87% proyek data science tidak pernah masuk ke produksi. Sebagian gagal karena kurangnya dukungan manajemen, sebagian lain karena kurangnya data berkualitas dan infrastruktur yang memadai. Organisasi yang ingin memetik nilai dari AI dan machine learning perlu menyadari jebakan umum saat merencanakan dan mengelola proyek AI. Namun, itu lebih mudah diucapkan daripada dilakukan. Bahkan mereka yang terbiasa mengimplementasikan proyek perangkat lunak tradisional masih bisa menemui kesulitan saat menerapkan proyek AI karena sifatnya yang unik.
Apa yang membuat proyek AI berbeda dari proyek perangkat lunak tradisional?
Dalam proyek perangkat lunak tradisional, programmer secara eksplisit menulis logika program, yang menerima input untuk menghasilkan output. Contohnya adalah perangkat lunak perbankan yang mengurangi skor kredit peminjam (output) ketika mereka mengajukan pinjaman besar (input).
Di sisi lain, proyek AI yang memanfaatkan machine learning tidak memerlukan logika yang dikodekan secara eksplisit. Algoritma machine learning secara sistematis mempelajari pola antara input dan output sebelum memprediksi output berdasarkan input. Contohnya adalah memprediksi risiko gagal bayar peminjam berdasarkan skor kredit dan total pinjaman yang diambil.
Hal ini dapat menimbulkan inersia yang signifikan saat sebuah organisasi pertama kali menerapkan dan mengelola proyek AI. Karena itu, tulisan ini bertujuan memberikan beberapa panduan untuk proyek AI Anda berikutnya yang siap diterapkan dan menguntungkan.
Tiga karakteristik untuk proyek AI awal
Ketiga karakteristik ini menentukan panggung bagi keberhasilan proyek AI pertama sebuah perusahaan. Berikut alasannya.
Proyek AI harus layak
Sebelum memulai proyek AI baru, organisasi perlu mengukur kematangan data mereka sendiri sebelum mengalokasikan sumber daya yang bisa saja terbuang pada proyek yang tidak layak. Pilar kematangan data mencakup infrastruktur, SDM, alat, organisasi, dan proses. Pertanyaan bermanfaat seputar pilar-pilar ini dapat membantu organisasi memprioritaskan proyek mana yang paling layak:
- Apakah perusahaan memiliki kemampuan untuk mengumpulkan data secara andal?
- Apakah perusahaan memiliki infrastruktur untuk menyimpan dan membersihkan data?
- Apakah tim memiliki keterampilan prasyarat untuk menghasilkan hasil model yang andal dan akurat?
- Apakah perusahaan memiliki proses, alat, dan keterampilan untuk memantau model di produksi?
Proyek AI harus sederhana
Proyek yang secara teknis sederhana lebih mudah dikelola oleh organisasi dengan kematangan data yang relatif rendah. Proyek sederhana yang cepat diselesaikan membantu menghasilkan kemenangan cepat yang membangun pengalaman tim. Ini membangun momentum bagi proyek AI berikutnya, memicu siklus keutamaan yang menumbuhkan antusiasme di perusahaan dan menghasilkan dukungan untuk proyek AI yang lebih maju secara teknis. Seiring kemajuan kematangan AI perusahaan, mereka dapat beralih dari peluang mudah ke proyek yang lebih kompleks.
Proyek AI harus bernilai
Harvard Business Review menyatakan bahwa salah satu ciri proyek AI yang kuat adalah nilai yang dihasilkannya. Ini dapat hadir dalam tiga bentuk — AI dapat membantu membuat keputusan yang lebih baik, mengurangi biaya dengan mengotomatisasi tugas manual berulang, atau digunakan dalam produk baru. Nilai yang dihasilkan dari proyek AI yang sukses dapat membantu meyakinkan para pemangku kepentingan untuk berinvestasi dalam kapabilitas AI perusahaan.
Mencari proyek yang sederhana, bernilai, dan layak bukan hal sepele. Untuk menemukan proyek yang memenuhi kriteria, Veljko Krunic, penulis Succeeding with AI, mengusulkan langkah-langkah berikut.
- Identifikasi masalah bisnis.
- Gagaskan solusi AI untuk masalah bisnis.
- Perkirakan kelayakan teknis dan kompleksitas proyek.
- Tentukan metrik bisnis untuk mengukur nilai proyek AI.
- Perkirakan nilai bisnis berdasarkan metrik bisnis.
Menjalankan langkah-langkah ini sederhana secara teori tetapi rumit dalam praktik. Secara khusus, pilihan metrik bisnis mungkin tidak langsung jelas. Bagian berikut menguraikan cara memilih metrik bisnis.
Ukur proyek AI dengan metrik bisnis
Nilai bisnis dari sebuah proyek AI dapat diukur dengan metrik bisnis yang tepat. Namun, praktik mengukur kinerja sistem AI dengan metrik bisnis bisa terasa tidak intuitif bagi banyak praktisi AI.
Model machine learning biasanya diukur dengan metrik evaluasi yang menilai kinerja teknisnya pada suatu kumpulan data, bukan metrik bisnis yang mengkuantifikasi nilainya bagi bisnis. Ini merupakan praktik umum di dunia akademik, di mana kemajuan algoritma machine learning diukur terhadap tolok ukur teknis yang kuantitatif dan objektif. Namun, sistem AI di dunia nyata terkait dengan hasil nyata yang melampaui akurasi, seperti pendapatan, biaya, dan kepuasan pelanggan.
Karena itu, perlu ada keterkaitan antara kinerja teknis sistem AI dengan metrik bisnis. Sering kali, kaitan tersebut tidak langsung terlihat. Pemimpin bisnis dan pakar AI harus berkolaborasi dan mencapai konsensus mengenai metrik bisnis yang dapat digunakan untuk mengukur dan mengoptimalkan kinerja sistem AI, menurut Andrew Ng, salah satu pendiri Google Brain.
Dalam proses ini, penggunaan kurva laba dapat membantu menetapkan hubungan antara metrik bisnis dan teknis secara kuantitatif, seperti yang diusulkan dalam buku Data Science for Business. Ini menerjemahkan kemajuan teknis ke dalam istilah bisnis, memungkinkan para pemimpin menjawab pertanyaan seperti ‘berapa banyak tambahan pendapatan yang dihasilkan dengan peningkatan akurasi satu persen?’
Gambar 1: Ilustrasi kurva laba yang mengaitkan akurasi sistem AI dengan laba yang dihasilkan
Cara mengomunikasikan nilai sebuah proyek AI
Komunikasi antarsesama praktisi machine learning biasanya melibatkan jargon teknis seputar model machine learning, dan itu memang wajar. Namun, itu tidak masuk akal bagi audiens non-teknis, yang jauh lebih peduli pada dampak bisnis dari sebuah model ketimbang peningkatan akurasi 1%.
Seorang praktisi AI dapat menghindari jebakan tersebut dengan selalu mengingat audiens sasaran saat membahas pembaruan seputar proyek AI. Secara khusus, mereka harus menyadari bahwa peningkatan metrik bisnis memiliki prioritas lebih tinggi daripada metrik teknis bagi para pemangku kepentingan bisnis. Mereka juga bisa memanfaatkan teknik penceritaan data untuk menyampaikan bagaimana proyek AI dapat membantu metrik bisnis—baik itu peningkatan pengalaman pelanggan, kenaikan tingkat retensi, atau penurunan biaya.
Implementasi sistem AI dan pipeline machine learning berjalan beriringan
Kita telah melihat bagaimana sistem AI berbeda dari sistem perangkat lunak tradisional. Secara khusus, sistem AI tidak memerlukan programmer untuk secara eksplisit menulis logikanya karena mampu mempelajari pola dari data. Agar hal ini terjadi, perlu terlebih dahulu membangun pipeline yang mengambil data yang diperlukan, mentransformasikannya, dan memberikannya ke sistem AI.
Karena itu, sistem AI tidak hanya terdiri dari algoritma machine learning, tetapi juga pipeline machine learning (ML). Pipeline ini menggambarkan aliran data dari awal hingga akhir, termasuk bagaimana data diperoleh, ditransformasikan, digunakan, disajikan, dan dipantau.
Pipeline machine learning merupakan bagian dari sistem perangkat lunak yang lebih besar. Prosedur mengembangkan pipeline machine learning dan sistem perangkat lunak khas pada umumnya serupa. Antara lain, kebutuhan akan data engineer yang andal, penggunaan proses pengembangan perangkat lunak yang mirip dengan DevOps, serta pentingnya keamanan adalah tema umum dalam pengembangan proyek AI maupun perangkat lunak.
Berikut contoh pipeline ML dari sistem visi komputer yang mendeteksi anomali dalam proses manufaktur ponsel. Pipeline ML yang disederhanakan ini mendeteksi cacat ponsel menggunakan foto dan mempermudah pekerjaan tim penjaminan mutu.
Gambar 2: Pipeline ML yang disederhanakan pada produsen ponsel
Dari contoh ini, kita dapat melihat bahwa desain pipeline machine learning sangat bergantung pada data, algoritma, dan kasus penggunaan bisnis. Jarang ada pipeline machine learning yang cocok untuk semua kebutuhan.
Pipeline yang lengkap juga mencakup pengumpulan data, ekstraksi fitur, verifikasi data, pemantauan hasil, dan lain-lain, sehingga menjadi luas dan sangat kompleks, menurut makalah Google yang sangat berpengaruh. Inilah alasan mengapa biasanya ada Tim Rekayasa Machine Learning khusus yang membangun dan memelihara pipeline.
Bangun sistem ML yang tangguh sejak awal untuk mengurangi perubahan yang mahal
Penerapan sistem machine learning mungkin tidak berjalan sesuai harapan, berpotensi karena perubahan data, kelemahan model, atau cacat pada pipeline. Ketika ini terjadi, praktisi yang ingin memperbaiki sistem mungkin mengusulkan perubahan drastis pada pipeline yang ada, hanya untuk menyadari dengan kecewa bahwa pipeline machine learning dengan cepat menjadi resisten terhadap perubahan setelah diimplementasikan.
Veljko Krunic menyebut proses ini sebagai “osifikasi pipeline ML.” Inersia untuk berubah muncul dari tantangan memodifikasi kode pada proyek yang sangat rumit secara teknis. Tim bisnis yang memprediksi efek domino dari perubahan pipeline terhadap operasi bisnis juga dapat menolak perubahan tersebut. Pada contoh di Gambar 2 di atas, jika kemampuan algoritma untuk secara otomatis menandai ponsel anomali menurun drastis, jumlah tenaga pengganti yang dibutuhkan untuk inspeksi ponsel manual mungkin memerlukan waktu berminggu-minggu untuk dipenuhi.
Melakukan perubahan drastis pada proyek AI yang telah mengeras itu mahal. Perombakan mungkin diperlukan ketika pipeline machine learning bukti konsep yang tidak dapat diskalakan diterapkan ke produksi. Meski begitu, osifikasi pipeline ML sering kali tidak terhindarkan.
Karena itu, perusahaan yang ingin mengelola proyek AI sebaiknya berupaya menerapkan pipeline yang tepat sejak awal. Machine Learning Model Operationalization Management (MLOps) adalah bidang yang berkembang pesat yang membantu organisasi mencapai tujuan tersebut. Alat dan praktik MLOps menyediakan proses pengembangan machine learning end-to-end untuk merancang, membangun, dan mengelola perangkat lunak bertenaga ML yang dapat direproduksi, dapat diuji, dan iteratif. Ini memungkinkan tim data menerapkan continuous integration dan continuous delivery untuk pipeline machine learning mereka, memantau pergeseran data, dan mempertahankan keterjelasan (explainability) pipeline mereka.
Bangun kapabilitas tim Anda untuk mengelola proyek AI secara efektif
Mengelola proyek AI bukan perkara mudah. Sebuah organisasi membutuhkan lebih dari sekadar talenta teknis yang tepat untuk membangun proyek AI. Organisasi juga membutuhkan budaya data yang menyeluruh dan literasi data yang kuat untuk mendorong adopsi AI. Sama seperti penerapan proyek AI membutuhkan waktu, program untuk mengajarkan literasi data juga membutuhkan proses yang panjang.
Di sinilah DataCamp for Business dapat membantu dengan menyediakan platform pembelajaran interaktif bagi perusahaan yang perlu meningkatkan dan mengalihkan keterampilan SDM mereka dalam bidang data. Dengan topik mulai dari data engineering hingga machine learning, lebih dari 1.600 perusahaan mempercayai DataCamp for Business untuk meningkatkan keterampilan talenta mereka.
Belum yakin dengan kapabilitas data tim Anda? Ikuti penilaian kematangan data kami.
