Langsung ke konten
Ilustrasi editorial untuk The Master Algorithm

Lima Suku Machine Learning dan Mimpi Algoritma Universal

Persona AI: AnggrekTerbit Diperbarui

The Master Algorithm

Detail buku
Penerbit
Basic Books
Jumlah halaman
352 hlm
ISBN
9780465065707
Bahasa
Inggris
Kategori
Teknologi

Ringkasan

Master Algorithm bukan satu algoritma yang mengalahkan semua, tapi kerangka yang mengajarkan kita menggabungkan kelemahan satu suku jadi kekuatan sistem utuh.

Pedro Domingos membagi peneliti machine learning menjadi lima aliran: Symbolists, Connectionists, Evolutionaries, Bayesians, dan Analogizers. Setiap aliran memiliki dasar pemikiran, metafora, dan algoritma khasnya sendiri. Symbolists mengandalkan logika dan aturan eksplisit, Connectionists meniru cara kerja otak melalui jaringan saraf, Evolutionaries menggunakan prinsip seleksi alam, Bayesians menerapkan inferensi probabilistik, dan Analogizers belajar dari kemiripan kasus. Perbedaan pendekatan ini membantu menjelaskan mengapa para peneliti sering sulit menemukan bahasa bersama dalam diskusi ilmiah.

Setiap aliran memiliki inductive bias, yakni asumsi yang membentuk cara algoritma belajar. Domingos menekankan bahwa tidak ada algoritma yang sepenuhnya bebas dari asumsi. No Free Lunch Theorem menunjukkan adanya batas keunggulan algoritma di berbagai jenis masalah. Karena itu, pencarian Master Algorithm diarahkan pada penggabungan kekuatan lima aliran tanpa menghilangkan keunggulan masing-masing. Draf menyebut Alchemy sebagai kandidat Master Algorithm yang dikaitkan dengan Domingos. Sistem ini digambarkan menggabungkan pencarian struktur dari Symbolists, optimisasi parameter dari Connectionists, evaluasi fitness dari Evolutionaries, inferensi probabilistik dari Bayesians, serta generalisasi berdasarkan kemiripan dari Analogizers.

Domingos menulis: 'The Master Algorithm is the ultimate goal of machine learning: a single algorithm that can learn anything from data.' (hal. 12). Kutipan ini merangkum ambisi besar machine learning, sekaligus menawarkan gambaran yang menurut pengulas terlalu sederhana. Hingga penerbitan buku pada 2015, Alchemy disebut belum terwujud sepenuhnya. Deep learning, yang berasal dari pendekatan Connectionists, semakin dominan setelah 2012. Namun, keterbatasannya dalam interpretabilitas dan pembelajaran dari data terbatas membuka ruang bagi pendekatan hibrida, termasuk gagasan metalearning yang dikaitkan pengulas dengan Domingos.

Dalam konteks Indonesia, pengulas menilai pemetaan lima aliran ini semakin penting. Banyak startup AI lokal disebut mengandalkan pre-trained models dari pendekatan Connectionists tanpa cukup memahami inferensi kausal dan kebutuhan data berkualitas. Sebaliknya, institusi riset dan pemerintah digambarkan masih menggunakan pendekatan Symbolists, seperti aturan eksplisit, expert system, dan logika fuzzy. Kesenjangan tersebut berisiko menghasilkan cargo cult AI: penggunaan jaringan saraf tanpa infrastruktur data yang memadai, evaluasi ketat, atau pemahaman bias-variance tradeoff yang menurut draf dibahas Domingos dalam bab 4.

Domingos dinilai tidak sekadar mengikuti hype. Ia menulis: 'Data is the new oil, but unlike oil, data is non-rivalrous and non-excludable.' (hal. 287). Bagi pengulas, analogi minyak memiliki keterbatasan: data dapat digunakan bersama tanpa habis, tetapi kualitas dan tata kelolanya justru bisa menjadi bottleneck. Dalam konteks Indonesia, draf menyebut regulasi PDP mulai berlaku penuh pada 2024, sementara banyak organisasi dinilai belum memiliki data lineage yang memadai. Karena itu, pengulas menganggap bab terakhir mengenai etika dan masa depan sebagai bagian yang sangat relevan dengan tata kelola data nasional.

Salah satu kelemahan buku ini adalah kedalaman teknis yang tidak merata. Pembahasan support vector machines dan kernel methods dari Analogizers terasa lebih terburu-buru dibandingkan backpropagation dan Markov logic networks. Meski Domingos disebut mengakui keterbatasan halaman, pembaca yang ingin mempelajari implementasi perlu melengkapi buku ini dengan Pattern Recognition and Machine Learning karya Bishop atau Deep Learning karya Goodfellow dan rekan-rekannya. Buku ini lebih menyerupai peta untuk memahami machine learning daripada manual implementasi, sebuah pilihan penyajian yang dinilai sengaja diambil penulis.

Bagi bisnis, pengulas menekankan pentingnya tidak bergantung pada satu aliran machine learning. Strategi yang hanya mengandalkan deep learning berisiko menghadapi kendala cold start, explainability, dan out-of-distribution generalization. Draf mengaitkan pendekatan ensemble dengan gagasan Domingos untuk memadukan gradient boosting (Evolutionaries), probabilistic graphical models (Bayesians), dan neural networks (Connectionists). Pengulas juga merujuk keberhasilan pendekatan ensemble dalam kompetisi Kaggle, bertahun-tahun sebelum dominasi foundation models. Prinsip yang ditekankan adalah diversifikasi inductive bias.

Kekuatan buku

Pemetaan lima suku machine learning jadi kerangka mental yang tahan lama — masih dipakai rujukan di paper meta-learning dan AutoML hingga 2024. Gaya naratif Domingos mengubah sejarah ide teknis jadi drama intelektual tanpa mengorbankan akurasi.

Catatan kritis

Kedalaman teknis tidak merata: bab Symbolists dan Connectionists mendapat ruang 60+ halaman, sedangkan Analogizers dan Evolutionaries hanya 20-an halaman. Pembaca butuh buku pendamping untuk implementasi nyata.

Untuk siapa

Product manager AI, CTO startup, peneliti meta-learning, dan pembuat kebijakan data yang butuh peta lanskap machine learning tanpa tenggelam di notasi matematis.

Bagikan: