Lima Suku Machine Learning dan Mimpi Algoritma Universal

Domingos membagi peneliti machine learning ke dalam lima suku: Symbolists, Connectionists, Evolutionaries, Bayesians, dan Analogizers. Masing-masing punya induk logika, metafora alam, dan algoritma tanda tangan yang berbeda. Symbolists percaya pada logika dan aturan eksplisit, Connectionists meniru otak dengan jaringan saraf, Evolutionaries mengadopsi seleksi alami, Bayesians mengandalkan inferens probabilistik, dan Analogizers belajar dari kesamaan kasus. Pemetaan ini bukan taksonomi pasif — ia mengungkap mengapa para peneluri sering bicara lintas suara di konferensi.

Setiap suku membawa bias induktifnya sendiri, dan Domingos menegaskan bahwa tidak ada algoritma yang bebas dari asumsi. No Free Lunch Theorem membuktikan: algoritma yang unggul di satu domain pasti kalah di domain lain. Oleh karena itu, pencarian Master Algorithm justru berarti mencari cara menggabungkan kelebihan lima suku tanpa kehilangan keunggulan masing-masing. Domingos menamakan kandidatnya Alchemy — sistem yang menggabungkan pencarian struktur (Symbolists), optimisasi parameter (Connectionists), evaluasi fitness (Evolutionaries), inferens probabilistik (Bayesians), dan generalisasi berbasis kemiripan (Analogizers).

Kutipan paling tajam muncul saat Domingos menulis: 'The Master Algorithm is the ultimate goal of machine learning: a single algorithm that can learn anything from data.' (hal. 12). Kalimat itu merangkum ambisi sekaligus menjebak pembaca pada definisi yang terlalu mulus. Nyatanya, Alchemy belum terealisasi sepenuhnya hingga buku ini diterbitkan 2015. Deep learning — turunan Connectionists — mendominasi era pasca-2012, tapi kelemahannya pada interpretabilitas dan data langka justru membuka ruang bagi pendekatan hybrid yang Domingos nanti sebut metalearning.

Konteks Indonesia membuat pemetaan ini lebih darurat. Kebanyakan startup AI lokal hanya mengadopsi pre-trained models dari suku Connectionists tanpa memahami keterbatasan inferens kausal atau kebutuhan data berkualitas. Sementara institusi riset dan pemerintah masih berpikir dalam kerangka Symbolists — aturan eksplisit, expert system, dan logika fuzzy. Kesenjangan ini menciptakan cargo cult AI: mengadopsi arsitektur jaringan saraf tanpa infrastruktur data, evaluasi rigor, atau pemahaman bias-variance tradeoff yang Domingos jelaskan di bab 4.

Domingos tidak mengeksploitasi hype. Ia menuliskan: 'Data is the new oil, but unlike oil, data is non-rivalrous and non-excludable.' (hal. 287). Analogini minyak sudah ketinggalan zaman — data bisa digunakan bersamaan tanpa habis, tapi quality dan governance-nya justru jadi bottleneck. Di Indonesia, regulasi PDP baru berlaku penuh 2024, tapi sebagian besar organisasi belum punya data lineage yang memadai. Bab terakhir buku ini tentang etika dan masa depan justru jadi paling relevan untuk konteks regulasi data nasional.

Kelemahan buku ada pada kedalaman teknis yang tidak merata. Bab tentang support vector machines dan kernel methods (suku Analogizers) terasa tergesa-gesa dibanding bab backpropagation dan Markov logic networks. Domingos mengakui keterbatasan halaman, tapi pembaca yang ingin implementasi nyata butuh rujukan tambahan seperti Pattern Recognition and Machine Learning (Bishop) atau Deep Learning (Goodfellow et al.). Buku ini peta, bukan manual lapangan — dan itu keputusan editorial yang sadar.

Implikasi bisnisnya jelas: jangan mengikat strategi AI pada satu suku. Perusahaan yang hanya mengandalkan deep learning akan kesulitan pada cold start, explainability, dan out-of-distribution generalization. Pendekatan ensemble yang Domingos sarankan — menggabungkan gradient boosting (Evolutionaries), probabilistic graphical models (Bayesians), dan neural networks (Connectionists) — sudah terbukti menang di kompetisi Kaggle bertahun-tahun sebelum foundation models dominan. Prinsipnya tetap: diversifikasi inductive bias.