Lanjutan catatan belajar AI saya. Di episode sebelumnya kita sudah sepakat definisi kerja AI, sekarang waktunya membahas istilah yang paling sering tertukar: machine learning. Dulu saya pikir AI dan ML itu sinonim. Ternyata tidak — dan memahami hubungan serta tiga paradigma di dalamnya bikin peta belajar saya jauh lebih jelas.
Machine learning itu bagian dari AI
Cara paling gampang membayangannya: AI adalah payung besar, machine learning adalah salah satu pendekatan di dalamnya, dan deep learning (neural network berlapis banyak) adalah bagian kecil lagi di dalam ML. Machine learning sendiri bisa didefinisikan sebagai teknik yang membuat komputer belajar dari data tanpa harus diprogram secara eksplisit aturan demi aturan.
Analogi programmer: daripada menulis aturan langsung, kita menulis kode yang menghasilkan aturan dari data. Kita tidak menulis “spam itu email yang mengandung X, Y, Z”. Kita menulis pipeline yang menerima ribuan contoh berlabel lalu mengeluarkan sendiri aturan klasifikasinya.
Supervised learning: belajar dengan kunci jawaban
Ini paradigma yang paling sering dipakai di industri. Datanya berupa pasangan input dan label — mirip unit test yang punya expected value. Model menerima soal (input) dan kunci jawaban (label), lalu belajar menyesuaikan diri supaya tebakannya makin dekat dengan kunci.
Supervised learning terbagi dua tugas besar:
- Klasifikasi — labelnya kategori: spam atau bukan, churn atau tidak, foto kucing atau anjing.
- Regresi — labelnya angka kontinu: harga rumah, estimasi waktu tempuh, perkiraan cuaca.
Dari beberapa tulisan pengalaman praktisi yang saya baca, mayoritas proyek bisnis jatuhnya ke supervised. Bottleneck-nya juga jelas: label itu mahal. Butuh manusia untuk melabeli data satu per satu, dan di sinilah seringnya proyek macet duluan.
Unsupervised learning: mencari pola tanpa label
Kalau supervised itu mengerjakan soal lengkap dengan kunci jawaban, unsupervised itu seperti dibuang ke codebase legacy tanpa dokumentasi: tidak ada kunci jawaban, kita cuma diminta menemukan struktur dari apa yang ada. Datanya hanya berisi input, dan tugas model adalah menemukan pola atau pengelompokan alami.
Contoh nyatanya: segmentasi pelanggan (mengelompokkan pembeli dari perilaku transaksi tanpa kita tentukan kelompoknya), reduksi dimensi seperti PCA untuk memampatkan fitur, dan deteksi anomali — menandai transaksi yang polanya menyimpang dari kebiasaan.
Reinforcement learning: belajar dari hadiah dan hukuman
Paradigma ketiga ini paling mirip cara belajar main game. Ada agent yang mengambil aksi di dalam sebuah environment, lalu menerima reward (atau hukuman) dari aksinya. Tidak ada kunci jawaban per langkah — yang ada cuma sinyal “ini bagus” atau “ini buruk”, dan agent belajar strategi lewat trial and error dalam jumlah besar.
Contoh terkenalnya program komputer yang mengalahkan juara dunia Go, robot yang belajar berjalan, dan — yang menarik buat saya — tahap penyelarasan model bahasa besar yang juga memakai ide reward dari feedback manusia.
| Paradigma | Butuh label? | Contoh tugas | Analogi coding |
|---|---|---|---|
| Supervised | Ya | Deteksi spam, prediksi harga | Unit test dengan expected value |
| Unsupervised | Tidak | Clustering, anomali | Eksplorasi codebase tanpa dokumentasi |
| Reinforcement | Tidak (ada reward) | Game, robotika | Bot yang belajar dari skor |
Catatan untuk diri sendiri
Awalnya saya bingung harus memilih paradigma yang mana untuk sebuah masalah. Sekarang saya pakai tiga pertanyaan sederhana: apakah ada kunci jawaban? Kalau ya, supervised. Tidak ada label tapi ingin menemukan struktur? Unsupervised. Masalahnya interaktif dan ada sinyal sukses-gagal bertahap? Reinforcement. Sederhana, tapi sampai sekarang belum pernah salah arah.
Komentar Terbaru