Pemanfaatan teknologi kecerdasan buatan dalam industri e-commerce Indonesia

KKecerdasan buatan (AI) memasuki pasar dengan banyak cara. Saat ini, bahkan Kementerian Komunikasi dan Informatika (Kominfo) sedang menyusun berbagai regulasi yang dibutuhkan untuk mengembangkan AI di Indonesia. Anda dapat memanfaatkan otomatisasi AI tidak hanya di industri teknologi, tetapi juga di bidang medis, keuangan, pertanian, dan banyak bidang lainnya.

Menyadari bahwa otomatisasi sangat penting untuk semua produk dan inovasi yang diluncurkan, Tokopedia mengadakan konferensi teknologi terkait AI pada akhir September tahun lalu. START Summit Extension yang dikemas secara virtual bertema memajukan Indonesia dengan kecerdasan buatan. Acara ini memberikan kesempatan kepada para penggiat teknologi Indonesia untuk belajar tentang inovasi teknologi dan berdiskusi dengan para pakar di bidangnya masing-masing.

Baca juga: Tokopedia bantu usaha kecil beradaptasi di masa pandemi

Peran AI di Tokopedia

Tema ini, START Summit Extension, menggali bagaimana peran AI dapat membantu memenuhi kebutuhan jutaan pengguna dan penjual melalui Tokopedia. Dilihat oleh lebih dari 3.000 penonton melalui Tokopedia Play, acara ini menghadirkan tiga pembicara dari data scientist Tokopedia dan dua akademisi AI Center of Excellence dari Universitas Indonesia.

Menurut Dr. Urban Bastian Ariev, D., kepala peneliti di Tokopedia, AI adalah kecerdasan buatan yang dapat mengelola mesin, membuatnya lebih efisien dan praktis karena meningkatkan kualitas hidup manusia, membantu membuatnya lebih realistis. Selain itu, Irvan menjelaskan bahwa Tokopedia saat ini mengimplementasikan AI pada basis teknologinya dan akan menjadi perusahaan teknologi yang didukung penuh oleh kecerdasan buatan di masa depan.

Tokopedia terus mengembangkan sistem dan fitur untuk mengoptimalkan pengalaman pelanggan menggunakan AI. Fitur dan inovasi Tokopedia yang didukung oleh teknologi AI termasuk fitur ChatBot Tokopedia Care, pencarian cerdas, layanan TokoBranch, dan Rekomendasi Cepat untuk lebih dari 350 juta produk yang sesuai dengan minat semua pengguna Tokopedia.

Ia menambahkan bahwa kecerdasan buatan adalah teori dan pengembangan sistem komputer yang dapat melakukan apa yang biasanya membutuhkan kemampuan dan otak manusia. Kecerdasan buatan sendiri terbagi menjadi beberapa aliran seperti robotika, pembelajaran mesin, visi komputer, pemrosesan bahasa alami, representasi pengetahuan, dll, dan terakhir sistem rekomendasi.

Sistem rekomendasi berbasis AI

SSE 1 September 1 1 Alim Kidar Hanif, data scientist di Tokopedia, mengungkapkan salah satu kegunaan AI dalam sistem rekomendasi adalah untuk membaca karakteristik dan perilaku setiap pengguna. Ketika pengguna sering membeli atau melihat suatu produk, sistem Tokopedia merekomendasikan produk lain yang terkait dengan apa yang sebelumnya telah dilihat atau dicari pengguna.

“Sistem rekomendasi menggunakan pembelajaran mesin untuk mengenali semua produk di Tokopedia, dan mesin menangkap pola yang ada. Saat pengguna mengklik produk, pola itu dikenali oleh pola pembelajaran mesin. Rekomendasi akan dikirim jika produk relevan dan sesuai,” ujarnya.

Selain itu, Alim menjelaskan Tokopedia menggunakan sistem rekomendasi buku pedoman dalam dua cara. Rekomendasi berbasis sesi dan rekomendasi berbasis peringkat. Kedua langkah ini digunakan untuk menentukan pola aktivitas pengguna agar machine learning nantinya dapat memberikan rekomendasi produk yang sesuai.

Rekomendasi berbasis sesi digunakan untuk merekomendasikan produk berdasarkan vektor kedekatan produk yang dibuat pada data sesi. Data sesi itu sendiri adalah semua aktivitas yang dilakukan setiap pengguna selama periode waktu tertentu. Masalah atau problem yang dapat diselesaikan pada tahap ini biasanya pada saat barang yang dicari pengguna belum siap, atau saat pengguna ingin mengganti variasi produk yang lain.

Abe Vallerian, lead data scientist Tokopedia, terus membahas rekomendasi berbasis peringkat. Rekomendasi berbasis peringkat lebih akurat ketika model ini merekomendasikan produk kepada setiap pengguna. Hal ini dikarenakan model tidak hanya menggunakan fitur produk, tetapi juga fitur pengguna yang dapat menangkap interaksi antar fitur tersebut.

Baca Juga

Algoritma atau metode yang digunakan pada tahap ini adalah model berbasis pohon, masalah klasifikasi biner. Selain itu, model ini menggunakan banyak pohon dengan teknik Gradient Boosting, daripada hanya menggunakan satu pohon. Teknik peningkatan gradien memungkinkan satu pohon untuk memperbaiki kesalahan di pohon lainnya. Rekomendasi berbasis peringkat diperlukan untuk menghitung probabilitas bahwa pengguna akan mengklik suatu produk. Ini nantinya akan menentukan peringkat peluang ini dan menentukan produk mana yang dapat direkomendasikan terlebih dahulu.

Grafik pengetahuan

Hal menarik berikutnya adalah tentang Grafik Pengetahuan. Adila Chris Nadi, Ph.D dan Dr. Fariz Darali, dua sarjana AI Center of Excellence Universitas Indonesia yang merupakan dosen ilmu komputer di Universitas Indonesia, memaparkan Grafik Pengetahuan.

Grafik Pengetahuan adalah teknik yang digunakan oleh sistem pemberi rekomendasi, dan setiap masalah yang diselesaikan oleh AI melewati tahapan proses tugas rekomendasi, tentu saja. Proses ini menunjukkan bahwa masalahnya terkomputerisasi dan bahwa masalahnya pada dasarnya adalah tugas yang direkomendasikan.

Tugas yang direkomendasikan memungkinkan Anda untuk memprediksi atau memperkirakan pola dan perilaku pengguna, seperti apakah pengguna membeli, mengklik produk, atau mengevaluasi produk.

Adila menjelaskan, ada dua cara agar bisa diprediksi. Yaitu, berbasis konten, yang merekomendasikan item berdasarkan kesamaan produk yang diminati atau dibeli pengguna, dan pemfilteran kolaboratif, yang merekomendasikan item. Ini mirip dengan apa yang menarik antara satu pengguna dengan pengguna lainnya.

Ia menjelaskan bahwa Grafik Pengetahuan tidak hanya dapat digunakan untuk membuat rekomendasi, tetapi juga untuk memungkinkan integrasi, pengayaan konteks, dan inferensi. Grafik Pengetahuan yang memungkinkan integrasi pada dasarnya terkait dengan konsep tautan atau tautan antara sumber data yang berbeda, tetapi tetap terintegrasi satu sama lain.

Pengayaan konteks kemudian juga menghasilkan pengetahuan tentang item yang dicari sebelumnya atau hal-hal yang terkait dengan produk, item mana yang digunakan sebagai basis pengetahuan dan lebih meningkatkan rekomendasi. Interferensi, di sisi lain, adalah kesimpulan logis dari hubungan data untuk menangkap Grafik Pengetahuan.

Sistem rekomendasi dan Grafik Pengetahuan memiliki fitur dan manfaat masing-masing. Anda dapat menggunakan sistem pemberi rekomendasi untuk menemukan pencarian yang lebih relevan. Grafik Pengetahuan, di sisi lain, adalah jembatan yang membantu memperkuat hubungan antara setiap item. Selain itu, Dr. Fariz menjelaskan bagaimana menggabungkan keduanya untuk meningkatkan hasil pencarian yang efisien.

Jika Anda dapat melihat hubungan antara satu pengguna dan satu item sebelumnya, Anda tahu bahwa ada juga hubungan timbal balik di balik item ini. Item memiliki latar belakang yang dapat dibaca di Grafik Pengetahuan, memungkinkan pengguna untuk mendapatkan rekomendasi produk terkait dengan latar belakang produk yang dicari atau dibeli sebelumnya. Pada akhirnya, Anda dapat meningkatkan rekomendasi produk Anda dengan menggabungkan sistem pemberi rekomendasi dengan Grafik Pengetahuan.

Penolakan: Gizmologi adalah media partner untuk acara Tokopedia Start Summit Extension 2021.