Machine learning digunakan di hampir setiap aktivitas bisnis dan industri. Machine learning membantu industri logistik mengoptimalkan rute pengiriman dan pengantaran, industri retail mempersonalisasi pengalaman belanja dan mengelola inventaris, produsen mengotomatiskan pabrik, dan membantu mengamankan organisasi di mana saja. Saat seseorang menggunakan suaranya untuk melakukan kueri di smartphone atau speaker, machine learning digunakan untuk memahami permintaan tersebut, dan membantu menemukan hasilnya. Cakupan kasus penggunaan untuk machine learning sangat luas dan terus berkembang. 

Rasio pembuatan data meningkat setiap hari. Dunia membuat lebih banyak data setiap hari dibandingkan dengan yang pernah ada dalam sejarahnya. Hampir tidak mungkin untuk menganalisis dan memanfaatkan semua data tersebut tanpa machine learning. Oleh karena itu, machine learning membuka dunia yang benar-benar baru dari apa yang dapat dilakukan manusia dengan komputer dan mesin lainnya. Machine learning membantu bisnis dengan fungsi penting seperti deteksi penipuan, mengidentifikasi ancaman keamanan, personalisasi dan rekomendasi, layanan pelanggan otomatis melalui chatbot, transkripsi dan terjemahan, analisis data, dan banyak lagi. Machine learning juga mendorong inovasi luar biasa di masa depan, seperti kendaraan otonom, drone, dan pesawat, augmented reality dan virtual reality, serta robotika. 

Meskipun kecerdasan buatan (AI) dan machine learning (ML) sering digunakan secara bersamaan, tetapi keduanya tidak dapat saling dipertukarkan. 

Kecerdasan buatan adalah bidang ilmu komputer yang berkaitan dengan pembuatan komputer dan mesin yang dapat bernalar, belajar, dan bertindak dengan cara yang menyerupai kecerdasan manusia, atau sistem yang melibatkan data yang skalanya melebihi apa yang dapat dianalisis manusia. Bidang ini mencakup banyak disiplin ilmu yang berbeda termasuk analisis data, statistik, rekayasa hardware dan software, ilmu saraf, dan bahkan filosofi. 

Sementara kecerdasan buatan adalah kategori ilmu komputer yang umum, machine learning adalah aplikasi AI yang melibatkan mesin pelatihan untuk menjalankan tugas tanpa perlu pemrograman secara khusus. Machine learning secara lebih eksplisit digunakan sebagai sarana untuk mengekstrak pengetahuan dari data melalui teknik seperti jaringan neural, supervised learning dan unsupervised learning, pohon keputusan, serta regresi linear.

Seperti halnya machine learning yang merupakan bagian dari kecerdasan buatan, deep learning adalah bagian dari machine learning. Deep learning bekerja dengan melatih jaringan neural pada set data. Jaringan neural adalah model dengan sistem neuron buatan dan merupakan node komputasi yang digunakan untuk mengklasifikasikan dan menganalisis data. Data dimasukkan ke lapisan pertama jaringan neural, tempat setiap node membuat keputusan, lalu meneruskan informasi tersebut ke beberapa node di lapisan berikutnya. Pelatihan model dengan lebih dari tiga lapisan disebut “jaringan neural dalam” atau “deep learning”. Beberapa jaringan neural modern memiliki ratusan hingga ribuan lapisan. 

Machine learning bekerja dengan melatih algoritma pada set data untuk mencapai hasil yang diharapkan, seperti mengidentifikasi pola atau mengenali objek. Machine learning adalah proses mengoptimalkan model agar dapat memprediksi respons dengan benar berdasarkan sampel data pelatihan. 

Anggap data pelatihan berkualitas tinggi, maka semakin banyak sampel pelatihan yang diterima algoritma machine learning, semakin akurat modelnya. Algoritma menyesuaikan model dengan data selama pelatihan, yang dikenal sebagai "proses penyesuaian". Jika hasilnya tidak sesuai dengan yang diharapkan, algoritma akan dilatih berulang kali hingga menghasilkan respons yang akurat. Intinya, algoritma belajar dari data dan mencapai hasil berdasarkan sesuai tidaknya input dan respons dengan garis, klaster, atau korelasi statistik lainnya.

Apa itu data pelatihan dalam machine learning? Data ini bergantung pada jenis model machine learning yang digunakan.

Umumnya, ada tiga jenis model yang digunakan dalam machine learning.

Supervised learning adalah model machine learning yang menggunakan data pelatihan berlabel (data terstruktur) untuk memetakan fitur tertentu ke label. Dalam supervised learning, output-nya diketahui (seperti mengenali gambar apel) dan model dilatih menggunakan data dari output yang diketahui. Secara sederhana, untuk melatih algoritma mengenali gambar apel, berilah gambar yang diberi label sebagai apel.

Algoritma supervised learning paling umum yang digunakan saat ini meliputi:

• Regresi linier
• Regresi polinomial
• K tetangga terdekat
• Naive Bayes
• Pohon keputusan

Unsupervised learning adalah model machine learning yang menggunakan data tidak berlabel (data tidak terstruktur) untuk mempelajari pola. Tidak seperti supervised learning, “ketepatan” output tidak diketahui sebelumnya. Sebaliknya, algoritma belajar dari data tanpa input manual (sehingga, tidak diawasi) dan mengategorikannya ke dalam grup berdasarkan atribut. Misalnya, jika algoritma diberi gambar apel dan pisang, algoritma tersebut akan bekerja dengan sendirinya untuk mengategorikan gambar mana yang merupakan apel dan pisang. Unsupervised learning dapat digunakan dalam pemodelan deskriptif dan pencocokan pola.

Algoritma unsupervised learning paling umum yang digunakan saat ini meliputi:

• Fuzzy means
• Pengelompokan k-means
• Pengelompokan hierarkis
• Kuadrat terkecil parsial

Ada juga pendekatan campuran terhadap machine learning yang disebut semi-supervised learning yang mana hanya beberapa data yang diberi label. Dalam semi-supervised learning, algoritma harus mencari tahu cara mengatur dan menyusun data untuk mencapai hasil yang diketahui. Misalnya, model machine learning diberi tahu bahwa hasilnya adalah pir, tetapi hanya sebagian data pelatihan yang diberi label sebagai pir.

Reinforcement learning adalah model machine learning yang dapat digambarkan sebagai “belajar sambil praktik” melalui serangkaian eksperimen uji coba. Seorang “agen” belajar cara melakukan tugas yang ditentukan melalui feedback loop hingga performanya berada dalam rentang yang diinginkan. Agen menerima dukungan positif ketika melakukan tugas dengan baik dan penguatan negatif ketika berperforma buruk. Contoh reinforcement learning adalah saat peneliti Google mengajarkan algoritma reinforcement learning untuk memainkan game Go. Model ini tidak memiliki pengetahuan sebelumnya tentang aturan Go, dan hanya memindahkan potongan secara acak dan "mempelajari" gerakan terbaik untuk dilakukan. Algoritma dilatih melalui penguatan positif dan negatif hingga di titik di mana model machine learning dapat mengalahkan pemain manusia dalam game.

Pengenalan pola

Makin banyak data yang dikonsumsi oleh algoritma machine learning, makin baik pula algoritma menemukan tren dan pola dalam data tersebut. Misalnya, situs e-commerce dapat menggunakan machine learning untuk memahami cara orang berbelanja di situs mereka dan menggunakan informasi tersebut untuk memberikan rekomendasi yang lebih baik atau menemukan data tren yang dapat menciptakan peluang produk baru.

Otomatisasi

Machine learning dan kecerdasan buatan dapat menyelesaikan banyak pekerjaan membosankan dan merepotkan bagi pekerja manusia. Utilitas seperti otomatisasi proses robotik dapat melakukan beberapa tugas bisnis yang membosankan yang membuat orang tidak dapat melakukan pekerjaan yang lebih bermakna. Algoritma computer vision dan deteksi penolakan dapat membantu robot memilih dan mengemas item dari jalur perakitan. Deteksi penipuan dan penilaian ancaman machine learning yang selalu aktif dapat membantu menemukan celah keamanan sebelum masalah terjadi.

Perbaikan berkelanjutan

Dengan mempertimbangkan jenis data yang tepat, algoritma machine learning akan terus ditingkatkan kualitasnya agar menjadi lebih cepat dan akurat. Contohnya adalah set data GPT-3 yang terus berupaya meningkatkan cara teks dihasilkan.

Potensi bias

Sering kali, bagus tidaknya machine learning bergantung pada data yang diberikan. Jika algoritma machine learning diberikan set data yang bias, maka algoritma tersebut akan memberikan hasil yang bias. 

Akuisisi data

Machine learning dapat memerlukan banyak data agar berguna. Karena banyak kasus penggunaan machine learning didasarkan pada supervised learning, langkah awal yang penting untuk melatih algoritma adalah dengan memperoleh dan membersihkan data terstruktur. Hal ini mungkin sulit dilakukan jika data berada di berbagai lokasi terpisah dalam suatu organisasi.

Perlu keahlian teknis

Meskipun machine learning, kecerdasan buatan, dan vendor cloud mencoba membuatnya semudah mungkin untuk mengatur dan menjalankan algoritma machine learning, organisasi sering kali memerlukan programmer dan data scientist untuk memahami dan memanfaatkan algoritma pelatihan dan hasilnya.  

Resource intensif

Machine learning dapat memakan banyak waktu, karena memerlukan banyak sumber daya komputasi dan jam kerja karyawan untuk mulai memproses data dan mencapai hasil.