TAIPEI, TAIWAN – Media OutReachAppier, sebuah perusahaan yang berspesialisasi dalam kecerdasan buatan (AI), hari ini mengumumkan tantangan dan aplikasi praktis pembelajaran mesin (Machine Learning) sebagai layanan Perspektif Peluang . Untuk perusahaan yang mencari keunggulan kompetitif, pembelajaran mesin adalah teknologi yang sangat diperlukan yang dapat dengan cepat memproses data dalam jumlah besar, membantu perusahaan memberikan rekomendasi kepada pelanggan dengan lebih efektif, mengoptimalkan proses manufaktur, atau memprediksi perubahan pasar.

Dalam konteks bisnis, Penyedia pembelajaran mesin sebagai layanan (MLaaS) didefinisikan sebagai perusahaan yang merancang dan mengimpor model pembelajaran mesin, dan menggunakan teknologi pembelajaran mesin untuk menyediakan layanan yang konsisten kepada pelanggan.

Saat ini, perusahaan harus berurusan dengan sejumlah besar data setiap hari, dan laju pertumbuhan data lebih cepat daripada sebelumnya. Pada saat yang sama, karena perubahan pesat dalam persaingan industri, kemampuan untuk membuat keputusan dengan cepat sangat penting untuk organisasi bisnis karena keberhasilan bisnis Itu tergantung pada kemampuan untuk memanfaatkan informasi yang ada dengan baik untuk membuat keputusan yang cepat dan akurat.

Ini sangat penting untuk industri dengan kebutuhan dan perilaku pelanggan yang berubah dengan cepat, terutama sejak pandemi COVID-19 sejak 2020, kebiasaan berbelanja, perilaku kerja, dan gaya sosial masyarakat telah mengalami perubahan drastis, dan perusahaan juga harus mengubah cara mereka melayani. pelanggan. Cara untuk memenuhi permintaan baru. Artinya, teknologi yang digunakan oleh perusahaan untuk mengumpulkan dan memproses data harus lebih fleksibel agar dapat mengimpor data baru dengan lebih cepat dan menerapkannya secara fleksibel dalam keputusan bisnis, sehingga perusahaan memiliki daya saing untuk bertindak cepat.

Appier mengamati bahwa tantangan saat ini dalam memperluas model pembelajaran mesin menjadi pembelajaran mesin sebagai layanan terletak pada bagaimana membuat mode dan bagaimana cara mengajarkan bakat pembelajaran mesin di masa depan untuk mengimplementasikan pekerjaan ini.

Sebagian besar penelitian dan pengembangan model pembelajaran mesin berfokus pada konstruksi model tunggal. Biasanya, orang menggunakan sekumpulan data untuk pelatihan model (mengatur sebelumnya fungsi dan label apa yang harus dimiliki sistem) untuk menargetkan label dari kumpulan data lain (biasanya disebut data pengujian) untuk menghasilkan prediksi yang akurat.

Namun, jika kita melihat bisnis dunia nyata yang berusaha memenuhi kebutuhan pelanggan kehidupan nyata yang terus berkembang, batas antara data pelatihan dan pengujian menjadi kurang jelas. Data pengujian atau prediksi hari ini dapat dimanfaatkan sebagai data pelatihan untuk membuat model yang lebih baik di masa mendatang.

Berdasarkan pengalaman praktek Appier selama bertahun-tahun, data yang digunakan untuk melatih model tidak bisa sempurna. Alasannya adalah selain sumber data yang tidak lengkap di dunia nyata, datanya bukan data terstruktur (seperti kuesioner terbuka dari pelanggan), data juga dapat dikumpulkan selama proses pengumpulan yang bias. Misalnya, data yang digunakan untuk melatih model rekomendasi biasanya dari umpan balik yang dikumpulkan oleh sistem rekomendasi online. Justru karena data yang digunakan untuk melatih model memiliki bayangan model lain, bias tidak bisa hilang.

Selain itu, hasil yang paling disukai orang biasanya paling sulit diprediksi dan disimpulkan. Ambil proses pemasaran digital dari merek ecommerce sebagai contoh. Perjalanan pengguna yang umum adalah konsumen ‘mengklik produk, melihat produk, dan menambahkan produk ke keranjang belanja, dan beli barang” di bagian akhir, namun seringkali lintasan pengguna yang dicatat oleh sistem jarang sesederhana itu. Orang dapat memeriksa produk tertentu beberapa kali pada perangkat yang berbeda, dan dapat menghapus produk dari keranjang belanja dan menambahkannya lagi, mereka juga mungkin berhenti membeli setelah ragu-ragu beberapa saat. Motif dan tindakan yang rumit ini sulit diprediksi dan disimpulkan dengan satu mekanisme.

Biasanya, lebih sulit untuk mengetahui apakah pengguna telah melakukan pembelian daripada mendapatkan data klik atau penjelajahan mereka. Misalnya jika konsumen tidak menyelesaikan pembayaran di platform Anda, pedagang tidak memiliki cara untuk mengetahui apakah dia masih memiliki minat pada produk. Jika model MLaSS hanya mengandalkan metrik yang paling sederhana (yaitu klik dan tampilan), sarannya (misalnya, kapan mengirimkan pesan pemasaran) tidak akan sejalan dengan tujuan bisnis akhir.

Terakhir, bagi perusahaan AI B2B yang menyediakan layanan pembelajaran mesin mungkin harus memberikan layanan kepada ribuan pelanggan dari berbagai bidang pada saat yang sama. Artinya, setidaknya akan selalu ada ribuan model yang melayani secara online. Selain itu, agar model tersebut secara konsisten bekerja untuk memenuhi tujuan bisnis yang sedang berlangsung dan terus berubah, model tersebut perlu dilatih ulang atau diperbarui setiap hari untuk mengikuti skenario dunia nyata yang berkembang. Oleh sebab itu, pembuat model tidak hanya harus meningkatkan proses pelatihan model otomatis, tetapi juga memastikan bahwa model terjadi Probabilitas kesalahan lokal mendekati nol untuk terus memenuhi tujuan bisnis yang diusulkan oleh pelanggan.

Dalam banyak kasus, Jika hasil model pembelajaran mesin tidak sesuai ekspektasi, terkadang hal itu bukan karena kesalahan prediksi model pembelajaran mesin, tetapi masalah di rantai kerja. Misalnya, mesin rekomendasi perlu membuat link dengan halaman web online untuk menampilkan produk kepada pelanggan, ketika link terputus atau tertunda, rasio klik-tayang pelanggan akan terpengaruh. Hasil ini tidak disebabkan oleh kesalahan rekomendasi model, dan seringkali perlu beberapa saat untuk menemukan kesalahan tersebut. Cara cepat mengetahui kemungkinan masalah adalah kemampuan yang harus dimiliki oleh perusahaan yang mengadopsi MLaaS.

Sangat penting untuk memastikan stabilitas dan ketahanan keseluruhan model MLaaS. Ini membutuhkan investasi berkelanjutan, penelitian, dan eksperimen yang signifikan, perusahaan yang dapat melakukan ini akan menikmati keuntungan besar yang dibawa oleh MLaaS. Model yang terus berulang dari waktu ke waktu dapat membantu mereka beradaptasi dengan lingkungan bisnis yang selalu berubah dan mempertahankan posisi terdepan dalam industri.

Untuk informasi lebih lanjut tentang kecerdasan buatan dan pembelajaran mesin, silakan kunjungi blog Appier.