Dengan tajuk utama yang muncul tentang kecerdasan buatan (AI) mencapai “kehendak”, jelas bahwa kekuatan AI tetap dihormati dan ditakuti. Untuk setiap penawaran AI untuk mencapai potensi sepenuhnya, sponsor eksekutifnya harus terlebih dahulu yakin bahwa AI adalah solusi untuk masalah bisnis yang nyata.
Dan karena semakin banyak perusahaan dan perusahaan rintisan mengembangkan kemampuan AI mereka, kami melihat hambatan umum muncul yang dikenal sebagai masalah “last mile” AI. Umumnya, ketika insinyur pembelajaran mesin dan ilmuwan data merujuk pada “jarak terakhir”, mereka merujuk pada langkah-langkah yang diperlukan untuk mengambil solusi AI dan membuatnya tersedia untuk penggunaan umum dan luas.
Apa Masalah ‘Last mile’?
Last mile menggambarkan segmen geografis pendek dari penyampaian layanan komunikasi dan media atau pengiriman produk ke pelanggan yang berada di daerah padat. Logistik last mile cenderung rumit dan mahal bagi penyedia barang dan jasa yang mengirim ke area ini. (Sumber: Investopedia).
Demokratisasi AI melibatkan logistik penerapan kode atau model serta menggunakan pendekatan yang tepat untuk melacak kinerja model. Namun, yang terakhir menjadi sangat menantang, karena banyak model berfungsi sebagai kotak hitam dalam hal jawaban yang mereka berikan.
Oleh karena itu, menentukan cara melacak kinerja model adalah bagian penting dalam mengatasi rintangan terakhir. Dengan kurang dari setengah proyek AI yang pernah mencapai kemenangan produksi, terbukti bahwa mengoptimalkan proses yang terdiri dari mil terakhir akan membuka inovasi yang signifikan.
Kesulitan terbesar yang dihadapi pengembang muncul setelah mereka membangun solusi AI. Melacak kinerjanya bisa sangat menantang karena keduanya bergantung pada konteks dan bervariasi berdasarkan jenis model AI.
Misalnya, sementara kita harus membandingkan hasil model prediktif dengan tolok ukur, kita dapat memeriksa keluaran dari model yang kurang deterministik seperti model personalisasi sehubungan dengan karakteristik statistiknya. Ini juga membutuhkan pemahaman yang mendalam tentang apa yang dimaksud dengan “hasil yang baik”.
Misalnya, selama saya mengerjakan Google Berita, kami membuat proses yang ketat untuk mengevaluasi algoritma AI. Ini melibatkan menjalankan eksperimen dalam produksi dan menentukan bagaimana mengukur keberhasilan mereka. Yang terakhir diperlukan untuk melihat serangkaian metrik (klik panjang vs. pendek, keragaman sumber, otoritas, dll.) untuk menentukan apakah sebenarnya algoritma adalah “kemenangan”.
Metrik lain yang kami lacak di Google Berita adalah keragaman sumber baru dalam umpan yang dipersonalisasi. Dalam pengembangan dan eksperimen lokal, hasilnya mungkin tampak bagus, tetapi pada skala dan seiring berkembangnya model, hasilnya mungkin miring.
Solusi Nya ada dua :
- Organisasi harus meningkatkan kekakuan seputar AI dan mengembangkan metodologi untuk menilai keberhasilan setelah model AI diluncurkan. Secara historis, sistem tradisional memiliki sejumlah besar kontrol seputar bagaimana kode telah digunakan, dilacak, dan diukur. Namun, di dunia AI, data adalah kode, dan sebagai hasilnya, kita harus menerapkan ketelitian yang sama pada data yang menggerakkan model.
- Selain itu, insinyur harus mendapatkan pemahaman terperinci tentang bagaimana mengukur dan memantau keberhasilan model karena cara perilaku model diuji setelah implementasi bervariasi dari cara yang mungkin bereaksi selama pengembangannya.
Operasi pembelajaran mesin (MLOps) menjadi kategori produk baru yang diperlukan untuk mengadopsi AI. MLOp diperlukan untuk membangun pola yang baik dan alat yang diperlukan untuk meningkatkan kepercayaan pada solusi AI.
Setelah kebutuhan AI ditetapkan, pembuat keputusan harus mempertimbangkan fakta bahwa meskipun pengembangan internal mungkin terlihat menarik, itu bisa menjadi urusan yang mahal mengingat pendekatannya masih baru lahir. Ke depan, penyedia cloud akan mulai menawarkan platform AI sebagai komoditas.
Selain itu, para inovator akan mengkonsolidasikan alat yang lebih kuat, dan ketelitian yang sama yang kita lihat dengan pengembangan perangkat lunak tradisional akan menstandarisasi dan mengoperasionalkan dalam industri AI. Meskipun demikian, perkakas hanyalah bagian dari teka-teki.
Ada pekerjaan signifikan yang diperlukan untuk meningkatkan cara kami mengambil solusi AI dari ide untuk diuji menjadi kenyataan dan pada akhirnya mengukur kesuksesan. Kami akan sampai di sana lebih cepat ketika nilai bisnis dan kasus penggunaan AI ditentukan sejak awal.