Korelasi antara Artificial Intelligence, Machine Learning dan Deep Learning

By Wulan Andriyani |   August 26, 2020

Ketika kita berbicara mengenai Artificial Intelligence dan Data Science, maka kurang lengkap jika tidak menambahkan Machine Learning dan Deep Learning di dalamnya. Hal itu karena mereka saling berkaitan dan bergantung satu sama lain. Supaya kamu lebih memahami apa saja perbedaan dan korelasi antara keempat hal tersebut, simak penjelasan singkatnya berikut:

Artificial Intelligence (AI)

Ruang lingkup dan implementasi AI sangatlah luas, bahkan cenderung bias karena beberapa sumber memiliki pendapatnya masing-masing. Namun, pengertian AI dapat dirangkum ke dalam 2 konsep utama, yang pertama AI merupakan hal yang komputer tidak bisa lakukan sekarang tetapi akan bisa dilakukannya suatu saat (karena mereka selalu belajar). Pengertian AI yang kedua adalah kecerdasan yang didemonstrasikan oleh mesin. Intelligence/kecerdasan adalah kemampuan untuk memperoleh dan menerapkan suatu pengetahuan (knowledge) dan skill.

Manusia mengembangkan mesin untuk mendapatkan pengetahuan secara efisien karena mesin dapat mencari/mengolah informasi lebih cepat dari manusia (contoh sangat dasar: kalkulator). Tetapi, mesin tidak bisa melakukan hal secara inisiatif. Manusia harus memberikan ‘what to do and how to do it’ kepada mesin agar bekerja. Harapan yang lebih besarnya adalah manusia memberikan sedikit ‘pengetahuan’, lalu mesin dapat belajar dari pengetahuan tersebut dan mengembangkan dirinya sendiri. True AI needs to be able to learn. Nah bagaimana biasanya mesin ‘belajar’? kita biasa mengenal hal tersebut dengan konsep Machine Learning.

Machine Learning (ML)

Seperti yang dapat dilihat pada diagram venn diatas, machine learning adalah bagian dari artificial intelligence. Machine learning secara singkat adalah sub-bidang artificial intelligence yang berkaitan dengan desain dan pengembangan algoritma. Machine learning juga dapat diartikan sebagai teknik yang memungkinkan peningkatan performa pada beberapa tugas melalui pengalaman. Fokus machine learning adalah untuk mendapatkan insight sehingga dapat membuat keputusan berdasarkan data (machine learning menggunakan data untuk menjawab pertanyaan). Untuk beberapa kasus machine learning bisa menjadi sangat kompleks sehingga butuh metode tambahan agar mesin bisa meniru cara kerja otak manusia atau disebut dengan deep learning.

Deep Learning

Walaupun terdengar lebih ‘wow’ dibandingkan dengan machine learning, deep learning bukanlah senjata untuk menyelesaikan semua permasalahan yang berbasis data. Deep learning tidak akan menggantikan semua algoritma machine learning atau teknik data science lainnya. Namun, deep learning memang bisa menyelesaikan masalah yang lebih kompleks seperti computer vision (kemampuan mesin mengenal objek pada data gambar), speech recognition (mengenal data suara), dan natural language processing (mengenal data teks) menggunakan artificial neural network (ANN). Secara sederhana, deep learning meniru cara kerja otak manusia melalui jaringan neuron (neural network) yang arsitekturnya sangat beragam.

Lalu, apa kaitannya ketiga istilah di atas dengan data analytics, data science, dan big data?

Big data sendiri hanyalah sebuah konsep pengolahan data yang ukurannya sangat besar meliputi 7V: volume, velocity, variety, variability, veracity, visualization, dan value. Big data hanyalah sebuah konsep berpikir dan pengertiannya juga cukup bias seperti artificial intelligence. Namun, bisa dikatakan orang-orang yang menyelesaikan suatu permasalahan kompleks menggunakan data yang sangat besar (memenuhi 7V) melalui proses atau teknik komputer, sudah menggunakan konsep big data.

Data Science

Di sisi lain, data science memiliki pengertian yang berbeda namun saling berkaitan dengan istilah di atas. Pada dasarnya, semua hal yang dikerjakan oleh seorang Data Scientist mencakup tiga cabang ilmu berikut:

  • Computer science/programming, yaitu kemampuan untuk menulis, menguji, memperbaiki, dan memelihara kode pada komputer. Bahasa pemrograman yang sering digunakan oleh seorang Data Scientist pada saat ini adalah Python dan R (analisis) serta SQL (mengakses data).
  • Matematika/statistika, merupakan ilmu yang menjadi landasan dasar tentang bagaimana suatu algoritma bekerja. Beberapa cabang ilmu yang paling sering digunakan adalah kalkulus, aljabar linear, dan probabilistik.
  • Pengetahuan bisnis, disesuaikan dengan latar belakang data dan permasalahan yang dianalisis. Pengetahuan bisnis diperlukan oleh seorang Data Scientist untuk menentukan keputusan secara tepat berdasarkan informasi yang diperoleh dari hasil analisis.

Bicara soal “mana yang paling dibutuhkan di zaman sekarang”, tentu semua hal tersebut sangat dibutuhkan. Namun, karena ranah/cakupannya berbeda jadi cukup sulit untuk membandingkan secara keseluruhan istilah-istilah di atas. Di era big data seperti sekarang, data sangat melimpah dan industri sangat membutuhkan orang yang mempunyai kemampuan mengekstrak ‘insight’ dari data yang besar tersebut. Selain mencari insight dari data, perlu juga dirangkum sedemikian rupa sehingga outputnya dapat diinformasikan dengan baik untuk pengambilan keputusan dalam bisnis. Pekerjaan tersebut dikerjakan oleh seorang Data Scientist. Menurut Harvard business review, Data Scientist adalah pekerjaan yang paling “sexy” di abad ke-21.

Untuk belajar dan mendalami pekerjaan seorang Data Scientist kamu dapat melakukannya secara mandiri ataupun dengan mengikuti kursus. Salah satu kursus data science yang berbasis tatap muka adalah Algoritma Data Science School yang merupakan sekolah data science pertama di Indonesia yang memiliki pengajar bersertifikasi RStudio. Algoritma menyediakan tempat belajar data science untuk siapa saja, tidak terbatas oleh latar belakang pendidikan atau ilmu apapun. Di akhir pembelajaran selama kurang lebih 3 bulan, murid lulusan Algoritma juga berkesempatan untuk mengikuti Data Career Day yang bertujuan untuk membantu lulusannya mendapat pekerjaan di ranah data science.