Pages

Teknologi Analytics Dalam Validasi Keputusan

Setiap organisasi membutuhkan tempat data internal dalam memanfaatkan sumber-sumber dan aliran data baru. Perangkat pintar yang terhubung akan meminimalisir keterlibatan manusia dari lingkaran pengguna dalam beberapa kasus, sehingga perangkat akan membuat keputusan dan menyesuaikan diri sendiri, mengoreksi dan memperbaiki diri mereka sesuai dengan yang diperlukan. Istilah ini disebut sebagai Learning Machine. Learning machine menggunakan pendekatan secara analitik untuk memaknai data. Setiap data yang digunakan dalam keperluan teknik analitik pada machine learning adalah merupakan jendela menuju Internet of Things (IoT).

Kapabilitas Internet of Things (IoT) / Internet of Things Capabilities

Empat jenis dari IoT Capabilities:
  1. Monitoring - Sensor terhadap operasi penggunaan dan performa data.
  2. Control - Fungsi dari alat-alat yang dapat dipersonalisasi dan dikontrol.
  3. Optimization - Umpan balik secara terus menerus dari pemantauan dan kontrol untuk meningkatkan efisiensi, kinerja yang lebih baik, perawatan, diagnostik, dan perbaikan.
  4. Autonomy - Monitoring, kontrol, dan optimasi memberi peluang terhadap operasi independen dan berkomunikasi dengan sistem lainnya, melakukan interaksi dengan lingkungan, melakukan personalisasi, diagnosa terhadap diri sendiri, dan perbaikan.

Setiap kali perangkat cerdas terhubung ke internet maka akan semakin besar peluang untuk melakukan perubahan sesuai dengan yang dibutuhkan oleh user, mengingat banyaknya data yang dapat dikumpulkan dan luasnya batasan komunikasi yang dapat dimanfaatkan. Kita bahkan bisa memantau operasi peralatan sistem atau mesin dan kemudian memperluas batas-batas campur tangan manusia dengan mengontrol beberapa buah peralatan atau beberapa sistem. Hal ini kemudian akan memberi pertimbangan baru akan peran manusia dalam menjalankan sebuah sistem atau mesin, karena sebagian besar fungsi yang terdapat pada sistem atau mesin tersebut adalah otomatis. 

Mesin atau sistem dapat menggunakan penilaian mereka sendiri untuk membuat perubahan, koreksi, atau melakukan penyesuaian. Manusia tidak perlu memantau secara real time (tergantung pada proses). Pemantauan yang diperlukan kemungkinan hanya dalam proses menentukan pengambilan data dan memprosesnya (sesuatu yang harus dilakukan dengan data di beberapa titik atau data khusus).

Otonomi yang seperti ini membutuhkan kecerdasan yang lebih besar. Kecerdasan tersebut sangat mungkin dilakukan pada algoritma operasi otonom yang membutuhkan menggabungkan pendekatan machine learning yang mampu beradaptasi untuk menghadapi situasi baru ke dalam algoritma inti yang digunakan untuk pemantauan, pengendalian, dan optimasi.

Analytics dan Machine Learning

Data dan fungsi dapat diakses dari lokasi manapun melalui jenis perangkat khusus menyediakan konteks di mana pengguna dapat mengakses data. Misalnya sebuah gelang kebugaran dapat mengakses data tentang kesehatan fisik pengguna melalui iPhone atau laptop dalam konteks latihan tertentu. Dalam hal ini, gelang kebugaran bertindak sebagai sensor IoT serta menyediakan sarana untuk mengakses dan mengkonsumsi data. Perangkat ini juga menggolongkan perangkat lain melalui fungsi perangkat lunak. Data yang disediakan oleh perangkat dapat menawarkan wawasan tambahan tentang penggunaan user/pengguna dan preferensi, yang dapat dimanfaatkan ketika memperbarui fungsi dan mengembangkan fitur baru. 

Jika agregasi data pada populasi pengguna dapat dikombinasikan dengan dataset lainnya, maka wawasan baru akan dapat menjelaskan data epidemiologi, aktivitas tingkat populasi, gaya hidup, dan data demografis. Informasi ini memiliki nilai yang sangat penting untuk pebisnis, penyedia layanan kesehatan, perusahaan asuransi, dan lembaga pemerintah. Algoritma machine learning dapat digunakan untuk membuat prediksi berdasarkan pola data ini. Sebagai contoh, dalam sebuah studi Mayo Clinic, data aktivitas berkorelasi dengan tingkat pemulihan untuk pasien dengan penyakit jantung.

Machine learning dan algoritma prediktif merupakan dasar untuk sejumlah perangkat cerdas yang terhubung dengan pengguna. Termostat Nest misalnya, adalah contoh dari perangkat yang memanfaatkan pola data dalam memprediksi suhu yang disukai/diinginkan oleh user/pengguna di ruang tertentu pada waktu tertentu dalam sehari. Yang menjadi tantangan paling menarik adalah: Algoritma harus mampu merasakan, menanggapi, dan beradaptasi. Misalnya, sebuah mobil yang bertanggung jawab lebih dari sopir, dalam hal mobil melakukan interaksi dengan lebih banyak sumber lingkungan data (sensor, lampu, mobil-mobil lain, dan sebagainya). 

Kelas aplikasi lain yang tak kalah pentingnya adalah dalam hal 'otomasi' industri, logistik dan transportasi, jaringan listrik dan energi sistem, manajemen lalu lintas, sistem keamanan, dan kemampuan komunikasi antar sistem akan memberi kemudahan pada mesin dalam berkomunikasi langsung dengan mesin lainnya. Selain itu, aplikasi sistem akan membantu mesin dalam menafsirkan dataflows berdasarkan algoritma yang dapat 'berevolusi' dan 'beradaptasi', sehingga mesin dapat mencapai titik akhir yang diinginkan sesuai dengan parameter operasional tertentu.

0 komentar:

Posting Komentar