Tantangan dalam Implementasi AI pada Bisnismu

Dalam beberapa tahun terakhir, AI mendapat banyak perhatian, sehingga banyak bisnis yang mencoba menerapkan penggunaan AI untuk mendapatkan hasil yang maksimal. AI menjadi topik utama di dunia bisnis, dengan perusahaan seperti Google, Netflix, Amazon, dan lainnya yang sangat diuntungkan dari penggunaan AI dan machine learning. Selain perusahaan besar, bisnis kecil dan menengah pun terpengaruh.

Agar tetap kompetitif, banyak bisnis merasakan tekanan dalam proses penerapan AI. Dalam banyak publikasi, ditunjukkan bahwa banyak prosedur bisnis yang memerlukan penggunaan AI, karena kecerdasan buatan telah terbukti memberikan manfaat dan pengaruh dalam keberhasilan operasi perusahaan. Analisis Accenture menyatakan bahwa efisiensi perusahaan dapat ditingkatkan sebesar 40% dan profitabilitas sebesar 38% dengan menggunakan AI.

Meskipun keuntungan penerapan AI dalam bisnis beragam, kita tidak bisa menutup mata terhadap kesulitan yang akan dihadapi dalam implementasinya. Kendala ini membuat manfaat penerapan AI menjadi tidak masuk akal, bahkan mustahil bagi beberapa bisnis. Dalam mengadopsi AI di sektor bisnis, tantangan seperti Power of Computing, Deficiency of Trust, Insufficient Understanding, Human-level, Data Privacy and Security, The Bias Problem, dan Rarity of Data dapat muncul.

Pengaruh Nyata AI Dalam Membantu Bisnis

Sebagian besar perusahaan menaruh harapan pada kecerdasan buatan untuk meningkatkan penjualan, menentukan strategi pemasaran yang paling optimal, dan mengoptimalkan kinerja internal perusahaan. Dalam tujuan bisnis, pengembangan AI mencakup personalisasi pengalaman berbelanja pelanggan, mengotomatiskan interaksi pelanggan, memberikan bantuan real-time dan progresif untuk operasi bisnis, pemrosesan data, kompilasi rekomendasi, prediksi tren, otomatisasi, dan sebagainya.

Sebagai bagian dari perusahaan yang menyediakan layanan pengembangan AI di Indonesia, GLAIR telah berkontribusi pada berbagai proyek AI untuk berbagai tujuan bisnis dan telah membantu kemajuan implementasi AI yang substansial kepada kliennya. Beberapa contoh proyek AI oleh GLAIR antara lain sebagai berikut;

• Dalam proyeknya di bidang Food and Beverages, GLAIR telah mengembangkan teknologi dengan sistem Demand Forecasting Prediction pada beberapa produk vending machine yang tersebar di perusahaan klien. Hal ini dilakukan dengan menyajikan data penggunaan stok produk yang dapat meningkatkan pendapatan. Selain itu, sistem AI yang dikembangkan juga mampu melakukan efisiensi dalam proses masuk dan keluarnya stok produk di vending machine hingga 80%. Hal ini terbukti mampu meningkatkan pendapatan dan kepuasan pelanggan dalam mekanisme pengaturan stock spread produk di setiap vending machine disesuaikan dengan tingkat distribusi pelanggan.
• Pada projek dengan perusahaan Media, GLAIR bekerja sama untuk mengembangkan sistem rekomendasi yang mampu meningkatkan engagement dalam hal jumlah view dan personalisasi pengguna hingga 200%. Hal ini tentunya juga berhasil meningkatkan pendapatan perusahaan.
• Klien GLAIR yang merupakan perusahaan Asuransi mampu mengembangkan model AI berupa model profisiensi untuk penawaran produk asuransi yang sesuai dengan profil pengguna dalam sebaran nasabah dan kebutuhannya. Hal ini juga merupakan salah satu kontribusi GLAIR dalam pengembangan AI yang mampu menyesuaikan jenis penawaran produk dari perusahaan dengan segmentasi pengguna asuransi yang sesuai.

Proyek-proyek ini adalah beberapa contoh proyek yang dikembangkan GLAIR untuk membantu dan berkontribusi pada perusahaan yang mencoba menerapkan AI untuk mengembangkan sektor bisnis mereka secara nyata.

Peluang Pengembangan AI di Berbagai Sektor

Saat ini, teknologi AI telah diimplementasikan di beberapa unit bisnis dan sektor yang mendukung otomatisasi dan kompatibilitas pekerjaan manusia. Novan Parmonangan, Head of AI Engineer di GLAIR, mengatakan bahwa ada peluang besar dalam penerapan AI di masa depan, yang mencakup beberapa perkembangan teknologi seperti:

• Di bidang Medis dan Kesehatan, AI dapat dikembangkan dengan teknologi Medical Image Analysis untuk mengidentifikasi jenis penyakit dan mekanisme pengobatannya. Teknologi ini dikembangkan untuk menganalisis data berupa gambar dari pasien dengan penyakit seperti X-rays untuk dianalisis dengan teknologi AI. Hal ini dapat membantu pendeteksian penyakit yang dilakukan tenaga medis menjadi lebih efisien.
• Dalam credit company industry, AI dapat membantu meningkatkan pendapatan, mengurangi biaya, meningkatkan otomatisasi, dan membantu mengembangkan kinerja tugas yang sumber dayanya terbatas. Teknologi tersebut adalah credit scoring yang mampu membantu dalam persetujuan jumlah kredit secepat mungkin sesuai dengan profil pengguna. Di industri ini, sebelumnya proses credit scoring dari nasabah dilakukan secara manual. Namun, kini AI dapat membantu memprediksi nasabah mana yang akan diterima atau ditolak pengajuan pinjamannya.
• Dalam penanganan pandemi, AI dapat dikembangkan menjadi teknologi yang mampu mendeteksi kerumunan orang dalam bentuk Crowd Detection. Crowd Detection dikembangkan untuk mendeteksi jumlah pengunjung dan mengalokasikan pembatasan di area padat untuk mencegah penularan pasif virus dari keramaian.
• Di bidang transportasi, AI dapat dikembangkan dalam teknologi License Pre-Recognition berupa Automotive Entry System. Automotive Entry System merupakan  sistem tilang dan pelanggaran lalu lintas yang dapat membantu polisi lalu lintas dalam menindak pelanggar lalu lintas yang membahayakan pengendara lain.
• Sedangkan di bidang penjualan, AI dapat dikembangkan menjadi teknologi Chatbot yang dapat membantu pelanggan menjawab pertanyaan seputar produk dan rekomendasi produk. Adanya chatbot mampu memanfaatkan kinerja customer service secara efisien dalam melayani pelanggan.

Beberapa peluang dari penerapan AI dapat membantu efisienfi dalam berbagai aspek kehidupan manusia, seperti tugas dan ruang lingkup kerja yang tidak dapat dilakukan oleh manusia.

Tantangan Dalam Penerapan AI

Banyak kendala atau tantangan dalam pengembangan dan implementasi AI dalam bisnis. Pada proses implementasi AI,  hal ini perlu diperhatikan secara detail. Tantangan tersebut antara lain sebagai berikut;

• Kurangnya dukungan dari stakeholder. Ada banyak kemungkinan penyebab kurangnya dukumgan stakeholder. Contohnya, pihak tim tidak mau mengambil risiko, apakah teknologi yang diadopsi mampu dan bisa diterapkan. Muncul keraguan dari tim yang kurang bisa memahami manfaat AI. Mereka ragu mengapa AI penting dalam membantu proses bisnis.  Selain itu, kurangnya pengetahuan AI termasuk dalam hal implementasi dan harapan yang kurang jelas dalam pengimplementasiannya dapat menimbulkan keraguan dari stakeholder dalam mengimplementasikan AI di masa mendatang.

Tak sampai disitu, setelah mendapat dukungan, masalah selanjutnya adalah ketidakjelasan dalam pengeksekusiannya. Pengeksekusian AI ini termasuk; dari mana dan titik awal mulainya eksekusi, seperti apa use-case yang digunakan, dan seperti apa strategi AI yang akan diimplementasikan, penggunaan in-house solution atau vendor, pembentukan data team dan pengetahuan tentang keadaan perusahaan oada saat ini. Apakah perusahaan harus berinvestasi terlebih dahulu? Apakah mereka harus berinvestasi dalam dataflow, dan bagaimana infrastruktur akan dijalankan? Permasalahan-permasalahan tersebut perlu ditinjau kembali dalam proses implementasi yang dikembangkan oleh sistem selanjutnya.

• Tidak memiliki data yang tertata, konsisten, dan sesuai. Masalah ini mencakup berbagai komponen, antara lain sebagai berikut: bisa jadi data penting tidak tersedia, perusahaan mungkin tidak menyimpan data yang dibutuhkan dan harus tersedia untuk pengembangan AI, data yang dimiliki masih dalam bentuk kertas dan belum didigitalkan, dan sistem formatnya tidak terstruktur; bahkan masalah utamanya bisa jadi adalah data yang belum terjaring sama sekali. Data yang ada bisa jadi belum berupa clean data, atau masoh berupa noisy data. Noisy data dapat menyebabkan kesalahan instrumentasi, kesalahan sumber daya, dan kesalahan yang menyebabkan machine learning tidak kompatibel. Jika dilihat dari kualitas datanya, dataflow pada noisy data masih tersebar dimana-mana sehingga tidak terpusat.  Birokrasi dalam pendokumentasian data masih buruk dan tidak terstruktur, sehingga data ETL tidak jelas. Jika ingin membangun arsitektur AI, masalah ini sangat kompleks dan perlu diperbaiki sejak awal eksekusi.

• Privasi dan Keamanan Data. Penggunaan data saat ini sangat diatur oleh regulasi, termasuk bagian dari privasi dan keamanan. Jangan sampai data yang digunakan Aplikasi AI untuk dipelajari tersebut melanggar UU ITE, termasuk undang-undang privasi. Perhatikan legalisasi dan hak cipta dari data tersebut sehingga tidak melanggar aturan dan kebijakan terkait privasi pengguna. Lalu, jangka waktu berapa lama data tersebut akan disimpan, termasuk penyimpanan data dari perusahaan tersebut harus diperhatikan. Regulasi ini harus jelas dan terstruktur dengan baik agar tidak ada kebijakan yang salah di kemudian hari yang melanggar penyalahgunaan data.

Selain masalah teknis, ada juga beberapa masalah non-teknis seperti:

• Pentingnya pengikutsertaan dukungan pengguna. Regulasi juga harus dipahami dari segi ranah bisnis, regulasi umum, UU ITE. kita bisa menyelesaikan masalah ini dari segi teknis.
• Konsultasi dengan pakar terkait regulasi data. Hal ini akan membantu dalam memberikan gambaran dalam pendokumentasian data yang baik kepada perusahaan melalui pengetahuan yang didapat dari para ahli kepada stakeholder di perusahaan.
• Kurangnya edukasi tentang AI. Banyak orang mengira AI akan menggantikan manusia. Faktanya, AI membuat manusia lebih efektif. Proses pengembangan AI masih membutuhkan tanggung jawab manusia sepenuhnya dalam penggunaannya. Misalnya, ada data dengan akurasi tinggi yang tidak dapat dikendalikan manusia, dan adanya robot di lingkungan berbahaya yang dapat dioperasikan jika manusia tidak tersedia. Oleh karena itu, diperlukan pemahaman yang benar tentang manfaat penting AI dan cara kerjanya. Selain itu, daripada mengatakan bahwa AI menghilangkan pekerjaan manusia, pikirkan bahwa AI juga dapat menciptakan pekerjaan baru. Jika ada masalah yang AI bisa bantu selesaikan, manusia bisa fokus ke masalah lain untuk diselesaikan.

Mengatasi Tantangan Dalam Pengembangan dan Pengimplementasian AI

Untuk menjawab tantangan yang dihadapi dalam implementasi AI, pelaksanaan implementasi harus berkolaborasi dengan dengan beberapa komponen mulai dari sumber daya manusia, arsitektur pengembangan AI, hingga relevansi data yang akan dikolaborasikan dalam sistem yang akan dibangun.

• Kolaborasi para stakeholders penting dalam organisasi. Leaders seperti CEO, pemegang saham, pemodal ventura, dan komisaris merupakan stakeholders yang penting dalam perusahaan. Leaders adalah orang-orang yang harus memimpin dan mengetahui penting dan manfaat AI itu sendiri. Jika mereka sudah aware dengan itu semua, leaders harus bisa mengedukasi dan mendapatkan saran dari pakar AI mengenai komponen penting AI dan menyampaikan pemahamannya kepada tim di bawahnya. Selain itu, para leader juga bisa belajar dari kompetitor terkait penerapan AI. Hal yang penting yang harus dilakukan belajar, lalu mengedukasi. Setelah mengetahui hal ini, tujuan dan harapan AI yang ingin diharapkan oleh para pemimpin dari perusahaan akan diketahui dan didapatkan. Masih harus ada orang-orang yang jelas yang akan berperan dalam pengembangan AI.

• Mulai dari hal kecil. Cobalah mulai dari peninjauan struktur organisasi vertikal yang dikembangkan untuk meninjau objek bisnis. Sehingga, jika pengembangan AI yang dilakukan gagal, tidak akan timbul dampak yang besar, dan biaya untuk menutupi proses tersebut tidak akan terlalu besar. Yang terpenting, kita bisa mengidentifikasi lingkungan AI yang akan dikembangkan dan memastikan hasil AI yang didapatkan akan baik. Bukan berarti end-to-end solution yang diciptakan harus sempurna, yang paling penting adalah kenyataan bahwa pengembangan AI yang dilakukan berjalan dan berkembang sehingga dapat diukur kinerjanya untuk ditingkatkan dari waktu ke waktu. Tim dapat lebih percaya diri dan dapat menangani use cases yang lebih kompleks jika kolaborasi antar tim dapat dikelola dengan lebih baik sejak awal.

• Dapatkan saran dari pakar AI. Saran dari AI Experts sangat dibutuhkan untuk menbgetahui banyak hal, termasuk kesiapan penerapan AI, jenis pengembangan AI yang akan direncanakan: in-house atau vendor, kebutuhan pengembangan AI itu sendiri, dan bisnis inti yang akan dikembangkan oleh AI . AI Experts juga dapat membantu dengan memberi banyak saran, dataflow, BI, memberikan saran tentang kerangka kerja, arsitektur yang jelas, dan kesiapan perusahaan untuk mengoperasikan AI. 

• Memulai dengan Structured Data ETL Documentation. Mulailah mengumpulkan data minimum dan ETL documented flow. Mulai analisis data dari clean data. Jika perlu, transformasikan data dengan mendigitalkannya, sehingga dapat membantu memudahkan AI untuk dikembangkan.

• Kelola Otorisasi Privasi Data. Tentukan regulasi data atau data regulations: dalam bentuk hak akses, penggunaan data, persetujuan sumber, differencial privacy, dan zero-knowledge policy. Differencial privacy atau privasi diferensial merupakan regulasi yang berbentuk mekanisme untuk berbagi informasi secara publik tentang kumpulan data dengan menentukan pola pengelompokan dalam kumpulan data sambil menjaga informasi tentang kumpulan data individu peserta pribadi. Sedangkan zero-knowledge policy merupakan regulasi yang disetujui, yang merupakan mekanisme di mana satu orang (the prover atau pembukti) dapat menunjukkan kepada pihak lain (the verifier atau pihak yang melakukan verifikasi) bahwa pernyataan tertentu benar tanpa memberikan informasi tambahan selain fakta bahwa pernyataan itu benar.

Persiapan Dalam Penerapan AI

Ada beberapa hal teknis dan non teknis yang bisa kita persiapkan sebelum mengembangkan AI dalam operasional atau layanan bisnis di dalam perusahaan. Tapi secara garis besar, hal-hal itu terdiri dari;

• Investasi dalam AI dimulai dari pengetahuan yang mampu menjawab semua pertanyaan terkait implementasi AI mulai dari kesiapan pemangku kepentingan, use case AI, implementasi dan pengembangan, data, dan sebagainya.
• Jika berinvestasi dalam pengetahuan AI telah dilakukan, leaders harus membuat janji dengan seseorang sebagai PIC atau penanggung jawab proyek AI sehingga ada kemajuan dari pengembangan AI itu sendiri. Sementara iyu, Stakeholders dapat melakukan peninjauan kemajuan dan jalannya proses perencanaan, pelaksanaan, pengembangan, operasi hingga maintenance agar dapat berjalan dengan baik.

AI saat ini telah banyak dipakai, karena AI sama pentingnya seperti pada saat pertama kali internet atau cloud computing sedang booming. Saat ini, fenomena ini harus kita tangani dengan serius.

Pendidikan AI dan implementasi AI diperlukan di perusahaan untuk menangani persaingan. Industri atau bisnis bisa saja mati jika mereka tidak mengadopsi AI, karena tidak bisa bertahan dalam persaingan. Misalnya saja, persaingan toko offline vs e-commerce, serta persaingan dari industri hiburan konvensional dan digital. Implementasi AI diperlukan untuk banyak kepentingan. AI dibutuhkan untuk menopang semua sektor bisnis, termasuk implementasinya yang sederhana seperti internet.