Artificial Intelligence (AI) ada di mana-mana, dan setiap kita hari kita hidup bersama AI. Hanya saja masih banyak orang yang memandang AI sebagai sebuah kotak hitam yang sulit dipahami. Padahal cara kerja AI sebenarnya tidak rumit dan tidak sulit untuk kita pahami. Karena itu, dalam kesempatan ini, kita akan mengintip melihat ke dalam kotak hitam AI tersebut untuk melihat sekilas cara kerjanya.
Pada intinya, sama seperti manusia, AI dapat menjadi "pintar" karena belajar (learning). Tanpa proses belajar, AI tidak akan dapat melakukan apa-apa. Lalu siapa yang mengajarkan AI? Tentu yang mengajarkannya adalah yang membuat AI tersebut, dengan proses yang disebut training. Setelah banyak di-training (bisa sampai ratusan, ribuan atau jutaan kali, bergantung pada data yang dimiliki), barulah AI tersebut menjadi "pintar" dan siap digunakan di dunia nyata.Â
Berikut adalah langkah-langkah pengembangan AI yang dijabarkan secara sederhana.Â
Langkah 1. Menyiapkan dataset
Misalkan saja, sebagai contoh, kita ingin membuat AI yang mampu membedakan antara kucing dan anjing. Maka langkah pertama yang perlu kita lakukan adalah menyiapkan dataset, yaitu foto-foto anjing dan kucing, beserta dengan label atau keterangan yang menyebutkan apakah itu foto anjing atau kucing.
Semakin besar dataset yang kita miliki, semakin baik. Karena itulah, data menjadi "emas" yang sangat bernilai di jaman AI ini, karena dapat digunakan oleh AI untuk "belajar" dan menjadi "pintar".
Dataset ini lalu kita bagi menjadi dua, yaitu training dataset dan test dataset yang penggunaannya dijelaskan dalam langkah-langkah berikutnya.
Langkah 2. Menyiapkan model
Setelah dataset kita siap, maka langkah berikutnya adalah menyiapkan model, yaitu berupa perangkat lunak yang dapat belajar dari dataset yang diterimanya. Ada banyak algoritma yang bisa digunakan di sini, seperti Decision Tree, Random Forest, Regression, K Nearest Neighbour, dsb. Masing-masing tentu memiliki kelebihan dan kekurangan masing-masing. Karena itu di tahap ini kita perlu memilih algoritma yang tepat. Setelah itu, kita juga masih perlu mengutak-atik algoritma tersebut, untuk memastikan model yang dibangun adalah sesuai dengan tujuan yang ingin dicapai.
Salah satu algoritma yang dapat kita gunakan dalam contoh kita ini adalah Algoritma Nearest Neighbour, selain tentunya ada juga algoritma lainnya yang dapat kita gunakan.Â
Langkah 3. Melatih (training) model
Setelah dataset dan model siap, maka langkah berikutnya adalah melakukan training terhadap model dengan menggunakan training dataset yang disiapkan di langkah pertama. Ini dapat dianalogikan seperti mengajarkan seorang anak kecil yang belum dapat membedakan antara anjing dan kucing. Kita mengumpulkan ribuan foto anjing dan kucing, lalu menunjukkan ke anak kecil tersebut satu per satu, "Ini loh Nak, kucing." "Kalau yang ini, anjing." "Ini kucing juga." Setelah ribuan kali, mudah-mudahan, anak kecil yang malang tersebut bukannya makin pusing atau pingsan, tetapi sudah paham mana anjing dan mana kucing.
Berbeda dengan anak kecil tersebut, mesin tidak akan merasa jenuh, bosan, pusing, stres, dan sebagainya. Seberapa pun banyak data yang kita masukkan, model tersebut tidak akan komplain, apalagi pingsan. Sebaliknya mesin tersebut akan semakin pintar, karena semakin dapat mengenali mana foto anjing dan kucing.
Selama proses training ini berjalan, kita juga sambil mengevaluasi model yang kita buat. Kadang model tersebut perlu di-tweak sedikit, atau bahkan diganti dengan model lain sampai kita puas dengan kinerjanya.
Langkah 4. Menguji (testing) model
