Kupas Tuntas Pemanfaatan Machine Learning di Segala Lini Bisnis Bersama AWS dan Qoala

Technologue.id, Jakarta - Bagi pelaku usaha, machine learning memiliki setidaknya tiga manfaat utama, yakni menciptakan sumber-sumber pemasukan baru, meningkatkan efisiensi operasional maupun keuangan, hingga mendeteksi dan menanggapi risiko-risiko yang mengancam berjalannya bisnis.

Machine learning dengan cepat menjadi salah satu teknologi yang paling banyak dimanfaatkan di seluruh sektor dan untuk berbagai kegunaan – termasuk industri pelayanan kesehatan, manufaktur, jasa keuangan, ritel, serta media dan hiburan – konsep dasar, cara kerja, dan implementasinya belum sepenuhnya dimengerti oleh pembuat keputusan maupun pekerja non-IT, serta masyarakat luas.

“Otomatisasi yang dihadirkan oleh machine learning dapat membantu kita untuk mengoptimalkan pengalaman pelanggan maupun pengguna, membuat keputusan dengan lebih cepat dan lebih baik, meningkatkan operasional pada bisnis, dan bahkan mengembangkan produk-produk serta layanan-layanan baru,” tutur Donnie Prakoso selaku Senior Developer Advocate, ASEAN, Amazon Web Services (AWS).

Salah satu miskonsepsi adalah anggapan bahwa machine learning dan artificial intelligence (AI/kecerdasan buatan) merupakan teknologi yang sama.

“Nyatanya tidak. Machine learning merupakan turunan dari AI, yakni sebuah sistem yang mampu mereplikasi kecerdasan manusia dan menyelesaikan pekerjaan-pekerjaan yang sebelumnya memerlukan kecerdasan manusia tersebut,” lanjut Donnie.

Sementara, machine learning bekerja dengan cara mencari pola pada data dan menciptakan model berdasarkan data tersebut. Tujuan utama pemanfaatan machine learning adalah membuat dan melakukan validasi atas keputusan-keputusan yang menggunakan logika.

Lebih lanjut, dalam ilmu machine learning terdapat tiga model pembelajaran, antara lain supervised, unsupervised, serta reinforcement learning.

Supervised learning merupakan model pembelajaran menggunakan label dan akan menghasilkan jawaban yang konsisten. Dengan kata lain, jika input data memiliki nilai “A”, maka output data akan memiliki nilai “B”, dan seterusnya.

Sementara, unsupervised learning digunakan untuk mendapatkan wawasan-wawasan baru dari data dalam jumlah besar. Terakhir, reinforcement learning menerapkan sistem “hadiah” dan “hukuman” dalam rangka mencerdaskan mesin yang sedang dilatih.

Bagi ahli sekalipun, machine learning terdiri dari kumpulan proses yang rumit. Amazon SageMaker, layanan machine learning yang dikembangkan AWS, hadir untuk menyederhanakan pekerjaan-pekerjaan tersebut dari hulu ke hilir dan mengurangi biaya yang dibutuhkan.

Tantangan utama bagi bisnis dalam implementasi machine learning adalah dibutuhkannya tenaga ahli dan sumber daya yang tidak kecil. Pertama, developer yang memiliki keahlian khusus di bidang machine learning memang belum banyak tersedia.

Kedua, tahap pembelajarannya pun membutuhkan lingkungan yang termutakhir, dari CPU, GPU, memori, hingga penyimpanan. Demokratisasi dan pemerataan machine learning kepada setiap developer di tingkat pemula maupun ahli merupakan salah satu misi utama AWS.

Donnie Prakoso mengatakan bahwa, AWS menyediakan solusi seperti Amazon SageMaker Studio Lab yang berbasis platform komputasi open-source Jupyter Notebook. Developer bebas menggunakan CPU dan GPU pilihannya, serta mendapatkan memori sebesar 15 Gigabyte.

"Terlebih lagi, layanan ini dapat diakses tanpa biaya dan tanpa persiapan awal yang merepotkan. Ini akan sangat memudahkan developer untuk belajar dan bereksperimen dengan machine learning,” ujar Donnie.

Ada pula Amazon SageMaker Canvas yang membantu awam untuk membuat model machine learning dan menghasilkan prediksi dengan akurat, tanpa perlu menulis sebaris kode.

Dari segi pelatihan, AWS juga menyelenggarakan program AWS DeepRacer, sebuah ajang balap mobil otonom yang memanfaatkan teknologi machine learning untuk berpacu di lintasan. Kegiatan ini dimaksudkan untuk pelajar maupun awam yang baru berkenalan dengan dunia machine learning.

“Amazon SageMaker dan solusi-solusi machine learning terkait membantu personel lintas tim untuk dapat berkolaborasi secara produktif, sehingga mendorong inovasi melalui machine learning,” pungkas Donnie.

Berbasis di Jakarta, Qoala adalah startup teknologi asuransi yang bermitra dengan ritel dan perusahaan asuransi untuk menghadirkan produk asuransi mikro yang inovatif ke pasaran.

Polis asuransi mikro ini memberikan perlindungan untuk insiden seperti keterlambatan atau pembatalan penerbangan, atau kerusakan pada barang-barang pribadi seperti ponsel pintar.

Teknologi Qoala memungkinkan perusahaan asuransi untuk mengotomatisasi pengambilan keputusan selama pemrosesan klaim. Mereka memeriksa gambar atau video yang diunggah dengan menggunakan teknologi computer vision dan didukung oleh model machine learning (ML).

Misalnya, perusahaan dapat menganalisis video yang memperlihatkan layar ponsel untuk mengkonfirmasi keretakan, atau misalnya pada kasus mobil untuk mengidentifikasi adanya goresan permukaan, penyok, atau kerusakan.

"Memiliki otomatisasi seperti ini sangat mengurangi waktu dan kebutuhan akan peninjauan fisik secara manual. Juga memungkinkan para partner asuransi agar mampu dengan cepat menyaring dan menolak klaim yang tidak valid," sebut Martin Hong, CTO Qoala.

Untuk dapat meningkatkan operasional dan platform Qoala, termasuk untuk tujuan manajemen polis asuransi dan validasi dokumen, dibutuhkan fondasi berupa infrastruktur teknologi yang dapat diskalakan. Hal ini disediakan oleh AWS.

Satya Walpresa Head of Data Qoala, menambahkan bahwa seiring meningkatnya permintaan terhadap asuransi, baik pelanggan maupun mitra penyedia asuransi Qoala menuntut kenyamanan lebih dalam setiap proses.

Salah satu proses yang paling memakan waktu dan tenaga jika dilakukan secara manual adalah pengecekan (assessment) bagian kendaraan sebelum dilanjutkan ke pengajuan klaim asuransi. Tanpa machine learning, masing-masing foto kerusakan harus dipelajari satu per satu. Qoala pun menggunakan Amazon SageMaker untuk mengenali dan menghitung tingkat kerusakan pada masing-masing bagian mobil.

Satya mengatakan bahwa tim melatih model machine learning-nya menggunakan sampel yang diperoleh dari lebih dari 1.000 jenis mobil. Kegiatan ini dapat diselesaikan hanya dalam hitungan jam.

Selain itu, fitur auto-scaling pada Amazon SageMaker juga memampukan Qoala untuk fokus pada bagian-bagian mobil yang umum, sementara bagian-bagian yang jarang mengalami kerusakan hanya perlu diperhatikan sesekali.

“Amazon SageMaker sangat menghemat waktu dan sumber daya kami, khususnya bagi lebih dari 50.000 agen dan tim operasional di Qoala,” tutup Satya.

Contact Information