Akurasi Artificial Intelligence Meningkat dengan Pelabelan Data

Bussler mengungkapkan bahwa AI sejatinya tidak secerdas yang dibayangkan tanpa adanya pelabelan data. Banyak kasus terjadi yang menunjukkan kesalahan pembacaan data akibat sistem AI yang masih menggunakan data tak berlabel. “Saat diterapkan dalam keseharian, penggunaan data tanpa label akan berdampak serius dalam banyak kasus,” ujarnya.

Kesalahan-kesalahan ini banyak terjadi ketika datang ke domain yang menantang seperti perawatan kesehatan, moderasi konten, atau kendaraan otonom. Dalam banyak kasus, penilaian manusia masih diperlukan untuk memastikan modelnya akurat.

“Perhatikan contoh sarkasme dalam moderasi konten media sosial. Sebuah posting Facebook mungkin berbunyi, ‘Astaga, kamu sangat pintar!’. Namun, itu bisa menjadi sarkastik dengan cara yang bisa dilewatkan oleh robot. Lebih buruk lagi, model bahasa yang dilatih pada bias data dapat menjadi seksis, rasis, atau hal toxic lainnya,” menurut Bussler.

Bussler mengatakan pelabelan data secara manual untuk AI adalah proses padat karya. Diperlukan waktu berminggu-minggu atau berbulan-bulan untuk memberi label beberapa ratus sampel menggunakan pendekatan ini. Hal ini pun juga belum bisa terjamin tingkat akurasinya, terutama ketika menghadapi tugas pelabelan khusus berskala besar.

Bussler menyatakan bahwa cara terbaik untuk menskalakan pelabelan data dalam jumlah besar dan mampu bersaing dengan penyedia lain adalah dengan memadukan pembelajaran mesin dan keahlian manusia. “Perusahaan seperti Toloka, Appen, dan lainnya menggunakan AI untuk mencocokkan orang yang tepat dengan tugas yang tepat, sehingga para ahli melakukan pekerjaan yang hanya bisa mereka lakukan,” katanya.

Cara ini akan meningkatkan upaya pelabelan untuk data yang lebih akurat, kata Bussler. Selanjutnya, AI dapat menimbang jawaban dari responden yang berbeda sesuai dengan kualitas tanggapan. Ini memastikan bahwa setiap label memiliki peluang akurasi yang lebih tinggi.

Bussler menyampaikan bahwa data berlabel memicu revolusi AI baru. “Dengan menggabungkan AI dengan penilaian manusia, perusahaan dapat membuat model data yang akurat. Model-model ini kemudian dapat digunakan untuk membuat keputusan yang lebih baik yang memiliki dampak terukur pada bisnis,” katanya.

Bussler berpendapat, pelabelan data sangat penting untuk aplikasi pencarian, visi komputer, asisten suara, moderasi konten, dan banyak lagi. Pencarian adalah salah satu kasus penggunaan AI besar pertama yang mengandalkan penilaian manusia untuk menentukan relevansi. Dengan data berlabel, pencarian bisa sangat akurat.

Pada sektor perawatan kesehatan, AI dapat membantu mendiagnosis kondisi kulit dan retinopati diabetik, meningkatkan tingkat ingatan untuk tinjauan kepatuhan pengobatan, dan menganalisis laporan ahli radiologi untuk mendeteksi kondisi mata seperti glaukoma.

“Moderasi konten juga mengalami kemajuan signifikan berkat AI yang diterapkan pada sejumlah besar data berlabel. Hal ini terutama berlaku untuk topik sensitif, seperti kekerasan atau ancaman kekerasan. Misalnya, AI dengan data berlabel akan mampu membedakan postingan Youtube tentang ancaman bunuh diri dengan video informasi mengenai bunuh diri,” kata Bussler.

Penggunaan AI penting lainnya, ucap Bussler, adalah untuk pelabelan data dalam memahami suara dengan aksen atau nada apa pun, seperti asisten suara Alexa atau Siri. Ini membutuhkan pelatihan algoritme untuk mengenali pola bicara pria dan wanita berdasarkan volume besar audio berlabel.