Manusia dan "Machine Learning", Bisakah Berkolaborasi?

Konsep ini sudah dilakukan di sejumlah pabrikan mobil berbahan bakar listrik. Pabrikan seperti Tesla motor, Faraday hingga Lucid Air sudah menerapkan komputasi komputer pada kendaraan. Selain menggunakan ML, mobil listrik dinilai sangat ramah lingkungan dibandingkan dengan mobil konvensional. 

Autonom Car dianggap mampu mengurangi kecelakaan lalu lintas serta mampu mengetahui segala sesuatu benda yang ada di sekitarnya. Peran ML bekerja dengan sangat optimal karena si Autonom Car bekerja secara optimal karena sudah terhubung dalam konsep Internet of Things (IoT). Sedangkan peran ML lebih pada pengolahan data lokasi yang membawa penumpang.

Proses trading saham jelas sangat melelahkan, untuk mengontrolnya sangat mengaduk emosi dan membosankan. Harganya yang fluktuatif dapat berubah setiap saat seakan sangat mustahil harus dikontrol oleh manusia. Adanya ML mampu membaca segala algoritma dan menebak perubahan harga yang menguntungkan.

Kemudian terakhir peran dari ML dianggap sangat membantu di dunia medis saat ini. ML punya segudang referensi dalam mendiagnosa beragam penyakit termasuk mampu membaca riwayat penyakit si pasien dari keluarga sehingga mendapatkan keputusan tepat. Sangat membantu dokter dalam mengambil keputusan tepat dan cepat pada pasien. Bukan hanya itu saja, ML dinilai mampu memberikan jalan dan proses penyembuhan. 

Bagaimana cara kerja Machine Learning?
Setelah kita mengetahui segudang manfaat yang membantu hajat hidup manusia. Ada banyak yang bertanya bagaimana alur kerja sebuah machine learning hingga bekerja dengan optimal. Ibarat robot, tapi ia tidak seperti robot di pabrik yang punya bentuk. Malahan ML lebih mirip dengan sistem yang ditanamkan pada sebuah sistem.

Ia akan bekerja dengan mengolah data yang terkumpul secara kompleks, mempelajarinya dengan seksama. Ia ibarat seorang bayi yang diberikan kebebasan oleh sang ibunda dalam mengeksplorasi apa yang ia mau. Setelah itu ia akan banyak tahu segala hal karena si bunda yang tidak terlalu protektif.

Begitu juga dengan ML yang diberikan akses seluas-luasnya pada data, segala data yang didapatkan sangat beragam dimulai dari data file teks, Excell, Access, dan lainnya. Makin bervariasi dengan kepadatan volume data yang diterima, ML akan semakin cerdas mengolah semuanya. Kemudian ML akan mempersiapkan data dengan kualitas terbaik yang ia pilih secara mandiri. 

Sebelum kemudian menjadikan dua model pilihan yang sesuai pada proses training dan test. Pada bagian data training (pelatihan) akan dijadikan pengembangan model dan pada bagian test (percobaan) akan dijadikan sebagai referensi utama pada ML.

Terakhir adalah proses prediksi yang dilakukan dalam ML mendapatkan dua hasil. Jika hasil prediksi yang dihasilkan berupa diskrit, itu dinamakan proses klarifikasi. Nah... saat itulah ML akan terus belajar hingga berhasil dalam mengambil prediksi dan keputusan akhir. Sedangkan bila hasil prediksi yang didapatkan bersifat kontinu maka disebut dengan regresi.

Cara kerja ini seakan mengingatkan saya pada awal kemunculan Deep Blue yang hampir genap 22 tahun lalu. Tepat pada tanggal 11 Mei 1997 jadi hari yang begitu bersejarah, karena seorang Grandmaster catur kenamaan dunia asal Rusia, Garry Kasparov harus takluk. Setahun sebelumnya Deep Blue kalah telak dengan sang Grandmaster, tapi ia belajar dari kegagalan sebelumnya. 

Pada tahap ini, ML sedang menjalani masa klarifikasi data dari sang lawan Garry Kasparov. Pembalasan pun dimulai tahun berikutnya, apalagi para pengembangnya dari teknisi dari IBM yaitu Feng-Hsiung Hsu tertantang menyiapkan ML yang bersaing.