Amazon Meringkas Proses "Machine Learning" dengan SageMaker

Bagaimana tidak, bila saat ini sudah ada saja produk seperti speaker yang bisa diajak ngobrol laiknya teman manusia? Baru mau mengejar pemahaman dan kemampuan soal AI,  sudah muncul lagi turunannya, seperti machine learning dan deep learning.

“Kami ingin setiap developer bisa menggunakan machine learning secara lebih luas dan berhasil, meski tak punya latar belakang kemampuan di bidang ini,” kata VP of Machine Learning Amazon Web Services (AWS) Swami Sivasubramanian, di Las Vegas, Amerika Serikat, Rabu (29/11/2017) waktu setempat.

Berlatar belakang keinginan tersebut, lanjut Swami, AWS meluncurkan layanan baru bagi developer, yaitu AWS SageMaker.

Menurut dia, produk ini akan menyingkirkan banyak keruwetan di balik machine learning, sehingga setiap developer di dunia dapat dengan lebih mudah memulai dan menjadi kompeten dalam merancang, menguji, dan mengemas pemodelannya.

“Visi kami adalah memungkinkan setiap orang di garasi atau kamar asrama memiliki akses yang sama terhadap teknologi, peralatan, skala, dan struktur pembiayaan seperti perusahaan besar dunia,” imbuh Swami.

Penerapan machine learning pada hari-hari ini memang sudah rumit. Di dalamnya butuh upaya percobaan dan kegagalan yang berulang sampai ada kemajuan. Kemampuan teknis yang dibutuhkan juga khusus.

Pengembang aplikasi atau data scientist harus membuat visualisasi, melakukan transformasi pemodelan, mengolah data awal, dan membuat algoritma yang bisa dijalankan untuk menjalankan model besutannya.

Pemodelan sederhana sekalipun, tutur Swami, sangat mungkin membutuhkan data masif yang itu masih perlu pengolahan lagi menggunakan komputer. Tak jarang, karenanya, perusahaan membentuk tim khusus untuk membangun environment bagi server berkemampuan pengolahan gambar (GPU).

Sebelumnya, pada hari yang sama, CEO AWS Andy Jassy memberikan pengantar mengenai situasi pemodelan machine learning dan tawaran dari Amazon SageMaker ini saat menyampaikan keynote AWS re: Inventing 2017.

Berikut ini petikan video paparan Jassy terkait Amazon SageMaker:

Setiap tahap dari pemodelan akan berdampak pada seberapa akurat model yang dibuat nanti. Sudah jadi pun, kebutuhan pengguna yang meningkat akan butuh perulangan proses lagi demi hasil baru yang lebih baik.

“Semua itu butuh banyak keahlian, akses ke banyak komputer dan penyimpanan, juga waktu. Hari ini, machine learning nyaris tak terjangkau lagi bagi banyak developer (untuk melakukannya sendiri dari nol),” papar Swami.

Amazon SageMaker, lanjut Swami, memberikan layanan penuh yang menyingkirkan banyak beban dan pekerjaan per tahap dari proses machine learning tersebut. Pengujian model juga dibantu penyederhanaannya menggunakan Amazon SageMaker ini.

Pemodelan menggunakan Amazon SageMaker disebut akan lebih mudah karena di dalam paket layanan itu tersedia pre-built development notebook, algoritma machine learning populer yang dioptimalkan bagi dataset berukuran petabyte, dan penyetelan model secara otomatis.

Dari situ, data ditransformasikan menggunakan beragam rujukan library populer, framework, dan antarmuka (interface).

Menurut Swami, Amazon SageMaker sudah pula mencakup 10 algoritma deep learning yang paling umum dipakai, yang itu masih dioptimasi lagi oleh AWS agar bisa dieksekusi 10 kali lebih cepat dibanding operasional standar lain.

Pengembang cukup memilih algoritma dan menyebut sumber data, kata Swami, lalu Amazon SageMaker yang akan menginstal dan mengonfigurasi driver dan framework yang dibutuhkan. Produk servis AWS yang diumumkan pada Rabu (29/11/2017) di Las Vegas, Amerika Serikat, ini sudah memuat integrasi dengan TensorFlow dan Apache MXNet.

Meski begitu, developer juga masih punya ruang kebebasan untuk menentukan sendiri sebarang framework dan algoritma. Tinggal diunggah saja pilihan itu ke kontainer yang tersedia di Amazon EC2 Container Registry.

Amazon SageMaker akan memilih tipe dan jumlah unsur (instance) Amazon EC2 dan menentukan lokasi data masing-masing. Dari situ, Amazon SageMaker akan menghitung cluster, menampilkan pengujian, mengirim data hasil ke Amazon S3, dan menentukan cluster sesudah proses rampung.

Setelah semua proses itu rampung, pengemasan (deploy) pemodelan sampai penyetingan HTTPS end-point akan otomatis berjalan dengan beberapa pencet tombol.

“Dalam satu produksi, Amazon SageMaker mengeliminasi beragam proses rumit dalam pengelolaan infrastruktur machine learning, pengecekan kesehatan kinerja, penerapan patch security, dan mengarahkan segala perawatan rutin yang lain,” ungkap Swami.

Sebelumnya, saat membawakan keynote di panggung utama AWS re: Invent 2017, Jassy menyatakan bahwa ke depan para developer sudah tak perlu lagi mengkhawatirkan banyak urusan di luar ide dan pemodelannya. Server, penyimpanan, dan atau framework, sebut dia, bisa diserahkan ke berbagai pilihan layanan seperti yang disediakan AWS.