Apa itu Inferensi Machine Learning? Pengantar Pendekatan Inferensi

Pendahuluan ke Inferensi Machine Learning

Bayangkan Anda telah melatih sebuah model machine learning yang hebat untuk membantu tim bisnis menarik lebih banyak klien dengan memberikan rekomendasi yang relevan. Langkah logis berikutnya adalah memasukkan model terlatih tersebut ke dalam infrastruktur perusahaan agar dapat digunakan oleh bisnis untuk membuat prediksi berdasarkan informasi klien baru. Proses menggunakan model yang sudah ada ini dikenal sebagai inferensi. 

Inferensi machine learning sangat penting karena memungkinkan model digunakan untuk kasus penggunaan dunia nyata seperti prediksi, klasifikasi, atau rekomendasi. 

Di akhir blog ini, Anda akan memiliki pemahaman yang lebih baik tentang cara kerja inferensi machine learning, bagaimana perbedaannya dari pelatihan machine learning tradisional, serta gambaran umum pendekatan inferensi yang ada beserta manfaat, tantangan, dan beberapa penerapannya dalam kehidupan nyata.

Inferensi vs Pelatihan dalam Machine Learning

Hal pertama yang perlu diingat adalah bahwa inferensi machine learning dan pelatihan machine learning bukanlah hal yang sama, dan masing-masing konsep diterapkan pada dua fase berbeda dalam setiap proyek machine learning. Bagian ini memberikan penjelasan intuitif untuk menyoroti perbedaannya melalui analogi restoran oleh Cassie Kozyrkov. 

Ia menyebutkan bahwa membuat pizza yang enak (produk bernilai) memerlukan resep (model atau formula) yang menjelaskan cara menyiapkan bahan (data berkualitas) dengan peralatan apa (algoritme). 

Tidak akan ada layanan jika tidak ada makanan yang keluar dari dapur. Juga, dapur (Tim Data Science) tidak akan bernilai jika klien terus-menerus tidak menyukai makanannya. 

Demi pengalaman pelanggan yang baik dan pengembalian investasi yang lebih tinggi, kedua tim bekerja sama.

Dapur (Tim Data Science) & Area Layanan (Tim Bisnis)

Pelatihan machine learning

Melatih model machine learning memerlukan penggunaan data pelatihan dan validasi. Data pelatihan digunakan untuk mengembangkan model, sedangkan data validasi digunakan untuk menyetel parameter model dan membuatnya sekuat mungkin. Ini berarti bahwa pada akhir fase pelatihan, model seharusnya mampu memprediksi data baru dengan kesalahan yang lebih sedikit. Kita dapat menganggap fase ini sebagai sisi dapur.

Dari panduan komprehensif kami, What is Machine Learning, Anda akan mempelajari apa itu machine learning dan bagaimana perbedaannya dari AI dan deep learning, serta mengapa ini merupakan salah satu bidang paling menarik dalam data science.

Inferensi machine learning

Hidangan hanya dapat disajikan saat siap untuk dikonsumsi, sama seperti model machine learning perlu dilatih dan divalidasi sebelum dapat digunakan untuk membuat prediksi. Inferensi machine learning mirip dengan skenario restoran. Keduanya membutuhkan perhatian untuk hasil yang lebih baik dan lebih akurat, sehingga kepuasan pelanggan dan bisnis tercapai. 

Pentingnya Memahami Perbedaannya

Mengetahui perbedaan antara inferensi dan pelatihan machine learning sangat penting karena dapat membantu mengalokasikan sumber daya komputasi dengan lebih baik untuk pelatihan dan inferensi setelah diterapkan ke lingkungan produksi. 

Kinerja model biasanya menurun di lingkungan produksi. Pemahaman yang tepat tentang perbedaannya dapat membantu dalam mengadopsi strategi industrialisasi model yang tepat dan memeliharanya seiring waktu.

Pertimbangan Utama saat memilih antara Inferensi dan Pelatihan

Menggunakan model inferensi atau melatih model baru bergantung pada jenis masalah, tujuan akhir, dan sumber daya yang ada. 

Pertimbangan utamanya mencakup, namun tidak terbatas pada, waktu ke pasar, keterbatasan sumber daya atau biaya pengembangan, kinerja model, dan keahlian tim.

1. Waktu ke pasar. Penting untuk mempertimbangkan berapa banyak waktu yang tersedia saat memilih antara melatih dan menggunakan model yang ada. Terkadang, menggunakan model pra-latih memerlukan waktu lebih sedikit dan dapat memberikan keunggulan kompetitif bagi tim bisnis.
   
   
2. Keterbatasan sumber daya atau biaya pengembangan. Bergantung pada kasus penggunaan, melatih model dapat memerlukan sejumlah besar data dan sumber daya pelatihan. Namun, menggunakan model inferensi sebagian besar waktu memerlukan lebih sedikit sumber daya, yang memudahkan untuk memperoleh kinerja yang bahkan lebih baik dalam waktu singkat.
    
3. Kinerja model. Melatih model machine learning adalah proses iteratif, dan tidak selalu menjamin model yang tangguh. Menggunakan model inferensi dapat memberikan kinerja yang lebih baik dibandingkan model internal. Saat ini, keterjelasan model dan mitigasi bias sangat penting, dan model inferensi mungkin perlu diperbarui untuk mempertimbangkan kemampuan tersebut.
   
   
4. Keahlian tim. Membangun model machine learning yang tangguh memerlukan keahlian kuat baik untuk pelatihan model maupun industrialisasi. Mungkin menantang untuk memiliki keahlian tersebut tersedia; oleh karena itu mengandalkan model inferensi bisa menjadi alternatif terbaik.   

Inferensi Bayesian dalam Machine Learning

Inferensi Bayesian adalah teknik dalam machine learning yang memungkinkan algoritme membuat prediksi dengan memperbarui pengetahuan awalnya berdasarkan bukti baru menggunakan teorema Bayes. 

Lalu apa itu teorema Bayes? 

Teorema ini menjelaskan probabilitas kejadian A, dengan syarat kejadian lain, B, telah terjadi. Rumusnya diberikan di bawah ini: 

Teorema Bayes

P(A): prior → probabilitas kejadian A terjadi tanpa pengetahuan tentang kejadian lain.

P(B): konstanta normalisasi yang memungkinkan perhitungan kejadian posterior B.

P(A|B):  posterior → probabilitas kejadian A terjadi, dengan syarat kejadian B terjadi.

P(B|A):  likelihood → probabilitas kejadian B terjadi jika A terjadi.

Dengan informasi ini, mari jelajahi keunggulan inferensi Bayesian dan beberapa penerapannya dalam kehidupan nyata.

Dari Tutorial Klasifikasi Naive Bayes menggunakan Scikit-learn kami, Anda akan mempelajari cara membangun dan mengevaluasi pengklasifikasi Naive Bayes menggunakan paket Scikit-learn di Python.

Keunggulan Inferensi Bayesian

Inferensi Bayesian memiliki banyak keunggulan, antara lain:

1. Fleksibel. Inferensi Bayesian dapat diterapkan pada model linear dan non-linear serta berbagai masalah machine learning seperti regresi, klasifikasi, klastering, pemrosesan bahasa alami, dan lainnya.
2. Lebih intuitif. Transisi dari pengetahuan awal ke pengetahuan posterior menggunakan data baru mirip dengan cara manusia memperbarui keyakinan dengan informasi baru, yang lebih intuitif. Misalnya, jika seseorang memiliki pengetahuan awal bahwa besok akan turun salju, lalu memeriksa informasi cuaca, orang tersebut akan mengubah keyakinannya sesuai.
3. Dapat ditafsirkan. Distribusi probabilitas yang dihasilkan atas nilai-nilai kemungkinan prediksi model dapat dengan mudah ditafsirkan, yang dapat membantu pengambil keputusan membuat keputusan sesuai toleransi risiko mereka.

Penerapan Inferensi Bayesian dalam Machine Learning

Berikut beberapa penerapan inferensi Bayes di dunia nyata dalam machine learning:

1. Deteksi penipuan kartu kredit. Inferensi Bayes dapat diterapkan untuk mendeteksi aktivitas penipuan. Prosesnya dimulai dengan keyakinan awal tentang probabilitas suatu transaksi bersifat curang berdasarkan data historis. Lalu, saat data baru tersedia, seperti jumlah transaksi atau riwayat pembelian pelanggan, informasi awal diperbarui menggunakan teorema Bayes untuk memperoleh probabilitas posterior suatu transaksi; untuk menentukan apakah transaksi tersebut curang atau tidak. 
2. Diagnosis medis. Dalam diagnosis medis, teorema Bayes digunakan untuk menganalisis data dari kasus sebelumnya dan memperkirakan kemungkinan pasien memiliki penyakit tertentu. Bayesian dapat mempertimbangkan berbagai faktor yang dapat memengaruhi hasil dan menghasilkan estimasi probabilistik yang lebih mudah dijelaskan dibandingkan hasil biner semata.
3. Pemrosesan gambar. Inferensi Bayesian memiliki banyak aplikasi dalam pemrosesan gambar. Misalnya, dapat digunakan untuk menghilangkan noise dari gambar dengan menerapkan teknik seperti Markov Chain Monte Carlo dan teorema Bayes.
4. Pemrosesan ujaran. Bayesian nonparametric clustering (BNC) digunakan dalam jaringan saraf hierarkis nonparametrik untuk melakukan pengenalan ujaran dan emosi. Proses ini mengungguli model mutakhir lainnya pada tugas serupa.

Inferensi Kausal dalam Machine Learning

Inferensi kausal adalah pendekatan statistik yang digunakan dalam AI dan machine learning untuk memahami hubungan sebab-akibat antar atribut. 

Misalnya, dalam pemasaran, pengambil keputusan mungkin ingin memahami kampanye mana yang menghasilkan tingkat konversi tertinggi. Menggunakan inferensi kausal dapat membantu mengidentifikasi hubungan kausal antara tingkat konversi dan kampanye pemasaran untuk memaksimalkan konversi. 

Kursus Statistical inference with R kami dapat membantu Anda membiasakan diri dengan seperangkat keterampilan inti dalam inferensi statistik yang diperlukan untuk memahami, menafsirkan, dan menyetel model statistik serta machine learning Anda.

Pentingnya Inferensi Kausal dalam Machine Learning

Inferensi kausal penting dalam machine learning karena berbagai alasan, termasuk prediksi yang efisien dan keadilan. Mari kita lihat sekilas masing-masing.

1. Prediksi yang efisien. Dalam banyak kasus penggunaan machine learning, analisis korelasi tidak cukup, karena tidak serta merta menyiratkan kausalitas. Inferensi kausal memungkinkan Machine Learning Engineer mengidentifikasi hubungan kausal mendasar antar variabel, yang mengarah pada prediksi yang lebih akurat.
2. Keadilan. Menggunakan inferensi kausal dalam machine learning dapat membantu mengidentifikasi penyebab mendasar dari bias pada data tertentu. Hal ini dapat membantu pengambil keputusan mengambil tindakan yang tepat untuk membuat data mengurangi masalah bias, sehingga mengembangkan model machine learning yang lebih baik. 

Tantangan dalam Menerapkan Inferensi Kausal pada Machine Learning

Seperti teknik lain dalam machine learning, penerapan inferensi kausal dalam machine learning memiliki tantangan tersendiri, namun tidak terbatas pada yang diilustrasikan di bawah ini: 

1. Data berkualitas dalam jumlah besar. Membuat inferensi kausal yang valid memerlukan data berkualitas dalam jumlah besar. Namun, data dunia nyata berantakan, dan bisa jadi menantang untuk menemukan pendekatan yang sempurna agar data bebas dari kesalahan.
2. Keterjelasan. Metode yang terlibat dalam estimasi kausalitas sering kali kompleks dan memerlukan keahlian statistik yang kuat serta pengetahuan domain tingkat lanjut dari bidang yang dikaji untuk interpretasi hasil yang lebih baik. 
3. Variabel perancu. Variabel-variabel ini terkait dengan variabel independen dan dependen. Faktor ini dapat memengaruhi efek kausal sebenarnya dari variabel independen; sehingga menyulitkan estimasi efek kausal yang akurat.

Kesimpulan

Artikel ini membahas apa itu inferensi machine learning, bagaimana perbedaannya dari pelatihan machine learning, dan beberapa rekomendasi utama yang perlu dipertimbangkan saat memilih salah satu di antaranya. Selain menyoroti inferensi Bayesian dan kausal, artikel ini juga menggambarkan pentingnya dan tantangannya dalam machine learning. 

Penting diingat bahwa inferensi bersifat wajib agar model machine learning berguna dalam kehidupan nyata. Hanya melalui inferensi, model dapat diintegrasikan ke aplikasi yang ada dan digunakan oleh bisnis serta berbagai pemangku kepentingan untuk dampak bisnis yang lebih baik.