Melampaui Hype: Mengoperasikan AI dan ML untuk Hasil Bisnis

Oleh: Krishnan Venkata, Chief Client Officer di perusahaan analitik digital LatentView Analytics.

Selama lebih dari satu dekade, bisnis mulai dari startup kecil hingga perusahaan besar telah berbicara tentang janji artificial intelligence (AI) dan machine learning (ML). Menurut ramalan ini, AI dan ML akan mengubah pekerjaan modern, mengotomatisasi proses sehari-hari dan memungkinkan karyawan manusia untuk fokus pada tugas tingkat tinggi.

Sepuluh tahun kemudian, bagi banyak perusahaan, janji AI ternyata hanya sebuah janji, dan tidak lebih dari itu. Sementara banyak organisasi telah mengambil langkah untuk mempercepat upaya transformasi digital, beberapa kesalahan umum sering kali meninggalkan impian AI/ML tidak terwujud.

Apa yang telah menjadi beberapa faktor terbesar yang menghambat potensi transformasional AI dan ML?

• Kurangnya organisasi: Langkah pertama untuk strategi AI yang sukses adalah mengumpulkan data. Namun, sama pentingnya adalah perencanaan untuk organisasi data tersebut; bisnis yang mengumpulkan harta karun data tanpa rencana tentang bagaimana mengorganisir, menganalisis, dan menggunakannya akan terakhir dengan sumber daya yang tidak rapi dan hampir tidak dapat digunakan. Apa nilai menemukan minyak jika Anda tidak memiliki cara untuk mengeluarkannya dari tanah atau mengolahnya untuk digunakan?
• Adopsi sepotong-sepotong: Sementara transformasi digital menjanjikan penghematan biaya jangka panjang, harga awal untuk mengadopsi teknologi baru dapat sangat mahal. Ini menyebabkan beberapa perusahaan untuk mengambil pendekatan sepotong-sepotong untuk mengintegrasikan alat AI, tanpa mempertimbangkan bagaimana solusi tunggal tersebut akan masuk ke dalam peta jalan yang lebih besar.
• Proses/kedisiplinan yang hilang: Solusi AI dan ML akan secara alami didukung dan diperkenalkan oleh pemimpin tertentu dalam perusahaan, tetapi keberhasilannya bergantung pada dukungan institusional dari atas ke bawah. Pengadopsi awal perlu mempersiapkan landasan untuk adopsi yang lebih luas, membangun kedisiplinan dan rutinitas yang diperlukan untuk membuat integrasi alat baru menjadi lancar.

Tahun lalu telah menunjukkan bahwa tidak ada waktu untuk membuang-buang dalam hal transformasi digital dan mengotomatisasi rutinitas melalui AI dan ML. Menurut Fortune Business Insights, pasar global untuk kecerdasan buatan diharapkan mencapai $267 miliar pada tahun 2027, yang mewakili pertumbuhan hampir sepuluh kali lipat dari nilai $27 miliar pada tahun 2019. Perubahan jangka panjang ke kerja jarak jauh yang dipicu oleh pandemi COVID-19 telah mendorong perusahaan untuk mengadopsi solusi baru; laporan COVID-19 Digital Engagement Report dari Twilio menemukan bahwa 97% eksekutif mengatakan bahwa pandemi mempercepat upaya transformasi digital mereka.

Jadi, apa yang diperlukan untuk melampaui hype AI dan ML dan benar-benar mengoperasikan alat-alat ini? Beberapa teknologi dan strategi dapat membuat perbedaan antara keberhasilan atau kegagalan:

1. AIOps, MLOps, DataOps

Menambahkan -Ops ke teknologi atau aplikasi adalah resep yang pasti untuk membuat kata kunci baru yang mengkilap, tetapi tidak semua solusi yang muncul ini adalah vaporware. Faktanya, strategi seperti AIOps, MLOps, dan DataOps dapat menawarkan solusi untuk tantangan mengorganisir semua data yang dikumpulkan dalam sebuah perusahaan. Alat-alat ini menerapkan prinsip-prinsip manajemen Agile ke AI, pembelajaran mesin, dan manajemen data, masing-masing, secara dramatis menyederhanakan pengetahuan dan upaya yang diperlukan untuk mendapatkan nilai dari solusi baru. Untuk bisnis yang membuat langkah pertama mereka ke AI/ML dan ingin mempercepat, strategi ini adalah suatu keharusan.

2. Low Code/No Code

Model ML yang paling kompleks dan nuansa akan selalu memerlukan pengembang dan ilmuwan data yang didedikasikan untuk memastikan keberhasilannya. Namun, tantangan yang dihadapi banyak perusahaan tidak terlalu rumit, dan dapat dipecahkan dengan solusi AI yang lebih sederhana, satu-ukuran-untuk-semua. Platform low-code dan no-code menurunkan hambatan untuk memasuki karyawan dengan latar belakang pengembangan perangkat lunak yang minim. Alat no-code memungkinkan karyawan mana pun untuk membangun solusi seperti mesin rekomendasi melalui platform drag-and-drop yang intuitif, sedangkan platform low-code dapat melakukan tugas yang kompleks dengan hanya beberapa baris kode.

3. AutoAI dan AutoML

Jika kecerdasan buatan dan pembelajaran mesin mengotomatisasi proses bisnis, maka mengapa mereka sendiri perlu diotomatisasi? Aspek kritis dari keberhasilan AI dan ML adalah gagasan tentang penyempurnaan: saat alat-alat ini belajar di tempat kerja dan mengintegrasikan lebih banyak data, mereka dapat secara bertahap memperhalus kinerja dan menghasilkan hasil yang lebih baik. AutoAI dan AutoML melakukan proses penyempurnaan ini tanpa memerlukan input manusia, membuat siklus virtuos yang tak terhingga. Manusia dapat memeriksa kinerja model untuk mencegah bias dan memastikan bahwa alat tersebut melayani kebutuhan perusahaan, tetapi AutoML memungkinkan karyawan untuk mengambil tantangan lain selama hari-ke-hari.

Seiring dengan perusahaan chipmaker dan perangkat lunak yang memecahkan batas baru dengan pemrosesan bahasa alami, bidang AI/ML mencapai titik balik yang akan melihat ledakan kasus penggunaan baru. Perusahaan harus siap untuk bereaksi terhadap teknologi yang muncul ini; mereka yang tidak memiliki rumah tangga yang teratur sekarang akan ketinggalan oleh pesaing yang melakukannya.