Deep Learning: Kapan Benar-Benar Dibutuhkan

Bedanya dengan machine learning biasa

Pada machine learning biasa, Anda yang menentukan ciri apa yang dilihat model, misalnya luas rumah, jumlah kamar, jarak ke pusat kota. Pada deep learning, model menemukan sendiri ciri-ciri itu dari data mentah. Itulah kenapa deep learning unggul pada gambar, suara, dan teks: tidak mungkin Anda menuliskan secara manual ciri apa yang membedakan wajah satu dengan lainnya.

Keunggulan itu ada harganya. Karena model harus menemukan sendiri polanya, ia butuh contoh jauh lebih banyak, ribuan, bukan ratusan, serta perangkat keras yang memadai dan waktu pelatihan yang lebih lama.

Kapan sebaiknya memakai yang lebih sederhana

Kalau data Anda berbentuk tabel, baris dan kolom seperti di spreadsheet, deep learning biasanya kalah dari metode yang lebih sederhana seperti gradient boosting, sekaligus lebih lambat dan lebih sulit dijelaskan. Kalau contoh yang Anda punya cuma ratusan, deep learning akan menghafal alih-alih belajar. Kalau hasilnya harus bisa dipertanggungjawabkan secara rinci, model yang sulit ditelusuri akan jadi beban. Dan kalau ada model siap pakai yang sudah dilatih untuk kasus serupa, memakainya jauh lebih masuk akal daripada melatih dari nol.

Alur kerja proyek deep learning

Selain langkah-langkah machine learning pada umumnya, deep learning menambah beberapa hal yang tidak bisa dilewati.

1. 1Hitung dulu kebutuhan datanya secara jujur. Untuk pengenalan gambar, biasanya perlu ratusan sampai ribuan contoh per kategori.
2. 2Cari model yang sudah terlatih sebelum melatih dari nol. Melanjutkan model yang sudah ada jauh lebih hemat dan sering lebih akurat.
3. 3Siapkan perangkatnya. Pelatihan tanpa GPU bisa berjalan berhari-hari untuk sesuatu yang seharusnya selesai dalam jam.
4. 4Perbanyak variasi data dengan augmentasi, memutar, menggeser, mengubah pencahayaan, supaya model tidak hafal contoh tertentu saja.
5. 5Pantau kurva pelatihan dan validasi berdampingan. Kalau keduanya melebar, model mulai menghafal, dan menambah waktu pelatihan hanya memperburuk.
6. 6Uji di perangkat tujuan sebelum dianggap selesai. Model yang lancar di komputer pelatihan bisa terlalu berat untuk perangkat di lapangan.

Kesalahan yang sering terjadi

Empat hal ini paling sering membuat proyek deep learning berhenti:

• Data uji bocor ke data latih. Sering terjadi tanpa disadari, misalnya potongan dari video yang sama masuk ke dua bagian, hasilnya angka akurasi yang menipu.
• Kategori yang sangat timpang dibiarkan. Kalau 98% data adalah kelas normal, model yang selalu menjawab "normal" sudah 98% akurat tanpa berguna sama sekali.
• Langsung memakai model terbesar. Model besar lebih akurat tapi lebih lambat dan lebih rakus data; sering kali yang sedang justru lebih tepat.
• Tidak menyiapkan cara menjelaskan keputusan model. Untuk bidang seperti kesehatan atau keuangan, jawaban tanpa alasan sering tidak bisa diterima.