Modul 03 · 16 menit
Kemampuan Model
Periksa kesiapan data, kemampuan model, ketidakpastian, dan pilihan membangun sendiri atau memakai layanan yang tersedia.
Ditulis dan disunting oleh Cahyanto Arie Wibowo. Terakhir ditinjau · versi 1.2.
Bagaimana konsep “Kemampuan Model” memengaruhi keputusan yang kita buat?
Di bagian ini, Anda akan menguji kemampuan model pada contoh yang mewakili penggunaan dan kegagalan penting. Jangan berhenti pada pertanyaan “apa itu Kemampuan Model?”. Tanyakan juga keputusan apa yang bisa menjadi lebih baik setelah Anda memahaminya. Setelahnya, Anda akan lebih mudah membedakan bukti tentang Kemampuan Model dari klaim yang belum pernah diuji.
Setelah lesson ini
- Menguji kemampuan model pada contoh yang mewakili penggunaan dan kegagalan penting.
- Menggunakan konsep “Kemampuan Model” untuk membaca satu situasi nyata.
- Menjelaskan batas konsep dan informasi yang masih perlu diperiksa.
Mulai dari situasi
Pahami situasinya lebih dulu. Istilahnya bisa menyusul.
Ide yang bernilai tetap sulit diwujudkan jika data yang mewakili pengguna dan jalur umpan balik belum tersedia. Di bagian ini, Anda akan melihat situasi tersebut melalui konsep “Kemampuan Model”. Tujuannya bukan mencari satu istilah yang menjawab semua masalah, melainkan memahami pilihan yang tersedia dengan lebih jernih.
Di bagian ini, Anda akan menguji kemampuan model pada contoh yang mewakili penggunaan dan kegagalan penting. Periksa kesiapan data, kemampuan model, ketidakpastian, dan pilihan membangun sendiri atau memakai layanan yang tersedia. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.
Jangan buru-buru memilih
Dua cara melihat Kemampuan Model
Berguna ketika
- Menguji kemampuan model pada contoh yang mewakili penggunaan dan kegagalan penting.
- Menggunakan konsep “Kemampuan Model” untuk membaca satu situasi nyata.
- Di bagian ini, Anda akan menguji kemampuan model pada contoh yang mewakili penggunaan dan kegagalan penting. Periksa kesiapan data, kemampuan model, ketidakpastian, dan pilihan membangun sendiri atau memakai layanan yang tersedia. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.
Berhenti dan periksa
- Demo dari penyedia layanan belum membuktikan kinerja pada data dan batasan Anda. Cara paling sederhana untuk menghindarinya adalah meminta contoh, bukti, dan kondisi ketika pendekatan tersebut gagal. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.
- Menjelaskan batas konsep dan informasi yang masih perlu diperiksa.
Pilihan yang lebih kuat adalah pilihan yang bukti, penanggung jawab, dan batasnya dapat dijelaskan, bukan sekadar pilihan yang terlihat lebih canggih.
Model visual
Petakan setiap bagiannya sebelum menentukan langkah.
Baca diagram sebagai peta Kemampuan Model: mulai dari konteksnya, ikuti hubungan antarbagiannya, lalu periksa titik yang disorot sebelum mengambil keputusan.
Mari lihat cara kerjanya
Cara membacanya dalam situasi nyata
Jangan berhenti pada pertanyaan “apa itu Kemampuan Model?”. Tanyakan juga keputusan apa yang bisa menjadi lebih baik setelah Anda memahaminya. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.
Ide yang bernilai tetap sulit diwujudkan jika data yang mewakili pengguna dan jalur umpan balik belum tersedia. Coba bandingkan keputusan sebelum dan sesudah konsep “Kemampuan Model” ikut dipertimbangkan. Contoh ini membantu Anda berpikir, tetapi bukan bukti bahwa satu solusi akan cocok untuk semua situasi.
Berhenti sejenak
Bukti apa yang bisa mengubah keputusan ini?
Jawab sebelum membuka pembahasan. Sebutkan satu fakta dan satu asumsi.
Buka pembahasan
Di bagian ini, Anda akan menguji kemampuan model pada contoh yang mewakili penggunaan dan kegagalan penting. Jangan berhenti pada pertanyaan “apa itu Kemampuan Model?”. Tanyakan juga keputusan apa yang bisa menjadi lebih baik setelah Anda memahaminya. Setelahnya, Anda akan lebih mudah membedakan bukti tentang Kemampuan Model dari klaim yang belum pernah diuji.
Jalan pintas yang menggoda
Istilah yang terdengar familiar belum tentu membantu Anda mengambil keputusan yang tepat.
Mengapa ini terasa masuk akal
Demo dari penyedia layanan belum membuktikan kinerja pada data dan batasan Anda. Cara paling sederhana untuk menghindarinya adalah meminta contoh, bukti, dan kondisi ketika pendekatan tersebut gagal. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.
Cara memeriksanya
Jangan berhenti pada pertanyaan “apa itu Kemampuan Model?”. Tanyakan juga keputusan apa yang bisa menjadi lebih baik setelah Anda memahaminya. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.
Coba sendiri
Cobalah pada satu bagian kecil dari pekerjaan Anda.
- Pilih satu situasi nyata yang berkaitan dengan Kemampuan Model.
- Pisahkan hal yang dapat Anda amati dari hal yang masih berupa asumsi.
- Tulis satu keputusan, penanggung jawab, dan bukti untuk memeriksanya.
- Sebutkan sinyal yang membuat Anda berhenti atau mengubah arah.
Gunakan satu pekerjaan yang Anda kenal. Tandai informasi yang sudah ada, yang masih berupa asumsi, dan yang perlu diuji terkait konsep “Kemampuan Model”. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Tinjau kelayakan satu ide AI dengan bukti yang tersedia. Buat versi pertama cukup kecil agar orang lain dapat memeriksanya dalam beberapa menit.
Latihan singkat
Gunakan satu pekerjaan yang Anda kenal. Tandai informasi yang sudah ada, yang masih berupa asumsi, dan yang perlu diuji terkait konsep “Kemampuan Model”. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Tinjau kelayakan satu ide AI dengan bukti yang tersedia.
Ringkasan
- Menguji kemampuan model pada contoh yang mewakili penggunaan dan kegagalan penting.
- Gunakan contoh dan bukti untuk menguji pemahaman.
- Catat batas, risiko, dan kondisi ketika keputusan harus ditinjau ulang.
Lanjutkan dari sini
- Bangun atau Beli: Lanjutkan gagasan dari Menilai Kelayakan AI melalui contoh yang masih berkaitan.
- Konteks dan Aliran Data: Hubungkan pelajaran ini dengan Applied AI, lalu uji idenya dalam konteks lain.
- Klasifikasi dan Kemiripan: Lihat bagaimana keputusan yang sama berubah ketika dibahas melalui Data Literacy.
Sumber dan bacaan lanjut
- Rules of Machine Learning: Google for Developers · official-guidance. Rujukan utama untuk definisi, bukti, atau batas yang dibahas dalam “Kemampuan Model”.
- Data on the Web Best Practices: W3C · web-standard. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Kemampuan Model”.
- Artificial Intelligence Risk Management Framework: NIST · official-framework. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Kemampuan Model”.