan operatornya.

Lalu pada tahun 1950, Alan Turing mengusulkan adanya sebuah tes untuk mengukur kinerja sistem komputer. Tes yang diusulkan Turing ini dibuat berdasarkan pemikiran bahwa kita hanya bisa menentukan apakah sebuah mesin atau sistem benar-benar bisa “belajar” jika saja kita bisa berkomunikasi dengannya, dan tidak bisa membedakan kemampuannya ini dari cara manusia belajar. Meskipun belum ada mesin atau sistem yang berhasil lulus dari tes ini, mulai banyak sistem yang telah dikembangkan berbasis ide machine learning.

Pada sekitar tahun 1952, Arthur Samuel (IBM) membuat sebuah program permainan pertama untuk permainan checkers (semacam dam-daman). Program ini dirancang bagi sistem/mesin untuk meraih kemampuan memadai agar bisa menantang sang juara dunia. Program machine learning buatan Samuel ini tidak disangka bisa bekerja dengan baik dan sangat membantu meningkatkan kinerja sang pemain.

Tonggak penting lain dalam machine learning adalah munculnya sistem ELIZA pada awal tahun 1960-an. ELIZA yang dibuat oleh Jospeph Weizenbaum ini menyimulasikan cara kerja psikoterapis yang menggunakan aneka trik seperti pertukaran tali dan mengumpulkan respons berdasarkan kata kuncinya. Saat ELIZA pertama mendemokan kemampuannya, banyak orang yang mengiranya sebagai manusia karena kemampuannya.

Gambaran sistem machine learning ELIZA yang bisa menyimulasikan kerja psikoterapis.

Gambaran sistem machine learning ELIZA yang bisa menyimulasikan kerja psikoterapis. [Kredit: petesqbsite.com]

Meskipun secara keseluruhan kinerja ELIZA bisa dibilang mengecewakan, keberadaannya merupakan contoh yang cukup baik tentang konsep machine learning.

Setelah kemunculan ELIZA, banyak mesin dan sistem serupa yang dibuat manusia. Salah satu yang layak dibahas adalah karya mahasiswa Stanford. Mereka mendemokan kekuatan sistem berbasis kaidah untuk menunjukkan kemampuan sistem mengolah pengetahuan yang dimilikinya dan mengambil kesimpulan yang berguna. Tujuannya, melakukan terapi dan diagnosis medis. Sistem ini sering disebut “sistem pakar pertama”.

Pada waktu yang bersamaan dengan saat sistem pakar dibuat, pendekatan lain terhadap konsep machine learning juga muncul. Pada tahun 1957, Frank Rosenblatt menemukan Perceptron di Laboratorium Ruang Angkasa Cornell. Perceptron sendiri merupakan sebuah penggolong linear sederhana. Namun, ternyata jika sejumlah besar Perceptron dikombinasikan dalam sebuah jaringan, sebuah sistem yang bertenaga bisa dihasilkan.

Namun, sistem jaringan saraf ini ternyata belum bisa menghasilkan hal yang menggembirakan setelah gagal memecahkan masalah XOR (exclusive OR). XOR sendiri merupakan perhitungan logika bilangan biner yang membutuhkan langkah kompleks agar bisa dipecahkan. Namun, beberapa modifikasi dalam sistem jaringan saraf pada akhirnya mampu memecahkan perhitungan XOR dan aneka perhitungan sulit lainnya.

Lalu pada awal tahun 1990-an, konsep machine learning kembali populer karena adanya irisan antara ilmu komputer dan statistika. Sinergi ini menghasilkan cara baru pemikiran dalam bidang kecerdasan buatan, yakni pendekatan berdasarkan probabilitas. Dalam pendekatan semacam ini, ketidakpastian dalam parameter disertakan dalam model perhitungan. Sistem semacam ini sendiri bekerja berbasis data, untuk membedakannya dari yang berbasis pengetahuan dengan sistem pakar seperti yang dibuat di tahun-tahun sebelumnya.

Banyak kisah sukses machine learning terwujud berkat berbagai ide yang dikembangkan di masa itu.

Implementasi Machine Learning

Di Indonesia, sebenarnya sudah ada yang menggunakan machine learning untuk menunjang aktivitasnya. Salah satunya seperti yang dilakukan Kofera. Perusahaan ini menggunakan platform machine learning untuk membantu pengelolaan pemasaran digital bagi para kliennya.

Menurut Bachtiar Rivai (CEO, Kofera), machine learning dapat dianggap sebagai salah satu cabang ilmu komputer. Machine learning ini memiliki potensi besar karena “belajar” dari pola-pola data secara iteratif. “Jadi tidak seperti algoritma biasa, machine learning bisa mengenali pola atau menyelesaikan masalah tanpa harus secara eksplisit diprogram di mana dan apa yang mau diselesaikan,” ungkap Bachtiar.

Bachtiar merasakan betul manfaat machine learning. Pasalnya, perusahaan yang ia pimpin, yaitu Kofera, memanfaatkan machine learning untuk mengelola digital marketing berbagai perusahaan e-commerce. Ketertarikan Bachtiar terhadap machine learning ia dapat setelah menyadari pengelolaan digital marketing berbasis orang ternyata tidak scalable. “Ketika ada klien baru, saya harus menambah orang baru,” ungkap Bachtiar mengungkapkan kendala yang ia alami di perusahaan sebelumnya.

Kini dengan menggunakan engine berbasis machine learning, Kofera bisa melakukan automisasi di sebagian besar prosesnya. Contohnya, engine tersebut bisa memprediksi keyword mana yang efektif dan mana yang tidak. Engine tersebut juga bisa fokus kepada segmen tertentu karena sudah “belajar” dari profil pengguna. Kelebihan machine learning kian terasa karena semua proses optimalisasi bisa dilakukan hitungan jam, tidak berminggu-minggu seperti dulu saat dikerjakan manusia secara manual.

Cocok untuk Berbagai Industri

Boleh dibilang, semua industri bisa memanfaatkan machine learning. “Machine learning adalah metode yang belajar dari data. Jadi selama ada data yang cukup, kemungkinan besar machine learning bisa diimplementasikan,” ungkap Bachtiar. Bachtiar pun menunjuk machine learning yang kini banyak dipakai di berbagai industri, mulai dari advertising, IoT, finansial, microbiology, sampai fisika nuklir.

Menurut Bachtiar Rivai, saat ini baru sedikit perusahaan di dunia yang memanfaatkan machine learning di dunia digital marketing. “Kofera adalah satu-satunya di Asia,” klaimnya.

Menurut Bachtiar Rivai, saat ini baru sedikit perusahaan di dunia yang memanfaatkan machine learning di dunia digital marketing. “Kofera adalah satu-satunya di Asia,” klaimnya.

Sementara itu, Edy Susanto (Country Lead, Cloud and Enterprise Solution, Microsoft Indonesia) memberikan beberapa contoh implementasi machine learning di industri keuangan. “Contohnya adalah mendeteksi fraud,” ungkap Edy.

Mengingat transaksi terus terjadi setiap saat, akan sangat sulit bagi bank untuk memeriksa setiap transaksi secara manual. Namun jika menggunakan machine learning, kesulitan itu relatif bisa diatasi. Engine berbasis machine learning dapat mendeteksi setiap transaksi secara otomatis, lalu ketika melihat transaksi yang memiliki ciri-ciri seperti penipuan, engine tersebut bisa langsung mengeluarkan alert.

Contoh implementasi lain adalah di industri kelistrikan. Di industri ini, machine learning bisa digunakan untuk mendeteksi pola penggunaan listrik konsumen di jam dan hari tertentu demi tujuan efisiensi. Bagi perusahaan pengeboran minyak, machine learning bisa digunakan untuk memprediksi area yang layak untuk ditambang.

Dengan kata lain, machine learning bisa diterapkan untuk semua industri. Bagi perusahaan retail, machine learning juga bisa digunakan untuk memperkirakan tingkat laku sebuah produk. “Semua tergantung imajinasi kita,” tambah Edi.

Kiat Memanfaatkan Machine Learning

Lantas, bagaimana jika perusahaan ingin memanfaatkan machine learning? Untuk menjawab pertanyaan ini, Bachtiar memberikan beberapa langkah persiapan. “Yang utama adalah menyiapkan apa yang ingin dicapai dari pembuatan aplikasi berbasis machine learning itu,” ungkap Bachtiar.

Jika sudah tahu apa yang dimaui, langkah selanjutnya adalah memilih model yang akan memproses data sesuai tujuan. “Jika ingin menyelesaikan masalah seputar optimasi, clustering, atau classification, biasanya sudah ada jurnal ilmiahnya,” tambah Bachtiar. Namun jika memiliki tujuan yang lebih spesifik, Anda harus melakukan riset terlebih dahulu.

Langkah selanjutnya adalah melakukan data training alias memberi “pelajaran” kepada engine machine learning tersebut. Caranya dengan memberi engine tersebut satu set data agar ia bisa melihat polanya. Lalu, engine tersebut diminta untuk memprediksi data lain yang telah kita ketahui nilainya. Dari situ bisa terlihat apakah permodelan yang dipilih sudah memiliki akurasi yang tinggi.

Bachtiar menambahkan bahwa jika hasil yang didapat sudah memuaskan, kita tinggal memberi tambahan pelajaran dengan melibatkan data yang lebih besar. Proses tersebut kemudian diulang-ulang sampai akhirnya engine tersebut dapat memproses data yang lebih besar dengan akurasi tinggi.

Namun, untuk membuat engine seperti itu memang tidak mudah. Menurut Bachtiar, dibutuhkan orang yang piawai dalam memahami masalah, menentukan model, sampai membuat algoritma.

Di Kofera sendiri, Bachtiar membentuk tiga tim untuk menjawab masalah tersebut. “Tim pertama adalah researcher yang membuat sintesis masalah dan membuat model,” ungkap Bachtiar. Biasanya grup ini terdiri dari orang dengan keahlian dalam bidang fisika atau matematika serta memahami permasalahan yang harus diselesaikan.

Sementara tim kedua adalah data scientist yang bertugas melakukan pengujian pada data sesungguhnya dan melakukan modifikasi model. Pada posisi ini, biasanya dibutuhkan sosok yang memiliki latar belakang matematika atau scientific computing. Sementara tim ketiga adalah software engineer yang akan mengimplementasikan seluruh model itu ke dalam algoritma.

Akan tetapi, beberapa perusahaan teknologi seperti AWS dan Microsoft kini menawarkan solusi machine learning siap pakai untuk membantu perusahaan mengolah datanya. Mereka menawarkan solusi komplet terkait machine learning, mulai dari infrastruktur komputasi (seperti processing power dan storage), algoritma untuk data training, sampai engine machine learning untuk mengolah data tersebut. Dengan kata lain, perusahaan hanya perlu meng-input data ke mesin tersebut lalu mendapatkan insight berdasarkan algoritma machine learning yang disediakan.

Edy Susanto (Country Lead, Cloud and Enterprise Solution, Microsoft Indonesia).

Edy Susanto (Country Lead, Cloud and Enterprise Solution, Microsoft Indonesia).

Menurut Edy Susanto, cara ini membuka kesempatan bagi semua level perusahaan untuk memanfaatkan machine learning. “Karena tidak membutuhkan investasi besar di awal,” ungkap Edy beralasan.

Untuk langkah awal, perusahaan bisa mulai melakukan pengumpulan data dan menyimpannya di cloud. Jika data sudah cukup besar, langkah selanjutnya adalah memanfaatkan algoritma Azure untuk data training maupun machine learning. Kemampuan machine learning pun akan kian meningkat seiring pertambahan data. “Kata kuncinya adalah learn fast and get insight fast,” ungkap Edy mengungkapkan kelebihan machine learning.

Ketika “mesin” bisa belajar dan menganalisis lebih baik dari manusia, bukan berarti peran manusia akan tergantikan. “Saya kira kapabilitas ini lebih sebagai added-value bagi kita,” ungkap Edy Susanto. Ia menambahkan bahwa ketika tool seperti machine learning mampu menampilkan insight dari data yang ada, kita pun bisa mengambil keputusan secara lebih baik.

Kondisi Saat Ini dan Masa Depan

Pada tahun 2024 nanti, teleskop radio terbaru akan menghasilkan data lebih dari satu exabyte per hari! Untuk menangani data sebesar ini, big data karena itu berusaha mengembangkan metode baru untuk menyimpan dan mengolahnya, selain memvalidasi pola-pola kompleks yang ada di dalamnya. Machine learning karena itu diharapkan memiliki peran lebih besar agar bisa menangani data besar dan kompleks ini.

Kajian machine learning sendiri saat ini telah berkembang dari sekadar usaha membuat sebuah komputer bisa belajar memainkan sebuah game atau meniru kemampuan otak manusia ke arah yang lebih luas lagi, yakni merancang teori komputasi-statistik dasar tentang proses pembelajaran bagi mesin dan sistem.

Banyak di antara algoritma baru pembelajaran berbasis machine learning (seperti mesin vektor dan jaringan Bayesian dalam aplikasi antispam), telah digunakan secara komersial saat ini. Selain itu, aneka bidang lain pun bisa memanfaatkan machine learning, seperti prediksi cuaca, prediksi hasil pertandingan, perkiraan harga saham, atau bidang lainnya yang memiliki banyak data masukan di dalamnya. Pendeknya, hampir semua bidang nantinya akan bisa memanfaatkan machine learning sepanjang tersedia cukup data untuk diolah.

Dengan demikian di masa depan, machine learning bisa memainkan peran signifikan dalam hidup manusia. Bukan tidak mungkin, di masa depan akan ada robot pembantu seperti dalam film “I, Robot” atau makin banyak sopir taksi robot seperti dalam film “Total Recall” yang bisa berinteraksi layaknya manusia.

TERBARU

Dengan memanfaatkan machine learning, sebuah bank bisa lebih efisien sekaligus memberikan layanan optimal bagi nasabahnya. Kesimpulan itulah yang bisa ditarik dari pengalaman Bank DBS yang saat ini mulai memanfaatkan machine learning.