Pada tahun 1916, Perusahaan Minnesota Mining and Manufacturing, atau 3M, membuka laboratorium penelitian pertamanya, sebuah ruangan berukuran lemari di pabrik ampelas St. Paul. Terjadi serangkaian insiden selama 14 tahun pertama sejak berdirinya perusahaan—salah satunya melibatkan pengiriman ampelas yang rusak dalam perjalanan karena tumpahan minyak zaitun yang mengungkap buruknya kualitas kertas yang digunakan—peristiwa ini menginspirasi manajer umum (general manager) saat itu, William McKnight, untuk menciptakan ruang guna menguji produk untuk meningkatkan kendali mutu.
Seiring bertumbuhnya pengaruh McKnight (dia menjadi ketua dewan 3M pada tahun 1949), semangatnya untuk meningkatkan kualitas pun makin besar. Selama bertahun-tahun di 3M, ilmuwan wirausaha mengubah segalanya mulai dari ide liar, insiden seperti pengiriman ampelas, bahkan eksperimen yang gagal menjadi produk yang sekarang menjadi kebutuhan pokok rumah tangga, seperti pita perekat Scotch dan catatan tempel Post-it.
Persembahan dari Wired
Kualitas tetap menjadi aspek intrinsik budaya di 3M. Didorong oleh kesuksesan di lab, 3M telah memperluas fasilitas penelitiannya secara signifikan. Hampir enam persen dari pendapatan perusahaan sekarang disalurkan ke Litbang. Di St. Paul—di mana hampir 12.000 karyawan bekerja sama untuk menciptakan dan meluncurkan produk baru dan menyempurnakan produk lama—ribuan peneliti dan ilmuwan di laboratorium perusahaan berusaha keras untuk menambah alur inovasi.
Salah satu topik terpenting di kampus 3M adalah machine learning. Dengan menggunakan machine learning di Amazon Web Services (AWS), 3M meningkatkan produk yang telah teruji, seperti ampelas, dan mendorong inovasi di bidang baru, seperti pemeliharaan kesehatan. Mungkin sebagai bukti efektivitas program, produk yang berumur kurang dari lima tahun secara konsisten berkontribusi sekitar 30 persen dari pendapatan perusahaan; setiap tahun 3M merilis sekitar 1.000 produk baru.
“Tidak banyak perusahaan yang dapat menggabungkan apa yang kami miliki sebagai dasar material yang kaya dengan kemampuan digital untuk benar-benar membuat sesuatu yang baru,” ujar Hung Brown Ton, Kepala Arsitek (Chief Architect) di St. Paul Corporate Research Systems Lab. “Itulah hal yang menarik bagi kami—memanfaatkan kemampuan cloud baru ini seperti machine learning.”
Merevisi Produk Berusia 100 Tahun dengan Machine Learning
Sejak mengatasi rintangan pembuatan ampelas yang tak terhitung jumlahnya di masa-masa awal perusahaan, 3M terus meningkatkan kapasitas abrasi dari produk lama mereka. Namun, sebelum diperkenalkannya teknik machine learning ke dalam alur kerja pengembangan produk baru-baru ini, prosesnya sangat memakan waktu.
Butiran pasir yang ideal (yang sebenarnya merupakan bahan sintetis yang disebut Cubitron) memiliki kemampuan memotong yang terbaik dan bertahan paling lama. Untuk mencapai kemampuan ideal tersebut dengan cara tradisional, teknisi 3M akan memeriksa CT scan untuk setiap lembar kertas untuk menilai jumlah butir pada selembar kertas. Kemudian, teknisi akan menguji setiap sampel pada permukaan kasar untuk mengukur keefektifannya dan mencoba menghubungkan keefektifan itu dengan persentase butir.
“Hal ini melibatkan proses pengembangan yang panjang, yang memakan waktu berminggu-minggu,” ujar Brown Ton, saat dia dan timnya berkolaborasi dengan ilmuwan penelitian yang sedang mengembangkan sampel dan produk abrasi baru (termasuk produk yang masih disebut ampelas dalam bahasa sehari-hari).
Dengan machine learning di AWS, yang mulai diterapkan oleh tim Brown Ton kurang dari setahun yang lalu, prosesnya kini jauh lebih cepat dan tepat. Tim 3M saat ini sedang menguji model yang menggunakan pelatihan gambar tradisional serta memanfaatkan jaringan neural di Amazon SageMaker. Sementara teknisi masih menguji sampel, model membuat analisis gambar lebih cepat secara signifikan, yang membantunya mempersempit pilihan terbaik. Model machine learning ini memungkinkan peneliti untuk menganalisis bagaimana sedikit perubahan dalam bentuk, ukuran, dan orientasi dapat meningkatkan sifat abrasif dan daya tahan. Selain itu, saran tersebut menginformasikan proses manufaktur.
Mengingat jumlah data yang dihasilkan oleh pemindaian dan pengujian ini (sekitar 750 GB per lembar seukuran telapak tangan), tim awalnya mencoba laptop rekayasa tugas berat yang telah dibeli untuk menjalankan analisis. “Jadi masuk akal untuk memindahkan kemampuan ini ke cloud,” ujar Brown Ton, “karena kami sangat terhambat oleh kekuatan komputasi dari laptop atau desktop konvensional yang dapat kami beli. Proses saat ini di AWS jauh lebih efisien – dan kami senang menghabiskan waktu kami untuk memahami abrasi daripada menunggu data dikumpulkan dan pengujian selesai.”
Mengubah tumpukan teks tidak terstruktur menjadi kode yang dapat ditagih
Sementara ampelas adalah produk utama 3M, seiring dengan pertumbuhan perusahaan manufaktur, produk kami telah berkembang ke area baru—termasuk pemeliharaan kesehatan. 3M mendirikan anak perusahaannya Health Information Systems (HIS) pada tahun 1983, tidak lama setelah sistem catatan kesehatan elektronik (EHR) utama pertama dikembangkan. Saat ini, 96 persen rumah sakit menggunakan EHR, dibandingkan sepuluh tahun yang lalu, dan dalam semua data itu, HIS melihat peluang untuk membangun sesuatu yang baru: serangkaian produk pengodean medis yang didukung oleh machine learning.
Untuk menagih penyedia asuransi atas layanan yang diberikan, penyedia layanan pemeliharaan kesehatan harus menerjemahkan EHR ke dalam kode tagihan yang sesuai. Kesalahan dalam proses sering terjadi, dan dapat mengakibatkan pembayaran tertunda atau tagihan berlebih, yang merupakan penipuan. Di AS, sebagian besar rumah sakit mengelolanya dengan bantuan alat Pemrosesan Bahasa Alami (NLP) HIS, yang didukung oleh machine learning di AWS.
David Frazee, direktur lab penelitian dan veteran 3M selama 14 tahun, sebelumnya adalah CTO HIS. David Frazee mengatakan proses tradisional dalam menentukan kode tagihan mengharuskan individu yang dikenal sebagai pembuat kode meninjau setiap catatan dan, berdasarkan pengetahuan dan pengalaman, memilih kode yang tepat dari salah satu dari 141.000 pilihan. “Tiga minggu kemudian, Anda dapat memberikan kepada pembuat kode yang sama catatan yang sama persis, dan mereka mungkin menentukan kode yang berbeda,” ujar Frazee.
Sejak April 2016, HIS telah menggabungkan keahlian manusia yang tidak sempurna itu dengan model machine learning untuk mengurangi kesalahan dalam prosesnya. Sebagian besar EHR tidak terstruktur—seperti yang dikatakan Frazee, apa pun di luar coretan dokter di atas serbet mungkin memenuhi syarat sebagai catatan—jadi membuat model untuk memahami apa arti catatan adalah suatu pencapaian.
Untuk itu, ahli bahasa mengajarkan model NLP untuk mengurai catatan yang membingungkan—misalnya, untuk mengetahui bahwa catatan dokter yang menggambarkan bagian tubuh sebagai "dingin (cold)" tidak berarti pasien sedang flu. Para pembuat kode menandatangani (atau tidak) pada keputusan model. Evaluasi mereka menjadi umpan balik ke model, sehingga kemampuannya dapat meningkat pada kasus berikutnya. Model tersebut yang memproses tiga juta dokumen setiap hari, belajar dengan cepat, dan dalam banyak prosedur memilih kode yang tepat sekitar 98 persen. Model itu sendiri berjalan pada instans Amazon EC2 dan S3 berdaya tinggi.
Baik Frazee dan Brown Ton melihat machine learning di AWS berkembang di seluruh perusahaan di tahun-tahun mendatang.
“Menurut saya, proyek Litbang abrasi sangat mewakili masa depan ilmu material dan ilmu data 3M,” ujar Frazee. “Kami adalah salah satu perusahaan manufaktur material terbaik di dunia, tetapi kami belum memanfaatkan fakta bahwa kami memiliki banyak data tentang material kami.”
“Dan jika Anda berpikir tentang data yang dikumpulkan di cloud, dikumpulkan melalui IoT, diproses melalui machine learning—sembari memanfaatkan pemodelan dan simulasi serta kemampuan untuk memvisualisasikan sejumlah besar data—semua hal ini menjadi satu untuk kami,” Brown Ton menambahkan. “Terus memanfaatkan kemampuan cloud yang baru dan berkembang pesat ini benar-benar menarik bagi kami dan pelanggan kami.”