Memulai Layanan Amazon AI

Kecerdasan Buatan (AI) adalah bidang ilmu komputer yang dikhususkan untuk memecahkan masalah kognitif yang umumnya terkait dengan kecerdasan manusia, seperti pembelajaran, pemecahan masalah, dan pengenalan pola. Kecerdasan Buatan, sering disingkat sebagai "AI", mungkin berkonotasi dengan robotika atau adegan futuristik, Kecerdasan Buatan (AI) mengungguli robot fiksi ilmiah, ke dalam non-fiksi ilmu komputer canggih modern. Profesor Pedro Domingos, seorang peneliti terkemuka di bidang ini, menggambarkan "lima suku" machine learning, yang terdiri dari simbolis, yang berasal dari logika dan filsafat; koneksionis, yang berasal dari ilmu saraf; evolusioner, berkaitan dengan biologi evolusioner; Bayesian, berhubungan dengan statistik dan probabilitas; dan analogis yang berasal dari psikologi. Baru-baru ini, kemajuan dalam efisiensi komputasi statistik telah membuat Bayesian berhasil memajukan bidang di sejumlah area, yang disebut "machine learning". Demikian pula, kemajuan dalam komputasi jaringan telah menyebabkan koneksionis memperluas ke subbidang yang disebut "deep learning". Machine learning (ML) dan deep learning (DL) merupakan bidang ilmu komputer yang berasal dari disiplin Kecerdasan Buatan.

Secara garis besar, teknik-teknik ini dipisahkan menjadi teknik pembelajaran yang "diawasi" yakni menggunakan data pelatihan yang mencakup keluaran yang diinginkan dan yang "tidak diawasi" yakni menggunakan data pelatihan tanpa keluaran yang diinginkan.

Kecerdasan Buatan (AI) "lebih cerdas" dan belajar lebih cepat dengan lebih banyak data, dan setiap hari, semua perusahaan menghasilkan bahan bakar ini untuk menjalankan solusi machine learning dan deep learning, baik yang dikumpulkan dan diekstraksi dari gudang data seperti Amazon Redshift, yang benar-benar akurat melalui kekuatan "klaster" dengan Mechanical Turk, maupun secara dinamis ditambang melalui Kinesis Streams. Lebih jauh, dengan munculnya IoT, teknologi sensor secara eksponensial menambah jumlah data yang akan dianalisis -- data dari sumber dan tempat serta objek dan peristiwa yang sebelumnya hampir tidak tersentuh.


Machine Learning adalah nama yang umumnya diterapkan pada sejumlah teknik Bayesian yang digunakan untuk pengenalan dan pembelajaran pola. Pada intinya, machine learning adalah kumpulan algoritma yang dapat mempelajari dari dan membuat prediksi berdasarkan data yang direkam, mengoptimalkan fungsi utilitas yang diberikan dalam ketidakpastian, mengekstrak struktur data tersembunyi, dan menggolongkan data menjadi deskripsi singkat. Machine Learning sering kali di-deploy jika pemrograman eksplisit terlalu kaku atau tidak praktis. Tidak seperti kode komputer biasa yang dikembangkan oleh developer perangkat lunak untuk mencoba menghasilkan keluaran khusus kode program berdasarkan masukan yang diberikan, machine learning menggunakan data untuk menghasilkan kode statistik (model ML), yang akan menyajikan "hasil yang benar" berdasarkan pola yang dikenali dari contoh masukan sebelumnya (dan keluaran, jika semua teknik diawasi). Akurasi model ML didasarkan terutama pada kualitas dan kuantitas data historis.

Dengan data yang tepat, model ML dapat menganalisis masalah dimensi tinggi dengan miliaran contoh, untuk menemukan fungsi optimal yang dapat memprediksi hasil dengan masukan yang diberikan. Model ML biasanya dapat memberikan keyakinan statistik tentang prediksi, serta performanya secara keseluruhan. Skor evaluasi tersebut penting dalam keputusan jika Anda akan menggunakan model ML atau prediksi setiap individu.

Amazon.com membangun banyak bisnisnya pada sistem berbasis Machine learning. Tanpa ML, Amazon.com tidak dapat mengembangkan bisnisnya, meningkatkan pengalaman dan pilihan pelanggannya, serta mengoptimalkan kecepatan dan kualitas logistiknya. Amazon.com mendirikan AWS untuk memungkinkan bisnis lain menikmati infrastruktur TI yang sama, dengan ketangkasan dan manfaat biaya, dan saat ini terus menyebarluaskan teknologi ML untuk menjangkau ke semua perusahaan.

Struktur tim pengembangan Amazon.com, dan fokus pada ML untuk menyelesaikan masalah bisnis pragmatis yang sulit, mendorong Amazon.com dan AWS untuk mengembangkan alat dan layanan ML yang mudah digunakan dan bermanfaat. Alat ini pertama kali diuji dalam skala dan lingkungan kritis misi Amazon.com, sebelum diluncurkan sebagai layanan AWS untuk digunakan setiap perusahaan, serupa dengan layanan TI lainnya.

Machine learning sering digunakan untuk memprediksi hasil di masa mendatang berdasarkan data historis. Misalnya, perusahaan menggunakan machine learning untuk memprediksi berapa banyak produk mereka yang akan dijual pada kuartal fiskal mendatang berdasarkan demografi tertentu; atau perkirakan profil pelanggan mana yang memiliki kemungkinan tertinggi untuk merasa tidak puas atau paling setia pada merek Anda. Prediksi tersebut memungkinkan keputusan bisnis yang lebih baik, pengalaman pengguna yang lebih pribadi, dan berpotensi mengurangi biaya retensi pelanggan. Melengkapi Kecerdasan Bisnis (BI), yang berfokus pada pelaporan data bisnis masa lalu, ML memprediksi hasil masa depan berdasarkan tren dan transaksi masa lalu.

Ada beberapa langkah yang merupakan keberhasilan penerapan ML dalam bisnis. Pertama, mengidentifikasi masalah yang tepat -- mengidentifikasi prediksi yang akan menguntungkan bisnis jika dipastikan. Selanjutnya, data harus dikumpulkan, berdasarkan metrik bisnis historis (transaksi, penjualan, atrisi, dll.). Setelah data digabungkan, model ML dapat dibuat berdasarkan data tersebut. Model ML dijalankan dan keluaran prediksi dari model tersebut diterapkan kembali ke sistem bisnis untuk membuat keputusan yang lebih tepat.

Menerapkan ML di Organisasi Anda

Menerapkan Machine Learning di Organisasi Anda 

Identifikasi item, peristiwa, atau pengamatan yang tidak sesuai dengan pola yang diinginkan atau item lain dalam rangkaian data.

Bangun model prediktif yang membantu mengidentifikasi transaksi ritel yang berpotensi penipuan, atau mendeteksi tinjauan item yang curang atau tidak pantas.

Temukan pelanggan yang berisiko tinggi mengalami atrisi, memungkinkan Anda untuk terlibat secara proaktif dengan promosi atau jangkauan layanan pelanggan. 

Berikan pengalaman pelanggan yang lebih dipersonalisasi dengan menggunakan model analitik prediktif untuk merekomendasikan item atau mengoptimalkan aliran situs web berdasarkan tindakan pelanggan sebelumnya. 


Deep Learning adalah cabang dari machine learning yang melibatkan algoritma berlapis dalam upaya untuk memahami data secara lebih baik.  Algoritma tidak lagi terbatas untuk membuat rangkaian hubungan yang dapat dijelaskan seperti halnya regresi yang lebih mendasar.  Sebaliknya, deep learning bergantung pada lapisan algoritma nonlinier ini untuk membuat representasi terdistribusi yang berinteraksi berdasarkan serangkaian faktor.  Mengingat luasnya rangkaian data pelatihan, algoritma machine learning mulai dapat mengidentifikasi hubungan antar elemen.  Hubungan ini mungkin berupa antara bentuk, warna, kata, dan lainnya.  Dari sini, sistem kemudian dapat digunakan untuk membuat prediksi.  Dalam machine learning dan kecerdasan buatan, kekuatan deep learning berasal dari kemampuan sistem untuk mengidentifikasi lebih banyak hubungan daripada yang dapat dikodekan secara praktis oleh manusia dalam perangkat lunak, atau hubungan yang bahkan mungkin tidak dapat dilihat oleh manusia.  Setelah pelatihan yang memadai, hal ini memungkinkan jaringan algoritma untuk mulai membuat prediksi atau interpretasi data yang sangat kompleks.

Convolutional Neural Networks mengungguli manusia dalam banyak tugas penglihatan termasuk klasifikasi objek.  Dengan adanya jutaan gambar berlabel, sistem algoritma dapat mulai mengidentifikasi subjek gambar.  Banyak layanan penyimpanan foto menyertakan pengenalan wajah, didorong oleh Deep Learning.  Ini merupakan pusat dari Amazon Rekognition, Amazon Prime Photos, dan Amazon’s Firefly Service.

Amazon Alexa dan asisten virtual lainnya dirancang untuk mengenali permintaan dan mengembalikan respons.  Meskipun memahami suara adalah sesuatu yang dapat dilakukan manusia pada usia yang sangat muda, baru belakangan ini komputer dapat mendengarkan dan merespons manusia.  Beragam aksen dan pola bicara pada manusia membuat tugas mesin ini sulit diselesaikan dengan menggunakan matematika atau ilmu komputer yang lebih tradisional.  Dengan Deep Learning, sistem algoritma bisa lebih mudah menentukan apa yang diucapkan dan maksudnya. 

Pemrosesan Bahasa Alami berusaha untuk mengajarkan sistem untuk memahami bahasa manusia, nada, dan konteks.  Hal ini mulai memungkinkan algoritma untuk membedakan konsep yang lebih sulit seperti emosi atau sarkasme.  Ini merupakan bidang yang berkembang karena perusahaan berusaha mengotomatiskan layanan pelanggan dengan bot suara atau teks, seperti yang digunakan oleh Amazon Lex.

Belanja online sering kali melibatkan rekomendasi konten yang dipersonalisasi terkait item yang mungkin ingin Anda beli, film yang mungkin ingin Anda tonton, atau berita yang mungkin ingin Anda baca.  Secara historis, sistem ini didukung oleh manusia yang menciptakan hubungan antar item. Namun, dengan munculnya Big Data dan Deep Learning, manusia tidak lagi diperlukan karena sekarang algoritma dapat mengidentifikasi item yang mungkin menarik bagi Anda dengan memeriksa pembelian atau kunjungan produk sebelumnya, dan membandingkan informasi tersebut dengan informasi lainnya.

>> Pelajari tentang MXnet, kerangka kerja deep learning sumber terbuka, dan cara Anda bisa memulainya.

 

Memulai Layanan Amazon AI