Artificial Intelligence Dalam Perkembangan Tokopedia

Technologue.id, Jakarta - Tokopedia kembali mengadakan konferensi teknologi START Summit Extension dengan tema Advancing Indonesia Through Artificial Intelligence pada Selasa (29/9/2020). Acara ini menggali lebih dalam tentang bagaimana peran AI dapat membantu jutaan pengguna dan penjual memenuhi kebutuhannya melalui Tokopedia.

START Summit Extension kali ini disaksikan oleh lebih dari 3,000 penonton melalui Tokopedia Play menghadirkan tiga orang pembicara dari Tokopedia yang merupakan Data Scientist, serta dua akademisi AI Center of Excellence dari Universitas Indonesia.

Pada sesi pertama, Irvan Bastian Arief, Ph. D., yang merupakan Head of Research Scientist Tokopedia menjelaskan tentang pengertian Artificial Intelligence, dimana AI merupakan sebuah kecerdasan buatan yang dapat mengatur sebuah mesin, sehingga mesin tersebut dapat membantu meningkatkan kualitas hidup manusia agar menjadi lebih efisien dan praktis.

Lebih lanjut, Irvan menjelaskan bahwa saat ini Tokopedia sudah mengimplementasikan AI di dalam infrastruktur teknologi perusahaan, dan kedepannya akan menjadi perusahaan teknologi yang sepenuhnya didukung oleh Artificial Intelligence.

Dengan menggunakan AI, Tokopedia terus mengembangkan sistem dan fitur untuk dapat mengoptimalkan pengalaman pelanggan. Beberapa fitur dan inovasi Tokopedia yang telah memanfaatkan teknologi AI adalah fitur ChatBot untuk layanan Tokopedia Care, Intelligent Search, TokoCabang, serta Fast Recommendations terhadap lebih dari 350 juta produk yang sesuai dengan minat dari setiap pengguna Tokopedia.

Irvan juga menambahkan bahwa kecerdasan buatan adalah teori dan perkembangan dari sebuah sistem komputer yang mampu melakukan hal-hal yang biasanya memerlukan kemampuan dan otak manusia. Artificial Intelligence sendiri terbagi kedalam beberapa stream, yaitu Robotics, Machine Learning, Computer Vision, Natural Language Processing, Knowledge Representation, dan yang terakhir adalah Recommendation System.

Penjelasan seputar Recommendation System disampaikan oleh Alim Kidar Hanif yang merupakan Data Scientist Tokopedia. Recommendation System digunakan untuk membaca karakteristik atau behaviour dari masing-masing pengguna. Ketika pengguna tersebut sering membeli atau melihat suatu barang, maka sistem Tokopedia akan merekomendasikan produk lain yang berkaitan dengan apa yang sebelumnya sudah dilihat atau dicari oleh pengguna.

Recommendation System menggunakan machine learning yang dapat melihat semua produk yang ada di Tokopedia, dan selanjutnya mesin tersebut akan menangkap pola-pola yang ada. Ketika pengguna mengklik satu produk, maka pola tersebut akan dilihat oleh pola yang berada di dalam machine learning. Jika produk berkaitan dan sesuai, maka rekomendasinya akan dikirim.

Lebih lanjut, Alim memaparkan bahwa di Tokopedia, Recommendation Systems Playbook digunakan dengan dua metode; Session-Based Recommendation dan Ranking Based Recommendation. Kedua tahap tersebut digunakan dalam menentukan pola aktivitas pengguna, sehingga nantinya machine learning dapat memberi rekomendasi produk yang sesuai.

Session-Based Recommendation digunakan untuk merekomendasikan produk berdasarkan kedekatan vektor dari produk yang dibuat dengan data session, di mana data session itu sendiri merupakan semua aktivitas yang dilakukan oleh setiap user dalam periode waktu tertentu. Permasalahan atau isu yang bisa diselesaikan dengan stage ini biasanya adalah ketika barang yang dicari pengguna tidak ready, atau ketika pengguna ingin mengganti varian produk lain.

Abe Vallerian yang merupakan Data Scientist Lead Tokopedia melanjutkan penjelasan tentang Ranking Based Recommendation, dimana model ini lebih akurat dalam merekomendasikan suatu produk ke masing-masing user. Hal ini dikarenakan model tersebut tidak hanya menggunakan product features saja, melainkan juga memakai user feature yang memungkinkan untuk menangkap interaksi antar fitur tersebut.

Pada tahap ini, algoritma atau metode yang dipakai adalah Tree-Based Model, yaitu dengan binary classification problem. Selain itu, model ini tidak memakai satu pohon/tree saja, melainkan menggunakan banyak pohon dengan teknik Gradient Boosting. Dengan teknik Gradient Boosting, pohon yang satu dapat mengoreksi kesalahan dari pohon lainnya. Ranking-Based Recommendation dibutuhkan untuk menghitung peluang pengguna yang akan mengklik suatu produk, sehingga nantinya peluang ini akan dibuat menjadi ranking untuk menentukan produk mana yang dapat direkomendasikan paling pertama.

Sesi kedua menghadirkan pembicara spesial yaitu dua akademisi dari AI Center of Excellence Universitas Indonesia, yaitu Adila Krisnadhi, Ph. D., dan Dr. Fariz Darari, yang merupakan Computer Science Lecturer Universitas Indonesia yang menjelaskan lebih lanjut seputar Knowledge Graph.

Knowledge Graph merupakan sebuah teknik yang digunakan oleh Recommendation Systems, dimana setiap permasalahan yang akan dipecahkan oleh AI tentunya akan melalui tahapan proses Recommendation Task. Proses ini memungkinkan kita untuk melihat permasalahan secara komputerisasi, dan yang dimana permasalahan dasarnya adalah Recommendation Task.

Recommendation Task memungkinkan kita untuk memprediksi atau melakukan estimasi terhadap pola dan perilaku user, apakah user tersebut akan melakukan pembelian, mengklik suatu produk, atau akan memberi rating pada produk tersebut. Untuk dapat memprediksikannya, Adila menjelaskan bahwa terdapat dua cara, yakni dengan Content-Based, yaitu untuk merekomendasikan item berdasarkan kemiripan produk yang sudah diminati atau dibeli user, dan Collaborative Filtering, yaitu merekomendasikan item yang mirip dengan apa yang diminati antara satu pengguna dengan pengguna yang lain.

Dipaparkan lebih lanjut, Knowledge Graph tidak hanya digunakan untuk melakukan rekomendasi, melainkan juga dapat digunakan untuk enable integration, context enrichment, and inferencing. Knowledge Graph yang memungkinkan integration pada dasarnya berkaitan dengan konsep keterkaitan atau penghubung antara sumber-sumber data yang berbeda namun tetap terintegrasi satu sama lain.

Kemudian, context enrichment juga dapat menghasilkan pengetahuan (knowledge) dari hal-hal yang berkaitan dengan satu item atau produk yang sebelumnya ada pada pencarian, lalu kemudian item tersebut dijadikan basis pengetahuan untuk memperkaya rekomendasi selanjutnya. Sedangkan interferencing adalah untuk menangkap Knowledge Graph berdasarkan penalaran logika atas keterkaitan suatu data.

Recommendation Systems dan Knowledge Graph memiliki fungsi dan kelebihannya masing-masing. Dengan Recommendation Systems, kita dapat mencari pencarian yang lebih relevan, sedangkan Knowledge Graph merupakan jembatan yang membantu kita untuk memperkaya hubungan antara setiap item. Selanjutnya, Dr. Fariz menjelaskan tentang bagaimana keduanya dipadukan untuk memperkaya hasil pencarian yang efisien.

Apabila sebelumnya kita dapat melihat hubungan antara satu user dengan satu item, ternyata dibalik item tersebut juga terdapat keterkaitan satu sama lain. Item tersebut memiliki background yang dapat dibaca dengan Knowledge Graph, sehingga memungkinkan pengguna mendapat rekomendasi produk yang berkaitan dengan background dari produk yang sebelumnya dicari atau dibeli. Pada akhirnya, perpaduan antara Recommendation Systems dan Knowledge Graph dapat memperkaya rekomendasi produk.

START Summit Extension sendiri merupakan konferensi teknologi virtual pertama yang dihadirkan oleh Tokopedia melalui Tokopedia Academy. Berbagai topik terkait inovasi teknologi yang dilakukan oleh Tokopedia akan dikemas dan dibawakan oleh para talenta berbakat di bidangnya masing-masing.

Contact Information