AsikBelajar.Com | Suatu hari, teman dari Polandia (Poland) bercerita berkeinginan memasang Artificial Intelligence (AI) untuk asikbelajar [dot] com. Saat itu yang terbesik dalam pikiran adalah: Bagaimana pemasangan Artificial Intelligence (AI) pada web ini? Apakah teknikya sama dengan teknik SEO atau SEM? Suatu Malam, teman (si Konsultan) ini melaporkan bahwa, kemudahan Artificial Intelligence (AI) engine untuk asikbelajar [dot] com SUDAH dipasang.
Nah, karena Artificial Intelligence (AI) lagi menjadi hangat, maka AsikBelajar.Com mencoba mencari artikel terkait yang bekerjasama dengan aktivitas bisnis. Inilah artikel yang kami terjemahkan dari aslinya berjudul: “How An AI Engine Can Improve Your Business”, hasilnya kurang lebih sebagai berikut:
Kemajuan teknologi yang sangat besar dalam dekade terakhir ditujukan dan sangat memengaruhi kebutuhan dasar komunikasi manusia. Situs web, blog, email, pesan teks, Facebook, Snapchat, Slack, dan smartphone di satu sisi dan Google di sisi lain sebagai mediator yang dominan, semuanya intinya menjawab kebutuhan kita untuk berkomunikasi. Saya akan menyebut ini sebagai “era komunikasi” yang saya yakini telah “stabil” dalam hal potensi penemuan yang benar-benar mengganggu.
Kita kini berada di awal kurun berikutnya, ‘era pengetahuan’, di mana Artificial Intelligence (AI) akan mendominasi. AI yaitu istilah payung yang meliputi beberapa teknologi ibarat Machine Learning (ML), Natural Language Processing (NLP) dan Knowledge Representation (KR). AI kini yaitu teknologi mutakhir.
Bagaimana bisnis Anda sanggup memakai AI?
Klien dan klien potensial selalu bertanya bagaimana mereka sanggup memakai AI untuk menambah nilai bagi bisnis mereka. Jawabannya yaitu dengan mengerahkan Mesin AI sebagai kendaraan implementasi melalui mana fungsi AI sanggup dimanfaatkan, mengaburkan kompleksitas yang melekat. Terdiri dari beberapa modul berbeda, AI Engine sanggup dipakai baik sebagai layanan (AIaaS) atau disematkan dalam aplikasi server-klien, web atau seluler.
Apa itu Mesin AI?
Sebuah mesin AI terdiri dari beberapa modul dasar yang meliputi Machine Learning Module, sebuah Bahasa Pengolahan Modul Alam dan Modul Representasi Pengetahuan (Ontologi) .
Dengan maksud untuk menargetkan tujuan bisnis tertentu ibarat meningkatkan penjualan, mengurangi biaya, mengatasi kepatuhan dan meningkatkan keamanan cyber, modul ini dipakai untuk mengumpulkan dan mengubah data, untuk menghasilkan prediksi dan wawasan yang akurat, untuk membaca dan mengklasifikasikan teks dan banyak lagi.
The Fortuit AI Engine
Di Fortuitapps kami telah menyebarkan AI Engine yang berpengaruh dan berorientasi bisnis (sebagai lawan dari kawan yang secara akademis sama pentingnya). Di bawah ini saya akan merinci komponen-komponen AI Engine dan menjelaskan bagaimana mereka sanggup dipakai untuk meningkatkan proses bisnis.
MODUL BELAJAR MESIN
Machine Learning didasarkan pada Neural Networks yang memodelkan fungsi otak biologis. Neural Network yaitu jaring neuron (sel otak) yang terhubung satu sama lain melalui koneksi yang disebut sinaps (memikirkan jaring ikan) Koneksi ini mempunyai kekuatan tertentu (positif atau negatif) dan kombinasi ini akan menghasilkan neuron dinyalakan (menembak), atau tidak, sesuai dengan nilai ambang tertentu (pikirkan bola lampu dengan beberapa kabel daya terpasang: jikalau daya kumulatif cukup bola lampu akan menyala). Pemikiran insan yaitu imbas dari menembak (atau tidak) neuron.
Sekarang, ambil satu sisi dari Neural Net dan nyalakan beberapa neuron. Kemudian ambil sisi lain dan kembali nyalakan beberapa neuron. Anda telah memperlihatkan higienis sebuah pola dari input yang diberikan dan output yang dibutuhkan (pikirkan input 1 plus 1, dan output 2 untuk mengajarkannya tambahan). Selanjutnya, berikan banyak pola dan kemudian gunakan algoritme pembelajaran standar khusus yang sanggup dipelajari dengan menyesuaikan kekuatan koneksinya dan kapan neuron akan menyala. Setelah stabil melalui banyak iterasi, minta untuk menambahkan angka yang belum Anda ajarkan: ia akan merespon dengan probabilitas akurasi yang tinggi berdasarkan apa yang telah dipelajari. Dengan cara ini, diberikan suatu input dataset (misalnya gambar) dan satu set data output (misalnya deskripsi dari gambar-gambar ini),
Bagaimana Modul Pembelajaran Mesin sanggup meningkatkan bisnis Anda
Modul Pembelajaran Mesin sanggup menyediakan
o analisis deskriptif (apa yang telah terjadi)
o analisis prediktif (apa yang akan terjadi)
o wawasan preskriptif (apa yang harus dilakukan)
Dengan kata lain, Modul ML sanggup menganalisis keadaan dikala bermain dan memperlihatkan prediksi dan rekomendasi sehubungan dengan masa depan. Contoh spesifik penerapan Pembelajaran Mesin untuk tujuan bisnis yaitu sebagai berikut:
Perkiraan Kebutuhan Inventory
Toko roti nasional ingin memprediksi usul secara akurat dan menyesuaikan produksi dengan tepat. Mengingat kinerja masa kemudian dalam kaitannya dengan serangkaian faktor ibarat waktu tahun, cuaca, situasi politik, insiden dikala ini dan banyak lagi, asumsi usul berdasarkan ML yang akurat sanggup menghasilkan penghematan yang terukur dan signifikan.
Mengurangi Pengembalian Produk
Perusahaan garmen ritel online ingin mengurangi pengembalian produknya berdasarkan banyak sekali faktor termasuk jenis kelamin pembeli, usia, riwayat pesanan, kunjungan situs web, minat produk, dan banyak lagi. Berdasarkan data yang tersedia, menentukan model ML yang optimal untuk memperlihatkan wawasan yang signifikan ke dalam faktor-faktor apa yang mempercepat pengembalian sanggup berdampak signifikan terhadap profitabilitas dan efisiensi (bahkan hingga pada titik “mengecewakan” pesanan secara real time yang mempunyai probabilitas tinggi untuk dikembalikan)
Rekomendasi Produk
Mungkin aplikasi pembelajaran Mesin yang paling terkenal yaitu sistem rekomendasi film Netflix dan fitur ‘pelanggan juga membeli’ dari Amazon. Produk-produk yang direkomendasikan pada “checkout” dipilih berdasarkan evaluasi awal yang sangat akurat wacana apa yang akan terjadi (yaitu berapa banyak produk yang diusulkan akan benar-benar dibeli).
Kredit bermasalah
Masalah besar yang dihadapi pemberi pinjaman, mengidentifikasi calon kredit bermasalah potensial sebelum mereka benar-benar menjadi tidak berkinerja dan bertindak sesuai dengan itu sanggup secara terang memperlihatkan nilai yang signifikan. Diberikan data historis yang cukup termasuk transaksi pelanggan, profil, insiden dikala ini, tingkat pengangguran, suku bunga dan tingkat pasar saham semua dimasukkan ke dalam adonan yang dipilih dari model ML sanggup mengakibatkan identifikasi potensi kredit bermasalah pada tingkat akurasi yang mengesankan.
MODUL BAHASA ALAM
Natural Language Processing (NLP) menyediakan komputer dengan kemampuan untuk memahami dan menafsirkan bahasa insan dengan cara yang tertulis atau diucapkan. Tujuannya yaitu untuk membuat komputer secerdas insan dalam memahami bahasa, mengenali ucapan dan menghasilkan bahasa.
Bidang aplikasi utama meliputi:
o Ringkasan : menyediakan ringkasan teks yang hanya meliputi konsep utama. Ringkasan ekstraktif memakai kalimat atau frasa yang telah disediakan, sedangkan ringkasan abstraktif memakai teks yang gres dibuat
o Analisis sentimen - identifikasi perasaan, penilaian, dan / atau pendapat dalam teks yang diberikan (misalnya posting twitter negatif atau positif)
o Klasifikasi teks - kategorikan teks (misalnya informasi berdasarkan domain) atau bandingkan teks dengan maksud untuk mengidentifikasi kelompok yang menjadi miliknya (misalnya email ini yaitu spam atau bukan)
o Ekstraksi Entitas – Identifikasi orang, tempat, organisasi dan banyak lagi
Bagaimana Modul Pemrosesan Bahasa Alami sanggup membantu bisnis Anda
Secara khusus, pola penerapan modul Pemrosesan Bahasa Alami dalam bisnis yaitu sebagai berikut:
Ringkasan dan analisis sentimen dari komentar pengguna di blog online, situs berita, dan forum
Merangkak blog target, forum, dan situs informasi untuk mengekstrak komentar yang terkait dengan produk atau perusahaan tertentu dan kemudian melanjutkan untuk secara otomatis merangkum dan menganalisis sentimen terkait dengan maksud untuk memperlihatkan wawasan berharga terkait dengan produk dan layanan.
Menemukan pelanggan potensial memakai kepingan ‘Tentang’ yang ditemukan di situs web mungkin
Dengan daftar situs web perusahaan sasaran (misalnya dari CrunchBase), perayap khusus sanggup mengekstrak teks dari kepingan ‘Tentang’, meringkas dan mengklasifikasikan teks-teks ini, dan kemudian memperlihatkan wawasan untuk menemukan perusahaan-perusahaan tersebut dari daftar yang mungkin yang diminati sebagai pelanggan potensial dengan mengelompokkan kepingan ‘Tentang’ pelanggan dikala ini.
Profil dan sentimen pengirim email
Untuk setiap kontak email, rangkum dan pembagian terstruktur mengenai semua email yang diterima dan kemudian berikan kepada Model ML yang sudah dilatih sebelumnya dengan maksud untuk mengidentifikasi cara untuk merespons yang sesuai dengan kepribadian dan gaya penulisan kontak.
MODEL REPRESENTASI / ONTOLOGI PENGETAHUAN
KR yaitu bidang AI yang didedikasikan untuk merepresentasikan informasi wacana dunia: karakterisasi konseptual dari sifat dasar realitas dalam bentuk yang sanggup dipakai dan dimengerti oleh sistem komputer. Ini sanggup diimplementasikan dalam bentuk “ontologi”, yang merupakan representasi pengetahuan formalisme yang terdiri dari serangkaian konsep dan kategori hirarkis bersama dengan sifat dan kekerabatan di antara mereka. Intinya pengetahuan kita wacana dunia yaitu ontologi internal.
Inti dari Mesin AI diimplementasikan sebagai ontologi yang sanggup diisi secara default dengan sejumlah besar pengetahuan umum (misalnya seluruh Wikipedia dalam bentuk DBPedia), atau pengetahuan domain tertentu, ibarat e-commerce atau perawatan kesehatan.
Memanfaatkan Modul Representasi Pengetahuan dalam bisnis
Ontologi spesifik domain sanggup memperlihatkan dampak komersial yang signifikan. Contoh spesifik termasuk:
e-commerce
Di situs web e-commerce, pengguna sanggup mencari produk berdasarkan nama atau fitur, tetapi mereka tidak mendukung usul ibarat “cara menurunkan berat badan” atau “cara menyingkirkan semut” meskipun mereka sanggup menjual produk untuk situasi semacam itu. Apa yang mereka butuhkan yaitu sebuah ontologi di mana konsep-konsep yang diekspresikan dalam bahasa alami dipetakan ke produk. Demikian pula, pemberian pelanggan sanggup memanfaatkan ontologi memakai chatbot untuk menjawab pertanyaan secara otomatis dengan peningkatan akurasi dan efisiensi.
Kesehatan
Di Healthcare, ontologi yang menghubungkan gejala, kondisi, perawatan, dan pengobatan sanggup memperlihatkan nilai tambah yang signifikan untuk proses bisnis perawatan kesehatan sehari-hari.
Memusatkan pengetahuan perusahaan
Sebagian besar perusahaan mempunyai seperangkat dokumen yang umum dipakai yang disimpan dalam direktori bersama, dan juga satu set dokumen yang berada secara lokal di pc dan laptop karyawan. Dokumen-dokumen ini, mungkin kata, pdf atau dokumen teks, mengandung informasi penting yang intinya terdiri dari aset digital yang signifikan. Melalui sistem NLP / NLU, pengetahuan ini sanggup dikumpulkan, diproses sebelumnya, dan dianalisis semantis dengan maksud untuk membuat basis ontologi / pengetahuan terpusat perusahaan yang kemudian sanggup diperluas, dicari, atau diperbarui.
PREVIEW: MODUL GENERASI BAHASA ALAM ALAM
NLG yaitu langkah maju yang sangat penting dari ‘era pengetahuan’ yang disebutkan di atas. Di Fortuitapps kami kini bekerja untuk menambahkan modul NLG ke AI Engine yang dijelaskan di atas. Karena ini yaitu kepingan dari karya komersial kami, saya tidak akan menyajikan rincian tepatnya tetapi dalam konteks artikel ini menggambarkan upaya kami dalam istilah yang lebih umum.
Apa itu Generasi Bahasa Alami (NLG)?
NLG yaitu proses cerdas menghasilkan teks dalam bahasa alami sebagai jawaban atas usul atau usul pengguna tertentu. Untuk melaksanakan ini, modul NLG harus memodelkan kemampuan yang hampir tidak sepele yang membuat insan cerdas: nalar sehat. Tanpa sejumlah besar pengetahuan sehari-hari wacana dunia (atau setidaknya wacana domain tertentu dari aplikasi), generasi bahasa alami mustahil pada tingkat produk. Konsekuensinya, inti dari setiap modul NLG harus terdiri dari basis pengetahuan dalam bentuk ontologi yang memperlihatkan ‘pengetahuan’ yang pada jadinya akan dihasilkan sebagai jawaban ‘teks’.
Bagaimana kita membuat basis Pengetahuan Inti NLG?
Sebagaimana insan berguru dengan membaca dokumen dalam bentuk apa pun (seperti buku, artikel, koran blog, situs web, dan lainnya), maka basis Pengetahuan Inti NLG harus diisi oleh mesin ‘membaca’ dokumen.
Dari sudut pandang mesin, dokumen memperlihatkan struktur berurutan dengan banyak sekali tingkat abstraksi ibarat judul, kalimat, paragraf dan bagian. Abstraksi hierarkis ini memperlihatkan konteks di mana kita menyimpulkan arti kata dan kalimat teks.
Jadi, untuk mengisi basis pengetahuan inti NLG kita memerlukan perangkat lunak yang sanggup membaca dan memahami corpora (misalnya teks Google News) dan memanfaatkan sejumlah besar pengetahuan umum yang tersedia melalui Wikipedia (teks) dan DBPedia (ontologi).
Bagaimana mesin sanggup membaca dan memahami teks?
Dalam arti yang lebih luas ada dua pendekatan utama untuk pemahaman bahasa alami, yang keduanya kami gunakan dan yang saling melengkapi satu sama lain dalam konteks modul pengontrol tingkat yang lebih tinggi. Kedua pendekatan dijelaskan di bawah ini.
Pendekatan berbasis Machine Learning
Seperti dijelaskan di atas dalam kaitannya dengan Neural Networks, LSTM, atau Long Short-Term Memory Network, yaitu sejenis jaringan saraf berulang yang mempunyai kemampuan untuk memperlihatkan umpan balik dari “pelajaran” di masa lalu. LSTM yaitu algoritma yang sangat berpengaruh yang sanggup mengklasifikasikan, mengelompokkan dan membuat prediksi wacana data dan khususnya rangkaian waktu dan teks.
Kami menggabungkan fitur kontekstual (topik) ke dalam model untuk mencapai kiprah NLP tertentu ibarat kata berikutnya atau prediksi karakter, pemilihan kalimat berikutnya, dan prediksi topik kalimat . Model yang kami gunakan membantu kami menjawab pertanyaan, melengkapi kalimat, menghasilkan parafrase dan memperlihatkan prediksi ujaran berikutnya dalam sistem dialog.
Selain model pembelajaran mendalam di atas, kami memakai model “dangkal” ibarat yang diterapkan di Word2vec. Word2vec yaitu alat yang memberi kita “peta mental” kata-kata, makna dan interaksinya dengan kata lain. Setiap kata dipetakan ke satu set angka dalam “ruang nomor” yang disebut “kata embeddings”. Kata-kata serupa akrab satu sama lain di ruang angka ini, dan kata-kata yang tidak ibarat sangat berjauhan
Pendekatan berbasis kerangka semantik
Kerangka semantik yaitu model terstruktur dari konsep-konsep terkait yang secara bahu-membahu memperlihatkan pengetahuan wacana semuanya dan tanpanya mustahil ada pengetahuan lengkap dari mereka.
Contohnya yaitu kueri “ramalan harga apel”: apakah kita mengacu pada harga buah apel atau perusahaan Apple Inc dan asumsi terkait dengan harga sahamnya? Untuk menjawab ini, kita harus memodelkan bagaimana insan melaksanakan ini, dan itu yaitu intinya memakai “Bayesian Inference”. Bayesian Inference yaitu teori statistik di mana bukti wacana keadaan sesungguhnya dunia dihitung dalam hal derajat kepercayaan yang dikenal sebagai probabilitas Bayesian.
Dalam konteks probabilitas Bayesian ini, untuk menentukan kerangka konseptual yang benar terkait dengan kueri “ramalan harga apel” dan dengan demikian mengetahui apa yang sedang kita bicarakan, kita memakai “Distribusi Prioritas Awal” yang hanya dikenal sebagai ‘sebelumnya’ dari suatu ketidakpastian kuantitas. Sebelumnya yaitu probabilitas yang akan mengungkapkan keyakinan seseorang wacana kuantitas ini sebelum beberapa bukti diperhitungkan.
Meskipun tidak ada jaminan, mengingat prior dan struktur kami menentukan bingkai semantik (baik harga buah atau harga saham) yang kami anggap relevan dengan usul dengan maksud untuk menghasilkan respons yang tepat. Dalam pola kami, kami intinya bertanya apa yang biasanya orang maksud dengan ini, dan jadi kami memakai frame harga saham semantik.
Menghasilkan Teks Bahasa Alami
Berdasarkan basis pengetahuan ontologi inti NLG kami, dan menggabungkan kedua pendekatan yang dijelaskan di atas , diberikan usul atau perintah kami melanjutkan untuk menghasilkan teks bahasa alami berdasarkan tiga langkah utama berikut:
o Buat rencana dokumen: pilih konsep yang akan membentuk peta pengetahuan dari teks yang akan dihasilkan
o Transformasikan konsep menjadi kalimat
o Filter hasil: Ulasan dan pembiasaan konseptual, semantik dan sintaksis.
Ada banyak hal yang perlu diperhatikan di bidang NLG!
Sumber:
Fekos, Nicolas. 2018. How An AI Engine Can Improve Your Business. Dimuat pada (Online) https://towardsdatascience.com/how-an-ai-engine-can-improve-your-business-f8dc91e8371, diakses tanggal 23/10/2018.
Sumber https://www.asikbelajar.com