Mari kita mulai dengan sebuah contoh. Bayangkan sebuah sistem pembelajaran mesin dilatih untuk mengidentifikasi produk yang cacat. Sistem tersebut diperlihatkan ratusan atau ribuan contoh produk yang cacat dan tidak cacat. Kemudian, sistem tersebut dapat secara akurat membedakan antara produk yang baik dan produk yang cacat. Ini adalah salah satu dari banyak kasus penggunaan di mana pembelajaran mesin efektif, dan mungkin lebih cepat dan lebih unggul daripada kinerja manusia, setelah sistem dilatih. Tetapi setelah produk yang cacat diidentifikasi, apa selanjutnya?
Pada titik ini, informasi lebih lanjut diperlukan agar proses identifikasi ini bermanfaat. Dari lini produk mana cacat tersebut berasal? Berapa biaya kerugian akibat hilangnya komponen tersebut? Vendor atau pemasok mana yang terlibat? Siapa yang bertanggung jawab atas proses di mana cacat tersebut ditemukan? Konten apa yang perlu diberikan untuk menginformasikan manajer tentang masalah ini? Data pembelajaran mesin perlu dikontekstualisasikan agar dapat ditindaklanjuti. Hal ini membutuhkan AI simbolik, yang merepresentasikan pengetahuan dan memberikan pemahaman serta penalaran semantik, termasuk pengembangan aturan untuk mengekstrak pengetahuan yang relevan.
Tujuan utamanya adalah memungkinkan komputer untuk mensimulasikan, sedekat mungkin, fungsi otak manusia. Komputer tidak berpikir seperti kita—otak manusia jauh lebih kompleks, serbaguna, dan mudah beradaptasi daripada mesin mana pun. Otak memiliki 40 neurotransmiter yang berbeda. Satu neuron dapat terhubung ke sepuluh ribu neuron lainnya. Ada tingkat kompleksitas yang tak terbayangkan dan belum dapat ditandingi oleh komputer. Tetapi AI hibrida memberikan skalabilitas pembelajaran mesin dengan nuansa AI simbolik untuk memungkinkan kita mensimulasikan kinerja otak dengan lebih akurat, dan memberikan informasi yang dapat ditindaklanjuti oleh sistem.
Salah satu cara untuk merepresentasikan pengetahuan adalah melalui knowledge graph yang menunjukkan koneksi dan hubungan lain di antara berbagai elemen data. Knowledge graph memberi kita titik referensi, sehingga kita dapat memahami apa yang ada dalam data, terutama data tidak terstruktur, dan memperoleh wawasan yang bermakna. Arsitektur informasi dalam bentuk knowledge graph merupakan fondasi bagi AI simbolik.
Baik pembelajaran mesin maupun AI simbolik bekerja lebih baik ketika informasi terstruktur dan metadata tersedia. Data yang diberi tag diperlukan untuk melatih pembelajaran mesin (pembelajaran terawasi). AI simbolik membutuhkan aturan tentang bahasa, dan data yang terstruktur. Oleh karena itu, AI hibrida secara keseluruhan akan lebih sukses ketika arsitektur informasi yang solid dan terencana dengan baik telah dikembangkan sebagai fondasi.
Arsitektur informasi selalu dimulai dengan identifikasi masalah bisnis dan kasus penggunaan prioritas. Selain itu, Anda perlu memahami siapa yang terdampak dan bagaimana dampaknya terhadap organisasi. Kembangkan metrik dasar agar Anda tahu seperti apa keberhasilan saat implementasi arsitektur informasi berkembang. Kemudian, cari tahu konten, data, dan informasi apa yang dibutuhkan pengguna, dan buat prinsip-prinsip pengorganisasian di sekitarnya. Untuk mengotomatiskan suatu proses, Anda perlu memahaminya.
Penemuan data adalah proses menganalisis sejumlah besar konten, termasuk dokumen penelitian, berita, siaran pers, dan email dengan tujuan memahami lingkungan bisnis, mencari peluang baru, dan mengurangi risiko. Penemuan data harus disertai dengan rencana strategis yang menyediakan penggunaan informasi yang efektif. Analisis cerdas mengungkapkan hubungan antar organisasi, tokoh berpengaruh utama, topik, peristiwa, dan entitas lainnya.
Taksonomi adalah blok bangunan untuk penemuan data, dan sebagian besar organisasi membutuhkan banyak taksonomi yang mewakili berbagai aspek organisasi. Ini mungkin termasuk produk, layanan, proses, solusi, pelanggan, minat, dan jenis konten. Setiap item dalam suatu kategori memiliki atribut yang berbeda; untuk produk, atribut tersebut mungkin termasuk deskripsi, harga, merek, dan sebagainya. Pelanggan memiliki atribut seperti lokasi geografis, riwayat pembelian, dan usia.
Mendefinisikan hubungan antar taksonomi yang berbeda menghasilkan sebuah ontologi. Misalnya, mungkin ada konten yang berkaitan dengan berbagai produk, atau bidang minat untuk pelanggan yang berbeda. Hubungan ini memungkinkan perusahaan untuk melakukan hal-hal seperti personalisasi. Sebuah ontologi terdiri dari beberapa taksonomi dan semua hubungan di antara mereka.
Taksonomi sangat bervariasi di antara berbagai industri. Dalam ilmu hayati, seperangkat taksonomi akan mencakup obat-obatan, baik bermerek maupun generik, penyakit yang diobati oleh obat-obatan tersebut, dan mekanisme kerjanya. Untuk asuransi, taksonomi mungkin mencakup produk, layanan, dan risiko. Dan untuk distributor industri, taksonomi mungkin mencakup produk, industri, dan kepentingan. Ranah pengetahuan diwakili oleh kumpulan ontologi.
Ontologi untuk perusahaan distribusi industri ditunjukkan di bawah ini. Ontologi ini menunjukkan hubungan hierarkis dalam taksonomi, tetapi juga menunjukkan hubungan asosiatif yang mencerminkan produk apa yang sesuai untuk industri tertentu. Ontologi ini menunjukkan hubungan konseptual di antara berbagai elemen.
Contoh Ontologi Distribusi Industri
Grafik pengetahuan dapat diperoleh dari kombinasi taksonomi, ontologi, dan data. Pertama, deskripsikan entitas dalam domain melalui taksonomi. Kemudian, tunjukkan hubungan antar taksonomi untuk mengembangkan ontologi. Terakhir, tambahkan data ke ontologi untuk membentuk grafik pengetahuan yang mencerminkan koneksi tersebut. Grafik pengetahuan menyediakan berbagai cara untuk menavigasi data, baik yang terstruktur maupun tidak terstruktur. (Lihat gambar di bawah.)
Contoh Grafik Pengetahuan Distribusi Industri
Setiap proses bisnis penting berputar di sekitar bahasa, tetapi bahasa terkenal sulit dipahami dan ditanggapi oleh komputer. Contoh tipikalnya adalah judul berita, "Bank tutup karena banjir." Pada awalnya, mungkin tampak bahwa cuaca buruk menyebabkan lembaga keuangan tutup. Tetapi dalam berita tersebut, yang ditutup adalah tepian sungai, bukan lembaga keuangan.
Ambiguitas bahasa merupakan salah satu masalah paling pelik dalam analisis data tidak terstruktur. Hal ini membutuhkan intervensi signifikan dari manusia, yang membuat proses berbasis bahasa sulit untuk diskalakan. Masalah khusus adalah memahami maksud, yang jika tidak dilakukan dengan benar, merupakan hambatan utama untuk memenuhi permintaan pelanggan. Dalam situasi inilah AI hibrida dapat sangat bermanfaat.
Ekstraksi entitas dari teks memungkinkan deteksi penipuan, identifikasi risiko, dan informasi penting lainnya yang mendukung pengambilan keputusan. Namun, sistem harus memiliki kosakata yang tepat agar hal ini dapat berfungsi—sistem tidak akan berfungsi tanpa pemahaman konteks.
Salah satu aplikasi dunia nyata untuk AI hibrida adalah dalam penemuan data keuangan. Tujuannya adalah untuk mengotomatiskan ekstraksi informasi tentang aset keuangan, untuk meningkatkan efisiensi proses back office dan meningkatkan skala pembuatan data. Lingkungan keuangan memiliki sejumlah besar dokumen dan peristiwa seperti merger dan akuisisi, kebangkrutan.
Dunia keuangan, baik perusahaan manajemen aset maupun mereka yang menyediakan informasi kepada organisasi keuangan, harus berurusan dengan banjir dokumen—artikel, laporan, dan aset digital lainnya. Para pengelola data berurusan dengan sejumlah besar peristiwa perusahaan. Perusahaan-perusahaan melakukan merger, diakuisisi, mengajukan kebangkrutan, dan mereka juga berurusan dengan aset keuangan.
Memantau peristiwa-peristiwa ini sangat mahal, seringkali membutuhkan banyak pekerjaan manual, dan terbatas oleh kapasitas tim. Jadi, bagaimana organisasi-organisasi ini mengatasi volume informasi ini untuk memutuskan, misalnya, apakah mereka harus berinvestasi dalam mengembangkan produk keuangan konsumen tertentu?
Dalam sebuah studi kasus, konsultan mengumpulkan konten dari berbagai layanan dan menjalankannya melalui proses ekstraksi data. Sebuah platform bahasa alami mengotomatiskan ekstraksi parameter kunci. Antarmuka pengguna dirancang agar para ahli bidang dapat menavigasi di dalam dokumen, meninjau informasi, dan mengevaluasinya dalam lingkungan penulisan kolaboratif. Antarmuka pengguna menyediakan evaluasi parameter kunci dan penyerapan basis data yang lancar. Set pelatihan disiapkan untuk pemodelan data. Model-model ini adalah model pengetahuan, karena menggabungkan teknik pembelajaran mesin dengan basis pengetahuan dari seorang ahli bidang.
Membandingkan pembelajaran mesin dan AI simbolik menunjukkan betapa saling melengkapinya kedua pendekatan tersebut. Secara alami, pembelajaran mesin membutuhkan banyak data tetapi keahlian subjek yang lebih sedikit dari pihak pengguna, dan sangat cocok di mana data melimpah dan tugas-tugasnya mudah. ??AI simbolik membutuhkan lebih sedikit data dan memiliki persyaratan komputasi yang lebih rendah sehingga biaya komputasinya lebih rendah. Namun, ia membutuhkan keahlian manusia, dan pengumpulan keahlian khusus domain dapat menjadi kompleks, memakan waktu, dan mahal. AI hibrida adalah situasi yang saling menguntungkan, menggabungkan yang terbaik dari keduanya. Berikut adalah pengelompokan utama dari sistem AI Hybrid:
