Sebagai manajer proyek dengan pengalaman lebih dari tujuh tahun, saya dapat dengan yakin mengatakan bahwa pengiriman fitur AI pertama saya beberapa tahun yang lalu dipenuhi dengan ketidakpastian dan tekanan. Meskipun saya dulu dapat mengelola solusi perangkat lunak yang kompleks dan rumit dengan mudah dan menyenangkan, proyek AI menghadirkan tantangan baru dan risiko yang belum diketahui. 

• Pendekatan top-down tidak berhasil untuk sebagian besar proyek AI. Sebaliknya, gunakan pendekatan bottom-up untuk pelingkupan. Hal ini sebagian besar disebabkan oleh kompleksitas implementasi dan kemungkinan bahwa beberapa hipotesis AI mungkin tidak berfungsi dan akan menentukan kebutuhan akan fitur-fitur baru yang diperlukan untuk implementasi penuh.

• Meskipun anggaran, waktu, ruang lingkup, dan kualitas merupakan kendala umum yang dihadapi manajer proyek untuk proyek tradisional, manajemen proyek AI memerlukan perhatian terhadap manajemen data (termasuk privasi dan keamanan data), persyaratan infrastruktur, dan kepatuhan terhadap peraturan di sepanjang siklus hidup proyek.

• Proyek AI tidak memiliki titik akhir yang pasti. Saya pernah menghadapi situasi di mana para insinyur AI menyarankan jangka waktu pengiriman berkisar antara satu bulan hingga satu tahun, atau bahkan menyarankan bahwa proyek tersebut mungkin tidak akan pernah selesai sepenuhnya. Hal ini disebabkan oleh fakta bahwa ketika suatu model diimplementasikan, analisis hasil yang berkelanjutan dapat mengungkap poin-poin baru yang perlu diperbaiki.
• Siklus hidup pengembangan perangkat lunak untuk proyek AI berbeda dengan pengembangan perangkat lunak tradisional. Pada setiap langkah SDLC klasik, terdapat langkah tambahan yang tidak boleh dilewatkan. Sebagai langkah terakhir, kita juga harus menangani degradasi AI sebagai bagian tambahan dari pekerjaan kita.

Saat ini, pengelolaan anggaran dan jadwal proyek secara efektif menjadi semakin penting karena anggaran semakin ketat dan tuntutan pemangku kepentingan bisnis semakin tinggi. Menurut pendapat saya, faktor kunci kesuksesan adalah kemampuan untuk membangun alur kerja proyek yang memungkinkan pencapaian tujuan proyek dan bisnis dengan cara yang jelas dan dapat diprediksi.

BAGAIMANA MEMULAI PENGEMBANGAN AI

1. TAHAP ANALISIS BISNIS

Tahap analisis bisnis dimulai dengan gambaran umum masukan dan visi klien yang selanjutnya diubah menjadi sekumpulan dokumen yang menyatakan maksud dan tujuan proyek. 

Tugas utama kita pada tahap ini adalah memahami apakah kita dapat mengatasi masalah bisnis tertentu dengan menggunakan data yang tersedia. Banyak orang akan terlibat di sini untuk memberikan visi mereka terhadap ide tersebut, dan memberikan umpan balik mengenai proses implementasi dan kemungkinan hasil. Di sinilah konsep AI mulai terbentuk, termasuk nama-nama pendekatan tertentu atau bahkan model yang sudah ada. 

Misalnya, dalam kasus restoran atau jaringan toko kelontong, pemilik bisnis tertarik untuk mengurangi limbah makanan dan mencapai keseimbangan melalui analisis pembelian dan penjualan. Bagi para insinyur AI, tugas ini berubah menjadi prediksi deret waktu atau tugas analisis relasional yang solusinya memungkinkan kita memprediksi angka tertentu. Kami telah memecahkan masalah ini melalui analisis bisnis menyeluruh pada salah satu proyek kami untuk industri HORECA, sehingga Anda dapat belajar dari studi kasus kami di sini.

2. TAHAP PENENTUAN MASALAH MACHINE LEARNING

Tahap selanjutnya adalah penentuan masalah ML (Machine Learning) yang harus dibahas dan diselesaikan. Hal ini harus memperhatikan kemampuan teknologi subbidang Artificial Intelligence, seperti Computer Vision, Natural Language Processing, Speech recognition, Forecasting, Generative AI, dan lain-lain.

Di sini, pendekatan yang berbeda dapat digunakan. Secara umum ada tiga komponen utama yang harus diperhatikan ketika membahas solusi pembelajaran mesin yang sebenarnya:

Pro dan kontra jenis model pembelajaran mesin

1. Model terlatih 

Ini adalah model yang sebelumnya dilatih untuk memecahkan masalah bisnis tertentu berdasarkan kumpulan data yang dikumpulkan. Model yang telah dilatih sebelumnya dapat dilatih menggunakan data khusus dan dapat disesuaikan dengan keluaran yang diinginkan, yang merupakan tugas tim ilmu data. MobiDev memiliki pengalaman luas dengan berbagai jenis pemrosesan ucapan , visi komputer , perkiraan permintaan , mesin rekomendasi , dan algoritme lain yang diterapkan ke dalam produk klien.

2. Model pondasi

Ini muncul beberapa tahun yang lalu dan mewakili model yang dilatih pada data dalam jumlah besar. CHAT GPT hanyalah contoh model bahasa yang dapat disesuaikan dengan berbagai tugas hilir. Ada model generatif serupa yang bekerja dengan audio, video, gambar diam, dll. 

Model dasar biasanya dapat diakses melalui API , yang menyediakan modul pembelajaran mesin yang sudah kuat kepada pelanggan. Meskipun demikian, untuk tugas khusus domain, pelatihan tambahan biasanya diperlukan. Keuntungan dari model ini adalah proses integrasi memerlukan lebih sedikit keterlibatan tim ilmu data jika penyesuaian tidak diperlukan.

3. Model pembelajaran mesin khusus

Pelatihan khusus menawarkan fleksibilitas paling besar di antara opsi lainnya, karena kami dapat menerapkan variasi fungsional apa pun dan mengoptimalkan model untuk tugas pelanggan. Satu-satunya tantangan serius bagi pengembangan kustom adalah ketersediaan data, yang dapat menjadi hambatan bagi usaha kecil atau start up yang tidak memiliki sejarah operasional yang panjang.

3. SUMBER DATA

Sumber data dapat dibagi menjadi sumber khusus dan umum. Jika perusahaan yang berencana membangun aplikasi AI memiliki kumpulan datanya sendiri yang spesifik untuk tugas pembelajaran mesin, ini adalah skenario yang paling mudah. Namun, kemungkinan besar, data yang tersedia tidaklah cukup dan kami harus selalu memikirkan cara untuk mendapatkan data tambahan dan memperkaya kumpulan data pelatihan kami. Jadi mari kita jalankan beberapa skenario di sini.

Kasus 1. Bisnis yang ada dengan data perusahaan 

Jika Anda adalah perusahaan besar atau perusahaan dengan sejarah panjang, seperti Coca-Cola, Walmart, Exxon Mobil, bank, dan perusahaan asuransi, maka data tersebut sebenarnya adalah “produk sampingan” dari produksi Anda. Data ini diakumulasikan dalam bentuk laporan keuangan, statistik ketenagakerjaan, informasi pengiriman, permintaan produk Anda, informasi pengoperasian jalur produksi, pengoperasian gudang, dan logistik.

Informasi ini dapat digunakan secara langsung untuk mengambil keputusan penting bagi bisnis Anda. Namun data Anda bisa menjadi lebih berharga jika digunakan bersama dengan algoritma ML dan AI modern. Algoritma tersebut, misalnya, memungkinkan Anda untuk:

• Jelajahi pasar
• Jelajahi pengguna dan pelanggan Anda
• Nilai kesetiaan
• Memanfaatkan prediksi churn
• Memprediksi perilaku pasar
• Menghasilkan perkiraan permintaan
• Membantu menemukan pernikahan dalam produk
• Memanfaatkan deteksi anomali
• Memberikan inspeksi visual dan deteksi cacat
• Identifikasi kemungkinan penipuan
• Akses deteksi anomali
• Bantu pengguna berbelanja
• Menyediakan sistem rekomendasi
• Menilai risiko dari solusi tertentu
• Analisis risiko kredit

Kasus 2. Startup dalam suatu perusahaan

Jika bisnis Anda masih muda, dan ingin membangun startup berdasarkan ide AI, kemungkinan besar Anda tidak memiliki data dan bahkan mungkin tidak tahu apakah Anda memerlukannya. Dalam daftar panjang proyek AI kami, startup di perusahaan-perusahaan mapan adalah kategori besar bisnis yang mendukung AI yang memanfaatkan data perusahaan yang ada, atau menyiapkan mekanisme pengumpulan segera setelah ide untuk produk tersebut muncul. 

Kasus 3. Startup yang sedang berkembang 

Di mana Anda bisa mendapatkan data jika Anda adalah startup muda dan ingin membangun bisnis dengan teknologi AI? Jawaban atas pertanyaan ini sudah diketahui, dan daftar opsi yang memungkinkan tidak terlalu luas. Bagaimanapun, pengumpulan data memerlukan waktu dan sumber daya. Sumber data yang mungkin adalah:

• Data sintetis . Akhir-akhir ini, data sintetis semakin banyak digunakan untuk melatih algoritma visi komputer. Mesin permainan terkenal seperti Unity dan Unreal Engine digunakan untuk menghasilkan data. Solusi AI yang dibangun berdasarkan data sintetis menunjukkan hasil yang sebanding dengan solusi AI yang dilatih berdasarkan data nyata. Selain itu, kami memiliki pengalaman sukses dalam membuat dan menerapkan kumpulan data sintetis untuk menyelesaikan tugas klien kami.
• Pembelian data . Sebagai salah satu opsi yang memungkinkan, Anda dapat mempertimbangkan untuk membeli data dari perusahaan yang berspesialisasi dalam pengumpulan data.
• Memerintahkan pembuatan kumpulan data . Ini adalah metode pengumpulan data yang cukup umum. Sebagai contoh, Amazon Mechanical Turk harus disebutkan, yang memungkinkan Anda melakukan crowdsourcing pengumpulan dataset Anda.
• Koleksi Pribadi. Dengan menggunakan sumber daya yang tersedia, data dapat dikumpulkan sendiri bahkan dalam sumber daya perusahaan Anda.
• Pengikisan web . Ya, web scraping yang terkenal disebutkan di sini. Ini mungkin tampak membosankan, tetapi lihat saja apa yang dapat dilakukan oleh computer vision atau model NLP modern – seperti DALL·E 2 dan GPT-3. Dan mereka semua dilatih berdasarkan kumpulan data yang dikumpulkan dari seluruh internet.
• Pembuatan data . Ini adalah pilihan yang paling sederhana namun seringkali merupakan pilihan yang paling sulit dicapai untuk sebuah startup. Karena agar solusi AI dapat mulai bekerja, diperlukan data. Dan untuk mulai mengumpulkan data, solusi AI harus berfungsi. Lingkarannya tertutup.

Data bisa menjadi sesuatu yang mahal karena menjadi sumber daya yang berharga. Bergantung pada domain Anda, kumpulan data yang dijual bisa berharga hingga ratusan ribu dolar, dan kualitasnya tidak selalu berkorelasi dengan label harga. Namun di sisi lain, kualitas data juga penting, dan ada beberapa teknik untuk memperbaikinya.

4. MENINGKATKAN KUALITAS DATA

Menggunakan hanya beberapa data tidak akan pernah menghasilkan keluaran yang berkualitas. Anda dapat memiliki data dalam jumlah besar, namun tidak menggunakannya karena kualitasnya buruk dan tidak relevan, atau ketidakmampuan untuk memprosesnya. Oleh karena itu, setelah kita menemukan sumber data, kita perlu meningkatkan kualitas data sebelum benar-benar dapat menggunakannya. 

Data yang berkualitas buruk dapat ditandai dengan tidak adanya atau salahnya beberapa parameter. Misalnya, jika Anda adalah organisasi kredit, Anda mungkin mengumpulkan informasi tentang status perkawinan pelanggan Anda, usia, tingkat pendidikan, dan banyak parameter lainnya. Beberapa bagian data akan memasukkan kode pos dengan kesalahan, atau kolom tingkat pendidikan dibiarkan kosong. Pada skala kumpulan data, jika 50% dari seluruh data terlihat seperti ini, data tersebut dapat dianggap berkualitas buruk dan tidak cocok untuk tugas pembelajaran mesin. 

Sebaliknya, data yang tidak relevan mungkin lengkap dan benar dalam hal format data. Tapi itu tidak ada artinya untuk tugas spesifik Anda. Dari sudut pandang lembaga kredit, ini bisa berupa data tentang kapan pinjaman diberikan, jumlahnya, bagaimana pinjaman tersebut dibelanjakan, tingkat pendapatan pelanggan, dll. Data tersebut berguna untuk menentukan apakah pelanggan Anda akan membayar kembali pinjamannya, namun mungkin secara praktis tidak berguna untuk menilai apakah mereka melunasinya dalam jangka waktu tertentu.

Secara parsial, masalah data yang buruk dan tidak relevan dapat diatasi melalui budaya perusahaan dan dengan menjadikan data sebagai bagian integral di seluruh perusahaan. Data yang tidak lengkap atau tidak konsisten dapat dihasilkan hanya karena silo yang disebabkan oleh masalah teknis. 

Untuk membentuk kumpulan data yang berfungsi, diperlukan prosedur peningkatan kualitas untuk menghasilkan masukan yang paling relevan sebelum tahap pengembangan. Hal ini dapat dianggap sebagai bagian dari kegiatan persiapan untuk memeriksa apakah kita memiliki sumber daya yang diperlukan sebelum kita dapat melanjutkan ke kegiatan pembangunan.

5. TAHAP PENGEMBANGAN POC

Tahap pembuktian konsep atau PoC pada dasarnya adalah langkah pertama menuju produk AI yang berfungsi. Karena tingginya tingkat ketidakpastian, kami umumnya ingin memastikan ide kami realistis pada tingkat teknis, serta dalam berbagai dimensi bisnis. Dengan PoC, pada dasarnya kami mencapai tiga hal penting:

• Validasi ide . Karena dengan PoC, kita menggunakan data dan lingkungan dunia nyata untuk bereksperimen, kita bisa sampai pada titik kegagalan jauh lebih awal dibandingkan dengan perangkat lunak MVP atau AI dalam produksi. Hal ini memberikan pandangan yang jelas kepada tim dan pelanggan mengenai apakah pendekatan yang dipilih berhasil, sumber daya apa yang diperlukan agar pendekatan tersebut berhasil dalam skala besar, atau apakah alternatif lain lebih sesuai.
• Perkiraan realistis . Setelah tahap PoC, akan lebih mudah untuk memperkirakan pengembangan lebih lanjut dan memberikan perkiraan serta alokasi anggaran yang akurat.
• Efektivitas biaya . PoC dapat menghemat banyak uang untuk pengembangan karena sumber daya yang diperlukan untuk menjalankan eksperimen jauh lebih kecil dibandingkan membuat MVP atau prototipe fungsional. Begitu pula sebaliknya, PoC yang berhasil dapat diterjemahkan ke dalam produk yang berfungsi dengan lebih cepat.

PoC sering kali dilihat sebagai langkah dasar di mana kita hanya memerlukan masukan dari klien dan sumber daya teknik minimal untuk memulai. Namun, kami menganut gagasan untuk menggabungkan tahap PoC dengan komponen lain yang memungkinkan kami menyelesaikan proyek lebih cepat, dan mendapatkan hasil yang lebih menyeluruh. Jadi di sini, beberapa kombinasi dimungkinkan tergantung pada kompleksitas proyek dan persyaratan yang ditetapkan:

1. Analisis bisnis, arsitektur teknis, dan tahapan UI/UX yang mendukung pengembangan PoC dan MVP lebih lanjut.
2. Pengembangan backend/frontend, DevOps, dll dikombinasikan dengan PoC.

Mengenai proses PoC itu sendiri, kita perlu merumuskan metrik penting untuk mengukur keberhasilan implementasi PoC. Pemilik bisnis mungkin bertanya-tanya apakah keakuratan perangkat lunak akhir sudah mencukupi. Seorang insinyur AI tidak selalu siap menjawab pertanyaan ini karena hal itu dapat menempati ceruk baru. PoC datang untuk menyelamatkan, menunjukkan akurasi minimum yang dapat diperoleh. Misalnya, klien yang memiliki bisnis restoran perlu mengurangi sampah makanan. Dengan mengubah masalah bisnis menjadi solusi teknis, kami mencapai kesimpulan bahwa kami perlu memprediksi pembelian, sehingga metrik MAPE (Mean Absolute Percentage Error) akan optimal. 

Poin berikutnya yang harus ditentukan sebelum memulai PoC adalah batasan. Ini adalah persyaratan non-fungsional yang nantinya akan menjadi jelas, selama implementasi. PoC harus didasarkan pada satu hipotesis dan menyelesaikan tugas tertentu. Setelah masukan disiapkan, tim AI mengerjakan PoC, metrik, pengukuran hasil, hingga laporan temuan mereka. Semua temuan ini akan mengarah pada penciptaan prototipe fungsional, demo, MVP, dan pada akhirnya, produk akhir.

Di dalam tahap POC pengembangan produk AI

Tahap PoC dapat dilakukan dalam beberapa pengulangan jika terdapat ketidakpastian atau klien tetap tidak yakin apakah proyek bergerak ke arah yang benar saat ini. 

PENGEMBANGAN PRODUK AI LEBIH LANJUT

Pada tahap ini, perkiraan beserta visi teknis dan metrik diberikan kepada klien, dan tim bersiap untuk melanjutkan proses pengembangan, menambahkan komponen perangkat lunak lain seperti front-end, back-end, dan lainnya. Mulai saat ini, proyek AI dapat berjalan seperti proyek perangkat lunak biasa melalui tahapan pengembangan MVP dan penyelesaian proyek. Namun di sini kita perlu membahas aspek lain dari pengembangan aplikasi AI.

DEGRADASI AI

Model AI yang diatur dalam lingkungan produksi akan mempertahankan kualitas prediksinya selama jangka waktu tertentu. Akurasinya akan menurun seiring berjalannya waktu karena model akan menggunakan data yang dikumpulkan pada saat pembuatannya. Oleh karena itu, tidak memperhitungkan perubahan yang terjadi sejak awal berdirinya.

Inilah yang disebut dengan degradasi AI, dan masalah ini harus terus diatasi melalui pelatihan ulang model yang sudah ada atau pembuatan model baru. Untuk bisnis yang beroperasi di lingkungan yang kurang dinamis, mengelola pelatihan ulang model setiap beberapa tahun sekali seharusnya tidak menjadi masalah. Namun, bayangkan sebuah bisnis di mana degradasi model terjadi dalam hitungan minggu atau bahkan hari, seperti halnya perkiraan permintaan, prediksi harga saham, dll. Bahkan dinamika penjualan roti hot dog termasuk dalam kategori tugas bisnis dengan tingkat degradasi model yang tinggi.

Oleh karena itu, kita perlu mendiskusikan otomatisasi pengumpulan dan sumber data. Otomatisasi melibatkan ekosistem terpisah tempat model AI Anda dapat beroperasi untuk mendapatkan data untuk pelatihan ulang saat beroperasi di lingkungan produksi. Komponen perangkat lunak ini meliputi:

• Basis Data 
• Aliran data 
• Otomatisasi pemrosesan dan penyimpanan data (pengujian data, ETL) 
• Sistem untuk mengumpulkan dan menganalisis statistik data 
• CI/CD sistem pembelajaran mendalam otomatis untuk proyek terkait AI

Untuk mengelola ekosistem seperti itu, diperlukan pengalaman yang kuat dalam pembelajaran mesin dan ilmu data karena melibatkan banyak alat khusus AI yang tidak digunakan dalam pengembangan perangkat lunak konvensional. 

BISAKAH ANDA MENJALANKAN BISNIS AI TANPA DATA?

Ada beberapa arah bisnis AI yang datanya tidak diperlukan atau tidak penting pada tahap awal pengembangan bisnis Anda.

Ide utama dari startup tersebut adalah untuk memberikan kemampuan AI tercanggih kepada pengguna dalam bentuk yang nyaman.

Pembuatan konten 

Baru-baru ini, pembuatan konten telah berkembang secara aktif, dan startup sedang dibangun berdasarkan solusi bisnis yang terkait dengan penyediaan kemampuan AI terbaru untuk pembuatan dan pengeditan konten kepada pengguna akhir. Apa yang bisa dihasilkan?

• Gambar-gambar. Di sini, patut disebutkan contoh-contoh terkenal seperti DALL·E 2 dan Midjourney .
• Model difusi video
• Mubert text-to-music atau model ToneTransfer Google untuk menghasilkan suara atau komposisi. 
• Model 3D dan aset video game, misalnya milik Nvidia 
• Teks, misalnya model GPT-3 yang terkenal, GPT 4, Google Bard, Bing AI.

Perlu dicatat bahwa semua solusi ini, saat siap digunakan, telah dilatih pada sejumlah besar data dan hanya melakukan tugas umum.

Dengan kata lain, bahkan ketika menggunakan solusi siap pakai ini, bisnis Anda akan didasarkan pada data yang “tersembunyi” di dalam model ini. Dan di sini Anda perlu memahami bahwa Anda harus mengandalkan sesuatu (data, strukturnya, karakteristik, sumber pengumpulan, statistik internal) yang tidak dapat Anda kendalikan.

Menggunakan layanan pihak ketiga 

Daripada menerapkan solusi AI Anda sendiri, menghabiskan sumber daya dan memelihara infrastrukturnya, serta meminta pengembang yang akan memantau infrastruktur ini dan membuat perubahan yang diperlukan, Anda dapat menggunakan layanan AI siap pakai yang menyediakan layanan AI yang diperlukan untuk kebutuhan Anda. Layanan tersebut meliputi:

• layanan OCR. Mereka akan membantu Anda dengan cepat mengekstrak informasi penting dari dokumen, seperti nomor kartu kredit, nama pelanggan, alamat, dan lain-lain, dari dokumen yang dikirim dalam bentuk gambar dan foto.
• Layanan ucapan-ke-teks. Mereka akan membantu Anda memproses dan menyalin, misalnya, panggilan telepon, mengubahnya menjadi dialog teks yang nyaman.
• Layanan chatbot, di mana Anda dapat membuat chatbot untuk kebutuhan Anda menggunakan antarmuka pengguna.
• Layanan autentikasi dan verifikasi biometrik menyediakan API yang memungkinkan Anda menerapkan autentikasi biometrik dengan mudah di aplikasi/layanan Anda tanpa kerumitan apa pun.

KEUNTUNGAN DAN KERUGIAN BEKERJA TANPA DATA

Kelebihan:

• Mulai cepat
• Tidak perlu memelihara infrastruktur Anda sendiri

Kontra:

• Kurangnya keunggulan kompetitif dibandingkan perusahaan yang menggunakan pendekatan yang sama
• Ketidakmampuan untuk menskalakan solusi saat dibutuhkan
• Kebutuhan untuk mengandalkan data “tersembunyi” dalam model yang tidak dapat Anda kendalikan

Mari kita lihat lebih dekat contoh solusi terkenal untuk menghasilkan gambar dari teks – difusi stabil (alternatif sumber terbuka untuk DALL·E 2 dan Midjourney).

Saat ini terdapat permintaan yang sangat besar untuk industrialisasi difusi yang stabil dan menciptakan layanan pembuatan gambar khusus. Jumlah layanan tersebut meningkat setiap hari, yang berarti harga penggunaannya akan menurun. Namun, biaya infrastruktur yang mendukung difusi stabil dan solusi serupa tetap tinggi dan tidak berkurang. Hal ini membawa kita pada pertanyaan tentang kelangsungan bisnis dan pencarian keunggulan kompetitif.

Bagaimana Anda bisa memperoleh keunggulan kompetitif jika solusi Anda dan solusi pesaing Anda didasarkan pada algoritma AI yang sama?

• Peningkatan UI/UX (desain dan kegunaan, kinerja)
• Strategi pemasaran yang ditingkatkan
• Pertumbuhan komunitas yang pesat
• Kustomisasi dan peningkatan model AI

Misalnya, Midjourney mengikuti jalur yang terus meningkatkan pendekatan dan modelnya, yang bertujuan untuk menghasilkan fitur manusia, wajah, jari, dan semua detail rumit baik dari orang maupun pakaiannya. Semua ini didasarkan pada penggunaan data baru.

Oleh karena itu, kita dapat mengamati bahwa ketika solusi AI dapat diakses secara luas, solusi tersebut dengan cepat memenuhi pasar dan tidak lagi menguntungkan untuk melakukan industrialisasi. Namun, bekerja tanpa data dapat menjadi titik awal yang baik bagi bisnis muda dan startup yang belum memiliki data.