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, fasilitas Artificial Intelligence (AI) engine untuk  asikbelajar [dot] com SUDAH dipasang. Dan tugasku “hanya” memasang koding yang mereka berikan untuk dipasang.

Nah, karena Artificial Intelligence (AI) lagi menjadi hangat, maka AsikBelajar.Com mencoba mencari artikel terkait yang berhubungan dengan kegiatan 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 perantara yang dominan, semuanya pada dasarnya menjawab kebutuhan kita untuk berkomunikasi. Saya akan menyebut ini sebagai “era komunikasi” yang saya yakini telah “stabil” dalam hal potensi inovasi yang benar-benar mengganggu.

Kita sekarang berada di awal era berikutnya, ‘era pengetahuan’, di mana Artificial Intelligence (AI) akan mendominasi. AI adalah istilah payung yang mencakup beberapa teknologi seperti Machine Learning (ML), Natural Language Processing (NLP) dan Knowledge Representation (KR). AI sekarang adalah teknologi mutakhir.

Bagaimana bisnis Anda dapat menggunakan AI?

Klien dan klien potensial selalu bertanya bagaimana mereka dapat menggunakan AI untuk menambah nilai bagi bisnis mereka. Jawabannya adalah dengan mengerahkan Mesin AI sebagai kendaraan implementasi melalui mana fungsi AI dapat dimanfaatkan, mengaburkan kompleksitas yang melekat. Terdiri dari beberapa modul berbeda, AI Engine dapat digunakan 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 mencakup Machine Learning Module, sebuah Bahasa Pengolahan Modul Alam dan Modul Representasi Pengetahuan (Ontologi) .

Dengan maksud untuk menargetkan tujuan bisnis tertentu seperti meningkatkan penjualan, mengurangi biaya, mengatasi kepatuhan dan meningkatkan keamanan cyber, modul ini digunakan 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 mengembangkan AI Engine yang kuat dan berorientasi bisnis (sebagai lawan dari mitra yang secara akademis sama pentingnya). Di bawah ini saya akan merinci komponen-komponen AI Engine dan menjelaskan bagaimana mereka dapat digunakan untuk meningkatkan proses bisnis.

MODUL BELAJAR MESIN

Machine Learning didasarkan pada Neural Networks yang memodelkan fungsi otak biologis. Neural Network adalah jaring neuron (sel otak) yang terhubung satu sama lain melalui koneksi yang disebut sinaps (memikirkan jaring ikan) Koneksi ini memiliki 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: jika daya kumulatif cukup bola lampu akan menyala). Pemikiran manusia adalah efek 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 memberikan bersih sebuah contoh dari input yang diberikan dan output yang diharapkan (pikirkan input 1 plus 1, dan output 2 untuk mengajarkannya tambahan). Selanjutnya, berikan banyak contoh dan kemudian gunakan algoritme pembelajaran standar khusus yang dapat 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 dapat meningkatkan bisnis Anda

Modul Pembelajaran Mesin dapat 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 dapat menganalisis keadaan saat bermain dan memberikan prediksi dan rekomendasi sehubungan dengan masa depan. Contoh spesifik penerapan Pembelajaran Mesin untuk tujuan bisnis adalah sebagai berikut:

Perkiraan Kebutuhan Inventory

Toko roti nasional ingin memprediksi permintaan secara akurat dan menyesuaikan produksi dengan tepat. Mengingat kinerja masa lalu dalam kaitannya dengan serangkaian faktor seperti waktu tahun, cuaca, situasi politik, kejadian saat ini dan banyak lagi, perkiraan permintaan berdasarkan ML yang akurat dapat menghasilkan penghematan yang terukur dan signifikan.

Mengurangi Pengembalian Produk

Perusahaan garmen ritel online ingin mengurangi pengembalian produknya berdasarkan berbagai faktor termasuk jenis kelamin pembeli, usia, riwayat pesanan, kunjungan situs web, minat produk, dan banyak lagi. Berdasarkan data yang tersedia, memilih model ML yang optimal untuk memberikan wawasan yang signifikan ke dalam faktor-faktor apa yang mempercepat pengembalian dapat berdampak signifikan terhadap profitabilitas dan efisiensi (bahkan sampai pada titik “mengecewakan” pesanan secara real time yang memiliki probabilitas tinggi untuk dikembalikan)

Rekomendasi Produk

Mungkin aplikasi pembelajaran Mesin yang paling populer adalah sistem rekomendasi film Netflix dan fitur ‘pelanggan juga membeli’ dari Amazon. Produk-produk yang direkomendasikan pada “checkout” dipilih berdasarkan penilaian awal yang sangat akurat tentang 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 dapat secara jelas memberikan nilai yang signifikan. Diberikan data historis yang cukup termasuk transaksi pelanggan, profil, kejadian saat ini, tingkat pengangguran, suku bunga dan tingkat pasar saham semua dimasukkan ke dalam campuran yang dipilih dari model ML dapat 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 manusia dengan cara yang tertulis atau diucapkan. Tujuannya adalah untuk membuat komputer secerdas manusia dalam memahami bahasa, mengenali ucapan dan menghasilkan bahasa.

Bidang aplikasi utama meliputi:

o Ringkasan : menyediakan ringkasan teks yang hanya mencakup konsep utama. Ringkasan ekstraktif menggunakan kalimat atau frasa yang telah disediakan, sedangkan ringkasan abstraktif menggunakan teks yang baru 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 berita menurut domain) atau bandingkan teks dengan maksud untuk mengidentifikasi kelompok yang menjadi miliknya (misalnya email ini adalah spam atau bukan)

o Ekstraksi Entitas  – Identifikasi orang, tempat, organisasi dan banyak lagi

Bagaimana Modul Pemrosesan Bahasa Alami dapat membantu bisnis Anda

Secara khusus, contoh penerapan modul Pemrosesan Bahasa Alami dalam bisnis adalah sebagai berikut:

Ringkasan dan analisis sentimen dari komentar pengguna di blog online, situs berita, dan forum

Merangkak blog target, forum, dan situs berita untuk mengekstrak komentar yang terkait dengan produk atau perusahaan tertentu dan kemudian melanjutkan untuk secara otomatis merangkum dan menganalisis sentimen terkait dengan maksud untuk memberikan wawasan berharga terkait dengan produk dan layanan.

Menemukan pelanggan potensial menggunakan bagian ‘Tentang’ yang ditemukan di situs web mungkin

Dengan daftar situs web perusahaan target (misalnya dari CrunchBase), perayap khusus dapat mengekstrak teks dari bagian ‘Tentang’, meringkas dan mengklasifikasikan teks-teks ini, dan kemudian memberikan wawasan untuk menemukan perusahaan-perusahaan tersebut dari daftar yang mungkin yang diminati sebagai pelanggan potensial dengan mengelompokkan bagian ‘Tentang’ pelanggan saat ini.

Profil dan sentimen pengirim email

Untuk setiap kontak email, rangkum dan klasifikasi 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 adalah bidang AI yang didedikasikan untuk merepresentasikan informasi tentang dunia: karakterisasi konseptual dari sifat dasar realitas dalam bentuk yang dapat digunakan dan dimengerti oleh sistem komputer. Ini dapat diimplementasikan dalam bentuk “ontologi”, yang merupakan representasi pengetahuan formalisme yang terdiri dari serangkaian konsep dan kategori hirarkis bersama dengan sifat dan hubungan di antara mereka. Intinya pengetahuan kita tentang dunia adalah ontologi internal.

Inti dari Mesin AI diimplementasikan sebagai ontologi yang dapat diisi secara default dengan sejumlah besar pengetahuan umum (misalnya seluruh Wikipedia dalam bentuk DBPedia), atau pengetahuan domain tertentu, seperti e-commerce atau perawatan kesehatan.

Memanfaatkan Modul Representasi Pengetahuan dalam bisnis

Ontologi spesifik domain dapat memberikan dampak komersial yang signifikan. Contoh spesifik termasuk:

e-commerce

Di situs web e-commerce, pengguna dapat mencari produk berdasarkan nama atau fitur, tetapi mereka tidak mendukung permintaan seperti “cara menurunkan berat badan” atau “cara menyingkirkan semut” meskipun mereka dapat menjual produk untuk situasi semacam itu. Apa yang mereka butuhkan adalah sebuah ontologi di mana konsep-konsep yang diekspresikan dalam bahasa alami dipetakan ke produk. Demikian pula, dukungan pelanggan dapat memanfaatkan ontologi menggunakan chatbot untuk menjawab pertanyaan secara otomatis dengan peningkatan akurasi dan efisiensi.

Kesehatan

Di Healthcare, ontologi yang menghubungkan gejala, kondisi, perawatan, dan pengobatan dapat memberikan nilai tambah yang signifikan untuk proses bisnis perawatan kesehatan sehari-hari.

Memusatkan pengetahuan perusahaan

Sebagian besar perusahaan memiliki seperangkat dokumen yang umum digunakan 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 pada dasarnya terdiri dari aset digital yang signifikan. Melalui sistem NLP / NLU, pengetahuan ini dapat dikumpulkan, diproses sebelumnya, dan dianalisis semantis dengan maksud untuk menciptakan basis ontologi / pengetahuan terpusat perusahaan yang kemudian dapat diperluas, dicari, atau diperbarui.

PREVIEW: MODUL GENERASI BAHASA ALAM ALAM

NLG adalah langkah maju yang sangat penting dari ‘era pengetahuan’ yang disebutkan di atas. Di Fortuitapps kami sekarang bekerja untuk menambahkan modul NLG ke AI Engine yang dijelaskan di atas. Karena ini adalah bagian 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 adalah proses cerdas menghasilkan teks dalam bahasa alami sebagai tanggapan atas permintaan atau permintaan pengguna tertentu. Untuk melakukan ini, modul NLG harus memodelkan kemampuan yang hampir tidak sepele yang membuat manusia cerdas: akal sehat. Tanpa sejumlah besar pengetahuan sehari-hari tentang dunia (atau setidaknya tentang domain tertentu dari aplikasi), generasi bahasa alami tidak mungkin pada tingkat produk. Konsekuensinya, inti dari setiap modul NLG harus terdiri dari basis pengetahuan dalam bentuk ontologi yang memberikan ‘pengetahuan’ yang pada akhirnya akan dihasilkan sebagai tanggapan ‘teks’.

Bagaimana kita membuat basis Pengetahuan Inti NLG?

Sebagaimana manusia belajar 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 menunjukkan struktur berurutan dengan berbagai tingkat abstraksi seperti judul, kalimat, paragraf dan bagian. Abstraksi hierarkis ini memberikan konteks di mana kita menyimpulkan arti kata dan kalimat teks.

Jadi, untuk mengisi basis pengetahuan inti NLG kita memerlukan perangkat lunak yang dapat membaca dan memahami corpora (misalnya teks Google News) dan memanfaatkan sejumlah besar pengetahuan umum yang tersedia melalui Wikipedia (teks) dan DBPedia (ontologi).

Bagaimana mesin dapat 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, adalah sejenis jaringan saraf berulang yang memiliki kemampuan untuk memberikan umpan balik dari “pelajaran” di masa lalu. LSTM adalah algoritma yang sangat kuat yang dapat mengklasifikasikan, mengelompokkan dan membuat prediksi tentang data dan khususnya rangkaian waktu dan teks.

Kami menggabungkan fitur kontekstual (topik) ke dalam model untuk mencapai tugas NLP tertentu seperti 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 memberikan prediksi ujaran berikutnya dalam sistem dialog.

Selain model pembelajaran mendalam di atas, kami menggunakan model “dangkal” seperti yang diterapkan di Word2vec. Word2vec adalah 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 dekat satu sama lain di ruang angka ini, dan kata-kata yang tidak mirip sangat berjauhan

Pendekatan berbasis kerangka semantik

Kerangka semantik adalah model terstruktur dari konsep-konsep terkait yang secara bersama-sama memberikan pengetahuan tentang semuanya dan tanpanya tidak mungkin ada pengetahuan lengkap dari mereka.

Contohnya adalah kueri “ramalan harga apel”: apakah kita mengacu pada harga buah apel atau perusahaan Apple Inc dan perkiraan terkait dengan harga sahamnya? Untuk menjawab ini, kita harus memodelkan bagaimana manusia melakukan ini, dan itu adalah pada dasarnya menggunakan “Bayesian Inference”. Bayesian Inference adalah teori statistik di mana bukti tentang keadaan sebenarnya dunia dihitung dalam hal derajat kepercayaan yang dikenal sebagai probabilitas Bayesian.

Dalam konteks probabilitas Bayesian ini, untuk memilih kerangka konseptual yang benar terkait dengan kueri “ramalan harga apel” dan dengan demikian mengetahui apa yang sedang kita bicarakan, kita menggunakan “Distribusi Prioritas Awal” yang hanya dikenal sebagai ‘sebelumnya’ dari suatu ketidakpastian kuantitas. Sebelumnya adalah probabilitas yang akan mengungkapkan keyakinan seseorang tentang kuantitas ini sebelum beberapa bukti diperhitungkan.

Meskipun tidak ada jaminan, mengingat prior dan struktur kami memilih bingkai semantik (baik harga buah atau harga saham) yang kami anggap relevan dengan permintaan dengan maksud untuk menghasilkan respons yang tepat. Dalam contoh kami, kami pada dasarnya bertanya apa yang biasanya orang maksud dengan ini, dan jadi kami menggunakan frame harga saham semantik.

Menghasilkan Teks Bahasa Alami

Berdasarkan basis pengetahuan ontologi inti NLG kami, dan menggabungkan kedua pendekatan yang dijelaskan di atas , diberikan permintaan 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 penyesuaian 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.