eCWbXBoqKVlcyXUNIzJr7wbcnJRa7fysuT0ds4TB
Bookmark

Menghapus Risiko AI: Awal pekerjaan yang sesungguhnya

Menghapus Risiko AI: Awal pekerjaan yang sesungguhnya - Kecerdasan Buatan (AI) mulai menorehkan kisah suksesnya. Semakin lama, semakin banyak use case yang dapat terukur. Jika angka bisa membuktikan keberhasilan ini, laporan terbaru dari NewVantage Partners menyoroti bahwa 77,8% responden menyatakan perusahaan mereka menggunakan AI secara luas, atau sekurang-kurangnya dalam proses produksi terbatas. Hal ini menunjukkan peningkatan drastis sebesar 65,8% dibandingkan tahun lalu.

Fakta ini tidak berlebihan. Ini menunjukkan bahwa AI telah hadir, semakin dibutuhkan, dan hasilnya yang telah terbukti mendorong semakin banyak orang melakukan investasi di bidang teknologi. Namun, perusahaan yang mengalami keberhasilan AI—dalam arti telah memanfaatkan AI untuk inovasi dan transformasi bisnisnya—kini menghadapi risiko baru. Singkatnya, keberhasilan mereka dalam memanfaatkan AI memunculkan tantangan baru. Tidak peduli sampai di mana perjalanan AI Anda, risiko-risiko ini perlu dimitigasi sekarang.

Menghapus Risiko AI: Awal pekerjaan yang sesungguhnya


Bahaya: Risiko AI utama

Secara umum, ada dua risiko utama—yang kami juluki "double trouble”—dalam memperoleh nilai bisnis dari AI. Pertama adalah risiko kekurangan tenaga ahli, dan kedua adalah risiko ketergantungan pada solusi black box yang tidak sesuai atau dilaksanakan dengan buruk.

Baca juga:Perbedaan Realme C30 vs Realme C31: Ternyata Cuma di Bagian ini...

Pendekatan baru untuk menghapus risiko AI – ModelOps

Pertama-tama, mari kita definisikan dulu pendekatan yang saya usulkan, yaitu ModelOps. Kebanyakan pimpinan bisnis belum pernah berjumpa dengan ModelOps, dan itu sah-sah saja. Namun, karena perusahaan membutuhkan inovasi dan optimisasi yang diberikan AI dan pembelajaran mesin, cara ModelOps mengaktifkan AI penting untuk dipahami. 

Sederhananya, ModelOps mangaktifkan pengelolaan elemen-elemen kunci AI dan siklus hidup model keputusan. Harap diingat bahwa model AI adalah algoritma pembelajaran mesin yang dilatih dengan data nyata atau sintetis dan meniru pengambilan keputusan logis berdasarkan data yang “disuapkan” atau disediakan. 

Model AI dirancang dengan saksama oleh para ilmuwan data (data scientist) untuk mendapatkan wawasan dalam memecahkan masalah tertentu dalam perusahaan atau kegiatan operasionalnya, yang diidentifikasi bersama dengan tim analitik dan tim pengelola data. Nah, sekarang mari kita lihat cara ModelOps menghapus risiko AI.

Mengandalkan ModelOps untuk menghapus risiko produktivitas AI

Mencari tenaga ahli AI bagaikan mencari jarum di tumpukan jerami, kendati menurut penelitian LinkedIn terjadi pertumbuhan lapangan kerja sebesar 74% di AS dan profesi ini menempati peringkat 1 “pekerjaan terpopuler” di UK. 

Ketika Anda berhasil merekrut seorang atau satu tim ilmuwan data sekalipun, biasanya mereka akan dibanjiri permintaan sehingga terjadi penundaan pekerjaan akibat penumpukan proyek yang tidak sempat ditangani. Ketika tenaga ilmuwan data terbatas, mustahil bagi perusahaan untuk menskalakan wawasan dan pengambilan keputusan yang didasarkan pada AI.

Salah satu pendekatan yang dapat mengurangi tekanan pada sumber daya ilmuwan data yang terbatas adalah ModelOps. ModelOps mendukung automasi pengelolaan model serta demokratisasi produksi dan penggunaan model sehingga dapat membantu menghapus risiko keterbatasan tenaga ahli dan kemudian mengatasi masalah produktivitas. 

Alih-alih membuat tim ilmuwan data Anda terus-menerus berjuang mengatasi banjirnya permintaan, pendekatan ini membantu membebaskan mereka sehingga dapat memusatkan perhatian pada tugas terpenting mereka di perusahaan. 

Pendekatan ModelOps membuat fokus ilmuwan data Anda yang langka tertuju pada eksplorasi, pengujian, dan inovasi melalui AI, sekaligus memastikan para teknisi dan analis data tetap menghasilkan model-model baru.

Tantangan terkait lainnya yang dapat langsung diatasi ModelOps adalah skalabilitas. Membuat model yang dapat diskalakan bukan semata soal jumlah, melainkan seberapa luas penggunaan AI dalam sistem dan proses suatu perusahaan. Masih ingat masalah tenaga ahli tadi? 

Baca juga:Review MSI Vector GP66 12UGS: Laptop Gaming Kencang dengan Desain Elegan

Semakin banyaknya integrasi berarti semakin banyak model yang diperlukan untuk mengaktifkan manfaat AI dan tentunya memerlukan lebih banyak ilmuwan data untuk mendukung pengembangan dan peluncuran model. Tanpa ModelOps, Anda akan menghadapi risiko penggunaan AI yang akan berakibat pada kegagalan. Dengan memanfaatkan ModelOps untuk mendemokratisasi penggunaan model yang diskalakan, Anda memiliki katalis yang akan mengubah keuntungan AI yang diperoleh perusahaan; dari yang semula kecil menjadi terobosan.

Mengandalkan ModelOps untuk menghapus risiko AI melalui peningkatan transparansi

Risiko kedua adalah ketergantungan pada solusi AI, “black box”. Kita tahu bahwa sebentar lagi akan ada regulasi yang mewajibkan praktik terbaik interpretabilitas dan transparansi untuk semua sistem AI. Jika teknologi AI Anda disediakan oleh perusahaan mitra atau vendor sekalipun, perusahaan Anda dapat dianggap bertanggung jawab atas hasil yang bias atau keliru. Regulasi yang berlaku saat ini dan yang akan diberlakukan dapat menimbulkan risiko hukum, denda, ketidakpatuhan, dan bahkan hilangnya reputasi.

Menurut Stanford Institute for Human-Centered Artificial Intelligence dalam laporan AI Indeks 2022, “Di seluruh dunia, regulasi AI terus berkembang. Sejak 2015, undang-undang terkait AI yang disahkan di 25 negara bertambah 18 kali lipat. Sementara itu, AI disinggung 7,7 kali lipat lebih banyak dalam proses legislatif selama enam tahun terakhir.” 

Oleh karenanya, penting bagi perusahaan untuk memahami penggunaan AI saat ini dan di masa depan, serta merencanakan transparansi dan interpretabilitas AI di seluruh bagian perusahaan. Transparansi dalam AI bukan sekadar untuk pengelolaan risiko, melainkan juga untuk mendukung inisiatif Lingkungan, Sosial, dan Tata Kelola (ESG), khususnya saat menangani kekhawatiran masyarakat mengenai penggunaan AI yang adil dan beretika.

Transparansi dapat menjadi tantangan karena pembelajaran mesin serta algoritma dan model AI tidak mudah dipahami. Hal ini disebabkan oleh kompleksitas sejumlah parameter (pengaturan kondisi operasi) yang digunakan dan cara parameter ini berinteraksi satu sama lain. 

Kompleksitas ini semakin diperparah dengan cara model-model ini berinteraksi satu sama lain dan cara mereka berintegrasi dengan data. Menurut saya, kompleksitas menghasilkan keburaman. Akibatnya, sulit bagi kita untuk menginterpretasikan cara model tersebut mengambil keputusan dan sulit pula untuk mengidentifikasi kemungkinan keputusan tersebut mengandung bias.

Ketika ModelOps diterapkan pada proses ini, perusahaan dapat mengawinkan teknologi, sumber daya manusia, proses, dan data, sekaligus mengelola transparansi yang lebih baik dalam pengembangan model. 

ModelOps dapat memastikan transparansi pengawasan pengujian, pembuatan versi, penyimpanan model, dan pengembalian model ke kondisi sebelumnya; sesuatu yang sering terlewatkan apabila model dikelola melalui sekumpulan alat yang tidak terintegrasi dengan baik. Pendekatan ModelOps yang terpadu dan dapat terhubung dengan produk atau sistem lain (interoperable) akan mendukung tata kelola dan transparansi, yang pada akhirnya akan membantu mengurangi risiko regulasi dan bias.

Jadi, kapan Anda menggunakan pendekatan ModelOps? Saat Anda ingin menskalakan proyek AI, mengurangi kompleksitas pengelolaan serangkaian alat pengembangan yang tidak terintegrasi dengan baik, dan menyiapkan diri untuk kepatuhan regulasi. Apa manfaat ModelOps? 

Baca juga:Review Huawei Watch GT 3: Desain Mewah, Baterai Tahan Lama

Menghapus risiko proses yang mengandung AI, menciptakan kerangka kerja AI yang dapat dikelola dengan baik, dan memastikan transparansi. Dan semua hal ini dicapai melalui pengelolaan AI dan model keputusan yang lebih efisien, mulai dari tahap penciptaan hingga pengembangannya, dan pada akhirnya, penggunaan produktif dan etisnya.  

Realitas AI berisiko rendah

Salah satu kisah sukses yang membuktikan keberhasilan pendekatan ModelOps adalah National University Health System (NUHS) di Singapura. Untuk memperoleh gambaran lengkap tentang perjalanan pasien serta pemahaman tentang populasi lansia yang terus meningkat, NUHS mengembangkan platform AI ENDEAVOUR menggunakan pengelolaan ModelOps. Platform ini membantu perusahaan mendapatkan gambaran lengkap rekam medis pasien, mengungkap data diagnostik secara real time, dan melakukan prediksi diagnostik.

Mengutip Dr. Ngiam Kee Yuan, group chief technology officer NUHS, "Platform AI ENDEAVOUR kami yang canggih menghasilkan layanan kesehatan yang lebih baik, cerdas, dan efektif di Singapura. Kami harap [ModelOps] akan mempercepat penggunaan proses-proses yang melibatkan AI yang aman dan efektif dengan cara yang lebih terskalakan dan terkontainerisasi."

Perusahaan-perusahaan yang menggunakan ModelOps dengan cepat merasakan manfaat dari jalur pembelajaran mesin dan penggunaan AI yang lebih simpel. Perusahaan-perusahaan ini juga telah mendemokratisasi pengembangan AI dengan memastikan bahwa para teknisi data dan analis data dapat memasuki proses tanpa menimbulkan risiko kegagalan karena telah memiliki kerangka kerja yang memenuhi syarat dan efektif.

AI bebas risiko berkat ModelOps

Jangan biarkan kurangnya tenaga ahli atau risiko hukum dan reputasi AI yang timbul dari penggunaan solusi “black box” membatasi terwujudnya nilai AI Anda. ModelOps yang sehat dan terskalakan membuka jalan bagi AI yang dapat menghapus risiko sekaligus memberi manfaat. 

Selain itu, ModelOps juga memastikan bahwa model AI yang Anda kembangkan dan gunakan dapat beradaptasi dengan kebutuhan perusahaan yang terus berubah sekaligus menciptakan kelincahan tata kelola yang diperlukan agar Anda dapat mengantisipasi regulasi yang terus berubah.

*Artikel ditulis oleh Lori Witzel, Director of Research, Thought Leadership Team, TIBCO

Anda mungkin suka:Harga dan Spesifikasi Xiaomi 12 Lite Andalkan Snapdragon 778G 5G dan Kamera 108MP
Posting Komentar

Posting Komentar