Awas! Warung Rokok Sudah Menggunakan Artificial Intelligence

Tahukah Kamu? Bahwa sekarang warung rokok dan warung kelontong telah menggunakan Artificial Intelligence untuk persaingan bisnis nya. Untuk mengetahui lebih lanjut silahkan ikuti wawancara pada artikel di bawah ini.

Kamu bisa dengarkan wawancara tim Techfor.id dengan Andreas Chandra, Machine Learning Engineer Warung Pintar dengan klik tombol play di bawah ini.

Teknologi informasi bisa menyelamatkan ekonomi kelas menengah kebawah, pedagang kios klontong, bisa selangkah lebih maju saat ini dengan memanfaatkan teknologi informasi.

Peluang ini di lirik oleh East Ventures, sebuah perusahaan modal ventura yang mengkombinasikan warung tradisional dengan teknologi.

Mereka sebuah perusahaan startup yang kita kenal dengan warung pintar. “Warung pintar merupakan jawaban dari istilah new retail ” kata Wilson Cuaca yang merupakan managing patner dari East Ventures.

Warung pintar menawarkan bentuk kerjasama berupa kemitraan dengan pemilik usaha, dengan syarat komitmen, kejujuran dan waktu untuk memperbaiki tempat usaha mereka jika sewaktu-waktu di butuhkan.

Untuk mendukung warung pintar, est Ventures sepertinya tidak tanggung-tanggung. Mereka memanfaatkan  para portofolio mereka, seperti Mika POS, Jurnal Kudo, Do-Cart dan Waresix.

Hal ini menarik perhatian BabaStudio untuk mengenal warung pintar lebih dekat, terutama terkait dengan machine learningnya.

Oleh karena itu, tim Babastudio menghubungi mas Andre untuk melakukan wawancara eksklusif terkait warung pintar.

Berikut cuplikan wawancara  kami dengan Mas Andra.

Jadi Mas Andre sebenarnya spesialis di bidang apa ya ?

Saya saat ini bekerja di warung pintar spesialis di bagian “expansion division ”. Selain itu saya juga bikin “machine learning“ model ingeneral.

Apa yang membedakan machine learning dan data scientist ?

Kalau di tempat umum machine learning masuk ke data client, di warung pintar saya ini dibedain karena posisi saya semuanya itu engineer dan dibawah divisi Arandi.

Jadi lebih ngurusin tentang data instructure, jadi kayak speech dan text itu Arandi yang ngerjain

Peran machine learning diwarung pintar gimana ?

Ada beberapa, jadi di warung itu kan ada CCTV jadi kita bikin CCTV buat people counting, jadi bisa tau ada berapa orang di warung tersebut.

Dan juga kita bikin routing karena kita juga punya gudang buat nganterin barang ke warung.

Jadi, kita bikin routing yang optimal buat nganterin barang yang dipake sama driver. Jadi misalkan ada 10 warung, driver nganterin barang dari warung 1 sampai warung 10 dengan jarak 1000 km.

Dengan machine learning optimisation jaraknya berkurang menjadi 800 km dengan jumlah warung yang sama. Jadi lebih efisien.

Tempat Kursus Komputer Terbaik | Digital Marketing, Programming, SEO, Dll.

Data science, artificial intelligence, machine learning lagi high banget. Gimana peluang dari machine learning engineer sekarang dan kedepannya ?

Luas ya, tapi tergantung companynya. Karena ada company yang diferensiasi machine learning dan data science ini kadang dibedain. Kadang jadi satu rule, beberapa perusahaan technical di deployment masuk ke software engineer.

Tapi saya liat dibutuhin karena harus ada orang khusus untuk machine learning

Tantangan menjadi machine learning ?

Kita harus bisa be wing sama infrastruktur sama software engineering, model, problem, algoritma, komputasi.

Apakah ada bahasa pemograman khusus yang digunakan ?

Popular programming language yang sering dipake disini. Kayak Phyton, Scala, Java, R. Tapi lebih banyak yang gunakan Phyton.

Kalau R lebih populer dikalangan statistika. Untuk mencapai keberhasilan/ goals project biasa digunain Phyton atau R. Setiap bahasa pemograman punya kelebihan masing-masing

Untuk tools ada yang khusus ?

Tools yang dipakai yaitu library phyton. Saya pakai setiap harinya library phyton. Di library phyton itu ada “pandas” untuk data virtualisation, analisis, cleansing.

Ada juga “Numpy” untuk operasi numerik seperti matriks kali matriks . Ada juga library “Seaborn” untuk data visualisasi, eksplorisasi untuk bidang analisis.

Untuk modeling dan evaluasi ada” Scikit Learn” adalah kumpulan beberapa algoritma dan kita tinggal masukin algoritma tersebut pake scikit learn. Kalau “devoitment” lebih ke software engineering masuknya.

Kerjain project butuh waktu berapa lama ?

Ada fasenya ketika project masuk ke cycle pertama, kedua dan ketiga. Secara general membatasi project berupa 3 bulan sampai 6 bulan, itupun tergantung project.

Karena lifecycle beda-beda, data juga beda-beda. Misalkan data satu tahun lalu berbeda dengan data sekarang. Buat infitial development kurang lebih segitu.

Kalau data distribusi beda kita update. Maintance kita buat machine learning model yaitu setebal kondisi sekarang. Infinite development bisa sampai ketemu titik ujungnya ada dimana.

Kalau machine learning lebih ke kantoran atau ke freelancer ?

Seperti engineer biasa, kita bisa remote gak mesti tatap muka.  Jarang ketemu kondisi yang harus ketemu sama orang nya. Kalau bisa ya remote aja

Problem  data atau coding yang sering muncul ?

Problemnya  Identifikasi. Kalau bisnis dateng minta nya untuk diselesaiin dengan machine learning.

Padahal problemnya gak harus diselesaiin pake machine learning. Bisa pake analisis yang biasa dan harus butuh waktu yang lama dan harus ketemu orang.

Misalkan ada kesempatan balik ke machine learning pas kuliah yang mana yang mau dikuasai ?

Ada, banyak. Matematika lebih mendalam, konsep yang lebih dalam karena matematika itu kuncinya. Sama rajin baca.

Data science itu kan lebih ke matematika dan akuntansi yang penting banget. Kalau di machine learning seberapa penting matematika ?

Matematika itu related sama machine learning. Machine learning itu kumpulan algoritma.

Algoritma itu banyak formula matematika. Kadang gak paham matematika basic kayak aljabar, calculus, inferensial ya kita gak akan paham formulanya ini ngapain

Peluang industri untuk machine learning ?

Industri hampir semua yang berupa digital. Kayak ecommerce, microretail, transportasi. Machine learning itu untuk solve problem yang manusia kerjain. Jadi hampir semua sektor bisa.

Seberapa menggiurkan jadi machine learning engineer kalau dari segi salary ?

Untuk salary, secara umum angka rata-rata 10 juta sampai 15 juta untuk pengalaman 2 sampai 3 tahun. Kalau untuk yang 20 juta sampai 30 juta kalau pengalaman udah 5 tahun lebih.

Semakin banyak problem yang dikerjain semakin banyak pengalaman artinya experience semakin banyak semakin naik salary. Kalau udah sering banyak ngerjain problem berarti kan akan lebih cepat kelarin kerjaan nantinya.

Pendidikan untuk jadi machine learning harus dari IT ?

So far, banyak bukan dari IT. Tapi beberapa orang-orang yang saya jumpai kuliah di computer science, matematika, statistik.

Pengalaman yang paling susah ?

Problem lebih ke data. Jadi, data dari company itu dibilang udah benar. Padahal pas kita liat  datanya lebih dalam belum ready untuk diolah, belum dalem untuk dapet hasil yang optimal.

Proses yang lainnya gak masalah. Masalah lain itu seiring berjalannya waktu ada metode baru saya liat di stream dan machine learning itu kencang banget perubahan dengan teknologi yang sekarang.

Ada saran atau trick atau tips untuk engineer pemula ?

Tipsnya masuk ke komunitas. Karena ada banyak komunitas untuk machine learing dan data science  kayak data science Indonesia, phyton id, misenory id, JNUR Indonesia.

Disitu saya nemu orang-orang yang baru. Kita bisa tanya jawab. Bisa liat juga di website “kaggle” disitu udah ada dataset udah rapih udah ada yang ngerjain ada hasil juga bisa liat prosesnya juga. Jadi, bisa liat seberapa sulitnya sih ngerjain problemnya.

Trick nya untuk mengatasi kekurangan dibidang itu gimana ?

Punya teknik untuk mempelajari metode yang baru tentang AFR yaitu buka jurnal atau science direct tentang AFR.

Kalau opensource di github ada tentang AFR. Jadi paper, buku sama github

Kalau untuk instansi kampus apakah harus ada mata kuliah a atau b untuk menghasilkan engineer yang bagus ?

Mata kuliah harus lebih nge-blend. Data science atau machine learning tidak ada yang spesifik untuk S1 di Indonesia.

Untuk S1 lebih kompleks mata kuliah ke statistik, programming. Untuk informatika lebih ke software engineering sedangkan statistik dan matematika programmingnya yang tinggi. Jadi ada 1 jurusan soal untuk data science dan machine learning.

Untuk milih partner di dunia kerja harusnya yang punya keahlian apa?

Mungkin management project. Soalnya jarang banget orang di engineering field yang mikirin atau menguasai management projectnya.

Develop aja tanpa mikirin timeline, kasusnya sama expertnya user. Karena engineer itu kayak orang introvert jadi susah jelasin ke user.

Gaya kerja yang enak gimana?

Fokus. Kerja slow kalau dikasih waktu panjang sama user. Eksperimennya bisa di fokusin ke semua kemungkinan. Kalau udah di tentukan dua minggu misalnya.

Jadi, ya saya akan fokus sama satu metode aja biasanya. Kalau slow dapet semua kemungkinan

Ada bidang atau sisi lain gak? Kayak suka travel ?

Menulis, suka baca. Saya lebih suka nulis. Dari baca jadi banyak tau, jadi nulis terus banyak orang baca terus akhirnya diskusi dan dapet topik baru. Kalau topiknya masih seputar Machine learning. Gak jauh-jauh.