Kecerdasan buatan (AI) vs. machine learning (ML)

Kecerdasan buatan adalah bidang yang luas, yang mengacu pada penggunaan teknologi untuk membangun mesin dan komputer yang memiliki kemampuan untuk meniru fungsi kognitif yang terkait dengan kecerdasan manusia, seperti dapat melihat, memahami, dan menanggapi bahasa lisan atau tertulis, menganalisis data, membuat rekomendasi, dan banyak lagi. 

Meskipun kecerdasan buatan sering kali dianggap sebagai sistem itu sendiri, program ini adalah seperangkat teknologi yang diterapkan dalam sistem untuk memungkinkannya berpikir, belajar, dan bertindak untuk memecahkan masalah yang kompleks. 

Machine learning adalah bagian dari kecerdasan buatan yang secara otomatis memungkinkan mesin atau sistem belajar dan berkembang berdasarkan pengalaman. Alih-alih pemrograman eksplisit, machine learning menggunakan algoritma untuk menganalisis data dalam jumlah besar, belajar dari insight, dan kemudian membuat keputusan yang tepat. 

Algoritma machine learning meningkatkan performa dari waktu ke waktu saat dilatih, karena terekspos ke lebih banyak data. Model machine learning adalah output, atau apa yang dipelajari program dari menjalankan algoritma pada data pelatihan. Makin banyak data yang digunakan, makin baik model yang dihasilkan. 

Meskipun AI dan ML bukan produk yang sama, keduanya saling terkait. Cara paling sederhana untuk memahami hubungan AI dan ML adalah:  

• AI adalah konsep yang lebih luas yang memungkinkan mesin atau sistem merasakan, berpikir, bertindak, atau beradaptasi seperti manusia 
• ML adalah aplikasi AI yang memungkinkan mesin mengekstrak pengetahuan dari data dan belajar darinya secara mandiri

Salah satu cara yang dapat membantu kita untuk mengingat perbedaan antara machine learning dan kecerdasan buatan adalah dengan membayangkannya sebagai kategori yang menyatu. Kecerdasan buatan adalah istilah menyeluruh yang mencakup berbagai pendekatan dan algoritma yang spesifik. Machine learning berada di bawah payung itu, tetapi begitu juga subbidang utama lainnya, seperti deep learning, robotika, sistem pakar, dan natural language processing.

Kecerdasan buatan mencakup gagasan tentang mesin yang dapat meniru kecerdasan manusia, sedangkan machine learning tidak. Machine learning bertujuan untuk mengajari mesin cara melakukan tugas tertentu dan memberikan hasil yang akurat dengan mengidentifikasi pola. 

Misalnya, Anda bertanya ke perangkat Google Nest, "Berapa lama perjalanan saya hari ini?" Dalam contoh ini, Anda mengajukan pertanyaan ke komputer dan menerima jawaban tentang perkiraan waktu yang dibutuhkan untuk berkendara ke kantor Anda. Di sini, tujuan keseluruhannya adalah agar perangkat dapat melakukan tugas dengan lancar, tugas yang biasanya harus Anda lakukan sendiri di lingkungan nyata (misalnya, meneliti waktu perjalanan). 

Dalam konteks contoh ini, tujuan menggunakan ML dalam keseluruhan sistem bukanlah untuk memungkinkannya melakukan suatu tugas. Misalnya, Anda dapat melatih algoritma untuk menganalisis data transportasi umum dan lalu lintas langsung untuk memperkirakan volume dan kepadatan aliran traffic. Namun, cakupannya terbatas pada mengidentifikasi pola, seberapa akurat prediksinya, dan mempelajari data untuk memaksimalkan performa tugas tersebut.

• AI memungkinkan mesin menyimulasikan kecerdasan manusia untuk memecahkan masalah
• Tujuannya adalah untuk mengembangkan sistem cerdas yang dapat melakukan tugas-tugas kompleks
• Kami membangun sistem yang dapat memecahkan tugas-tugas rumit seperti manusia
• AI memiliki cakupan penerapan yang luas
• AI menggunakan teknologi dalam sistem untuk meniru pengambilan keputusan oleh manusia
• AI berfungsi dengan semua jenis data: terstruktur, semi-terstruktur, dan tidak terstruktur
• Sistem AI menggunakan logika dan pohon keputusan untuk belajar, beralasan, dan mengoreksi diri sendiri

• ML memungkinkan mesin belajar secara mandiri dari data sebelumnya
• Tujuannya adalah untuk membangun mesin yang dapat belajar dari data untuk meningkatkan akurasi output
• Kami melatih mesin dengan data untuk melakukan tugas tertentu dan memberikan hasil yang akurat
• Machine learning memiliki cakupan aplikasi yang terbatas
• ML menggunakan algoritma pembelajaran mandiri untuk menghasilkan model prediktif
• ML hanya dapat menggunakan data terstruktur dan semi-terstruktur
• Sistem ML mengandalkan model statistik untuk pemelajarannya dan dapat melakukan koreksi sendiri saat diberi data baru

Perusahaan di berbagai industri menggunakan AI dan ML dengan berbagai cara untuk mengubah cara mereka bekerja dan melakukan bisnis. Menggabungkan kemampuan AI dan ML ke dalam strategi dan sistem mereka dapat membantu organisasi memikirkan kembali cara mereka menggunakan data dan resource yang tersedia, mendorong produktivitas dan efisiensi, meningkatkan pengambilan keputusan berdasarkan data melalui analisis prediktif, serta meningkatkan pengalaman pelanggan dan karyawan.   

Berikut beberapa penerapan AI dan ML yang paling umum: 

Analisis dan insight catatan kesehatan pasien, perkiraan dan pemodelan hasil, percepatan pengembangan obat, penambahan diagnostik, pemantauan pasien, dan ekstraksi informasi dari catatan klinis.

Pemantauan mesin produksi, pemeliharaan prediktif, analisis IoT, dan efisiensi operasional.

Pengoptimalan supply chain dan inventaris, perkiraan permintaan, penelusuran visual, penawaran dan pengalaman yang dipersonalisasi, serta mesin pemberi saran.

Penilaian dan analisis risiko, deteksi penipuan, perdagangan otomatis, dan pengoptimalan pemrosesan layanan.

Pengoptimalan jaringan dan jaringan cerdas, pemeliharaan prediktif, otomatisasi proses bisnis, perencanaan upgrade, dan perkiraan kapasitas.