Deep Learning dalam dunia perindustrian dapat diterapkan untuk menganalisis lingkungan kerja. Untuk melindungi keselamatan perkeja dari kecelakaan kerja.
5. Apa yang Menjadi Tantangan Deep Learning dan Bagaimana Strategi dalam Menghadapinya ?
Tantangan yang dihadapi deep learning, diantaranya sebagai berikut :
Overfitting dan Underfitting
Overfitting terjadi ketika permasalahan terlalu kompleks dan menangkap noise dalam pelatihan modelnya. Sedangkan Underfitting terjadi ketika permasalahan terlalu sederhana sehingga terjadi kesulitan pada saat menganalisis pola dalam data.
Kualitas dan Kuantitas Data
Model Deep Learning memerlukan data dalam jumlah besar dan berkualitas tinggi , untuk menghasilkan prediksi yang tepat dan akurat. Karena terdapat perbedaan hasil pada setiap kualitas objek yang akan diidentifikasi , sehingga dapat menimbulkan prediksi yang kurang tepat.
Sumber daya komputasi
Model Deep Learning membutuhkan sumber daya komputansi intesif dengan biaya yang relatif mahal memerlukan aplikasi khusus seperti GPU.
Kemampuan menafsirkan
Model ini seringkali disebut "kotak hitam", Â karena sulit untuk memahami bagaimana model itu menafsirkan dan mengambil keputusan. Karena tidak adanya transparansi , dikhawatirkan akan terjadi masalah terutama pada aplikasi dengan kompleksifitas tinggi.
Penyetelan Hiperparameter
Melakukan penyetelan hiperparameter menjadi proses yang rumit  dan memakan waktu untuk mengoptimalkan parameter model
Skalabilitas
Memastikan model bekerja dengan baik dalam aplikasi dunia nyata seringkali memerlukan penyesuaian mendalam.
Masalah Etika dan Bias
Model dapat tanpa sengaja menyimpan bias pada saat proses pelatihannya. Hal ini dapat memberikan hasil yang tidak adil dan melanggar etika.
Keterbatasan Perangkat Keras
Karena Komputasi yang kompleks , Deep learning memerlukan perangkat keras yang kuat untuk memberikan proses komputasi lebih cepat dan akurat
Serangan Musuh
Deep learning juga rentan terkena serangan, dimana gangguan sekecil apapun dapat mempengaruhi hasil pengklasifikasiannya.
