Tweet

Follow us on instagram: @pacmannai

Follow @pacmannai

14 Mar, 37 tweets, 6 min read

"Gimana cara mengembangkan produk Machine Learning di dalam perusahaan?”
.
.
.
A Thread

Hai gaiss siapa yang disini udah familiar dengan machine learning

Mimin kali ini akan bahas apa aja sihh yang dibutuhin buat mengembangkan produk machine learning di perusahaan, yuk simak!

Eits, tapi sebelum kita jauh-jauh ngembangin produk machine learning, ada satu pertanyaan yang harus kita jawab nih, udah cocok belom sih kita mengembangkan machine learning?

Pertanyaan ini sangat penting karena dalam perusahaan, produk yang bagus kadang datangnya dari fitur yang bagus, bukan algoritma machine learning yang makin njelimet dan ruwet hehehe. Loh emang bedanya apa minn?!

Fitur yang bagus itu cocok dengan kebutuhan dan perhitungan yang sesuai, hal itu gak selalu muncul dengan cara membuat machine learning yang rumit.

Gampangnya gini deh, kalo kita mau beli buah ke pasar, apa kita harus pilih kendaraan paling mahal dan paling bagus buat dipake ? gak jugaa kan... bisa berabe kita nyari parkiran kalo ke pasar tapi naiknya ferrari

Nah supaya upaya produknya gak sia-sia, pendekatan paling mudah untuk ngembangin machine learning learning adalah berikut: (1) Pastikan alur kerjanya udah siap dan bener. (2) Punya tujuan yang jelas dan masuk akal

(3) Fitur yang digunakan juga harus masuk akal dengan cara-cara yang simpel. (4) Pastikan alur kerjanya tetep bener dalam proses pengembangannya

Berangkat dari permasalahan itu, Google punya solusi nih dengan membuat “Rules of Machine Learning” yang bisa kita gunakan sebagai acuan untuk ngembangin produk machine learning

Karena mengembangkan ML itu butuh data, maka selama kita belum butuh, kita gaperlu takut untuk mengembangkan produknya sampai kita punya data untuk menggunakan machine learning, dan itu masuk Aturan pertama: “Gausah takut kalo gaperlu machine learning!”

Sebagai contoh gampangnya, kalo misal kita pengen me-ranking aplikasi terbaik, gaperlu ragu buat menggunakan tenaga manusia untuk nentuin dari hal sesimple “mana aja sih yang paling banyak di download”.

Hal tersebut bakal lebih simple dibandingkan kita maksain menggunakan ML tanpa kesiapan

Selanjutnya, setelah kita dapet bayangan tentang hal-hal apa yang akan kita dikerjakan, maka kita buat sebuah list data apa saja yang kita gunakan untuk mengembangkan machine learning.

Data - data yang kita susun ini nantinya berperan dalam machine learning yang akan kita kembangkan. Contohnya tim Google Plus+ untuk mengembangakan produknya, ia melakukan perhitungan data berapa share tiap orang baca, berapa comment/ view dari setiap post.

Data tersebut pada akhirnya bisa digunakan otomasi “seberapa bagus sebuah post”

Di tahap ini, kita udah siap nih masuk ke fase pertama pengembangan Machine Learning, yaitu “Menentukan Pipeline Machine Learning”

Pipeline merupakan alur kerja dalam menerapkan ML. Untuk menyusunnya kita harus mengutamakan kesederhanaan model dengan infrastruktur yang sesuai.

Dengan demikian kita juga bisa memastikan bahwa model kita emang bisa diterapkan di aplikasi yang akan kita kembangkan, jadi bukan asal bayangin punya perusahaan AI kayak Tony Stark yah..

Model yang sederhana ini kemudian kita terapkan pada infrastruktur yang testable. Dengan demikian kita bisa memonitor perkembangan dari model ML yang kita buat untuk tetap bisa sesuai dengan tujuan awal

Apa aja sih yang harus di tes?? Nah untuk testing model, kita memerlukan dua hal. Pertama ialah dengan mencoba memasukkan data kedalam algoritma ML dan memastikan bahwa berjalan sesuai dengan keinginan

Selanjutnya jika memungkinkan, kita bisa membandingkan perhitungan secara statistik hasil algoritma training kita dengan hasil di tempat lain, menggunakan data yang sama

Testing selanjutnya dilakukan setelah model ML di training. Model itu kita bawa keluar dan kita test deh performanya sesuai nggak dengan yang di training. Kalo sesuai kita lanjut lagi yak, masih tertarik kann data fellas

Okay, sampai di tahap ini, kita udah punya model ML yang lolos testing nih. Eits tapi jangan seneng dulu yah.. Karena semakin tua umurnya nanti, performa model kita semakin berkurang looh. Sama aja kayak manusia semakin menjadi kakek makin butuh tongkat buat jalan hehehe..

Hal ini terjadi karena data-data yang diterima semakin hari makin millennial dan belum tentu cocok dengan algoritma model kita yang udah boomer 😁 Untuk mengatasi itu akhirnya kita perlu masuk tahap selanjutnya, Monitoring.

Sesuai namanya, tahap ini berfungsi untuk memonitor model kita seberapa lama sih model kita di performa terbaik. Dalam tahap monitor ini kita memerlukan dashboard yang memberikan informasi secara real-time terhadap model yang kita miliki.

Monitoring ini penting kita lakukan karena bisa kita bisa tau menentukan seberapa sering kita harus update model machine learning kita nih. Kalo nggak di monitor dan modelnya kadaluarsa, bisa jadi gulung tikar perusahaan kita karena modelnya membuat rugi hehehe.

Dalam monitoring model, langkah yang nggak kalah penting juga adalah kita mendokumentasi setiap fitur dan kolom. Jadi kalo yang bikin model ghosting, kita tetep bisa tau deh maksud modelnya seperti apa :)

Nah, sekarang kita udah punya nih model yang siap sekaligus monitoring nya. Saatnya kita masuk ke langkah terakhir di Fase pertama ini: "Get Your Objective Right!"

Kita harus menentukan apasih pencapaian perusahaan yang harus dibenerin sama model ML kita ini. Ada beberapa teknik yang bisa digunakan nih, yuk lanjut!

Pertama, menentukan tujuan bisa menggunakan hal-hal yang tercatat dalam sistem. Contohnya seperti “Model ML kita bisa buat user ngeklik link web kita ga yah?", “Apakah bisa membuat file kita di download lebih banyak user?", atau "Apakah user lebih banyak nge forward?", dll

Dalam menentukan tujuan, kita juga sebaiknya jangan pake hal-hal yang perhitungannya nggak langsung yaah.. semacam "usernya seneng atau enggak yah" atau "produk ini berpengaruh gak yah ke user"

Hal tersebut penting, tapi sulit ketika harus menghitung secara langsung kan.. jadinya kita bingung deh untuk mengetahui nilai pastinya, makanya kita pakai aturan pertama tadi yaah menggunakan hal yang tercatat di sistem

Dengan demikian, bisa deh kita berasumsi bahwa user pasti seneng nih dengan kontennya kalo semakin lama mantengin website / makin banyak download, dan VOILA, akhirnya jadi pipeline model ML dan objective kita sesuai Fase Pertama dalam pengembangan produk Machine Learning

Gimanaa, jadi tau kan rules of machine learning yang bisa kita terapinn. Kalau udah tau rulesnyaa, yuk langsung praktek ajaa di non-degree program Business Intelligence / Data Scientist Pacmann.AI

Kalian bisa liat kurikulumnya di bit.ly/brosurpacmannai atauu kalau ada yang mau ditanyaiin bisa chat kami di bit.ly/WASalesPacmann Yuk, masih ada voucher potongan 500k untuk BI dan 700k untuk DS lohh, kapan lagii? See you di batch 2 nanti!