Artikel ini awalnya muncul atas nama Dewan Teknologi Forbes, komunitas untuk CIO, CTO, dan eksekutif teknologi kelas dunia. Baca pos asli di sini.

Ketika berbicara tentang kecerdasan buatan (AI) dan pembelajaran mesin, khususnya, cara kita merancang perangkat lunak secara fundamental berubah. Insinyur tradisional tidak perlu mempertimbangkan ide perangkat lunak perlu "belajar" agar berguna. Kita mendefinisikan "aturan" yang ingin kita pertimbangkan, memasukkan ini ke dalam aplikasi yang dibangun dan merilisnya. Kemudian, kita melakukan iterasi dan perbaikan secara kontinu.

Ini berbeda dengan AI. Daripada memasukkan aturan ke dalam aplikasi, produk AI bergantung pada data pelatihan untuk bekerja. Sebagai contoh, ketika aplikasi GPS pertama kali muncul, semuanya berubah — selamat tinggal peta berbasis kertas! Seabad kemudian, aplikasi perangkat lunak navigasi Waze mendefinisikan ulang pengalaman itu lagi. Waze mengetahui bahwa dengan mengumpulkan data dari semua pengguna mereka, mereka tidak hanya bisa memberi tahu satu pengguna ke mana harus pergi selanjutnya tetapi juga rute tercepat untuk sampai ke sana dan memperbarui rekomendasi tersebut secara real time.

Ketika kita semakin cerdas dalam membangun aplikasi perangkat lunak, kita belajar bahwa praktik pengembangan seperti model waterfall tidak berhasil karena tidak mempertimbangkan pengguna secara cukup dalam siklus pengembangan perangkat lunak. Pada akhirnya, pengguna kemungkinan memiliki persyaratan baru. Jadi, kita beralih ke pendekatan baru, seperti yang terkenal dalam buku seperti The Lean Startup. Sementara orang saat ini menantang konsep seperti "produk minimal yang layak," ide-ide tersebut benar-benar tepat: Mulailah secara kecil dan dapatkan produk Anda ke tangan pengguna sesegera mungkin sehingga Anda dapat mendapatkan umpan baliknya dan memperbaiki produk tersebut sepanjang jalan.

AI harus didekati dengan cara yang sama. Mudah untuk menghabiskan bertahun-tahun membangun sistem kecerdasan buatan yang sempurna, dilatih oleh volume besar set data yang sempurna. Tapi jangan terkejut jika produk tersebut benar-benar usang dan tidak relevan pada saat Anda memperkenalkannya ke dunia.

Mungkin set data Anda mencerminkan praktik lama yang tidak masuk akal lagi, atau algoritma Anda belum pernah terekspos ke suatu idiom tertentu. Atau mungkin orang yang Anda kira akan menggunakan produk Anda bukanlah orang yang akhirnya menggunakannya. AI yang dilatih dalam ruang hampa hanya dapat bereaksi terhadap apa yang terekspos padanya. Saya adalah pendukung teguh untuk memperkenalkan algoritma Anda di sana, di mana ia dapat belajar, beradaptasi, dan meningkatkan dirinya. Inilah sebabnya mengapa penting untuk mengizinkan AI Anda memulai dengan "bodoh".

Temukan Fokus Anda

Kita sudah tahu bahwa alat AI belum mampu menggantikan orang, dan kita tidak mengharapkan mereka dapat melakukannya dalam waktu dekat. Ingatlah hal itu saat merancang solusi Anda. Jadikan pengguna pusat perhatian algoritma Anda dan dengan sengaja fokus dan delikan pada satu kasus pengguna ini peduli.

Contohnya di sini adalah Textio, jaringan pelatihan berbasis AI yang difokuskan pada membantu profesional bakat menulis deskripsi pekerjaan yang lebih baik. Itu merupakan tugas yang sangat spesifik. Mereka tidak fokus pada mengubah semua orang menjadi penulis yang lebih baik. Mereka memilih satu spesialisasi - deskripsi pekerjaan - dan mendalaminya. Pencapaian AI terbesar yang pernah kami lihat dimulai dengan satu tugas diskrit dan kemudian melebarkan. Dan semakin tertuju solusinya, semakin cepat AI akan belajar.

Jangan Letakkan Hantu Sebelum Mesin

Setelah Anda menemukan fokus Anda, jangan terlalu bersemangat tentang mengubah dunia hanya sekarang. Hanya pertimbangkan hal-hal yang harus terjadi untuk membuat sistem AI (bahkan yang bodoh) berfungsi adalah proses yang intensif, melelahkan yang mencakup:

• Menyiapkan lingkungan teknis
• Menyiapkan sistem yang menyimpan semua data pelatihan
• Menyiapkan algoritma penting yang melatih data dan memberikan saran kembali

Meskipun awan telah membuat langkah-langkah ini lebih mudah, mereka masih menyusahkan. Itulah mengapa akhirnya Anda harus fokus utama dari usaha Anda pada membuat proses di atas diatur dan stabil, yang akan memungkinkan Anda untuk melakukan pergerakan yang jauh lebih cepat begitu Anda mulai menguji produk Anda dengan pelanggan potensial daripada jika Anda memilih untuk menghabiskan sebagian besar waktu Anda untuk melatih data Anda. Jika Anda bekerja di dunia teoretis dan mencoba mengumpulkan data pelatihan tanpa masukan pelanggan nyata, Anda bekerja dalam ruang hampa yang akan memberi Anda gagasan-gagasan yang telah ada kembali kepada Anda.

Dapatkan AI Anda Di Depan Orang

Data pelatihan Anda penting untuk awal proses, tetapi untuk membuat produk AI yang dapat menjadi lebih baik dari waktu ke waktu, Anda harus mengambil langkah ke set data terbesar dari semua: pengalaman manusia. Dan melakukan itu memerlukan investasi dalam pengalaman pengguna (UX) Anda. Semakin baik Anda membuat pengalaman menggunakan AI Anda, semakin banyak orang yang akan menggunakannya, yang berarti model Anda akan mengumpulkan lebih banyak data jauh lebih cepat.

Hal ini penting untuk menghubungkan pentingnya UX dengan keberhasilan inisiatif AI Anda. Sayangnya, kebanyakan orang tidak berpikir dengan cara ini. Mereka terjebak dalam gagasan tentang kehidupan yang lebih baik melalui algoritma sehingga mereka cenderung mengasumsikan bahwa AI tentang mesin. Realitanya adalah bahwa Anda melakukan semua pekerjaan ini agar Anda dapat mengakses data. Tetapi data harus berasal dari suatu tempat.

Konsep fundamental yang sering dilupakan untuk dipahami di sini adalah bahwa "suatu tempat" adalah orang-orang yang menggunakan perangkat lunak Anda. AI bekerja ketika Anda memperlakukannya sebagai kemitraan antara manusia dan mesin. Itulah sebabnya jika Anda tidak memiliki UX yang baik, Anda tidak akan pernah memiliki AI yang baik. Jika Anda tidak mulai dengan mengatakan, "Saya akan membuat sistem yang ingin digunakan orang, mudah digunakan, dan akan sering digunakan," maka tidak ada yang lain yang penting.

Sebuah algoritma selalu bisa disesuaikan. Semakin lama berada di dunia nyata, semakin baik hasilnya. Lebih penting untuk menjadi brilian langsung dari gerbang daripada menemukan masalah tertentu yang ingin Anda selesaikan dan menyiapkan lingkungan teknis Anda untuk menyerap data. Pada akhirnya, AI pintar hanyalah salah satu yang berfungsi.