Apa Perbedaan Antara AI dan Machine Learning?

Buat Akun AWS

Jelajahi Penawaran AI Gratis

Bangun, deploy, dan jalankan aplikasi kecerdasan buatan di cloud secara gratis

Lihat Layanan Kecerdasan Buatan

Percepat inovasi dengan rangkaian layanan AI terlengkap

Jelajahi Pelatihan AI

Kembangkan keterampilan AI yang diperlukan dengan kursus, tutorial, dan sumber daya

Baca Blog AI & Machine Learning

Baca berita dan praktik terbaik produk AI & ML AWS terbaru

Apa perbedaan antara AI dan Machine Learning?

Kecerdasan Buatan (AI) adalah istilah umum untuk beragam strategi dan teknik yang dapat digunakan untuk membuat mesin menjadi lebih menyerupai manusia. AI mencakup semua hal mulai dari asisten cerdas seperti Alexa hingga penyedot debu robotik dan mobil otonom. Machine learning (ML) adalah salah satu di sekian banyak cabang AI. ML adalah ilmu pengembangan algoritma dan model statistik yang digunakan sistem komputer untuk melakukan tugas-tugas kompleks tanpa perlu instruksi eksplisit. Sistem ini mengandalkan pola dan inferensi. Sistem komputer menggunakan algoritma ML untuk memproses data historis dalam jumlah besar dan mengidentifikasi pola data. Meskipun machine learning adalah AI, tetapi tidak semua aktivitas AI adalah machine learning.

Baca tentang kecerdasan buatan (AI) »

Baca tentang machine learning (ML) »

Apa saja persamaan antara AI dan machine learning?

Machine learning (ML) adalah cabang kecerdasan buatan (AI) yang lebih terfokus. Namun, kedua bidang ini melampaui dasar otomatisasi dan pemrograman untuk menghasilkan output berdasarkan analisis data kompleks.

Pemecahan masalah dengan cara yang menyerupai manusia

Solusi kecerdasan buatan dan machine learning (AI/ML) cocok untuk tugas-tugas kompleks yang umumnya melibatkan hasil yang presisi berdasarkan pengetahuan yang dipelajari.

Misalnya, mobil AI otonom menggunakan penglihatan komputer untuk mengenali objek di bidang pandangnya dan pengetahuan tentang peraturan lalu lintas untuk menavigasi kendaraan.

Algoritma ML untuk harga properti, misalnya, menerapkan pengetahuan tentang harga jual sebelumnya, kondisi pasar, denah lantai, dan lokasi untuk memprediksi harga rumah.

Bidang ilmu komputer

Kecerdasan buatan dan machine learning adalah bidang ilmu komputer yang berfokus pada pembuatan perangkat lunak yang menganalisis, menafsirkan, dan memahami data dengan cara yang kompleks. Para ilmuwan dalam bidang ini berupaya memprogram sistem komputer untuk melakukan tugas-tugas kompleks yang melibatkan pembelajaran mandiri. Perangkat lunak yang didesain dengan baik akan menyelesaikan tugas secepat atau lebih cepat dari manusia.

Aplikasi lintas industri

Terdapat banyak aplikasi AI di semua industri. Anda dapat menggunakan AI untuk mengoptimalkan rantai pasokan, memprediksi hasil olahraga, meningkatkan hasil pertanian, dan mempersonalisasi rekomendasi perawatan kulit.

Aplikasi ML juga memiliki cakupan yang luas. Aplikasi ML dapat meliputi penjadwalan pemeliharaan mesin prediktif, harga untuk rencana perjalanan yang dinamis, deteksi fraud asuransi, dan prakiraan permintaan ritel.

Perbedaan utama: AI vs machine learning

Machine learning (ML) adalah cabang khusus dari kecerdasan buatan (AI). ML memiliki lingkup dan fokus yang terbatas dibandingkan dengan AI. AI mencakup beberapa strategi dan teknologi yang berada di luar lingkup machine learning.

Berikut adalah beberapa perbedaan utama di antara keduanya.

Tujuan

Tujuan dari setiap sistem AI adalah agar mesin menyelesaikan tugas manusia yang kompleks secara efisien. Tugas semacam itu dapat melibatkan pembelajaran, pemecahan masalah, dan pengenalan pola.

Di sisi lain, tujuan dari ML adalah agar mesin menganalisis data dalam volume besar. Mesin akan menggunakan model statistik untuk mengidentifikasi pola dalam data dan memberikan hasil. Hasil tersebut memiliki probabilitas kebenaran atau tingkat kepercayaan yang terkait.

Methods

Bidang AI mencakup berbagai metode yang digunakan untuk memecahkan beragam masalah. Metode ini mencakup algoritma genetik, jaringan neural, deep learning, algoritma pencarian, sistem berbasis aturan, dan machine learning itu sendiri.

Dalam ML, metode dibagi menjadi dua kategori besar: pembelajaran yang diawasi dan pembelajaran tanpa pengawasan. Algoritma ML dengan pengawasan belajar untuk memecahkan masalah menggunakan nilai data yang berlabel input dan output. Pembelajaran tanpa pengawasan bersifat lebih eksploratif dan mencoba menemukan pola tersembunyi dalam data yang tidak berlabel.

Implementasi

Proses pembangunan solusi ML biasanya melibatkan dua tugas:

Memilih dan menyiapkan set data pelatihan
Memilih strategi atau model ML yang sudah ada sebelumnya, seperti regresi linier atau pohon keputusan

Ilmuwan data memilih fitur data penting dan memasukkannya ke dalam model untuk pelatihan. Mereka terus menyempurnakan set data dengan data yang diperbarui dan pemeriksaan kesalahan. Kualitas dan keberagaman data akan meningkatkan keakuratan model ML.

Membangun produk AI biasanya merupakan proses yang lebih kompleks sehingga banyak orang memilih solusi AI prabangun untuk meraih tujuan mereka. Solusi AI ini umumnya telah dikembangkan setelah melakukan penelitian selama bertahun-tahun, dan developer membuat solusi tersebut dapat diintegrasikan dengan produk serta layanan melalui API.

Persyaratan

Solusi ML memerlukan set data beberapa ratus titik data untuk pelatihan, ditambah daya komputasi yang cukup untuk dijalankan. Tergantung aplikasi dan kasus penggunaan Anda, instans server tunggal atau klaster server kecil mungkin sudah cukup.

Sistem cerdas lainnya mungkin memiliki persyaratan infrastruktur yang berbeda-beda, yang bergantung pada tugas yang ingin Anda capai dan metodologi analisis komputasi yang Anda gunakan. Kasus penggunaan komputasi tinggi membutuhkan beberapa ribu mesin yang bekerja bersama-sama untuk mencapai tujuan yang kompleks.

Namun, perlu diperhatikan bahwa baik fungsi AI maupun ML prabangun saat ini sudah tersedia. Anda dapat mengintegrasikannya ke dalam aplikasi melalui API tanpa perlu sumber daya tambahan.

Apa yang dibutuhkan organisasi untuk mulai menggunakan AI dan machine learning?

Jika Anda ingin menggunakan kecerdasan buatan (AI) atau machine learning (ML), mulailah dengan menentukan masalah yang ingin Anda selesaikan atau meneliti pertanyaan yang ingin Anda jelajahi. Setelah Anda mengidentifikasi ruang masalah, Anda dapat menentukan teknologi AI atau ML yang cocok untuk menyelesaikannya. Anda perlu mempertimbangkan tipe dan ukuran data pelatihan yang tersedia serta memproses data sebelum Anda memulainya.

Dengan layanan cloud sesuai permintaan, Anda dapat membuat, menjalankan, dan mengelola AI. Fungsi pembelajaran juga dapat dibuat, dijalankan, dan dikelola dari Amazon Web Services (AWS) Cloud.

Bagaimana cara organisasi menggunakan AI dan ML?

Beberapa solusi machine learning (ML) berlaku untuk sebagian besar organisasi:

Segmentasi pelanggan adalah solusi yang memungkinkan Anda untuk mengelompokkan pelanggan berdasarkan perilaku, preferensi, dan karakteristik mereka untuk aktivitas penjualan dan pemasaran lebih lanjut. Baca cara Lion Parcel menggunakan AWS untuk segmentasi pelanggan.
Deteksi penipuan adalah solusi yang memungkinkan Anda melakukan triase dan menyelesaikan transaksi tidak biasa yang ditemukan. Baca cara Luno menggunakan AWS untuk deteksi penipuan.
Analisis sentimen adalah tempat di mana umpan balik pelanggan digabungkan untuk digunakan dalam membuat strategi dan pemasaran produk. Baca cara Zignal Labs menggunakan AWS untuk analisis sentimen.

Berikut adalah solusi kecerdasan buatan (AI) yang berlaku untuk sebagian besar organisasi:

Chatbot cocok untuk pertanyaan layanan pelanggan dan triase. Baca cara MetroPlusHealth menggunakan AWS untuk chatbot
Pengenalan ucapan sangat berguna untuk membuat transkripsi rapat dalam notula tertulis. Baca cara Epiq menggunakan AWS untuk pengenalan suara.
Penglihatan komputer bekerja dengan sangat baik untuk sistem pengenalan biometrik. Baca cara PayEye menggunakan AWS untuk penglihatan komputer

Ringkasan perbedaan: AI vs. machine learning

	Kecerdasan Buatan	Machine Learning
Apa itu?	AI adalah istilah umum untuk aplikasi berbasis mesin yang meniru kecerdasan manusia. Tidak semua solusi AI termasuk dalam ML.	ML adalah metodologi kecerdasan buatan. Semua solusi ML merupakan solusi AI.
Paling cocok untuk	AI adalah pilihan terbaik untuk menyelesaikan tugas manusia yang kompleks secara efisien.	ML adalah pilihan terbaik untuk mengidentifikasi pola di dalam kumpulan data dalam jumlah besar untuk memecahkan masalah tertentu.
Methods	AI dapat menggunakan berbagai metode, seperti berbasis aturan, jaringan neural, penglihatan komputer, dan sebagainya.	Untuk ML, pengguna secara manual memilih dan mengekstraksi fitur dari data mentah serta menetapkan bobot untuk melatih model.
Implementasi	Implementasi AI bergantung pada tugasnya. AI biasanya bersifat prabangun dan dapat diakses melalui API.	Anda melatih model ML baru atau yang sudah ada untuk kasus penggunaan yang spesifik. API ML prabangun kini sudah tersedia.

Bagaimana AWS dapat mendukung persyaratan AI dan machine learning Anda?

AWS menawarkan berbagai layanan untuk membantu Anda menciptakan, menjalankan, dan mengintegrasikan solusi kecerdasan buatan dan machine learning (AI/ML) dalam berbagai ukuran, kompleksitas, atau kasus penggunaan.

Amazon SageMaker adalah sebuah platform lengkap untuk membangun solusi ML Anda dari tahap awal. SageMaker memiliki rangkaian lengkap model machine learning prabangun, kemampuan penyimpanan dan komputasi, serta lingkungan terkelola penuh.

Untuk AI, Anda dapat menggunakan layanan AWS untuk membangun solusi AI dari tahap awal atau mengintegrasikan layanan kecerdasan buatan (AI) prabangun ke dalam solusi.