Apa itu Machine Teaching?
Machine teaching adalah praktik memberikan konteks—dan seringkali konsekuensi bisnis—ke dalam pemilihan data pelatihan yang digunakan dalam machine learning (ML), sehingga algoritma ML dapat menghasilkan output yang paling relevan.
Para pendukung machine teaching—terutama Microsoft—berharap bisa membuat praktik ini lebih mudah diterapkan, sehingga orang-orang yang tidak memiliki latar belakang di bidang ilmu komputer atau rekayasa perangkat lunak tetap bisa menggunakannya dalam berbagai konteks. Microsoft Machine Teaching Group berpegang pada gagasan bahwa: “Dengan memisahkan informasi pengajaran dari algoritma, kita bisa membiarkan algoritma dan bahasa pengajaran berkembang secara independen, dan pengajar tidak perlu memahami algoritma machine learning.”
Idenya adalah agar pengguna bisnis bisa memanfaatkan alat machine teaching untuk menyelesaikan masalah di industri mereka. Misalnya, pengacara, perawat, perencana kota, dan para ahli lainnya bisa mengajarkan konsep abstrak kepada sistem cerdas yang menggunakan ML.
Kesimpulannya, machine teaching membutuhkan kombinasi kecerdasan manusia dan AI. Dengan melibatkan manusia sebagai pengajar dalam proses pelatihan, hasil ML bisa dihasilkan lebih cepat dan lebih murah dibandingkan jika hanya mengandalkan data saja.
Untuk memahami machine teaching, ada baiknya memahami konsep ML terlebih dahulu. Sebagai bagian dari AI, ML memungkinkan aplikasi perangkat lunak menjadi lebih akurat dalam memprediksi hasil tanpa diprogram secara eksplisit. Algoritma ML menggunakan data historis sebagai input untuk memprediksi nilai output baru.
Machine Teaching vs. ML
Machine teaching berfokus pada pembuatan kumpulan data pelatihan yang optimal untuk memandu algoritma pembelajaran dengan efisiensi tertinggi. Dalam konteks machine teaching, ML menggunakan dataset pelatihan ini untuk memungkinkan sistem otonom belajar dan meningkatkan kemampuannya tanpa perlu diprogram secara eksplisit.
Meski terdengar mirip dan saling melengkapi, ML memiliki definisi yang berbeda. Istilah ini pertama kali dipopulerkan pada tahun 1959 oleh Arthur Lee Samuel dan mengacu pada penggunaan algoritma komputer serta model statistik untuk menyelesaikan tugas tertentu tanpa instruksi eksplisit. Meskipun masih dianggap sebagai bidang yang terus berkembang, sistem ML saat ini sudah banyak digunakan dalam berbagai aplikasi seperti penyaringan email dan rekomendasi pencarian di internet.
Proses ML
Algoritma ML membangun model matematis untuk mencari pola dalam data dan membuat keputusan tanpa intervensi manusia lebih lanjut. Model ini didasarkan pada data sampel yang disebut data pelatihan. Semakin banyak data, semakin baik keputusan yang bisa dibuat.
Proses pembelajaran dimulai dengan mengamati data, baik dalam bentuk contoh, pengalaman langsung, atau instruksi, untuk menemukan pola yang bisa digunakan untuk mengambil keputusan yang lebih baik di masa depan. Model ML umumnya dibagi menjadi dua jenis: supervised dan unsupervised.
Supervised learning menggunakan pengalaman masa lalu untuk memahami data baru dengan contoh-contoh yang telah diberi label (labeled data) guna memprediksi hasil di masa depan. Algoritma pembelajaran akan membandingkan output yang dihasilkan dengan output yang diinginkan, mencari kesalahan, dan melakukan penyesuaian hingga model bisa membuat prediksi yang cukup akurat.
Unsupervised learning menggunakan data pelatihan yang tidak memiliki label. Algoritma ini bertugas menemukan struktur atau pola dalam data. Pendekatan ini sangat berguna dalam penelitian dan sains untuk menemukan pola tersembunyi dalam dataset.
Ada juga algoritma pembelajaran ketiga yang disebut reinforcement learning, yang menggunakan sinyal umpan balik berbasis reward untuk mengajarkan mesin dan agen perangkat lunak memilih tindakan terbaik.
Keuntungan Machine Teaching
Keuntungan utama machine teaching adalah memberikan alat otomatisasi kepada para ahli di bidang tertentu tanpa perlu latar belakang ilmu komputer. Tujuannya adalah membuat alat machine teaching semudah menggunakan perangkat lunak pengolah kata atau spreadsheet, sehingga penggunanya tidak perlu memahami pemrograman. Jika tujuan ini tercapai, maka ilmuwan komputer dapat lebih fokus pada tugas-tugas kreatif, bukan hanya membuat dataset pelatihan.
Aplikasi Machine Teaching
Machine teaching sedang diuji dalam berbagai aplikasi, terutama di lingkungan industri. Pada tahun 2017, para ahli dari Siemens menggunakan platform Bonsai (yang kemudian diakuisisi oleh Microsoft) untuk melatih model AI yang dapat mengkalibrasi ulang mesin kontrol numerik komputer (CNC) lebih dari 30 kali lebih cepat dibandingkan operator manusia yang ahli. Mesin CNC harus sering dikalibrasi ulang karena gesekan kecil saja dapat menyebabkan kesalahan yang menghasilkan cacat produksi yang mahal.
Aplikasi lainnya yang sedang diuji termasuk menjaga kadar karbon dioksida tetap aman di dalam gedung dengan sistem pemanas, ventilasi, dan pendingin udara (HVAC) otomatis; manajemen rantai pasokan; operasi kesehatan; serta logistik transportasi.