![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
Memulai proyek pembelajaran mesin baru membawa gelombang antusiasme, dan mungkin cukup menggoda untuk langsung terjun ke dalamnya. Ada banyak model mutakhir atau algoritme rumit yang mungkin pernah Anda baca. Mereka menjanjikan hasil yang luar biasa, dan menghindari godaan untuk langsung bereksperimen dengannya adalah tugas yang sulit.
Setiap pengusaha modern ingin menguji teknik mutakhir dan memamerkan proyek canggih (dan sukses) kepada masyarakat. Namun, antusiasme ini, meskipun bagus, terkadang dapat menyita banyak waktu saat Anda menyempurnakan hiperparameter dan menghadapi kesulitan dalam mengimplementasikan model yang rumit.
Dalam proses ini, ada satu pertanyaan utama yang perlu ditanyakan: Bagaimana kita sebenarnya mengukur efektivitas model kita?
Mencari tahu apakah kompleksitas model kita dapat dibenarkan atau apakah kinerjanya benar-benar unggul dapat menjadi tantangan. Hal ini terjadi ketika tidak ada titik referensi yang lebih sederhana. Di sini, memiliki model dasar menjadi sangat penting. Sebuah model dasar memberikan titik referensi penting itu — model itu mudah, cepat dibuat, dan pada dasarnya dapat dijelaskan. Anehnya, sering kali model dasar, yang mungkin hanya membutuhkan 10% dari total upaya pengembangan, dapat mencapai hingga 90% dari kinerja yang diinginkan, menghasilkan jalur yang sangat efisien menuju hasil yang wajar.
Gagasan memulai dengan sederhana bukan sekadar pendekatan mudah bagi pemula — ini adalah praktik mendasar yang tetap relevan di semua tahap karier ilmu data. Ini adalah mekanisme dasar dan pengingat yang hebat untuk menyeimbangkan ambisi kita terhadap kompleksitas dengan kepraktisan solusi yang jelas, mudah dipahami, dan dapat dikelola.
Model dasar adalah versi paling dasar yang digunakan untuk mengatasi suatu masalah. Biasanya, model ini mencakup regresi linier untuk hasil berkelanjutan atau regresi logistik untuk hasil kategoris. Misalnya, regresi linier dapat memprediksi laba saham berdasarkan data harga historis, sementara regresi logistik dapat mengklasifikasikan pemohon kredit sebagai berisiko tinggi atau rendah.
Pendekatan ini berbeda dari model yang lebih kompleks seperti jaringan saraf atau metode ansambel, yang meskipun canggih, dapat membuat pemahaman masalah lebih sulit dan meningkatkan waktu yang dibutuhkan untuk pengembangan karena kompleksitasnya dan sumber daya komputasi yang signifikan.
Pembandingan merupakan langkah awal yang sangat penting dalam pengembangan model ML apa pun. Saat Anda menyiapkan model dasar, Anda menetapkan metrik performa fundamental yang harus dilampaui oleh semua model berikutnya (yang biasanya lebih kompleks) untuk membenarkan kompleksitas dan konsumsi sumber dayanya. Proses ini bukan hanya pemeriksaan kewarasan yang hebat, tetapi juga mendasari ekspektasi Anda dan memberi Anda ukuran kemajuan yang jelas.
Misalnya, bayangkan mengembangkan model untuk meramalkan tren pasar keuangan menggunakan simple moving average (SMA) sebagai garis dasar. SMA ini mungkin menggunakan data historis jangka pendek untuk meramalkan harga saham di masa mendatang, mencapai akurasi awal 60% dalam meramalkan pergerakan pasar dengan tepat. Model ini kemudian menetapkan tolok ukur untuk model lanjutan apa pun yang mengikutinya. Jika model canggih, seperti jaringan Long Short-Term Memory (LSTM), kemudian dikembangkan dan mencapai akurasi 65%, peningkatan kinerja dapat diukur secara tepat terhadap garis dasar awal 60%.
Perbandingan ini penting untuk menentukan apakah peningkatan akurasi sebesar 5% membenarkan kompleksitas tambahan dan tuntutan komputasional LSTM. Tanpa dasar seperti ini, membuat keputusan yang tepat tentang skalabilitas dan penerapan praktis model yang lebih kompleks menjadi sulit.
Pendekatan terhadap pembandingan ini memastikan bahwa peningkatan pada kompleksitas model dapat dibenarkan dan akan menghasilkan peningkatan nyata, sekaligus menjadikan proses pengembangan selaras dengan hasil yang efektif.
Mengikuti pendekatan yang hemat biaya dalam ML adalah kuncinya. Terutama ketika Anda menetapkan tujuan untuk menyelaraskan proses Anda dengan prinsip-prinsip yang mengutamakan memaksimalkan nilai sekaligus meminimalkan pemborosan. Ketika Anda memulai dengan model dasar, Anda mengurangi sumber daya dan waktu yang dibutuhkan untuk pengembangan dan pengujian model awal. Ini berarti pembuatan prototipe yang cepat – dan itu penting untuk umpan balik instan dan perbaikan berulang.
Dengan dasar ini, setiap kompleksitas yang Anda tambahkan kini dapat dievaluasi dengan cermat.
Misalnya, jika Anda ingin beralih ke algoritme yang lebih kompleks seperti autoregresi vektor (VAR) dan menemukan bahwa algoritme tersebut hanya sedikit meningkatkan akurasi perkiraan, Anda perlu memikirkan kembali apakah peningkatan kecil ini benar-benar membenarkan tuntutan dan kompleksitas komputasi tambahan. Jawabannya mungkin tidak. Maka model yang lebih sederhana tetap menjadi opsi yang lebih hemat biaya.
Dengan berfokus pada efektivitas biaya, Anda memastikan bahwa sumber daya digunakan secara efisien dan mencapai lebih dari sekadar peningkatan teknis. Selain itu, hal ini memberikan solusi praktis dan bernilai tambah yang dapat dibenarkan dalam hal peningkatan kinerja dan alokasi sumber daya. Dengan cara ini, setiap investasi dalam kompleksitas model dapat dibenarkan, yang berkontribusi pada tujuan proyek secara keseluruhan tanpa pengeluaran yang tidak proporsional.
Dalam sektor seperti keuangan, di mana keputusan harus mematuhi standar regulasi yang ketat, transparansi model bukan sekadar keuntungan bisnis. Ini adalah pendekatan strategis yang sangat membantu dalam proses pemenuhan regulasi dan memfasilitasi komunikasi yang lebih mudah dengan pemangku kepentingan yang mungkin tidak memiliki latar belakang teknis (yang mendalam).
Mari kita ambil model SMA kita. Model ini mudah diinterpretasikan karena outputnya terkait langsung dengan data input. Hal ini memudahkan untuk menjelaskan bagaimana setiap input memengaruhi hasil yang diprediksi. Ketika keputusan berdasarkan prakiraan model perlu dibenarkan kepada regulator eksternal atau secara internal kepada anggota tim non-teknis, kesederhanaan ini menjadi kunci bagi proses Anda.
Jika keputusan berdasarkan prakiraan model SMA dipertanyakan, transparansi model memungkinkan penjelasan cepat dan sederhana tentang logika di balik pekerjaannya. Ini dapat membantu tinjauan dan audit regulasi serta meningkatkan kepercayaan dan adopsi di antara pengguna dan pembuat keputusan. Selain itu, seiring meningkatnya kompleksitas model, misalnya beralih ke algoritme yang lebih kompleks seperti model ARIMA atau VAR untuk prediksi yang lebih bernuansa, interpretabilitas garis dasar SMA awal menjadi tolok ukur untuk tingkat penjelasan yang perlu Anda sampaikan.
Dengan menggunakan regresor seperti skor signifikansi fitur atau nilai SHAP yang dikombinasikan dengan model yang lebih kompleks, kemajuan kinerja model selanjutnya tetap transparan. Ini membantu agar tujuan prosedur keselamatan tidak diabaikan untuk model yang lebih maju. Inti dari model dasar yang sederhana adalah untuk selalu menerapkan kondisi bahwa keseluruhan struktur dan signifikansi akan dipertahankan bahkan saat tingkat kompleksitas meningkat. Ini memastikan ketentuan kepatuhan dan komunikasi yang efektif.
Manajemen risiko merupakan aspek penting lain dalam pengembangan model pembelajaran mesin, terutama di sektor seperti keuangan, di mana prakiraan yang akurat dan andal berdampak pada pengambilan keputusan. Memiliki model dasar yang sederhana merupakan strategi yang hebat untuk mengelola risiko ini.
Garis dasar yang lugas memberikan titik awal yang dapat dipahami, yang memungkinkan Anda secara bertahap (dan aman) menambahkan peningkatan pada kompleksitas model.
Misalnya, model SMA (meskipun mendasar) menjadi dasar yang kuat untuk menemukan pola dasar dan potensi anomali dalam pergerakan harga saham. Penggunaannya membantu mengidentifikasi tanda-tanda awal volatilitas atau perilaku pasar yang tidak normal. Melakukan hal itu sangat penting, menghindari risiko keuangan yang signifikan sebelum menerapkan algoritma prediktif yang lebih kompleks.
Selain itu, penggunaan model dasar meminimalkan risiko overfitting. Ini adalah kesalahan umum dalam pemodelan keuangan. Overfitting terjadi ketika model terlalu disesuaikan dengan data historis dan menangkap noise alih-alih pola yang mendasarinya. Karena itu, Anda bisa mendapatkan prediksi yang menyesatkan dan mendapatkan strategi perdagangan yang tidak dapat diandalkan sebagai hasilnya. Model yang lebih sederhana dengan lebih sedikit parameter cenderung tidak rentan terhadap masalah ini, memastikan bahwa prediksi yang ditawarkannya secara umum berlaku untuk data yang tidak terlihat.
Kompleksitas yang meningkat seiring dengan kemajuan SMA pada model moving average kecil seperti ARIMA dan VAR menjadi lebih kompleks, struktur sederhana SMA dapat membantu kita mempertimbangkan secara sistematis efektivitas setiap kompleksitas yang ditambahkan. Peningkatan kompleksitas secara bertahap ini membantu mempertahankan kendali atas kinerja model, memastikan bahwa setiap lapisan kompleksitas tambahan memberikan manfaat yang jelas dan tidak menimbulkan risiko yang tidak diinginkan.
Pendekatan sistematis untuk meningkatkan kompleksitas model ini membantu dalam memahami bagaimana perubahan pada model memengaruhi perilaku dan keandalannya. Pendekatan ini juga memastikan bahwa risiko selalu dikelola dengan baik. Ketika Anda memulai dengan garis dasar yang sederhana dan mengendalikan setiap tahap pengembangan dengan saksama, Anda memastikan bahwa model peramalan tetap kuat dan aman, serta mendukung pengambilan keputusan finansial.
Untuk memilih model dasar yang paling sesuai, Anda perlu memahami masalah bisnis dan karakteristik data. Misalnya, prediksi deret waktu untuk pasar keuangan dapat dimulai dengan model ARIMA sebagai dasar untuk menangkap dinamika temporal dengan cara yang sederhana. Kualitas data dan praproses juga memainkan peran penting; bahkan model yang paling sederhana pun dapat berkinerja buruk jika diberi data yang tidak memadai atau praprosesnya buruk.
Dan terakhir, mengetahui kapan harus beralih dari model dasar ke model yang lebih kompleks sangatlah penting. Keputusan ini harus dipandu oleh pengujian dan validasi bertahap, sejalan dengan pendekatan iteratif Agile.
Memulai proyek pembelajaran mesin dengan memperkenalkan model dasar yang sederhana bukan sekadar langkah awal. Ini adalah sebuah strategi. Strategi yang selaras dengan metodologi Agile yang mempromosikan efisiensi, efektivitas, dan kemampuan beradaptasi. Mendekati proyek dengan cara ini dapat meningkatkan hasil proyek secara signifikan dengan memastikan bahwa setiap peningkatan kompleksitas dapat dibenarkan dan menambah nilai nyata. Merangkul kesederhanaan adalah hal yang hebat. Ini adalah strategi yang sangat bagus di bidang seperti keuangan di mana keputusan harus cepat.