Portal Berita Ekonomi Rabu, 29 Januari 2020

Perspektif Baru Bisnis & Ekonomi

  • icon facebook kecil
  • icon twitter kecil
  • icon feed kecil
  • icon youtube kecil
  • icon email kecil
Executive Brief
  • 13:43 WIB. OIL - Harga acuan Brent diperdagangkan pada level 60,14 USD/barel
  • 13:43 WIB. OIL - Harga acuan WTI diperdagangkan pada level 54,06 USD/barel
  • 13:42 WIB. Gold - Spot price emas diperdagangkan pada level 1.567 USD/troy ounce
  • 13:42 WIB. Valas - Dollar AS melemah 0,05% terhadap Yen pada level 109,09 JPY/USD
  • 13:41 WIB. Valas - Dollar AS menguat 0,04% terhadap Poundsterling pada level 1,3024 USD/GBP
  • 13:40 WIB. Valas - Dollar AS menguat 0,05% terhadap Euro pada level 1,1016 USD/EUR
  • 12:00 WIB. IHSG - IHSG menguat 0,22% di akhir sesi I.

Algoritma AI Kurang Akurat Kenali Objek di Negara Berkembang, Ini Penyebabnya

Algoritma AI Kurang Akurat Kenali Objek di Negara Berkembang, Ini Penyebabnya - Warta Ekonomi
WE Online, Jakarta -

Algoritma pengenalan objek yang dijual oleh perusahaan teknologi, termasuk Google, Microsoft, dan Amazon, berkinerja lebih buruk ketika diminta untuk mengidentifikasi item dari negara-negara berpenghasilan rendah. Temuan ini dilakukan oleh laboratorium artificial intelligence (AI) milik Facebook, yang menunjukkan adanya bias di mana pengenalan objek lewat AI menimbulkan ketidaksetaraan antarnegara.

Dalam penelitian bertajuk "Import AI 150: Training a Kiss Detector; Bias in AI, Rich vs Poor Edition; and Just How Good is Deep Learning Surveillance Getting?", para peneliti menguji lima algoritma pengenalan objek yang populer–Microsoft Azure, Clarifai, Google Cloud Vision, Amazon Recognition, dan IBM Watson–untuk melihat seberapa baik masing-masing algoritma ini mengidentifikasi barang-barang rumah tangga yang dikumpulkan dari dataset global.

Baca Juga: Canggih! China Gunakan Algoritma untuk Bikin Kamera Beresolusi Tinggi

Dataset yang digunakan mencakup 117 kategori (dari sepatu, sabun hingga sofa) dan beragam pendapatan rumah tangga dan lokasi geografis (dari satu keluarga di Burundi yang menghasilkan US$27 per bulan hingga satu keluarga di Ukraina dengan penghasilan US$10.090 per bulan).

Para peneliti menemukan, algoritma pengenalan objek membuat kesalahan sekitar 10% lebih banyak ketika diminta untuk mengidentifikasi barang-barang rumah tangga dengan pendapatan per bulan US$50 dibandingkan dengan yang berasal dari rumah tangga berpenghasilan lebih dari US$3.500 per bulan.

Secara umum, algoritme 15 hingga 20% lebih baik dalam mengidentifikasi barang-barang dari AS dibandingkan dengan barang-barang dari Somalia dan Burkina Faso misalnya.

Bias semacam ini merupakan masalah yang dikenal luas dalam AI dan disebabkan oleh beberapa hal. Salah satu yang paling umum, data pelatihan yang digunakan untuk membuat algoritma seringkali mencerminkan kehidupan dan latar belakang para insinyurnya. Mereka umumnya orang berkulit putih dari negara-negara berpenghasilan tinggi, demikian pula dunia yang mereka ajarkan untuk diidentifikasi.

Salah satu contoh bias AI yang paling terkenal adalah dengan algoritme pengenalan wajah, yang secara teratur berperforma lebih buruk saat mengidentifikasi wajah-wajah wanita, khususnya yang memiliki kulit berwarna. Bias ini terjadi di semua jenis sistem, mulai dari algoritma yang dirancang untuk menghitung pembebasan bersyarat hingga mereka yang menilai CV Anda sebelum wawancara kerja yang akan datang.

Dalam kasus algoritma pengenalan objek, penulis studi ini mengatakan bahwa ada beberapa kemungkinan penyebab kesalahan: pertama, data pelatihan yang digunakan untuk membuat sistem dibatasi secara geografis, dan kedua, mereka gagal mengenali perbedaan budaya.

Data pelatihan untuk algoritme penglihatan, tulis para penulis, diambil sebagian besar dari Eropa dan Amerika Utara dan sangat meremehkan pemandangan visual dalam berbagai wilayah geografis dengan populasi besar, khususnya di Afrika, India, China, dan Asia Timur.

Baca Juga: Pasar Industri Kecerdasan Buatan China Tembus US$3,5 Miliar

Demikian pula sebagian besar dataset gambar menggunakan kata benda dalam bahasa Inggris sebagai titik awal, yang berarti seluruh kategori item lain yang berbeda bahasa hilang. Para penulis memberikan contoh sabun cuci piring, yang merupakan sebatang sabun di beberapa negara dan wadah cairan di negara lain, dan pernikahan, yang terlihat sangat berbeda di AS dan India.

Namun, bisa jadi ini hanya seperti fenomena gunung es. Algoritma relatif mudah dievaluasi untuk bias semacam ini. Silicon Valley misalnya, sering mempromosikan produknya dan dalam beberapa tahun terakhir, menunjukan produk AI-nya dapat diakses oleh semua kalangan. Studi seperti ini menunjukkan bahwa perusahaan teknologi terus mengevaluasi, mendefinisikan, dan membentuk dunia dalam citra mereka sendiri.

Baca Juga

Tag: Algoritma, Artificial Intelligence

Penulis: Yosi Winosa

Editor: Rosmayanti

Foto: Unsplash

loading...
Kurs Rupiah
Mata Uang Simbol Nilai Jual Beli
Arab Saudi Riyal SAR 1.00 3,652.45 3,615.72
British Pound GBP 1.00 17,837.48 17,658.64
China Yuan CNY 1.00 1,975.40 1,955.60
Dolar Amerika Serikat USD 1.00 13,702.17 13,565.83
Dolar Australia AUD 1.00 9,272.26 9,177.28
Dolar Hong Kong HKD 1.00 1,761.95 1,744.40
Dolar Singapura SGD 1.00 10,098.89 9,992.51
EURO Spot Rate EUR 1.00 15,094.31 14,942.76
Ringgit Malaysia MYR 1.00 3,357.96 3,321.30
Yen Jepang JPY 100.00 12,548.92 12,420.65
Ringkasan BEI
No Name Today Change Stock
1 Composite Index 6111.184 -22.024 675
2 Agriculture 1342.102 1.779 21
3 Mining 1445.408 10.125 49
4 Basic Industry and Chemicals 913.079 -15.488 77
5 Miscellanous Industry 1185.978 9.745 51
6 Consumer Goods 2036.313 -5.665 57
7 Cons., Property & Real Estate 467.626 3.824 85
8 Infrastruc., Utility & Trans. 1067.972 -5.588 76
9 Finance 1357.820 -8.491 92
10 Trade & Service 732.723 1.034 167
No Code Prev Close Change %
1 BMSR 89 115 26 29.21
2 AMIN 272 340 68 25.00
3 PDES 680 850 170 25.00
4 PICO 555 685 130 23.42
5 ASBI 212 260 48 22.64
6 INPP 860 1,030 170 19.77
7 LUCK 635 720 85 13.39
8 LPLI 89 100 11 12.36
9 TURI 905 1,005 100 11.05
10 KAYU 74 82 8 10.81
No Code Prev Close Change %
1 ERTX 144 95 -49 -34.03
2 YULE 220 166 -54 -24.55
3 DNAR 262 198 -64 -24.43
4 HITS 675 540 -135 -20.00
5 MTSM 206 166 -40 -19.42
6 GHON 1,225 1,000 -225 -18.37
7 BRAM 8,600 7,025 -1,575 -18.31
8 PKPK 83 68 -15 -18.07
9 ARTO 4,000 3,310 -690 -17.25
10 TAMU 300 250 -50 -16.67
No Code Prev Close Change %
1 TOWR 840 850 10 1.19
2 LUCK 635 720 85 13.39
3 BBRI 4,650 4,620 -30 -0.65
4 BBCA 34,200 33,950 -250 -0.73
5 ADRO 1,295 1,325 30 2.32
6 TCPI 6,500 6,325 -175 -2.69
7 TLKM 3,840 3,830 -10 -0.26
8 PGAS 1,815 1,810 -5 -0.28
9 MNCN 1,645 1,605 -40 -2.43
10 BMRI 7,725 7,750 25 0.32