Saya lanjutkan pembahasan tentang Training AI-102. Training ini tujuannya adalah belajar mengembangkan aplikasi AI menggunakan azure cognitive service, Azure bot service dan Azure cognitive search. Ada 12 modul. Buat praktek dibutuhkan Visual Studio code, C#, Python, Bot Framework Composer, Bot Framework Emulator dan langganan Microsoft Azure.

Modul 1 adalah pengenalan AI. Secara umum AI adalah software yang memiliki salah satu dari kemampuan manusia berikut:

Persepsi visual: kemampuan menggunakan komputer vision untuk menerima, menginterpretasi dan memproses masukan dari gambar, video dan kamera

Analisa teks: kemampuan menggunakan NLP tidak hanya untuk membaca, tapi juga mengekstraksi makna semantik dari data teks

Speech: Kemampuan untuk mengenali suara sebagai input dan melakukan sintesis suara sebagai output. Kompunasi speech dengan NLP membuat mesin dapat berinteraksi dengan komputer (conversational AI). Contohnya bots

Pengambilan keputusan: kemampuan untuk menggunakan pengalman dan mempelajari korelasi untuk menganlisa situasi dan mengambil tindakan yang tepat. Misalnya mengenali anomali dalam pembacaan sensor dan mengambil tindakan untuk mencegah kesalahan sistem

Data Science adalah ilmu yang fokus pada pengolahan dan analisa data, menggunakan teknik statistik untuk menemukan dan memvisualisasikan hubungan dan pola pada data. Kemudian mendefinisikan model eksperimen untuk mempelajari pola tersebut.

Seorang Data scientis contohnya mengumpulkan data tentang populasi spesies yang terancam punah pada sebuah area, kemudian menggabungkan data tentang tingkat industrialisasi dan kondisi ekonomi pada daerah tersebut. Data ini kemudian dianalisa menggunakan teknik statistik untuk melakukan ekstrapolasi dari data untuk memahami tren dan hubungan antara aktivitas orang dan alam. Kemudian menguji hipotesis menggunakan model yang menunjukan dampak dari aktivitas manusia terhadap populasi hewan. Hasilnya dapat digunakan untuk menentukan kebijakan untuk menjaga keseimbangan kebutuhan ekonomi untuk manusia dengan kebutuhan konvervasi alam untuk spesies yang terancam punah.

Machine learning adalah bagian dari data science yang melakukan training dan validasi dari model prediksi. Biasanya seorang data scientis mempersiapkan data dan menggunakannya untuk melakukan training sebuah model berbasis sebuah algoritma yang mempelajari hubungan antara fitur-fitur di data untuk memprediksi nilai2 yang disebut sebagai label.

Contohnya seorang data scientist dapat menggunakan data yang mereka kumpulkan untuk melakukan training sebuah model yang melakukan prediksi pertumbuhan tahunan atau penurunan populasi dari sebuah spesies berdasarkan berbagai faktor, misalnya jumlah sangkar/sarang hewan yang diamati, apakah area hewan tersebut dilindungi, berapa populasi manusia di daerah tersebut, Volume trafik lalulintas dst. Model prediksi dapat digunakan sebagai alat untuk melakukan evaluasi rencana untuk perumahan, infrastruktur dan pengembangan industri di daerah tersebut dan apa dampaknya bagi hewan disana

AI biasanya dibangun dengan ML untuk menghasilkan software yang memiliki salah satu atau beberapa kemampuan kecerdasan manusia. Contohnya untuk menyeimbangkan kebutuhan konservasi alam dengan ekonomi dibutuhkan pengawasan populasi dari hewan langka. Bisa saja sulit untuk mengandalkan orang yang dapat melakukan identifikasi hewan langka tersebut, atau untuk mengawasi area yang besar tanpa waktu yang memadai. Bisa jadi keberadaan orang akan mengganggu hewan dan mencegah deteksinya. Pada kasus ini, sebuah model prediksi dapat di training untuk melakukan analisa data gambar yang diambil dari kamera dengan deteksi gerakan pada lokasi yang jauh dan melakukan prediksi apakah foto mengandung penampakan hewan. Model kemudian dapat digunakan pada sebuah apikasi software yang dapat memberikan respon terhadap identifikasi hewan, melakukan identifikasi area dengan populasi hewan yang banyak untuk menentukan status area adalah dilindungi.

Untuk membangun model prediksi, dilakukan training terhadap data sampel. Training melakukan analisa data dan menentukan hubungan antara fitur-fitur pada data dan label. Setelah model ditraining, maka sistem diuji dengan data baru dengan fitur yang diketahui, kemudian diprediksi labelnya. Menggunakan model untuk membuat prediksi dikenal juga sebagai inferencing.

Prediksi dari model ML adalah berbasis probabilitas. Prediksi biasanya memiliki confidence score yang menggambarkan probabilitas dari sebuah prediksi. Namun perlu diperhatikan juga aspek etik dari sistem yang sering disebut sebagai responsible AI. Beberapa prinsip responsible AI yang digunakan microsoft diantaranya adalah fairness, reliability dan safety, privacy dan security, inclusiveness, transparansi dan akuntability.

Fairness maksudnya adalah sistem harus adil. Misalnya untuk sistem prediksi persetujuan pinjaman pada bank. Model harus dapat membuat prediksi tanpa memiliki bias terhadap jenis kelamin, etnis dan faktor lainnya.

Reliability dan safety maksudnya sistem yang dibangun harus handal dan aman. Contohnya untuk sistem autonomous vehicle, model untuk diagnosa simptom pasien dan rekomendasi obat. Bila sistem ini tidak handal maka akan mengancam jiwa manusia.

Privasi dan security harus dipertimbangkan, karena model ML biasanya mempelajari data yang besar. Data-data ini bisa saja mengandung detil personal yang harus diperhatikan sisi privasinya.

Inclusiveness berarti sistem AI harus membawa manfaat bagi semua masyarakat tidak terbatas pada gender tertentu, etnik tertentu dll.

Transparancy maksudnya sistem AI harus bisa dipahami dan dapat dijelaskan tujuannya, prosesnya dan matasannya. Terakhir adalah accountability maksudnya sistem yang dibangun harus sesuai dengan aturan setempat.

Sampai disini dulu, insyaallah besok saya lanjutkan lagi

referensi:

https://docs.microsoft.com/id-id/certifications/exams/ai-102

https://docs.microsoft.com/id-id/certifications/azure-ai-engineer/