00:00Halo para coders, pernah nggak sih kepikiran apa sebetulnya yang terjadi di balik layar model AI?
00:04Nah, kali ini kita akan bedah tuntas proses pembuatannya, langkah demi langkah, berdasarkan buku AI and Machine Learning for Coders
00:10dari Lawrence Maroney.
00:12Kita bakal lihat gimana sebuah ide bisa berubah jadi kode, dan akhirnya jadi aplikasi AI yang beneran berfungsi.
00:17Oke, kita mulai dengan satu pertanyaan yang mengubah segalanya.
00:21Coba bayangin deh, gimana kalau alih-alih kita yang capek-capek nulis aturan buat komputer, justru komputernya yang bisa nulis
00:27aturannya sendiri?
00:27Nah, ide inilah yang jadi jantung dari Machine Learning ini.
00:31Bedanya itu fundamental banget, kalau di pemprograman tradisional, kita yang bikin aturannya.
00:35Kita kasih aturan dan data, komputer kasih jawaban.
00:38Tapi Machine Learning membaliknya total, kita kasih data dan jawabannya, terus komputer yang cari tahu sendiri apa aturannya.
00:44Ini bener-bener sebuah pergeseran cara berpikir yang luar biasa.
00:47Ini artinya, peran kita sebagai coder juga ikut berubah loh.
00:49Tugas kita bukan lagi menulis logika if-then yang rumit dan bercabang-cabang, tapi lebih ke menjadi semacam kurator data.
00:54Kita harus sediain contoh-contoh yang bagus, biar si mesin bisa belajar dan nemuin polanya sendiri.
00:59Jadi, alurnya kira-kira begini.
01:01Kita kasih data plus jawaban, atau kalau di dunia ML, kita sering sebutnya labels.
01:06Nah, mesin akan memproses semua itu dan hasilnya adalah aturan.
01:09Fokus kita jadi geser.
01:11Dari nulis aturan, jadi nyiapin data dan label yang berkualitas.
01:15Oke, sekarang kita masuk ke langkah praktis pertama.
01:18Kita akan bangun otak AI yang paling simpel.
01:20Sebuah jaringan saraf yang isinya cuma satu neuron.
01:23Anggap saja ini titik awal dari perjalanan kita.
01:26Untuk mulai, kita pakai contoh hello world-nya machine learning.
01:29Ini hubungan matematika yang sederhana banget.
01:32Yang kalau kita lihat juga langsung tahu polanya.
01:34Tujuannya adalah untuk ngetes.
01:35Apakah mesin juga bisa melihat pola yang sama kayak kita?
01:38Nah, ini dia contekan yang kita kasih ke mesin.
01:40Kita kasih tahu dia kalau X itu minus 1, Y-nya minus 3 ya, dan seterusnya.
01:44Cuma dengan 6 contoh ini, kita akan coba latih satu neuron tadi untuk nebak hubungan antara X dan Y.
01:48Dan ini dia kodenya.
01:49Lihat deh, singkat banget kan?
01:51Berkat framework kayak TensorFlow, kita cuma butuh sebaris kode untuk bikin jaringan saraf.
01:56Ini intinya kita lagi bilang, bikinin model dengan satu lapisan, dan di lapisan itu cukup ada satu neuron.
02:01Sesederhana itu.
02:02Model kita sekarang udah siap untuk belajar.
02:04Oke, neuronnya udah ada.
02:05Sekarang kita masuk ke bagian yang paling seru.
02:07Proses belajarnya itu sendiri.
02:09Gimana caranya sebuah model bisa berubah dari nggak tahu apa-apa, jadi bisa bikin prediksi yang akurat?
02:13Pertanyaan bagus, ini bukan sulap ya.
02:16Ini adalah sebuah proses yang sangat logis dan terus berulang.
02:19Coba kita bedah jadi langkah-langkah yang gampang dimengerti.
02:22Proses belajarnya itu seperti siklus trial and error yang super cepat.
02:25Pertama, modelnya nebak.
02:26Kedua, kita ukur seberapa jauh tebakannya meleset.
02:29Pakai yang namanya fungsi loss.
02:30Makin gede nilai loss, makin salah tebakannya.
02:32Ketiga, ada yang namanya optimizer yang tugasnya mengubah sedikit modelnya biar tebakan berikutnya jadi lebih baik.
02:38Terakhir, ya ulangi lagi proses ini ribuan kali.
02:40Setiap putaran, tebakannya jadi makin akurat.
02:42Dan ini dia buktinya waktu prosesnya berjalan.
02:44Setiap baris ini adalah satu epok atau satu putaran latihan.
02:48Coba perhatiin angka loss.
02:49Di awal nilainya 3.28, artinya tebakan model masih ngawur banget.
02:53Tapi lihat, cuma dalam 10 putaran aja, lossnya udah anjlok di bawah 1.
02:57Nah, ini bukti visual kalau model kita beneran lagi belajar.
02:59Model yang udah dilatih itu nggak ada gunanya kalau cuma diam di komputer kita.
03:03Langkah selanjutnya, dan ini yang paling penting, adalah membawa model itu ke dunia nyata dan memakainya di dalam sebuah aplikasi.
03:08Ini bagian yang keren banget.
03:09Semua proses latihan yang rumit tadi pada akhirnya cuma menghasilkan satu hal, sebuah file.
03:14File ini isinya aturan atau kepintaran yang udah dipelajari model.
03:17Dan karena bentuknya file, dia jadi portable.
03:20Bisa kita selipin ke aplikasi web, aplikasi mobile, atau bahkan perangkat-perangkat kecil.
03:24Alur kerjanya kira-kira begini.
03:26Pertama, kita latih modelnya.
03:27Kedua, kita konversi ke format yang lebih ringan dan efisien.
03:30Contohnya, TensorFlow Lite buat di HP.
03:32Ini penting biar modelnya jalan cepat dan nggak boros baterai.
03:35Ketiga, file model ini kita masukin ke kode aplikasi kita.
03:38Terakhir, tinggal kita panggil aja buat bikin prediksi berdasarkan input dari pengguna.
03:42Dan inilah hasilnya di dunia nyata.
03:44Percaya atau nggak, proses yang sama persis yang kita pakai buat belajar IE sama dengan 2X-1,
03:49bisa diterapin buat masalah yang jauh lebih kompleks.
03:51Bedanya, sekarang datanya bukan angka, tapi ribuan gambar tangan.
03:55Hasilnya, aplikasi yang bisa ngenalin batu, gunting, kertas secara real-time.
03:58Proses dasarnya tetap sama.
04:00Kasih data, kasih jawaban, dan biarkan mesinnya yang cari aturan.
04:04Jadi, kenapa sih kita perlu paham tiap langkah ini?
04:07Karena dengan begini, AI jadi nggak kelihatan kayak sihir lagi.
04:10AI jadi sebuah disiplin rekayasa yang terstruktur yang bisa kita pelajari.
04:14Nah, slide ini ngasih kita perspektif yang penting banget.
04:17Coba perhatikan kotak orangnya kecil bertuliskan modeling kode.
04:20Itu adalah area yang barusan kita jelajahi.
04:22Tapi dalam sistem AI di dunia nyata, bagian itu hanyalah satu kepingan kecil dari puzzle yang jauh lebih besar.
04:27Ada infrastruktur buat ngumpulin data, verifikasi, monitoring, dan banyak lagi.
04:31Dengan paham intinya, kita jadi punya fondasi buat memahami ekosistem yang lebih besar ini.
04:35Jadi, poin-poin utamanya adalah,
04:37AI itu bukan sihir, tapi sebuah proses rekayasa yang terstruktur.
04:41Semuanya dimulai dari ide sederhana dan belajar dari contoh.
04:44Dan yang paling penting, proses ini bisa kita pakai untuk memecahkan masalah-masalah di dunia nyata.
04:50Dan ini membawa kita ke pertanyaan terakhir.
04:52Sekarang setelah Anda lihat kerangka dasarnya,
04:54mulai dari data sampai jadi model yang berfungsi,
04:56coba deh pikirin, masalah apa di sekitar Anda,
04:58entah itu besar atau kecil, yang kira-kira bisa dipecahkan dengan pendekatan baru ini?
05:02Kemungkinannya sekarang ada di tangan Anda.
05:05Terima kasih telah menonton!
Komentar