0:00:07.360,0:00:11.760
Kualitas pembelajaran mesin adalah sebanyak data pelatihan yang Anda masukkan ke dalamnya.

0:00:11.800,0:00:15.820
Jadi, sangat penting menggunakan data berkualitas tinggi, dan dalam jumlah yang sangat banyak.

0:00:16.760,0:00:21.960
Namun, jika data itu penting, perlu ditanyakan dari mana data pelatihan itu berasal?

0:00:22.280,0:00:26.260
Sering kali komputer mengumpulkan data pelatihan dari orang-orang seperti Anda dan saya,

0:00:26.260,0:00:27.860
tanpa upaya apa pun pada sisi kita.

0:00:28.440,0:00:31.480
Layanan streaming video mungkin melacak apa yang Anda tonton, lalu ia dapat mengenali pola

0:00:31.660,0:00:36.000
pada data itu untuk merekomendasikan apa yang mungkin ingin Anda tonton selanjutnya.

0:00:37.420,0:00:43.200
Di lain waktu, Anda secara langsung diminta untuk membantu, seperti ketika sebuah situs web meminta Anda untuk menemukan rambu jalan dan foto,

0:00:43.780,0:00:49.280
Anda memberikan data pelatihan untuk membantu[br]mesin belajar melihat, dan bahkan mungkin mengemudi pada suatu hari.

0:00:52.320,0:00:56.440
Peneliti medis dapat menggunakan[br]gambar medis sebagai data pelatihan untuk mengajar

0:00:56.520,0:00:59.900
komputer cara mengenali dan mendiagnosis penyakit.

0:01:00.300,0:01:05.560
Pembelajaran Mesin membutuhkan ratusan dan ribuan gambar, dan arahan pelatihan dari seorang dokter

0:01:05.640,0:01:09.920
yang mengetahui apa yang mesti dicari, sebelum ia dapat mengidentifikasi penyakit secara benar.

0:01:10.520,0:01:15.540
Bahkan dengan ribuan contoh, bisa jadi terdapat masalah dengan prediksi komputer.

0:01:15.880,0:01:20.660
Jika sinar-X hanya dikumpulkan dari pria, maka prediksi komputer mungkin hanya berguna untuk pria.

0:01:21.880,0:01:26.300
Ia mungkin tidak mengenali penyakit ketika[br]diminta mendiagnosis sinar-X pada seorang wanita.

0:01:26.620,0:01:30.820
Titik buta ini pada data pelatihan[br]menimbulkan sesuatu yang disebut bias.

0:01:31.260,0:01:36.420
Data yang bias mengutamakan hal-hal tertentu, dan tidak mementingkan atau meniadakan yang lainnya.

0:01:36.780,0:01:41.800
Tergantung pada cara pengumpulan data pelatihan, siapa yang mengumpulkannya, dan bagaimana data diumpan,

0:01:41.800,0:01:45.340
ada kemungkinan bahwa bias[br]manusia masuk ke dalam data.

0:01:45.880,0:01:50.700
Dengan belajar dari data bias, komputer dapat membuat prediksi yang bias,

0:01:50.780,0:01:54.320
terlepas apakah orang yang melatih komputer[br]menyadarinya atau tidak.

0:01:54.760,0:01:58.400
Ketika Anda meneliti data pelatihan, ajukan dua pertanyaan ke diri Anda:

0:01:58.640,0:02:01.600
Apakah data ini cukup untuk melatih komputer secara akurat?

0:02:02.320,0:02:06.860
Dan, apakah data ini mewakili semua skenario dan pengguna yang mungkin tanpa bias?

0:02:07.460,0:02:11.040
Di sinilah Anda, sebagai pelatihan manusia, memainkan peran yang krusial.

0:02:11.160,0:02:14.500
Semuanya terserah Anda apakah akan memberikan mesin Anda data yang tidak bias.

0:02:14.500,0:02:18.160
Itu berarti mengumpulkan contoh yang sangat banyak, dari banyak sumber.

0:02:19.300,0:02:22.580
Ingat, ketika Anda memilih dan memilah data untuk pembelajaran mesin,

0:02:22.580,0:02:26.660
Anda sebenarnya sedang memprogram algoritme dengan menggunakan data pelatihan alih-alih kode.

0:02:27.100,0:02:29.780
Data itu adalah Kodenya.

0:02:30.180,0:02:34.680
Semakin baik data yang Anda berikan, semakin baik pula pembelajaran komputer.