Sepuluh contoh penggunaan machine learning sehari-hari

Machine learning (ML), subbidang kecerdasan buatan (AI) di mana mesin belajar dari kumpulan data dan pengalaman masa lalu dengan mengenali pola dan membuat prediksi, adalah industri global senilai USD 21 miliar yang diproyeksikan menjadi industri senilai USD 209 miliar (tautan berada di luar ibm.com) pada tahun 2029. Berikut adalah beberapa aplikasi machine learning di dunia nyata yang telah menjadi bagian dari kehidupan kita sehari-hari.

Menurut Forbes (tautan berada di luar ibm.com), tim pemasaran dan penjualan memprioritaskan AI dan ML lebih dari departemen perusahaan lainnya. Pemasar menggunakan ML untuk memperoleh prospek, analisis data, pencarian online, dan optimasi mesin pencari (SEO). Misalnya, banyak yang menggunakannya untuk menghubungi pengguna yang meninggalkan produk di keranjang mereka atau keluar dari situs web mereka.

Algoritme ML dan ilmu data adalah cara mesin rekomendasi di situs-situs seperti Amazon, Netflix, dan StitchFix membuat rekomendasi berdasarkan selera pengguna, riwayat penelusuran, dan keranjang belanja. ML juga membantu mendorong inisiatif pemasaran yang dipersonalisasi dengan mengidentifikasi penawaran yang mungkin memenuhi minat pelanggan tertentu. Kemudian, dapat menyesuaikan materi pemasaran agar sesuai dengan minat tersebut. ML juga menyediakan kemampuan untuk memantau kampanye dengan cermat dengan memeriksa rasio terbuka dan klik-tayang, di antara metrik lainnya.

ML tidak hanya dapat memahami apa yang dikatakan pelanggan, tetapi juga memahami nada bicara mereka dan dapat mengarahkan mereka ke agen layanan pelanggan yang tepat untuk mendapatkan dukungan pelanggan. Kueri berbasis suara menggunakan pemrosesan bahasa alami (NLP) dan analisis sentimen untuk pengenalan ucapan.

Pertanyaan berbasis teks biasanya ditangani oleh chatbot, agen virtual yang disediakan oleh sebagian besar bisnis di situs e-commerce mereka. Chatbot semacam itu memastikan bahwa pelanggan tidak perlu menunggu, dan bahkan sejumlah besar pelanggan yang datang secara bersamaan bisa mendapatkan perhatian langsung sepanjang waktu dan, mudah-mudahan, pengalaman pelanggan yang lebih positif. Satu bank yang menggunakan sistem watsonx Assistant untuk layanan pelanggan menemukan chatbot menjawab 96% dari semua pertanyaan pelanggan dengan benar, cepat, konsisten, dan dalam berbagai bahasa.

Bisnis menggunakan ML untuk memantau media sosial dan aktivitas lainnya untuk tanggapan dan ulasan pelanggan. ML juga membantu bisnis untuk memperkirakan dan mengurangi churn pelanggan (tingkat di mana perusahaan kehilangan pelanggan), sebuah penggunaan big data yang meluas.

ML-lah yang mendukung tugas-tugas yang dilakukan oleh asisten pribadi virtual atau asisten suara, seperti Alexa dari Amazon dan Siri dari Apple. Komunikasi ini dapat melibatkan pengenalan ucapan, konversi speech-to-text, NLP, atau text-to-speech. Ketika seseorang mengajukan pertanyaan kepada asisten virtual, ML akan mencari jawabannya atau mengingat pertanyaan serupa yang pernah diajukan sebelumnya.

ML juga berada di belakang bot layanan pesan, seperti yang digunakan oleh Facebook Messenger dan Slack. Di Facebook Messenger, ML mendukung chatbot layanan pelanggan. Perusahaan menyiapkan chatbot di sana untuk memastikan respons yang cepat, menyediakan carousel gambar dan tombol ajakan bertindak, membantu pelanggan menemukan opsi terdekat atau melacak pengiriman, dan memungkinkan pembelian yang aman. Facebook juga menggunakan ML untuk memantau obrolan Messenger dari penipuan atau kontak yang tidak diinginkan, seperti ketika orang dewasa mengirimkan banyak permintaan pertemanan atau pesan kepada pengguna berusia di bawah 18 tahun.

Di Slack, ML mendukung pemrosesan video, transkripsi, dan pembuatan teks langsung yang mudah dicari berdasarkan kata kunci dan bahkan membantu memprediksi potensi pergantian karyawan. Beberapa perusahaan juga membuat chatbot di Slack, menggunakan ML untuk menjawab pertanyaan dan permintaan.

Algoritme ML di Gmail Google secara otomatis menyaring email pelanggan ke dalam kategori Utama, Sosial, dan Promosi, serta mendeteksi dan mengalihkan spam ke folder spam. Lebih dari sekadar “aturan” aplikasi email, alat bantu ML juga dapat mengotomatiskan manajemen email dengan mengklasifikasikan email untuk mengarahkannya ke orang yang tepat agar lebih cepat ditindaklanjuti, memindahkan lampiran ke tempat yang tepat, dan banyak lagi. Misalnya, alat otomatisasi manajemen email seperti Levity (tautan berada di luar ibm.com) menggunakan ML untuk mengidentifikasi dan mengkategorikan email saat masuk menggunakan algoritma klasifikasi teks. Hal ini memungkinkan Anda untuk membuat tanggapan yang dipersonalisasi berdasarkan kategori, yang menghemat waktu, dan kustomisasi semacam itu dapat membantu meningkatkan tingkat konversi Anda.

Ada empat cara ML digunakan dalam keamanan siber:

1. ML dan pengenalan wajah digunakan dalam metode otentikasi untuk melindungi keamanan perusahaan.
2. Program antivirus dapat menggunakan teknik AI dan ML untuk mendeteksi dan memblokir malware. 
3. Pembelajaran penguatan menggunakan ML untuk melatih model untuk mengidentifikasi dan merespons serangan siber serta mendeteksi intrusi.
4. Algoritme klasifikasi ML juga digunakan untuk melabeli peristiwa sebagai penipuan, mengklasifikasikan serangan phishing, dan banyak lagi.

ML dan pembelajaran mendalam banyak digunakan di perbankan, misalnya, dalam deteksi penipuan. Bank dan lembaga keuangan lainnya melatih model-model ML untuk mengenali transaksi online yang mencurigakan dan transaksi tidak lazim lainnya yang memerlukan investigasi lebih lanjut. Bank dan pemberi pinjaman lainnya menggunakan algoritma klasifikasi ML dan model prediktif untuk menentukan kepada siapa mereka akan menawarkan pinjaman.

Banyak transaksi pasar saham menggunakan ML. AI dan ML menggunakan data pasar saham selama puluhan tahun untuk meramalkan tren dan menyarankan apakah akan membeli atau menjual. ML juga dapat melakukan perdagangan algoritmik tanpa campur tangan manusia. Sekitar 60-73% perdagangan pasar saham (tautan berada di luar ibm.com) dilakukan oleh algoritma yang dapat berdagang dengan volume dan kecepatan tinggi. Algoritma ML dapat memprediksi pola, meningkatkan akurasi, menurunkan biaya dan mengurangi risiko kesalahan manusia.

Organisasi teknologi nirlaba Change Machine bekerja sama dengan IBM untuk membangun mesin rekomendasi yang didukung AI menggunakan IBM® Cloud Pak for Data yang membantu para pembina keuangan menemukan produk fintech yang paling sesuai dengan tujuan para pelanggannya. “Keterlibatan dengan IBM mengajarkan kami cara memanfaatkan data kami dengan cara-cara baru dan bagaimana membangun kerangka kerja untuk membuat dan mengelola model machine learning,“ kata David Bautista, Direktur Pengembangan Produk di Change Machine.

Pengembangan ML menyebabkan mesin pelatihan dalam pengenalan pola, yang sekarang terkadang digunakan dalam pencitraan radiologi. Visi komputer berkemampuan AI (tautan berada di luar ibm.com) sering digunakan untuk menganalisis mammogram dan untuk skrining kanker paru-paru dini. Dokter yang mengevaluasi mammogram untuk kanker payudara melewatkan 40% (tautan berada di luar ibm.com) kanker, dan ML dapat meningkatkan angka tersebut. ML juga dilatih dan digunakan untuk mengklasifikasikan tumor, menemukan patah tulang yang sulit dilihat dengan mata manusia, dan mendeteksi gangguan neurologis.

ML terkadang digunakan untuk memeriksa catatan dan hasil medis pasien historis untuk membuat rencana perawatan baru. Dalam penelitian genetik, modifikasi gen, dan pengurutan genom, ML digunakan untuk mengidentifikasi bagaimana gen memengaruhi kesehatan. ML dapat mengidentifikasi penanda genetik dan gen yang akan atau tidak akan merespons pengobatan atau obat tertentu dan dapat menyebabkan efek samping yang signifikan pada orang-orang tertentu. Analitik canggih ini dapat menghasilkan rekomendasi pengobatan atau pengobatan yang dipersonalisasi berbasis data.

Penemuan dan pembuatan obat baru, yang secara tradisional melalui tes yang rumit, mahal, dan memakan waktu, dapat dipercepat dengan menggunakan ML. Pfizer (tautan berada di luar ibm.com) menggunakan kemampuan ML IBM Watson untuk memilih kandidat terbaik untuk uji klinis dalam penelitian imuno-onkologinya. Geisinger Health System menggunakan AI dan ML pada data klinisnya untuk membantu mencegah kematian sepsis. Mereka bekerja dengan tim Data Science dan AI Elite IBM untuk membangun model yang memprediksi pasien mana yang berisiko terbesar untuk sepsis, yang membantu mereka memprioritaskan perawatan, mengurangi penerimaan rawat inap yang berisiko dan mahal, serta menurunkan tingkat kematian sepsis.

ML banyak memberi informasi mengenai transportasi kita saat ini. Misalnya, Google Maps menggunakan algoritme ML untuk memeriksa kondisi lalu lintas saat ini, menentukan rute tercepat, menyarankan tempat untuk “dijelajahi di sekitar”, dan memperkirakan waktu kedatangan.

Aplikasi berbagi tumpangan seperti Uber dan Lyft menggunakan ML untuk mencocokkan pengendara dan pengemudi, menetapkan harga, memeriksa lalu lintas, dan, seperti Google Maps, menganalisis kondisi lalu lintas waktu nyata untuk mengoptimalkan rute mengemudi dan memprediksi perkiraan waktu kedatangan.

Visi komputer mendukung mobil otonom. Algoritme ML tanpa pengawasan memungkinkan mobil otonom mengumpulkan data dari kamera dan sensor untuk memahami apa yang terjadi di sekitar mereka dan memungkinkan pengambilan keputusan secara real-time tentang tindakan yang harus diambil.

ML mendukung banyak hal yang terjadi dengan smartphone kita. Algoritma ML mengatur pengenalan wajah yang kita andalkan untuk menghidupkan ponsel. Itu mendukung asisten suara yang mengatur alarm dan menulis pesan. Ini termasuk Siri dari Apple, Alexa dari Amazon, Google Assistant, dan Cortana dari Microsoft, yang menggunakan NLP untuk mengenali apa yang kita ucapkan dan merespons dengan tepat.

Perusahaan juga memanfaatkan ML di kamera smartphone. ML menganalisis dan menyempurnakan foto menggunakan pengklasifikasi gambar, mendeteksi objek (atau wajah) dalam gambar, dan bahkan dapat menggunakan jaringan saraf tiruan untuk menyempurnakan atau memperluas foto dengan memprediksi apa yang ada di luar batasnya.

Kami melihat banyak penggunaan ML di platform media sosial saat ini:

• Media sosial, seperti Facebook, mengotomatiskan saran penandaan teman dengan menggunakan deteksi wajah ML dan pengenalan gambar untuk mengidentifikasi wajah dalam basis datanya. Kemudian, itu menyarankan pengguna media sosial menandai individu tersebut.
• LinkedIn menggunakan ML untuk menyaring item di newsfeed, membuat rekomendasi pekerjaan, dan menyarankan seseorang untuk terhubung dengan orang lain.
• Spotify menggunakan model ML untuk menghasilkan rekomendasi lagunya.
• Google Translate menggunakan NLP untuk menerjemahkan kata-kata di lebih dari 130 bahasa. Dalam beberapa bahasa, alat ini dapat menyediakan terjemahan melalui foto, suara dalam “mode percakapan” dan melalui gambar video langsung menggunakan mode augmented reality.

AI dapat membantu menyusun strategi, memodernisasi, membangun, dan mengelola aplikasi yang sudah ada, sehingga menghasilkan efisiensi yang lebih tinggi dan menciptakan peluang untuk inovasi. Sonoma County, California, berkonsultasi dengan IBM untuk mencocokkan warga tunawisma dengan sumber daya yang tersedia dalam sistem terintegrasi yang disebut ACCESS Sonoma. “Karena IBM merancang arsitektur terbuka yang benar-benar bisa diangkat dan dipindahkan, kami memuat 91.000 klien dan menghubungkan mereka di empat sistem utama dalam waktu empat bulan,” ujar Carolyn Staats, Direktur Inovasi, Sonoma County Central IT. “Itu jangka waktu yang luar biasa.” Mereka menempatkan 35% tunawisma di perumahan, empat kali lebih tinggi dari angka nasional, dan dalam dua tahun, County mengurangi jumlah tunawismanya sebesar sembilan persen.

Di IBM, kami menggabungkan kekuatan ML dan AI di IBM watsonx, studio baru kami untuk model dasar, AI generatif, dan ML.

watsonx adalah platform data dan AI generasi berikutnya yang dibangun untuk membantu organisasi melipatgandakan kekuatan AI untuk bisnis. Platform ini memiliki tiga komponen kuat: watsonx.ai studio untuk model dasar baru, AI generatif, dan ML; toko serba guna watsonx.data untuk fleksibilitas data lake dan kinerja gudang data; dan toolkit watsonx.governance untuk memungkinkan alur kerja AI yang dibangun dengan tanggung jawab, transparansi, dan kemampuan untuk dijelaskan.

Bersama-sama, watsonx menawarkan organisasi kemampuan untuk:

1. Melatih, menyesuaikan dan menerapkan AI di seluruh bisnis Anda dengan watsonx.ai
2. Skalakan beban kerja AI di mana saja, untuk semua data Anda, dengan watsonx.data
3. Aktifkan alur kerja data dan AI yang bertanggung jawab, transparan, dan dapat dijelaskan dengan watsonx.governance