Tambang Wawasan Artificial Intelligence

TAMPAKNYA ada tendensi kuat pengembangan teknologi berbasis artificial intelligence (AI), selain untuk mengimitasi kecerdasan manusia, juga menambang wawasan dari kilang datanya. Kilang data itu adalah machine learning (ML) yang berisi sejumlah besar data saat pelatihan pengembangannya. Darinya dapat diungkap wawasan data yang tersembunyi. Banyaknya data yang terlibat, dapat dilacak dari pertanyaan: berapa banyak data yang diperlukan Machine Learning agar AI dapat menyusun sebuah wawasan?. Memang korelasinya tak selalu linier: makin tinggi tinggi kualitas wawasan yang diharapkan, makin tinggi volume data yang dilibatkan.

Volume data pelatihan yang diperlukan --bersama syarat karakteristik data lainnya-- tergantung pada kompleksitas masalah, rancangan model, metrik kinerja, jumlah fitur maupun toleransi kesalahannya. Seluruhnya bertujuan agar AI mampu mengenali obyek secara akurat dan andal. Ini tak semata tergantung pada kuantitas data saja, tetapi juga kualitasnya. Pernyataan ini disebutkan Stupak Thompson, 2024, dalam “How Much Data Is Required to Train ML Models in 2024?”.

Thomson menegaskan, mengetahui dengan tepat volume data yang diperlukan untuk melatih Machine Learning, merupakan tugas yang penting sekaligus rumit. Pertimbangannya bersifat teknis di bidang teknologi informasi, namun dapat diringkas: volume data yang perlu diibatkan ke dalam algoritma pembelajaran mesin ditentukan berdasar faktor-faktor yang saling mempengaruhi. Itu menghasilkan pemodelan yang kuat dan dapat digeneralisasi. Memahaminya menjadi kunci untuk menentukan kebutuhan yang tepat.

Baca juga : AI Bisa Antisipasi Kecurangan Tes Rekrutmen Karyawan

Adapun pembelajaran mesin diuraikan oleh Akkio, sebagai cabang ilmu komputer yang memungkinkan penyimpulan pola data secara otomatis. Kesimpulan otomatis ini menyangkut pengenalan pola yang terkandung tanpa pemrograman eksplisit. Namun yang pasti, penyusunannya menggunakan algoritma. Untuk pemeriksaan sifat statistik data dan membuat model matematika, yang menggambarkan hubungan antar-kuantitas yang berbeda. Akkio adalah perusahaan teknologi yang didirikan pada tahun 2019, di Cambridge. Bergerak menawarkan Gen-AI, untuk digunakan sebagai platform analitik dan pemodelan prediktif. Aneka platform yang diproduksinya ini sering ditawarkan bagi agensi digital, agar menghasilkan pendapatan baru, menambah lebih banyak klien yang berharga, dan meningkatkan produktivitas.

Terungkapnya wawasan antardata yang diolah Machine Learning --berdasar pola tersembunyinya—terjadi tanpa pengawasan manusia. Wawasannya dapat berupa segmentasi pelanggan, deteksi ketidaknormalan operasi, hingga inspirasi inovasi di seluruh bidang usaha. Pengungkapan ini dapat menjadi perangkat ampuh untuk menemukan wawasan dari kumpulan data yang tak terstruktur. Pernyataan terkait pengungkapan wawasan dikemukakan Isabella Agdestein, 2025, dalam “Unsupervised Learning: How AI Finds Hidden Patterns”. Agdestein menguraikan dimungkinannya pengungkapan wawasan tersembunyi, yang berangkat dari sejumlah besar data.  Pada data terkategori tak terstruktur dan tak ada instruksi baginya, terdorong pembelajaran tanpa pengawasan. Machine Learning mengenali pola dan keteraturan dari kumpulan data yang tak terstuktur itu. Seluruhnya berbeda dari pembelajaran dengan pengawasan, yang hasilnya telah ditentukan. Pembelajaran tanpa pengawasan, memungkinkan AI melakukan sintesa data dengan bebas. Ini menjadi kunci terungkapnya hubungan yang tersembunyi.

Dalam proses pembelajaran tanpa pengawasan, dua proses penting terjadi yaitu, pengelompokan data dan pengurangan dimensionalitas. Pada pengelompokan data, Machine Learning menemukan persamaan dari seperangkat data acak. Ini diikuti pengurangan dimensionalitasnya, berupa penyederhanaan data yang kompleks melalui ekstraksi esensinya. Dua tahap itu, mendorong terjadinya asosiasi berupa pola yang tetap maupun hubungan yang terjadi pada data.

Baca juga : Platform AI Prediksi Penyakit akibat Iklim Segera Meluncur

Bayangkan, adanya sekumpulan data dari aktivitas berbelanja di sebuah kota, selama satu bulan. Di dalamnya terkelompok data dari penduduk berjenis kelamin laki-laki dan perempuan. Juga pengelompokan berdasarkan spektrum kegiatan berbelanja, dari yang sangat tidak suka, hingga yang sangat suka berbelanja. Pengelompokan juga bisa berupa kategori demografis lainnya. Ini termasuk agama, tingkat pendidikan, jenis pekerjaan, pendapatan, jarak rumah dari tempat berbelanja. Semua data demografis itu terbaca nyata bedanya oleh Machine Learning. 

Pada masing-masing kelompok demografis, juga terdapat dimensionalitas yang beragam. Ini termasuk frekuensi berbelanja dalam satu bulan, dilakukan insidental menurut kebutuhan, harian, mingguan atau bulanan; volume barang yang dibeli seperti dalam kemasan sekali pakai atau kemasan untuk periode tertentu; tempat berbelanja, di gerai tradisonal atau gerai modern; pelaksanaan belanja yang dikaitkan dengan aktivitas lain, akvitas tunggal belanja saja atau dilangsungkan bersama dengan aktivitas lain seperti mengunjungi kafe atau berekreasi.

Dari dimensionalitas yang sangat beragam itu, data demografis yang berlimpah dan tampak acak, berubah punya makna signifikan --walaupun diolah tanpa pengawasan-- saat tersusun asosiasinya. Misalnya pada kelompok pembelanja laki-laki. Peluang statistik tinggi ada pada laki-laki yang melakukan aktivitas belanja secara tak konsisten: di gerai tradisional atau gerai modern. Kelompok ini berbelanja di tempat manapun yang menyediakan kebutuhannya. Laki-laki juga melangsungkan kegiatan belanja bersama aktivitas lain. Ke kafe untuk bertemu teman, atau dalam perjalanan pulang menuju rumahnya. Data juga menunjukkan, volume barang yang dibeli laki-laki, dalam kemasan sekali pakai.

Baca juga : GPU Merdeka Diperkenalkan di AS

Seluruhnya berbeda dengan perempuan. Peluang statistik tertingginya, menunjukkan perempuan melakukan aktivitas belanja dalam periode tertentu. Bisa 2 mingguan atau 1 bulan sekali. Belanja dilakukan sebagai aktivitas tunggal. Sedangkan volume produk yang dibeli, menunjukkan perempuan lebih memilih produk dalam kemasan yang berukuran lebih besar. Ini bertujuan untuk memenuhi kebutuhan diri sendiri maupun orang lain di rumahnya. Pemenuhan kebutuhan tak sekali pakai, untuk dirinya sendiri.

Wawasan yang terungkap dari data, laki-laki berbelanja hanya untuk memenuhi kebutuhan yang fungsional, jangka pendek. Dilakukan sambil lalu bersama aktivitas lain. Berbelanja bagi laki-laki, artinya menyisipkan akitivitas pembelian di sela-sela kegiatan lain. Sedangkan pada perempuan, berbelanja merupakan aktivitas simbolik yang berkaitan dengan pengasuhan. Tujuannya memenuhi kebutuhan jangka panjang, bukan hanya untuk memenuhi kebutuhannnya sendiri. Sehingga pelaksanaannya bersifat aktivitas tunggal yang terencana. 

Dari kumpulan data yang semula tampak tak terstruktur itu, terdapat wawasan sintesis yang turut terungkap yakni laki-laki tak terlalu mempedulikan penghematan secara ketat. Aktivitas belanjanya untuk memenuhi kebutuhan jangka pendek. Ini terwujud sebagai pembelian pada produk dengan kemasan sekali pakai. Pembelian dengan cara ini ketika dihitung agregat, pengeluarannya lebih banyak. Belanja laki-laki bersifat insidental yang didorong ingatan pendek, bahkan bersifat emosional. Perilaku belanja seperti ini lebih rentan terjebak pada impulsivitas. Sedangkan perempuan berbelanja secara terencana dan rasional. Ini menyangkut jumlah uang yang dikeluarkan maupun waktu pelaksanannya. Seluruhnya dihitung seksama. Sehingga perempuan tak mudah terjebak pada pembelian impulsif.

Baca juga : Perguruan Tinggi Perlu Dorong Pengembangan Riset Informatika dan Teknologi

Ilustrasi di atas berdasarkan pembacaan manusia dengan kecerdasan alamiah. Dalam realitas data Machine Learning, wawasannya lebih kompleks dan tak terduga. Hal yang paling tersembunyi pun dapat terungkap oleh massifnya data. Implikasi dari pengungkapan wawasan tersembunyi itu, dapat dimanfaatkan misalnya saat penyusunan iklan pemasaran berikut penempatannya. Di tempat-tempat penjualan yang biasa dikunjungi laki-laki, dipasang iklan berdaya tarik agar laki-laki terus melakukan pembelian implusifnya. Sedangkan pada perempuan, dibujuk minatnya dengan pembelian bernilai: hadiah, diskon, bundling. Ini agar perempuan bersedia keluar dari pembelanjaan, yang telah direncanakannnya.
 
Kata kunci pengungkapan wawasan tersembunyi diungkapkan Kaavya Shah, 2024, dalam “How AI Data Analysis Enhances Analytics: Key Benefits & Top Tools”. Menurutnya, hari ini data bertambah besar dan kualitasnya kian kompleks. Karenanya diperlukan upaya nontradisional untuk memilah-milahnya. Analisis data AI, dapat diandalkan. Dengan kekuatan itu, analisis data dapat mengubah sejumlah besar data jadi wawasan yang berharga.

Prosesnya meliputi memeriksa, membersihkan, mengubah, dan memodelkan data, agar ditemukan informasi yang berguna. Darinya ditarik kesimpulan yang dapat mendukung pengambilan keputusan. Rangkaian proses itu melibatkan berbagai disiplin. Termasuk metode statistik, pembelajaran mesin, visualisasi untuk mengekstrak wawasan bermakna dari data mentah. AI dalam proses analisis tak hanya sekadar mengidentifikasi peristiwa yang sedang terjadi. Namun juga menggalinya lebih dalam: mengungkap mengapa suatu peristiwa bisa terjadi?

Dari seluruh uraian di atas --sejak sejumlah besar data dilibatkan pada proses pelatihan Machine Learning hingga dihasilkannya platform akhir-- data besar itu dapat ditambang. Bermanfaat besar sebagai pengetahuan: pengenalan, prediksi, perekayasaan maupun rekomendasi. AI dapat mengungkap wawasan tersembunyi, secara tak terbatas. Namun ia tak punya kehendak sendiri, mengungkap ketersembunyian itu. Diperlukan manusia cerdas yang berkehendak lewat prompt yang digagasnya, untuk membongkar tambang wawasan. Nilai ekonominya? Tak terkira. Masihkah perlu menunda mempelajarinya?