AI yang realistis dan dapat dipertanggungjawabkan
Tidak semua masalah membutuhkan AI, dan tidak semua data siap dipakai untuk machine learning. Karena itu, setiap proyek AI dimulai dengan penilaian kelayakan: apakah datanya cukup, apa ukuran keberhasilan yang masuk akal, dan bagaimana hasil model akan dipakai dalam proses kerja.
Lingkup pekerjaan
- Eksplorasi dan persiapan data — membersihkan, menggabungkan, dan memahami pola data.
- Predictive modeling — model untuk memperkirakan nilai, risiko, atau kategori berdasarkan data historis.
- Natural language processing — klasifikasi teks, ekstraksi informasi, dan pemrosesan dokumen.
- Explainable AI — menjelaskan faktor yang memengaruhi hasil model sehingga dapat dipahami dan dievaluasi.
- Integrasi ke sistem — menyajikan model melalui API atau dashboard agar dapat digunakan sehari-hari.
Pendekatan
Model dievaluasi dengan metrik yang disepakati sejak awal dan diuji pada data yang belum pernah dilihat model. Keterbatasan model disampaikan secara terbuka, termasuk kondisi di mana hasilnya perlu ditinjau manusia.
Kolaborasi riset
Selain proyek implementasi, saya terbuka untuk kolaborasi akademik dan penelitian di bidang AI, machine learning, dan analitik data.