Penerapan Machine Learning & Deep Learning
Contoh Penerapan Machine Learning dan
Deep Learning
Perkembangan teknologi semakin hari
semakin cepat. Machine learning merupakan salah satu bidang ilmu pengetahuan
yang berperan besar di dalamnya. Secara tidak sadar, hampir semua orang
menggunakan produk yang dihasilkan oleh penerapan machine learning. Berikut 10
manfaat dan contoh penerapan machine learning dalam kehidupan sehari-hari.
Google dan mesin pencari lainnya seperti Bing dan
Yandex sudah dari dulu menerapkan machine learning untuk melakukan perangkingan
laman suatu website. Setiap mesin pencari mempunyai resep tersendiri pada
algoritma pencarian yang digunakannya. Dalam praktiknya ketika kita mengetik
kata kunci, Google akan menampilkan hasil pencarian yang paling mendekati kata
kunci tersebut. Apabila kita memilih suatu halaman dan menghabiskan banyak
waktu pada halaman tersebut, Google akan mendeteksi bahwa halaman tersebut
sesuai dengan kata kunci yang kita masukkan. Begitu pula, saat kita melihat
halaman pencarian berikutnya misalnya halaman 2, 3, dan seterusnya. Google akan
mendeteksi adanya ketidak sesuaian kata kunci dengan hasil pencarian yang
dihasilkan. Begitulah data tersebut terkumpul dan diakumulasikan menggunakan
machine learning oleh Google Search Engine, untuk menghasilkan hasil pencarian
yang dinamis dan berkualitas.
2. Rekomendasi Produk
Marketplace
Perkembangan teknologi menyebabkan penggunaan
marketplace semakin diminati baik dari sisi penjual dan pembeli. Hampir semua
orang menggunakan markerplace, misalnya Tokopedia, Bukalapak, dan Shopee. Tiap
detiknya, bisa dipastikan terjadi transaksi antar pedagang dan pembeli. Untuk
meningkatkan pengalaman pengguna, setiap akun perlu menampilkan rekomendasi
produk yang sesuai dengan minat pembelian pembeli. Untuk melakukan ini secara
otomatis dan realtime, tentunya machine learning sangat menentukan keakuratan
rekomendasi produk tiap pembeli di akunnya.
3. Pengalaman Pengguna
Sosial Media
Tidak bisa dipungkiri, walaupun tidak dapat
mengalahkan mesin pencari sebagai situs terpopuler. Sosial media merupakan
situs yang paling lama diakses oleh penggunanya berdasarkan data Alexa. Sosial
media seperti Facebook dan Twitter menggunakan machine learning sehingga
penggunanya betah untuk terus melihat layar gadgetnya. Berikut beberapa
optimalisasi pengalaman pengguna yang merupakan aplikasi dari machine learning.
o
Orang yang Mungkin Anda kenal
Facebook mengumpulkan informasi pengguna, baik dari
informasi umum seperti tempat tinggal, alamat sekolah, alamat kerja, dan
kesukaan hingga log aktivitas seperti data percakapan, posting, dan profil yang
sering dilihat (stalking). Sehingga bisa dilakukan prediksi teman yang
mungkin sama di dunia nyata.
o
Pengenalan Wajah
Facebook dapat mengetahui bahwa suatu gambar yang
diunggah memuat wajah orang-orang. Sehingga pengguna dapat memberikan tag wajah
pada area wajah di gambar. Seiring berjalannya waktu dengan banyaknya foto yang
diunggah, facebook akan mengenali wajah-wajah penggunanya. Ini memungkinkan
facebook melakukan tag secara otomotasi wajah orang-orang pada gambar baru yang
diunggah.
o
Pos pada Beranda
Facebook akan mengumpulkan aktivitas tiap penggunanya,
orang yang sering diajak berkomunaksi, posting yang sering disukai, hingga grup
yang sering dilihat. Hal ini digunakan untuk menampilkan prioritas postingan
yang ditampilkan pada beranda akun penggunanya. Sehingga peluang terjadinya
interaksi terhadap pos yang tampil semakin tinggi.
4. Konten yang
Ditampilkan Periklanan Digital
Google Adword adalah media periklanan digital
terpopuler di dunia. Adword menampilkan iklan-iklan pada situs web yang menjadi
publiser di Google Adsense. Iklan yang ditampilkan adalah iklan yang bersifat
dinamis atau berubah-ubah. Google Adword mengumpulkan data situs berdasarkan
topiknya, kemudian menampilkan iklan-iklan yang relevan dengan topik tersebut.
Disamping itu Google Adword juga menggunakan cookies, sebagai referensi
aktivitas pengunjung suatu website terkait situs-situs yang dikunjungi
sebelumnya. Adword melakukan akumulasi terhadap 2 faktor tersebut, sehingga
dapat ditampilkan iklan yang sesuai dengan pengunjung website.
5. Asisten Pribadi
Virtual
Gadget telah dilengkapi dengan asisten pribadi
virtual, baik laptop maupun smartphone, misalnya: Cortana di Microsoft Windows,
Siri di Iphone, dan Google Now di Android. Asisten virtual ini dapat membantu
penggunanya untuk melakukan pencarian di internet, menanyakan jalan, cuaca, melakukan
panggilan telepon, hingga membuka aplikasi. Di Windows, cortana bahkan
mempelajari penggunanya untuk memberikan rekomendasi perintah yang akan
dilakukan.
6. Penyaring Pesan Spam
Machine learning memegang andil yang sangat besar
untuk melakukan penyaringan (filter) spam baik di email, website, hingga
media komunikasi berbasis software terinstall. Algoritma pohon keputusan (decision
tree) merupakan cikal bakal dari algoritma spam filtering, untuk mentukan
suatu pesan termasuk spam atau bukan.
7. Online Fraud Detection
Online fraud detection adalah metode yang digunakan untuk mendeteksi
suatu transaksi digital sah atau tidak. Online fraud detection digunakan
oleh semua bank baik bank umum maupun bank virtual seperti paypal. Online
fraud detection menggunakan machine learning untuk melakukan
perlindungan (cybersecurity) terhadap pencucian uang, pendeteksian
taransaksi palsu, hingga deteksi pembobolan akun bank digital.
8. Videos Surveillance
Videos surveillance atau
pengawasan video merupakan teknologi baru yang merupakan penerapan dari machine
learning yang disematkan pada CCTV untuk mendetaksi suatu tindak kejahatan atau
kecelakaan. Di negara-negara maju, CCTV sudah digunakan untuk melakukan
pencarian penjahat yang masih buron.
9. Diagnosa Medis
Di negara Inggris, diagnosa medis menggunakan bantuan
chatbots sudah marak dilakukan. Chatbots ini bernama Babylon Health. Ini
dilengkapi dengan speech recognition untuk mempermudah
berbicara dengan penggunanya. Dalam perkembangan selanjutnya, analisis diagnosa
medis dengan kontak fisik mulai dikembangkan dengandeep learning.
10. Mobil Kendali Otomatis
Mobil kendali otomatis merupakan penerapan serta
pengembangan dari machine learning yaitu machine vision. Mobil kendali otomatis
merupakan penerapan machine learning yang kompleks dan dengan resiko langsung
yang tinggi. Banyak hal yang harus dipelajari oleh mobil, mulai dari
rambu-rambu lalulintas, arah dan tujuan, kondisi jalan, traffic light,
kondisi manusia sekitarnya, dan sensor lainnya yang terintegrasi.
PENERAPAN
DEEP LEARNING DALAM MENDETEKSI MALWARE
Tim data science
dari Cylance , tengah mengembangkan pendeteksi malware dengan menggunakan
teknik yang disebut “Deep Learning”, sebuah subset lebih rinci dari machine
learning. Teknik ini yang diklaim mampu mendeteksi dan menentukan apakah
sepenggal kode mengandung malware atau tidak hanya dalam waktu 100 milidetik
bahkan kurang.
Dengan peningkatan
jumlah malware yang dihasilkan setiap hari, kebutuhan untuk metode yang lebih
otomatis dan cerdas untuk belajar, beradaptasi, dan menangkap malware sangat
penting. Cylance memiliki sampai 2 petabyte data set untuk digunakan dalam
teknik machine learning.
Matt Wolf, kepala
data science di Cylance, mengatakan bahwa ia dan timnya biasanya menggunakan
beberapa ratus CPU yang berjalan selama berhari-hari untuk memproses dan
bekerja dalam mengolah data, dan membutuhkan waktu berminggu-minggu bahkan
bulanan untuk melatih mesin untuk belajar tentang hal-hal tersebut. Dibutuhkan
ratusan gigabyte memori, CPU dan "mesin besar," katanya.
Menurut Wolf, premis
utama di balik machine learning adalah pencocokan pola. Ketika melihat sebuah
malware, mungkin tidak akan terlihat pola. Tapi ketika melihat setengah dari
miliaran contoh, mungkin ada banyak sekali pola yang relatif mudah untuk
dibedakan. Tujuan dari model ini adalah untuk menemukan pola-pola ini.
Konsep dalam
penggunaan machine learning dan deep learning bukan merupakan suatu hal yang
baru, tetapi dalam beberapa tahun terakhir hal ini menjadi lebih realistis
untuk diimplementasikan. Dengan opsi komputasi awan membuat biaya komputasi big
data menjadi lebih terjangkau, karena kita tidak perlu membangun data center
dengan ratusan server lagi.
Sebuah sistem deep
learning akhirnya bisa menggantikan alat deteksi malware yang ada saat ini,
Wolff mengatakan. "Sebuah sistim machine learning lebih efektif dari mesin
berbasis signature”
SUMBER :
https://idbigdata.com/official/penerapan-deep-learning-dalam-mendeteksi-malware/
https://www.advernesia.com/blog/data-science/10-manfaat-dan-contoh-penerapan-machine-learning/
Komentar
Posting Komentar