Machine Learning & AI

Kecerdasan buatan (AI) adalah simulasi kemampuan intelektual manusia oleh mesin komputer, mencakup kemampuan belajar, penalaran, pemecahan masalah, persepsi, dan pemahaman bahasa.

Classification adalah teknik machine learning untuk memprediksi kategori atau kelas dari suatu data - misalnya spam atau bukan spam, churn atau tidak, kategori produk apa. Outputnya adalah label, bukan angka.

Clustering adalah teknik machine learning untuk mengelompokkan data berdasarkan kemiripannya, tanpa label yang sudah ada sebelumnya. Cocok untuk segmentasi pelanggan, eksplorasi data, atau menemukan pola yang belum kamu sadari.

Bidang AI yang memungkinkan komputer menginterpretasi dan memahami informasi visual dari dunia nyata seperti gambar dan video, mencakup tugas seperti deteksi objek, segmentasi, dan OCR.

Proses memberikan label atau anotasi pada data mentah supaya model ML bisa belajar dari contoh-contoh yang sudah dikategorikan dengan benar.

Profesional yang menggabungkan keahlian statistik, pemrograman, dan pemahaman bisnis untuk mengekstrak insight mendalam dan membangun model prediktif dari data.

Subset dari Machine Learning yang menggunakan jaringan saraf tiruan berlapis-lapis (neural network) untuk belajar representasi data secara hierarkis dari data besar.

Embedding adalah representasi teks, gambar, atau data lain sebagai deretan angka (vector) yang menangkap makna semantiknya. Dengan embedding, komputer bisa 'mengerti' bahwa 'kucing' dan 'kitty' punya makna yang dekat, meski kata-katanya beda.

Proses mengubah data mentah menjadi fitur (variabel input) yang lebih informatif dan relevan untuk meningkatkan performa model machine learning.

Repositori terpusat untuk menyimpan, mengelola, dan melayani fitur machine learning yang dapat digunakan bersama oleh berbagai model dan tim data science.

Proses menyesuaikan model pre-trained ke domain atau task spesifik dengan melanjutkan training menggunakan dataset yang lebih kecil tapi lebih relevan.

Jenis kecerdasan buatan yang dapat menghasilkan konten baru berupa teks, gambar, kode, audio, atau video berdasarkan pola yang dipelajari dari data training.

LLM (Large Language Model) adalah model AI yang dilatih dengan miliaran teks untuk bisa memahami dan menghasilkan bahasa manusia. ChatGPT, Claude, dan Gemini semuanya berbasis LLM.

Praktik dan tools untuk menstandarisasi, mengotomasi, dan memonitor siklus hidup model machine learning dari pengembangan hingga deployment dan monitoring di production.

Cabang kecerdasan buatan yang memungkinkan sistem komputer belajar dari data secara otomatis untuk membuat prediksi atau keputusan tanpa perlu diprogram secara eksplisit.

Proses memindahkan model machine learning yang sudah dilatih ke lingkungan production sehingga dapat digunakan oleh aplikasi nyata untuk menghasilkan prediksi.

Proses mengukur seberapa baik performa model ML menggunakan berbagai metrik, untuk memastikan model benar-benar berguna sebelum dipakai di dunia nyata.

Proses melatih algoritma machine learning menggunakan data berlabel sehingga model mempelajari pola dan dapat membuat prediksi yang akurat pada data baru.

Cabang AI yang memungkinkan komputer memahami, menginterpretasi, dan menghasilkan bahasa manusia secara alami, mencakup tugas seperti terjemahan, klasifikasi teks, dan tanya jawab.

Model komputasi terinspirasi otak manusia yang terdiri dari lapisan-lapisan neuron buatan, mampu mempelajari pola kompleks dari data melalui proses backpropagation.

Kondisi di mana model ML terlalu hafal data training sampai dia gagal bekerja dengan baik di data baru yang belum pernah dilihat sebelumnya.

Prompt Engineering adalah cara merancang instruksi (prompt) yang tepat agar LLM menghasilkan output yang akurat, relevan, dan sesuai kebutuhanmu. Analoginya: kamu nggak cuma 'nanya', kamu nanya dengan cara yang bener.

RAG adalah teknik yang menggabungkan LLM dengan database atau dokumen eksternal, supaya AI bisa menjawab berdasarkan informasi spesifik dan up-to-date, bukan cuma dari memori training-nya.

Sistem yang secara otomatis menyarankan item yang relevan kepada pengguna berdasarkan preferensi, perilaku historis, dan kemiripan antar pengguna atau item.