AWS Paparkan Contoh-contoh Penerapan Machine Learning Pada Transformasi Digital AWS Paparkan Contoh-contoh Penerapan Machine Learning Pada Transformasi Digital ~ Teknogav.com

AWS Paparkan Contoh-contoh Penerapan Machine Learning Pada Transformasi Digital


Teknogav.comMachine Learning (ML) merupakan bagian dari kecerdasan buatan atau artificial Intelligence (AI) yang berperan kritikal untuk mengembangkan bisnis dan inovasi. Pada era transformasi digital ini ML berperan penting sebagai kunci untuk mengubah dunia ke era baru yang semakin cerdas. AWS menyediakan banyak perangkat layanan ML yang komprehensif untuk dimanfaatkan para pelaku industri. Salah satunya adalah Amazon SageMaker untuk melatih dan mengaplikasikan model ML sesuai kebutuhan, sampai mengubah model pada platform yang tersedia.

Peran ML tak hanya sebatas di perusahaan teknologi, tetapi juga bagi semua industri atau organisasi. Penerapan ML dapat digunakan untuk memberikan layanan, kebijakan dan keputusan-keputusan yang sesuai kebutuhan pelanggan, serta diprediksi mendorong terciptanya solusi-solusi inovatif.

Santanu Dutt, Head of Technology, Souteast Asia berbagi informasi mengenai pengoptimalan pemanfaatan ML untuk pengembangan inovasi layanan. Penerapan ini dapat dilakukan di berbagai skala dan industri, mulai dari startup sampai perusahaan-perusahaan berskala enterprise.


Mesin Pencarian untuk Startup dan SMB

contoh penerapan mesin pencarian menggunakan Amazon Kendra (sumber: AWS)
Amazon memperkenalkan Amazon Kendra, layanan baru yang menemukan kembali pencarian perusahaan dengan pembelajaran mesin. Layanan ini membantu perusahaan untuk mentransformasikan mesin pencarian mereka dengan teknologi pembelajaran mesin atau machine learning (ML).

Kini banyak perusahaan teknologi mempunyai pencarian yang bagus di situs eksternal dan internal. Kendati demikian banyak juga bisnis kecil menengah (SMB) dan perusahaan rintisan (startup) di Indonesia tidak memiliki teknologi ini. Nah, kini mereka dengan mudah bisa mengintegrasikan Amazon Kendra dan membangun mesin pencarian pada situs mereka yang menggunakan Machine Learning.

Maxis Malaysia

Contoh penggunaan Amazon Sumerian di gerai Maxis (sumber: AWS)
Layanan Amazon Sumerian adalah cara yang paling cepat dan mudah untuk memberikan pengalaman AR, VR dan 3D. Contoh penerapan solusi ini ada di gerai operator telekomunikasi Malaysia, yaitu Maxis yang membuka digital lounge. Pada lounge tersebut terdapat layar digital untuk dapat berinteraksi secara interaktif dan terdapat QRcode untuk dipindai.

Pengunjung dapat langsung memindai QRcode tersebut untuk mendapatkan nomor antrian dan avatar pun akan memberikan sambutannya. Secara otomatis nomor seluler akan terdeteksi dan menyajikan data pembelian paket, tagihan atau permasalahan sebelumnya. Avatar tersebut pun dapat berinteraksi, sehingga ketika nanti sampai di customer service, setengah dari permasalahan sudah dapat diatasi selama mengantri. Selain itu pengunjung pun sudah lebih engaged dan customer service pun sudah mendapatkan informasi lebih banyak.

Pada dasarnya ML dapat digunakan untuk memecahkan masalah di kehidupan nyata. ML bisa digunakan untuk otomasi dan robotik, gaming, pemahaman bahasa asli dan pengenalan suara, penglihatan komputer, perkiraan dan prediksi.
Penerapan Machine Learning (sumber: AWS)

Kumho Petrochemical, Korea Selatan

Penerapan Machine Learning pada Kumho Petrochemical (sumber: AWS)
Di Seoul, Korea Selatan terdapat industri petrokimia, yaitu Kumho Petrochemical. Pada perusahaan ini ML digunakan untuk memecahkan masalah yang mudah yaitu penerapan penggunaan helm keselamatan. Beberapa perusahaan mungkin akan memakai penjaga keselamatan untuk mengingatkan agar mengenakan helm. Sayangnya penjaga keselamatan belum tentu siap sedia setiap waktu, sehingga tidak ada yang mengawasi.

Kumho Petrochemical mengumpulkan seluruh kartu identitas dan foto karyawannya lalu melatih model menggunakan data nama dan foto karyawan tersebut. Kemudian mereka menggunakan model ML dari AWS menggunakan framework tensorflow untuk melatih ML  mengenali ketika manusia mengenakan helm keselamatan dan tampilan ketika tidak mengenakan helm.

Pada wilayah yang diharuskan mengenakan helm keselamatan ditempatkan kamera dengan pengenalan wajah. Kemudian peringatan dilakukan oleh Amazon Polly yang merupakan layanan untuk mengonversi teks ke suara untuk memanggil nama karyawan dan menyuruhnya mengenakan helm. Sistem ini sangat sederhana karena menggunakan algoritma ML dan penglihatan komputer, serta Amazon Polly untuk mengeksekusi tindakan dengan suara.

Toko Ritel Besar, Filipina

Penerapan Machine Learning di Supermarket (sumber: AWS)
Suatu supermarket di Filipina menghadapi masalah bagaimana mengetahui jika ada rak yang sudah kosong dan perlu diisi kembali. Biasanya hal ini diatasi dengan pegawai yang berkeliling untuk melakukan pengecekan rak yang perlu diisi ulang. Pegawai tersebut akan melakukan pencatatan manual dengan pensil dan kertas, lalu kembali dan mengisi produk di rak.

AWS menggunakan kamera sederhana dan melatih model ML untuk mengetahui bagian rak yang kosong dan yang isi. Data tersebut kini dapat dimanfaatkan untuk menganalisis. Ketika saatnya menutup toko, mereka dapat mengetahui rak di lorong berapa yang kosong lebih cepat dan penyebabnya. Jadi mereka pun bisa melakukan penataan untuk membuat barang tertentu menjadi lebih laris. Bisa jadi barang tertentu tak laku karena rak susah dijangkau atau tersembunyi dan lain-lain. Sistem notifikasi pengisian ulang rak dirancang menggunakan layanan AWS yang terdiri dari Lambda, API Gateway, SageMaker, S3, IoT Core.

Amazon.com yang merupakan induk dari AWS juga menggunakan penglihatan komputer dan ML pada pusat pengisian gudang mereka. Kamera dapat melihat peta model ML untuk mengetahui rak yang akan kosong.

Pertanian

Indonesia merupakan negara dengan pertanian yang besar. Dahulu teknologi yang digunakan mungkin tidak signifikan, tetapi pada beberapa tahun terakhir meningkat dengan pesat. Contoh penggunaan teknologi dilakukan oleh HARA yang merupakan perusahaan rintisan di Indonesia. Mereka berusaha menjangkau para petani lalu menghubungkan dengan asuransi, institusi keuangan dan bank untuk mendapatkan pinjaman.
Penerapan Teknologi di Pertanian (sumber: AWS)
HARA membuat platform pertukaran data dari petani. Data tersebut berupa waktu panen, pengairan dan lain-lain. Kemudian mereka memberikan insentif bagi para petani tersebut yang bisa ditukar untuk mendapatkan pupuk.  Platform ini berupa aplikasi smartphone, sehingga petani dapat dengan mudah mengunggah foto-foto. Pada April 2020, HARA telah digunakan oleh 32 ribu petani atau 41% dari total petani di Indonesia. Penempatan database tersebut tak menggunakan server sendiri tetapi memanfaatkan cloud publik AWS untuk memudahkan meningkatkan skalabilitas. Visi HARA adalah bisa menjangkau 1 juta petani.
Penerapan Machine Learning dengan penglihatan komputer pada pertanian (sumber: AWS)
Perusahaan rintisan bidang pertanian lain di Indonesia menggunakan penglihatan komputer untuk mengambil data bibit yang menghasilkan panen yang baik dan buruk. Berdasarkan data yang sudah ada, mereka melatih model ML untuk mengenali bibit yang akan menghasilkan panen baik atau buruk.

Penerapan di Bidang Medis

Penerapan layanan AWS pada kesehatan (sumber: AWS)
ML bisa digunakan untuk melakukan deteksi dini dari komplikasi diabetes melalui retina mata. Di Indonesia halodoc merupakan aplikasi yang melayani konsultasi kesehatan dengan bertukar data sampai memberikan resep. Konsultasi dapat dilakukan melalui video call dan teks untuk menceritakan gejala. Aplikasi ini juga berkolaborasi dengan toko obat dan apotek sehingga obat bisa diantar ke rumah sesuai resep.

Penerapan Pada Edukasi

Penerapan layanan AWS pada edukasi  (sumber: AWS)
Contoh penggunaan layanan AWS di dunia pendidikan adalah Amazing Fables dari Malaysia. Amazing Fables memasok buku anak-anak dengan menyajikan audio book dan video book yang lebih menaik. Konversi teks ke audio dilakukan dengan aplikasi Amazon Polly untuk membacakannya sehingga anak-anak lebih senang. Pembacaan cerita ke anak-anak dengan audio akan memudahkan tanpa harus memegang buku.

Klaim Asuransi Mobil

Penerapan layanan AWS pada asuransi mobil (sumber: AWS)
Pada umumnya pengajuan asuransi kendaraan lebih rumit karena harus ke kantor polisi untuk membuat laporan. Kemudian ke bengkel untuk memperkirakan biaya perbaikan, lalu mengajukan dokumen klaim ke agen asuransi yang akan meneruskannya ke perusahaan. Evaluator eksternal melakukan inspeksi pada unit kendaraan dan menyiapkan laporan. Perusahaan meninjau laporan evaluasi eksternal dan mengeluarkan Letter of Authority (LOA), baru kemudian dilakukan perbaikan ke bengkel.

ML bisa melakukan penilaian hanya dengan mengirim foto mobil ke AWS cloud. Penilaian dilakukan dengan memeriksa validasi kendaraan, validasi kerusakan, posisi kerusakan dan tingkat kerusakan. Penilaian kerusakan pun dapat dengan cepat selesai. ML bahkan bisa mengetahui kualitas cat mobil dan model mobil tersebut.

Knowing Your Customer

Penerapan KYC dengan layanan AWS (sumber: AWS)
Perusahaan-perusahaan di bidang jasa seperti perbankan atau institusi keuangan lain biasanya menerapkan knowing your customer pada prosedur mereka. Contoh penggunaan AWS untuk KYC adalah dengan menggunggah foto dan kartu identitas. Aplikasi tersebut kemudian akan menganalisa wajah dan membandingkan dengan foto di kartu identitas.

Layanan-layanan Amazon 

Beberapa layanan yang ditawarkan oleh Amazon untuk membantu perusahaan dalam melakukan transformasi digital mencakup:
  • Amazon Polly yang mengubah teks menjadi suara
  • Amazon Lex adalah layanan untuk membuat antarmuka percakapan ke dalam aplikasi apa saja dengan menggunakan suara dan teks
  • Amazon Connect yang merupakan solusi data pintar yang dipicu oleh ML. Solusi ini bisa memudahkan Customer Service memudahkan mengatasi masalah pelanggan tanpa harus membuatnya menunggu di antrian. Saat pelanggan menelpon, dilakukan penerjemahan secara real-time, lengkap dengan analisis dan rekomendasi pemecahan masalah.
  • Amazon Transcribe yang mengubah suara menjadi teks
Proses belajar dari ML bergantung pada jenis algoritma yang dijalankan, kompleksitas komputasional algoritma dan penerapannya. Pada beberapa kasus, serangkaian data telah dilatih olah pihak lain yang memiliki kasus serupa. Pelanggan dapat memilih untuk menggunakan serangkaian data yang sudah dilabeli atau data yang sudah dilatih dan melatihnya lebih lanjut untuk memenuhi kebutuhan mereka.

Jika pelanggan ingin memulai dari awal pada pelabelan serangkaian foto atau serangkaian data dan melatih model dengan ribuan data, maka waktu yang dibutuhkan antara beberapa hari sampai beberapa minggu, tergantung dari tingkat kerumitan.

Pada contoh purwarupa sistem pengisian ulang rak pada toko retail di Filipina, digunakan serangkaian data yang ada dari situs dan melatih model dengan berbagai gambar rak supermarket. Pelabelan dan pelatihan membutuhkan waktu sekitar dua hari, dan model tersebut mulai bekerja secara akurat dengan tingkat keyakinan yang tinggi.

“AWS selalu mencari cara termudah bagi pelanggan untuk menerapkan teknologi. Pelabelan serangkaian data bisa menjadi proses yang intensif dan manual. Kami mengatasi dengan layanan Amazon SageMaker Ground Truth yang memudahkan melabeli serangkaian data untuk melatih ML secara efisien dan akurat. SageMaker Ground Truth dapat otomatis melabeli serangkaian data berdasarkan data yang dilakukan oleh manusia secara manual,” ucap Santanu.

Pelanggan dapat memlih untuk menggunakan penggalangan  tenaga kerja Amazon Mechanical Turk yang mencakup lebih dari 500 ribu pelabel, karyawan perusahaan, atau salah satu dari penyedia layanan pelabelan data pihak ketika yang terdaftar pada AWS Marketplace yang sudah disaring oleh Amazon.

Penggalangan resmi tugas-tugas manual seperti pelabelan serangkaian data atau foto dapat mempercepat perjalanan pelanggan dalam melatih model dan bahkan mengotomasi tugas-tugas tersebut berdasarkan kemampuan Amazon SageMaker Ground Truth.
Share:

Artikel Terkini

Follow by Email