Pembelajaran mesin (terbuka di tab baru) (ML) memiliki kekuatan untuk membawa transformasi digital organisasi ke level baru yang memusingkan. Meskipun ini adalah fakta umum di antara para pemimpin bisnis di perusahaan, penerapan ML skala penuh sering kali dianggap tidak mungkin tercapai. Ini, bagaimanapun, tidak bisa jauh dari kebenaran. Bagi mereka yang terbuka terhadap cara berpikir baru, kemungkinan tak terbatas yang diciptakan oleh penerapan ML kecil sekalipun – seperti penurunan biaya dan membantu tim bekerja lebih efisien – siap untuk diperebutkan. Dan banyak pemimpin bisnis memanfaatkan peluang untuk mengintegrasikannya ke dalam infrastruktur TI mereka saat ini (terbuka di tab baru). Faktanya, menurut penelitian Forbes, pasar ML global bernilai $1,58 miliar pada tahun 2017 dan diperkirakan akan mencapai $20,83 miliar pada tahun 2024.
Tentang Penulis
Santiago Giraldo, Direktur Pemasaran Produk di Cloudera (terbuka di tab baru).
Untuk mendapatkan manfaat dari ML, bisnis harus menerapkan pendekatan baru terhadap data mereka (terbuka di tab baru) perjalanan. Pada saat yang sama, perusahaan harus mengakui bahwa salah satu batu sandungan paling umum yang akan mereka hadapi terkait ML adalah implementasi yang tidak selalu mudah. Seringkali, masalah muncul saat tim mencoba menjembatani kesenjangan dari sekadar mencoba ML menjadi menguasai produksi ML skala penuh. Meskipun mengadopsi ML dengan benar memerlukan komitmen jangka panjang di seluruh organisasi Anda – dan sejujurnya bisa terasa cukup menakutkan – setiap organisasi dapat mempersiapkan diri untuk sukses dengan sepuluh langkah yang mudah diikuti ini.
Mengadopsi pendekatan holistik
Pemimpin bisnis harus memiliki pola pikir yang tepat dan mengambil pendekatan holistik saat mengadopsi model ML. Agar ML menjadi penghasut perubahan, ML harus ditanamkan sejak awal dan dianggap sebagai bagian fundamental dari strategi data. Saat ini terjadi, ML dijalankan bersamaan dengan lingkungan TI yang ada, aplikasi (terbuka di tab baru), proses dan alur kerja, dan pada gilirannya organisasi dapat mendorong hasil bisnis yang lebih baik. Karena alasan inilah ML harus dianggap sebagai platform pembelajaran dan pengembangan berkelanjutan sejak awal. Ini akan memastikannya bekerja dengan kemampuan terbaiknya sejak dini.
Meruntuhkan penghalang dengan fleksibilitas
Organisasi yang telah terjun ke perairan ML akan mengamati bahwa ada penghalang antara eksperimen ML dan adopsi skala besar. Hambatan sering terjadi ketika bisnis tidak memiliki keterampilan dan pengetahuan yang diperlukan untuk mengintegrasikan produksi, pemeliharaan, dan pengembangan ML ke dalam alur kerja, proses, budaya, dan arsitektur yang ada. Itu juga alasan mengapa ketika menangani ML secara langsung, bisnis harus fleksibel dalam pendekatan mereka tidak hanya untuk mengelola data tetapi juga bagaimana tim mereka disusun. Insinyur data dan ilmuwan perlu bekerja sama dengan para pemimpin, untuk membimbing mereka di jalur terbaik untuk mengelola data, dan menggunakan wawasan yang dikumpulkan untuk memandu bisnis ke depan.
Membentuk tim multidisiplin
Penting untuk keberhasilan penerapan ML adalah pemahaman bahwa manusia sama pentingnya dengan teknologi itu sendiri. Membangun tim yang dapat mendukung model ML dalam fungsi sehari-hari, kolaborasi (terbuka di tab baru) dan kebebasan dari pembatasan organisasi adalah kuncinya. Sementara para pemimpin ingin melihat ROI dari mengintegrasikan ML sejak awal, di sisi lain, data scientist akan menginginkan platform dan alat yang memungkinkan mereka mengakses data, perpustakaan, dan sumber daya secara praktis tanpa merasa dibatasi oleh hambatan akses dan birokrasi. Menyatukan tim dari berbagai disiplin ilmu berarti bahwa model ML pada akhirnya dapat menjawab berbagai kebutuhan organisasi dan memperkuat keputusan bisnis dengan lebih baik.
Bereksperimen dan rangkul kegagalan
Dari memecahkan masalah bisnis hingga mengotomatiskan proses, ada berbagai manfaat yang dihasilkan dari adopsi ML. Namun, meskipun sering kali manfaat inilah yang pertama kali diteriakkan orang, pada intinya, ML adalah tentang sains – sesuatu yang sering dilupakan orang. Pertama dan terpenting, sains yang akurat melibatkan observasi dan eksperimen, serta kesiapan untuk merangkul kegagalan dan kesuksesan. Dalam hal ML, untungnya, kegagalan pun bisa dianggap sebagai kemenangan. Segera setelah perusahaan mengetahui masalah bisnis tertentu tidak dapat diselesaikan dengan ML, pengetahuan tersebut membebaskan upaya untuk disalurkan ke area lain. Setiap percobaan adalah kesempatan untuk belajar, dan pelajaran harus menjadi dasar strategi data di masa depan.
Iterasi cepat
Kesalahan umum yang dilakukan banyak bisnis saat memulai perjalanan mereka ke ML adalah terburu-buru membuat model yang benar-benar sempurna sejak awal. Untuk menghindari hal ini, bisnis perlu menyadari bahwa menemukan kaki Anda dengan ML adalah sebuah proses – yang membutuhkan keterbukaan untuk membiarkan tim bereksperimen dengan cepat, sering gagal, terus belajar, dan menguji hal-hal baru. Dalam menjalankan iterasi ini, organisasi dapat mempelajari kapan model ML berperforma optimal untuk bisnis, didukung oleh data dan wawasan yang tepat untuk memajukan perusahaan.
Mengoptimalkan siklus hidup data dengan teknologi yang tepat
Aspek tambahan dalam mengembangkan model ML adalah memiliki teknologi yang tepat untuk mengoptimalkan siklus hidup data. Sangat penting bahwa tim sains data dan teknik data memiliki kemampuan untuk mengontrol dan bekerja di seluruh perjalanan model ML.
Siklus hidup ini dapat dibagi menjadi dua tahap:
- Pembuatan model ML dan pengembangan ML holistik
- Mendapatkan penskalaan produksi dan operasi yang sedang berlangsung
Dengan alat dan platform yang tepat, tim akan diberdayakan untuk beroperasi dengan mulus di kedua fase ini. Hal ini akan memastikan bahwa model ML dimasukkan ke dalam produksi pada waktu yang tepat, dibuat secara akurat, dan diskalakan agar selaras dengan bisnis.
Menjaga integritas terjaga
Organisasi harus ingat bahwa meskipun model ML telah berhasil diterapkan dalam skala besar, masih ada pekerjaan yang harus diselesaikan. Alasannya adalah karena data yang mendukung dan mendorong model ini terus berubah, dan model perlu merespons dengan tepat. Setelah model ML yang efektif diimplementasikan, ada persyaratan berkelanjutan untuk terus menyempurnakannya dan memastikannya berfungsi secara efisien. Proses seperti ini melibatkan penilaian berkelanjutan tentang kinerja model ML, cara mereka merespons perubahan, dan dampaknya terhadap algoritme dan bisnis yang mereka layani di masa mendatang.
Mempersempit kesenjangan keterampilan
Saat memilih tim terbaik untuk bekerja dengan dan mendukung model ML, perusahaan harus bertujuan untuk menciptakan tim dengan kemampuan, bakat, dan pengalaman yang mencakup rangkaian keahlian yang luas. Organisasi harus menyertakan campuran orang dalam tim ini; dari pengembangan produk dan DevOps (terbuka di tab baru) untuk insinyur data dan ilmuwan data. Itu karena campuran orang akan membawa tingkat pengetahuan dan perspektif yang berbeda untuk setiap proyek yang sedang berjalan, memastikan hasil terbaik diberikan. Semakin besar keragaman dalam tim, semakin setiap anggota dapat belajar dari satu sama lain dan berkembang bersama.
Pendekatan model dalam produksi seperti perangkat lunak hidup
Meskipun penting untuk mempertahankan model ML, model tersebut juga harus dilindungi. Sangatlah penting bagi bisnis untuk memantau siapa yang dapat mengakses dan membuat perubahan pada model serta memiliki visibilitas ke dalam garis keturunan model. Menerapkan pembatasan akses memastikan bahwa secara eksklusif mereka yang harus atau perlu mengubah model ML dapat melakukannya. Mengikuti langkah-langkah ini akan membantu menjaga akurasi dan integritas – dua elemen mendasar untuk model ML yang efektif.
Menjunjung tinggi standar etika
Terakhir, namun tidak kalah pentingnya, organisasi harus memiliki pertimbangan etis di bagian atas daftar prioritas mereka terkait ML. Untuk memulai ini, bisnis harus mendapatkan persetujuan dari pemangku kepentingan dan pelanggan sebelum memasukkan data mereka ke dalam model ML. Dengan mematuhi serangkaian kewajiban ML etis yang cermat sejak dini, perusahaan dapat menghindari waktu yang terbuang percuma dan tantangan tambahan yang timbul dari upaya retrofit praktik etika di kemudian hari.
Dengan mematuhi dan mengikuti sepuluh langkah ini, organisasi akan menempatkan diri mereka di jalur untuk menuai manfaat ML, dan membawa transformasi digital mereka ke tingkat selanjutnya. Dengan pembelanjaan di ML yang terus meningkat, tidak pernah ada waktu yang lebih baik bagi bisnis untuk berinvestasi dalam model ML mereka. Saat mereka melakukannya, manajemen TI (terbuka di tab baru) tim dan pemimpin harus bekerja secara kolaboratif untuk memastikan tim yang tepat dibentuk untuk; mengembangkan dan menumbuhkan model ML seperti yang dilakukan organisasi, memberikan akses hanya kepada mereka yang membutuhkannya dan memastikan bahwa integritas model ditegakkan. Mungkin tampak seperti tugas yang menakutkan untuk mengimplementasikan ML, tetapi dengan sepuluh langkah ini, tidak harus begitu. Selama perusahaan terbuka untuk berkomitmen pada proses tersebut, manfaat ML di seluruh bisnis dapat dipetik.
