Program Inisiatif Riset & Inovasi Industri: Orkestrasi AI

6.2.2 PROSES RISET DAN INOVASI INDUSTRI KECERDASAN ARTIFISIAL 

Untuk mencapai sasaran strategis yang telah ditetapkan, dibutuhkan proses yang mengarahkan pada terciptanya produk, layanan, dan solusi teknologi Kecerdasan Artifisial yang tepat guna di sektor-sektor industri prioritas. Proses ini mengadopsi prinsip demand-driven innovation yang digerakkan oleh kebutuhan masyarakat yang menggunakan produk-produk hasil industri, yang kemudian diturunkan menjadi implementasi riset dan teknologi. 

Proses inovasi dimulai dengan mengan\alisis permasalahan dan kebutuhan pada sektor-sektor industri prioritas serta proses bisnis yang ada. Setelah itu dilanjutkan dengan mengidentifikasi produk dan layanan berbasis Kecerdasan Artifisial yang cocok untuk mengatasi permasalahan dan memenuhi kebutuhan pada tiap-tiap sektor, yang ditopang oleh teknologi dan sumber daya beserta pemungkin (enabler) yang tepat. 

SEKTOR PUBLIK DAN INDUSTRI

Komponen ini terkait pada sektor-sektor prioritas yang menjadi fokus pemanfaatan teknologi Kecerdasan Artifisial sebagai katalisator alur kerja pada masing-masing sector yang dijelasakan pada 

PRODUK, LAYANAN, DAN SOLUSI 

Menurut Davenport dan Ronanki (2018) di Harvard Business Review, terdapat tiga tipe produk dan layanan Kecerdasan Artifisial sebagai berikut: 

1. Robotics and Process Automation, yaitu otomasi tugas-tugas digital dan fisik. 

2. Cognitive Insights, yaitu algoritma untuk mendeteksi pola dalam volume data sangat besar dan menginterprestasikan artinya. 

3. Cognitive Engagement, yaitu pelibatan interaksi pekerja dan pelanggan menggunakan robot pemrosesan bahasa alami, agen cerdas, dan machine- learning. 

TEKNOLOGI 

Untuk merealisasikan produk, layanan, Berikut ini penjelasan lebih rinci mengenai beberapa teknologi Kecerdasan Artifisial yang perlu dibangun atau dimanfaatkan untuk mendukung terciptanya produk, layanan, dan solusi berbasis Kecerdasan Artifisial. 

Berikut ini penjelasan lebih rinci dari masing-masing komponen proses riset dan inovasi industri Kecerdasan Artifisial. 

Gambar 63. Proses Riset dan Inovasi Industri Kecerdasan Artifisial. 

1. Big Data, IoT, Cyber-Physical Systems 

Big data merupakan sebuah konsep yang menjelaskan tentang data dalam variasi, volume, dan kecepatan aliran yang sangat besar, baik yang terstruktur (seperti dalam bentuk tabular pada basis data) maupun yang tidak terstruktur (seperti data percakapan pada berbagai media sosial, video, dan audio). Big data telah menjadi syarat mutlak bagi perkembangan teknologi Kecerdasan Artifisial modern yang didominasi oleh machine learning. 

Perkembangan big data juga dipicu oleh meluasnya penggunaan Internet of Things (IoT) dalam berbagai bidang seperti lingkungan, pertanian, kebencanaan, infrastruktur, dan transportasi. Salah satu bentuk dari IoT adalah Wireless Sensor Networks (WSN) yang merupakan sekumpulan sensor dalam bentuk yang kompak dan terhubung secara nirkabel.

Data- data yang diakuisisi oleh berbagai macam sensor akan menghasilkan big data (biasanya disimpan di dalam Cloud) dan perlu dilakukan analisis untuk berbagai kepentingan seperti pengenalan pola dan kecenderungan, prediksi, dan pengambilan keputusan. 

Teknologi IoT berperan penting dalam perkembangan teknologi yang dewasa ini dikenal sebagai Cyber-Physical Systems (CPS), yang menghubungkan antara dunia fisik dan siber, umumnya melalui sensor dan aktuator, baik secara kabel maupun nirkabel. Dalam konteks ini, kecepatan transfer data yang tinggi yang ditawarkan jaringan 5G akan menjadi penting. 

2. Machine Learning dan Deep Learning 

Machine Learning merupakan sub-bidang dari Kecerdasan Artifisial untuk menghasilkan model matematis atau agen Kecerdasan Artifisial melalui pembelajaran dari data, yang nantinya dipergunakan untuk melakukan prediksi atau inferensi. Dengan perkembangan Big Data, Machine Learning menjadi faktor kesuksesan pemanfaatan Kecerdasan Artifisial di ranah praktis.

Terdapat berbagai jenis paradigma dan algoritma Machine Learning yang telah dihasilkan diantaranya k-nearest neighbor, logistic regression, naive bayes, gradient boosting, random forest, support vector machines, deep learning, dan sebagainya. 

Pada satu dekade terakhir berkembang deep learning yang pada prinsipnya merupakan jaringan syaraf tiruan yang terdiri dari banyak lapisan, yang terbukti menghasilkan model dengan performa yang lebih baik, terutama untuk problem-problem klasifikasi dan regresi, seiring dengan bertambahnya data.

Beberapa tonggak sejarah penting yang dicapai oleh deep learning antara lain mencapai performa melebihi manusia untuk klasifikasi citra pada suatu kontes yang dinamakan ImageNet challenge pada tahun 2012, mengalahkan juara dunia untuk permainan Go pada tahun 2016, dan menghasilkan terobosan-terobosan di bidang pemrosesan bahasa natural dengan kehadiran model berbasis transformer pada tahun 2017 - 2019. 

BEBERAPA ARSITEKTUR DAN ALGORITMA DEEP LEARNING YANG BANYAK DIGUNAKAN UNTUK BERBAGAI KEBUTUHAN, TERUTAMA UNTUK PENGENALAN CITRA/VIDEO DAN PEMROSESAN SEKUENS 

Beberapa arsitektur dan algoritma deep learning yang banyak digunakan untuk berbagai kebutuhan, terutama untuk pengenalan citra/video dan pemrosesan sekuens, adalah convolutional neural networks (CNN), long- short term memory (LSTM), autoencoder, recurrent neural networks, deep reinforcement learning, dan sebagainya. 

Baca juga: Cara Membuat Prompt Gambar yang Tepat dan Efektif

Dalam beberapa tahun belakangan muncul pengembangan generative adversarial networks (GAN) yang dapat diterapkan untuk menghasilkan misalnya karya seni yang kreatif, terutama dalam bentuk gambar dan video, berdasarkan contoh-contoh data yang diberikan. 

3.  Probabilistic Model and Reasoning 

Probabilistic Model and Reasoning (PMR) dapat dianggap sebagai salah satu paradigma machine learning yang menitikberatkan pada pendekatan probabilistik atau memasukkan unsur ketidakpastian (uncertainty) pada penalarannya. Paradigma ini bermanfaat dan lebih kokoh dibandingkan metode-metode non-probabilistik apabila data-data memiliki unsur ambiguitas dan noise yang tinggi, dimana seringkali terjadi pada dunia nyata. 

PMR juga berpeluang untuk lebih mampu mengatasi permasalahan dimana jumlah ketersediaan data lebih sedikit. Beberapa metode atau algoritma yang termasuk dalam paradigma PMR adalah sebagai berikut: Discrete Belief Networks, Hidden Markov Models, Kalman Filters, Bayesian Networks, Markov Random Fields, dan sebagainya. 

AI on edge...