Menerapkan Machine Learning ke data IoT

Artificial Intelligence dan Machine Learning bukanlah inovasi baru. Pada awal tahun 1959, Arthur Samuel mendefinisikan konsep pembelajaran mesin sebagai kemampuan komputer untuk belajar berfungsi dengan cara yang tidak secara khusus diprogram untuk dilakukan. Tentu saja, garis waktu dari definisi hingga implementasi dalam kehidupan sehari-hari dapat menjadi panjang. Saat ini, banyak faktor telah bersatu untuk membuat pembelajaran mesin menjadi kenyataan, termasuk sumber data besar yang sangat bagus untuk pembelajaran, peningkatan daya komputasi untuk memproses informasi dalam hitungan detik, dan algoritme yang menjadi lebih andal.

Machine Learning dapat diterapkan dalam kasus di mana hasil yang diinginkan diketahui (pembelajaran terpandu), atau data tidak diketahui sebelumnya (pembelajaran terarah), atau pembelajaran adalah hasil interaksi antara model dan lingkungan (pembelajaran penguatan).

Filosofi di balik pembelajaran mesin adalah untuk mengotomatisasi pembuatan model analitik untuk memungkinkan algoritma belajar terus menerus dengan bantuan data yang tersedia.

Model yang terus berkembang menghasilkan hasil yang semakin positif, mengurangi kebutuhan interaksi manusia. Model-model yang berevolusi ini dapat digunakan untuk secara otomatis menghasilkan keputusan yang dapat diandalkan dan berulang.

Contoh penerapan Machine Learning sehari-hari termasuk rekomendasi yang dibuat oleh layanan online (Amazon, Netflix) atau peringkat kredit otomatis oleh bank.

Sejauh mana Machine Learning berevolusi secara konkret? Meskipun tidak mungkin untuk memberi tahu mobil Anda untuk membawa Anda bekerja, hari itu akan segera datang.

Kendaraan self-driving Google hampir tidak menjadi berita bagi siapa pun hari ini. Dengan menggabungkan fitur-fitur canggih mobil modern (pengenalan suara, pengendali cruise adaptif, asisten jalur, navigator dan asisten parkir), kami dekat dengan kendaraan operasi yang benar-benar independen.

Salah satu hambatan paling signifikan dalam Machine Learning adalah undang-undang, karena undang-undang saat ini harus mengejar teknologi yang sudah tersedia. Kami mungkin tidak akan melihat hari di mana mesin membela diri di pengadilan, tetapi kami perlu mempertimbangkan seberapa besar kekuatan yang akan kami berikan kepada mesin yang dapat membuat keputusan independen.

Pembelajaran mesin ditambah IoT
Machine Learning telah mengalami peningkatan popularitas di kalangan perusahaan industri berkat hype seputar Internet of Things (IoT). Banyak perusahaan sudah menunjuk IoT sebagai area strategis yang signifikan, sementara yang lain telah memulai proyek percontohan untuk memetakan potensi IoT dalam operasi bisnis.

Akibatnya, hampir setiap vendor TI tiba-tiba mengumumkan platform IoT dan layanan konsultasi.

Tetapi mencapai keuntungan finansial melalui IoT tidaklah mudah. Kurangnya tujuan konkret mencemaskan. Kemajuan digitalisasi dan IoT menempatkan prasyarat baru pada pembeli dan penjual. Banyak bisnis gagal menentukan dengan jelas bidang apa yang akan berubah dengan penerapan strategi IoT.

Dengan kata lain, didefinisikan dengan jelas, tujuan perantara konkrit tidak ada. Sebagai contoh, perusahaan industri menghasilkan sejumlah besar data setiap hari. Namun, pada umumnya, perusahaan gagal mengumpulkan, menyimpan, menganalisis, dan menggunakan data tersebut secara sistematis untuk meningkatkan efisiensi proses atau memenuhi tujuan lainnya.

Selain itu, tidak banyak vendor yang mampu menetapkan, secara konkret, kepada klien bagaimana secara hati-hati menciptakan dampak positif pada operasi bisnis dengan solusi IoT. Cukup janji platform IoT berbasis cloud tidak cukup.

Menurut Gartner, Finlandia menuju ke jebakan di mana diskusi tentang IOT berkisar pada terminologi teknis, bukan tujuan bisnis. Klien perlu mengadopsi ide-ide inovatif dan memiliki keberanian untuk menerima perubahan. Sebaliknya, vendor perlu meningkatkan keterampilan mereka dalam mendeskripsikan, dalam istilah yang lebih konkret, apa yang dapat diwujudkan perusahaan melalui penggunaan IoT, dan bersedia membantu mengidentifikasi peluang bisnis dan mengembangkan rencana yang realistis.

Jika vendor menawarkan solusi berdasarkan metode analitik tunggal untuk semua masalah pada dasarnya, bel alarm harus berdering.

Menemukan jawaban dalam data IoT
Beberapa waktu lalu, rekan saya diminta untuk membantu perusahaan di sektor energi. Fasilitas baru perusahaan mengalami kesulitan produksi yang parah akibat kegagalan turbin kritis.

Pihak ketiga telah dipekerjakan untuk menyelesaikan masalah ini. Setelah sekitar enam bulan bekerja, sebuah tim yang terdiri dari empat konsultan hanya menggunakan analisis jalur telah membuat sedikit kemajuan.

Fasilitas ini telah menghasilkan banyak data mesin, pemeliharaan dan proses, serta informasi cuaca yang dicap waktu. Terlepas dari semua data yang tersedia ini, tidak ada yang bisa memurnikannya menjadi informasi yang berguna.

Untuk melewati penghentian itu, kami membantu organisasi menambahkan komponen analitis. Setelah semua data disempurnakan melalui analitik, masalah mendasar ditemukan terkait terutama dengan pengoptimalan umpan oksigen selama proses produksi. Fasilitas tersebut belum memiliki masalah besar sejak itu.

Ini adalah contoh utama tentang bagaimana pembelajaran mesin dapat digunakan untuk mencapai tingkat efisiensi yang lebih tinggi. Dengan algoritme yang tepat, sistem dapat secara bertahap diajarkan untuk mengenali faktor-faktor terkait produksi internal dan eksternal, mengoptimalkan penggunaan bahan habis pakai, dan meningkatkan efisiensi seluruh proses produksi.

Ini hanyalah salah satu dari banyak contoh praktik IoT yang bagus. Untuk lebih lanjut, Anda dapat membaca studi menyeluruh tentang tiga organisasi yang menganalisis data IoT.

About: luke

Mahasiswa S3 Jurusan Teknik Elektro dan Informatika ITB, Merupakan founder dari Etunas Sukses Sistem.