Dulu, untuk memprediksi hasil bisnis Anda, dibutuhkan tim ilmu data, pengembangan model selama berbulan-bulan, dan doa.
Namun, menurut McKinsey, dengan 78% organisasi yang menggunakan AI setidaknya dalam satu fungsi bisnis, waktu yang dibutuhkan kini telah berkurang dari berbulan-bulan menjadi wawasan yang hampir instan.
Dengan perubahan tersebut, tekanan untuk meluncurkan model prediktif dengan cepat belum pernah setinggi ini.
IBM Watsonx menyederhanakan proses pembuatan dan penerapan model prediktif menjadi alur kerja terpadu berbasis browser yang dapat dijalankan oleh tim pengembang Anda dalam hitungan menit. Namun, kecepatan saja tidak cukup. Jika prediksi yang dihasilkan model-model ini tidak terintegrasi dengan alur kerja eksekutif yang dipengaruhinya, maka prediksi tersebut tidak akan menghasilkan dampak nyata.
Panduan ini mencakup setiap tahap, mulai dari mengunggah dataset pertama Anda dan melatih model hingga menerapkannya sebagai API langsung, dan yang paling penting, menghubungkan wawasan yang dihasilkannya ke alur kerja eksekutif di alat seperti ClickUp. 🔨
Anda akan mempelajari cara membangun model di Watsonx serta cara mengimplementasikan hasilnya agar prediksi dapat diwujudkan menjadi tindakan di seluruh tim Anda.
Anda akan mempelajari cara membangun model di Watsonx serta cara mengimplementasikan hasilnya agar prediksi dapat diwujudkan menjadi tindakan di seluruh tim Anda.
Apa itu IBM Watsonx dan Bagaimana IBM Watsonx Mendukung Analisis Prediktif?
Mengimplementasikan model AI untuk bisnis Anda mungkin berarti melatih model di satu tempat, mengelola data di tempat lain, dan menangani tata kelola atau kepatuhan di alat yang berbeda lagi.
IBM Watsonx adalah platform AI dan data perusahaan IBM—yang dirancang untuk mengatasi aspek teknis dari fragmentasi ini. Pada dasarnya, ini adalah rangkaian produk AI untuk membangun, melatih, dan menjalankan AI di dalam bisnis, tanpa membuat semuanya terasa terpisah-pisah atau eksperimental.
Platform ini mengatasi alur kerja yang terfragmentasi dengan menyediakan ruang kerja proyek tunggal. Anda dapat mengunggah data, menjalankan eksperimen, dan mengonfigurasi pemantauan tanpa perlu meninggalkan lingkungan tersebut.
Paket Watsonx mencakup tiga komponen utama:
- Watsonx.ai: Bangun dan latih model prediktif menggunakan AutoAI atau notebook kustom
- Watsonx. data: Hubungkan dan siapkan data dari berbagai sumber dalam arsitektur lakehouse
- Watsonx. governance: Pantau kinerja model dan terapkan aturan keadilan
Khusus untuk analitik prediktif, watsonx.ai adalah antarmuka utama yang akan Anda gunakan. Platform ini mencakup AutoAI, pembuat eksperimen tanpa kode yang secara otomatis memilih algoritma dan menilai model-model kandidat.
Sisa panduan ini berfokus pada alur kerja AutoAI di dalam watsonx.ai. Ini adalah cara tercepat untuk memulai model prediktif yang berfungsi.
Panduan Langkah demi Langkah untuk Membangun Model Prediktif di Watsonx
Panduan ini mengasumsikan Anda sudah memiliki akun IBM Cloud dan proyek Watsonx yang telah dibuat. Seluruh proses dapat diselesaikan langsung di browser Anda tanpa perlu menyiapkan lingkungan lokal. Berikut caranya:
Langkah 1: Siapkan dan unggah data Anda
Mulailah dengan mengatur data Anda ke dalam format tabel, seperti file CSV. File ini harus memiliki kolom target yang jelas yang menentukan hal spesifik yang ingin Anda prediksi. File ini juga memerlukan kolom fitur, yang merupakan input yang digunakan model untuk belajar.
Untuk mengunggah data Anda, buka proyek Watsonx Anda dan buka tab Aset. Dari sana, Anda dapat mengunggah file CSV secara langsung atau terhubung ke sumber data melalui watsonx.data.
Pastikan untuk memperhatikan beberapa masalah data umum sebelum Anda mulai:
- Nilai yang hilang: Bersihkan celah besar pada kolom-kolom penting sebelum mengunggah data untuk memastikan akurasi yang tinggi
- Jenis kolom target: Pastikan target klasifikasi bersifat kategorikal, dan target regresi bersifat numerik
Langkah 2: Melatih model prediktif dengan AutoAI
Di sinilah proses pelatihan model dimulai. Dari ruang kerja proyek Anda, klik ‘Buat Eksperimen AutoAI Baru.’
Pilih dataset yang telah Anda unggah dan tentukan kolom target. Dari sana, Anda dapat mengonfigurasi jenis eksperimen dan pengaturan opsional lainnya, seperti cara pembagian data antara pelatihan dan pengujian.
Jalankan eksperimen untuk membiarkan AutoAI secara otomatis menghasilkan papan peringkat pipeline. Papan peringkat ini mengurutkan model-model kandidat berdasarkan metrik yang Anda pilih, seperti akurasi atau skor F1.
Setiap baris pada papan peringkat mewakili kombinasi unik antara algoritma pembelajaran mesin dan rekayasa fitur. Pipa (pipeline) dengan peringkat teratas biasanya adalah yang direkomendasikan oleh AutoAI untuk dataset spesifik Anda.
Jangan berasumsi bahwa pipeline peringkat teratas otomatis menjadi pilihan yang tepat. Sebaiknya bandingkan dua atau tiga pipeline teratas daripada langsung memilih yang pertama tanpa pertimbangan. Anda dapat mengklik salah satunya untuk memeriksa hal-hal seperti fitur mana yang paling penting atau bagaimana model membuat kesalahan menggunakan matriks kebingungan.
Langkah 3: Terapkan model prediktif Anda
Setelah Anda memilih pipeline yang tepat, simpanlah sebagai model di proyek Anda. Anda kemudian harus memindahkan model yang telah disimpan ini ke ruang penerapan. Ruang penerapan adalah lingkungan terpisah yang dirancang khusus untuk beban kerja produksi.
Anda dapat memilih antara penerapan online dan batch. Penerapan online memberi Anda REST API real-time untuk prediksi sesuai permintaan. Penerapan batch menilai kumpulan data besar sesuai jadwal yang ditetapkan.
Gunakan tab pengujian bawaan untuk mengirimkan sampel input. Hal ini memungkinkan Anda memverifikasi hasil prediksi sebelum mengintegrasikannya dengan sistem hilir. Proses penerapan akan menghasilkan titik akhir API dan URL penilaian yang dapat dipanggil oleh aplikasi eksternal.
Langkah 4: Memantau dan mengevaluasi kinerja model
Model yang dilatih menggunakan data historis dapat mengalami penurunan kualitas seiring waktu seiring dengan perubahan pola di dunia nyata. Penurunan kualitas ini disebut drift, dan dapat secara perlahan mengurangi kualitas model seiring waktu.
Untuk terus memantau kinerja model Anda di dunia nyata dan mendeteksi masalah sebelum menjadi masalah serius, aktifkan pemantauan melalui komponen Watson OpenScale, lalu hubungkan penerapan model Anda ke alat pemantauan dan konfigurasikan ambang batas kualitas untuk akurasi dan presisi.
Jika prediksi Anda melibatkan atribut sensitif, pastikan Anda mengonfigurasi pemantau keadilan untuk memastikan hasilnya tetap tidak bias.
Sistem ini dapat menghasilkan penjelasan per prediksi yang menunjukkan secara tepat fitur mana yang memengaruhi hasil tertentu. Dari sana, Anda dapat menetapkan jadwal bulanan untuk meninjau dasbor pemantauan ini dan melatih ulang model jika kualitasnya menurun.
Sebelum kita mengakhiri bagian ini, penting untuk dipahami bahwa setiap langkah dalam proses ini melibatkan orang yang berbeda. Tanpa sistem untuk melacak pelaksanaan, proses ini dapat dengan cepat melambat dan menjadi tidak terkendali.
- Seorang analis data bertanggung jawab untuk membersihkan dan memvalidasi dataset sebelum mengunggahnya
- Seorang insinyur pembelajaran mesin menjalankan eksperimen AutoAI dan membandingkan pipeline teratas
- Insinyur yang sama (atau spesialis ML ops) menangani penerapan model dan pengaturan API
- Seorang ilmuwan data atau pemimpin AI memantau kinerja, meninjau laporan drift, dan memutuskan kapan perlu dilakukan pelatihan ulang
Tanpa cara terstruktur untuk mengelola hal ini, Anda bisa dengan cepat berakhir bergantung pada catatan yang tersebar, pesan Slack, email, atau ingatan, dan di situlah keterlambatan dan langkah yang terlewat terjadi. Akibatnya, manajemen tugas menjadi sangat penting.
Alih-alih membiarkan langkah-langkah ini berjalan secara terpisah, ClickUp Tasks menyediakan sistem di mana:
- Setiap langkah menjadi tugas yang dapat dilacak
- Setiap tugas ditugaskan kepada orang yang tepat
- Kemajuan terlihat di seluruh alur kerja
Tidak hanya itu. Setiap tugas juga didukung oleh konteks dan data terstruktur yang mendukung pelaksanaannya.
- Kolom Kustom dapat mencatat data terstruktur seperti versi model, sumber dataset, metrik evaluasi, jenis penerapan, atau frekuensi pelatihan ulang
- ClickUp Docs dapat menyimpan dokumentasi pendukung seperti pedoman persiapan data, asumsi model, catatan eksperimen, atau petunjuk penerapan
Jadi, alih-alih tugas-tugas yang bersifat daftar pekerjaan yang samar-samar, tugas-tugas tersebut menjadi unit kerja yang sepenuhnya kontekstual, jelas, telah ditugaskan, dan siap untuk dijalankan.
Namun, hal ini tidak hanya sebatas melacak tugas; tugas-tugas ini bukanlah tindakan yang dilakukan sekali saja. Tugas-tugas ini merupakan alur kerja berkelanjutan yang secara terus-menerus memerlukan tindakan manual berulang pada tingkat tertentu.
Contohnya:
- Jika akurasi model turun di bawah ambang batas Anda, seseorang perlu ditugaskan untuk melatih ulang
- Jika OpenScale mendeteksi adanya drift, peringatan tersebut perlu diubah menjadi tugas dengan penanggung jawab yang jelas
- Jika penerapan gagal selama pengujian, hal tersebut perlu dicatat, ditugaskan, dan diselesaikan dengan cepat
ClickUp Automations melangkah lebih jauh dengan menghilangkan proses serah terima manual antar alur kerja ini dengan memicu tindakan otomatis berdasarkan kondisi yang telah ditentukan sebelumnya.
Jika dataset baru diunggah, tugas validasi akan dibuat secara otomatis dan ditugaskan kepada analis data. Setelah ditandai ‘Siap’, tugas pelatihan model akan secara otomatis ditugaskan kepada insinyur pembelajaran mesin. Setelah pelatihan selesai, tugas penerapan akan dipicu untuk spesialis ML ops.
Dengan cara ini, setiap langkah berlanjut ke langkah berikutnya tanpa perlu serah terima manual. Tugas-tugas dibuat, ditugaskan, dan diperkaya dengan konteks secara otomatis, sehingga alur kerja keseluruhan terus berjalan tanpa hambatan.
Contoh Penggunaan Analisis Prediktif untuk Tim
Berikut adalah cara-cara paling umum yang digunakan tim dalam menerapkan analitik prediktif:
- Peramalan Permintaan : Memprediksi permintaan produk Anda untuk kuartal berikutnya sehingga tim operasional Anda dapat mempersiapkan stok lebih awal dan menghindari kekurangan stok
- Prediksi churn pelanggan : Memberikan skor kepada pelanggan Anda berdasarkan kemungkinan mereka untuk berhenti berlangganan dan mengalihkan akun berisiko tinggi ke alur kerja retensi
- Penilaian risiko proyek : Menandai proyek-proyek yang kemungkinan besar akan melewati batas waktu berdasarkan pola historisnya, seperti perubahan ruang lingkup
- Peramalan pipa penjualan : Memprediksi transaksi mana yang kemungkinan besar akan ditutup dan memberikan perkiraan yang andal bagi tim pendapatan Anda
- Prediksi insiden TI : Mengidentifikasi komponen infrastruktur yang berpotensi mengalami kegagalan berdasarkan pola log
Dalam hal ini, penting untuk dicatat bahwa nilai prediksi ini akan semakin meningkat jika hasilnya langsung dimasukkan ke dalam alat-alat yang digunakan tim Anda untuk mengambil keputusan yang dipengaruhi oleh prediksi tersebut.
🎯 Saran Kami: Terapkan wawasan tersebut ke dalam Ruang Kerja AI Terintegrasi seperti ClickUp.
Dengan ClickUp, Anda tidak hanya mengelola alur kerja pelatihan model. Anda juga menjalankan operasional sehari-hari di tempat yang sama, sehingga prediksi tersebut dapat langsung memicu tindakan nyata di seluruh tim.
- Untuk pemasaran, prediksi segmen dengan niat tinggi dapat secara otomatis membuat tugas kampanye
- Untuk penjualan, hasil penilaian prospek dapat diubah menjadi tugas-tugas penjangkauan yang diprioritaskan
- Untuk operasi, prediksi risiko (seperti churn atau kegagalan) dapat memicu tindak lanjut atau intervensi
Setiap tim dapat mengatur alur kerjanya sendiri di dalam ClickUp Tasks, sama seperti yang dilakukan tim ML Anda untuk pelatihan dan penerapan. Sistemnya sama, hanya saja kasus penggunaannya berbeda.
Dan tidak hanya sampai di tahap eksekusi. Dengan ClickUp Dashboards, Anda dapat:
- Visualisasikan wawasan prediktif (misalnya, segmen berisiko tinggi vs segmen berisiko rendah)
- Pantau perkembangan tugas-tugas yang dibuat berdasarkan wawasan tersebut di berbagai tim
- Memantau beban kerja di seluruh tim
- Lihat bagaimana prediksi tersebut benar-benar diwujudkan dalam hasil
Yang perlu Anda lakukan hanyalah memilih widget pilihan Anda, baik itu diagram batang, diagram lingkaran, grafik garis, atau pelacak kemajuan. Dengan cara ini, model Anda tidak terpisah di satu alat, dan eksekusi Anda tidak terpisah di alat lain; semuanya tetap terhubung di satu tempat.
Wawasan Anda tidak hanya menjadi dasar pengambilan keputusan; wawasan tersebut memicu keputusan, ditugaskan, dilacak, dan benar-benar dilaksanakan.
💡 Tips pro: Anda dapat menggunakan ClickUp Brain sebagai asisten AI bawaan di seluruh ruang kerja Anda.
Ini bukan alat terpisah; ini adalah lapisan kecerdasan di dalam ruang kerja ClickUp Anda, yang berarti fitur ini sudah memiliki konteks untuk tugas, data, dan alur kerja Anda.
Jadi, alih-alih hanya melacak tugas, Anda memiliki asisten AI yang bekerja bersama Anda, membantu Anda memahami apa yang sedang terjadi dan bergerak lebih cepat dalam menangani hal-hal yang perlu dilakukan selanjutnya.
Misalnya, Anda dapat @mention Brain dalam komentar tugas, sama seperti Anda akan melakukannya pada rekan tim, dan bertanya:
- ‘Ringkas laporan drift terbaru dan soroti hal-hal yang perlu diperhatikan.’
- ‘Apa yang berubah dalam kinerja model kami selama 30 hari terakhir?’
Ini akan mengambil data dari ruang kerja Anda dan memberikan jawaban yang jelas dan instan. Ini juga dapat menghasilkan pekerjaan untuk Anda. Anda dapat memintanya untuk:
- Tulis pembaruan singkat untuk pemangku kepentingan yang menjelaskan mengapa model tersebut diterapkan kembali
- Buat rencana pelatihan ulang berdasarkan penurunan kinerja terbaru
- Buat daftar periksa untuk memvalidasi dataset baru sebelum melatih
Karena ClickUp menawarkan Ruang Kerja Terintegrasi, tim Anda tidak perlu lagi bolak-balik menggunakan alat terpisah untuk komunikasi dan pelaksanaan.
Semua percakapan Anda dapat dilakukan langsung di ClickUp Chat, baik itu mendiskusikan penurunan akurasi model, meninjau peringatan drift yang ditandai, atau memutuskan langkah selanjutnya setelah penerapan yang gagal.
Namun yang lebih penting, percakapan-percakapan tersebut tidak hanya diam di sana.
Untuk memastikan diskusi menghasilkan tindakan, gunakan Fitur Penugasan Komentar. Di tengah percakapan apa pun, Anda dapat menugaskan pesan kepada anggota tim tertentu, sehingga pesan tersebut langsung menjadi tindakan yang jelas.
Jadi, alih-alih percakapan terabaikan atau berakhir dengan kalimat “kita harus melakukan ini,” percakapan tersebut berubah menjadi tugas yang benar-benar dijalankan dan dilacak dari awal hingga akhir, semuanya di dalam ClickUp Chat.
🎥 Untuk memahami lebih baik gambaran umum penerapan AI dalam bisnis, tonton video ini yang memaparkan contoh-contoh penerapan AI di dunia nyata, yang menunjukkan bagaimana organisasi menerapkan kecerdasan buatan di berbagai fungsi dan industri. ✨
Keterbatasan Penggunaan IBM Watsonx untuk Analisis Prediktif
Setiap alat memiliki kelebihan dan kekurangan, dan Watsonx tidak terkecuali. Memang, platform ini sangat kuat, tetapi pertimbangkan batasan-batasan berikut sebelum memutuskan untuk menggunakannya:
- Kurva pembelajaran: Konfigurasi ruang penerapan dan pemantau tata kelola masih memerlukan pemahaman yang baik tentang konsep platform cloud, sehingga mungkin tidak cocok jika tim Anda belum memiliki banyak pengalaman dengan alat atau infrastruktur cloud.
- Pengelolaan data secara manual : Platform ini tidak mengotomatiskan bagian tersulit dari pembersihan dan penataan data mentah, yang berarti tim Anda masih harus menangani sebagian besar persiapan data secara manual sebelum Anda bisa mendapatkan hasil yang andal
- Biaya komputasi: Eksperimen pelatihan dan hosting implementasi langsung di IBM Watsonx dihitung berdasarkan penggunaan, sehingga untuk beban kerja yang terus bertambah, sumber daya cloud dapat cepat habis seiring dengan peningkatan skala, yang mengakibatkan biaya yang lebih tinggi
- Integrasi alur kerja: Untuk bertindak berdasarkan prediksi, diperlukan koneksi ke alat manajemen proyek eksternal
- Kompleksitas tata kelola : Mengonfigurasi pemantau keadilan dan drift melibatkan beberapa langkah yang terasa rumit bagi tim yang lebih kecil
Keterbatasan ini hanya menyoroti di mana alat pelengkap harus berperan. Hal ini terutama berlaku pada tahap eksekusi dalam alur kerja prediksi.
📮 ClickUp Insight: 88% responden survei kami menggunakan AI untuk tugas pribadi mereka, namun lebih dari 50% enggan menggunakannya di tempat kerja. Tiga hambatan utama? Kurangnya integrasi yang mulus, kesenjangan pengetahuan, atau kekhawatiran terkait keamanan.
Tapi bagaimana jika AI sudah terintegrasi ke dalam ruang kerja Anda dan sudah aman? ClickUp Brain, asisten AI bawaan ClickUp, mewujudkan hal ini. Ia memahami perintah dalam bahasa sehari-hari, mengatasi ketiga kekhawatiran terkait adopsi AI sambil menghubungkan obrolan, tugas, dokumen, dan pengetahuan Anda di seluruh ruang kerja. Temukan jawaban dan wawasan hanya dengan satu klik!
Alat AI Alternatif untuk Analisis Prediktif
Watsonx bukanlah satu-satunya pilihan di pasar untuk pemodelan prediktif. Tergantung pada tingkat keahlian teknis Anda, platform lain mungkin lebih cocok dengan infrastruktur Anda. Tabel di bawah ini membandingkan platform-platform tersebut secara sekilas.
| Alat | Cocok untuk | Keunggulan utama |
| IBM Watsonx | Tim perusahaan yang membutuhkan AI yang terkelola dan dapat diaudit | AutoAI + tata kelola bawaan dan pemantauan pergeseran |
| Google Vertex AI | Tim yang sudah menggunakan Google Cloud | Integrasi yang erat dengan BigQuery dan layanan GCP |
| Azure Machine Learning | Organisasi dalam ekosistem Microsoft | Koneksi bawaan ke Power BI dan Azure DevOps |
| Amazon SageMaker | Tim AWS-native dengan sumber daya rekayasa ML | Perpustakaan algoritma yang luas dan lingkungan notebook yang fleksibel |
| DataRobot | Analis bisnis yang menginginkan ML yang sepenuhnya otomatis | Otomatisasi end-to-end dengan pengaturan default yang mendukung penjelasan yang kuat |
| ClickUp Brain | Tim yang membutuhkan wawasan berbasis AI yang terintegrasi langsung ke dalam alur kerja proyek mereka | AI yang sadar konteks yang berfungsi di seluruh tugas, dokumen, dan dasbor tanpa perlu mengganti alat |
📮 ClickUp Insight: Pergantian konteks secara diam-diam menggerogoti produktivitas tim Anda. Penelitian kami menunjukkan bahwa 42% gangguan di tempat kerja berasal dari berpindah-pindah platform, mengelola email, dan berpindah-pindah antara rapat. Bagaimana jika Anda dapat menghilangkan gangguan yang merugikan ini?
ClickUp menyatukan alur kerja (dan obrolan) Anda dalam satu platform yang terintegrasi. Mulai dan kelola tugas Anda dari obrolan, dokumen, papan tulis, dan lainnya—sementara fitur yang didukung AI memastikan konteks tetap terhubung, dapat dicari, dan mudah dikelola!
Jangan Hanya Memprediksi, Lakukan Tindakan dengan ClickUp
Penggunaan IBM Watsonx untuk analitik prediktif mengikuti alur yang jelas mulai dari persiapan data hingga pemantauan drift, tetapi itu hanyalah bagian yang paling mudah. Tantangan sesungguhnya terletak pada memastikan bahwa prediksi-prediksi tersebut benar-benar mengubah cara kerja tim Anda.
Prediksi yang hanya terpampang di dasbor tanpa pernah diperiksa hanyalah pemborosan sumber daya komputasi, dan tim yang benar-benar mendapatkan nilai tambah menghubungkan hasil model mereka secara langsung ke alur kerja eksekusi melalui pemberitahuan otomatis dan tugas yang diprioritaskan ulang.
Jika Anda ingin satu ruang kerja tempat wawasan AI, pelaksanaan proyek, dan komunikasi tim sudah terintegrasi, mulailah secara gratis hari ini dengan ClickUp. ✨
Pertanyaan yang Sering Diajukan
Ini adalah platform data dan AI perusahaan untuk membangun, melatih, dan menerapkan model pembelajaran mesin. Tim menggunakannya untuk mengelola data lakehouse mereka dan memantau tata kelola AI dari satu lingkungan cloud.
AutoAI adalah alat tanpa kode yang secara otomatis menganalisis data tabel Anda untuk memilih algoritma pembelajaran mesin terbaik. Alat ini mengolah fitur dan mengurutkan model kandidat dalam daftar peringkat sehingga Anda dapat menerapkan opsi yang paling akurat.
Platform ini memerlukan pemahaman yang kuat tentang konsep cloud untuk mengonfigurasi ruang penerapan dan pemantau tata kelola. Platform ini juga tidak mengotomatiskan proses manual pembersihan dan penataan data mentah Anda sebelum diunggah.