Bagaimana Anda dapat menggunakan Pembelajaran Mesin

Sekarang setelah Anda memiliki pemahaman yang lebih baik tentang pembelajaran mesin dan ragam pendekatan berbeda untuk melatih sebuah model, Anda mungkin bertanya-tanya tentang cara pembelajaran mesin dapat membantu dalam pekerjaan sehari-hari. Pelajaran ini akan membahas hal itu. 

Tidak ada yang telah membingkai percakapan ini dengan cara yang lebih efektif daripada Quartz AI Studio. Dalam paragraf berikut, kami akan meminjam model milik mereka (dengan izin) untuk membantu Anda memahami beberapa situasi dan perasaan yang mungkin Anda miliki ketika pembelajaran mesin dapat membantu.

Film-film tentang jurnalisme cenderung memuliakan investigasi dengan wartawan menghabiskan berbulan-bulan membaca kotak-kotak dokumen di ruang tanpa jendela untuk mengungkap berita korupsi besar. Bagaimana jika kita dapat mencapai hasil yang sama dalam sepersekian waktu?

Pembelajaran mesin dapat membantu Anda melakukan hal itu dan karenanya sudah digunakan oleh jurnalis investigasi di seluruh dunia.

Pada tahun 2019, Konsorsium Jurnalis Investigasi Internasional (ICIJ) menerima lebih dari 700.000 dokumen yang bocor, secara kolektif dikenal sebagai Luanda Leaks. Untuk menganalisis seluruh dokumen itu, ICIJ bermitra dengan Quartz, yang tim investigasinya membangun model pembelajaran mesin untuk membantu para jurnalis menemukan jenis dokumen yang mereka harapkan di tembolok (cache) bocoran tersebut.

Jenis tantangan lain yang mungkin dihadapi reporter ketika mengerjakan sebuah kisah adalah kemampuan untuk membandingkan satu set dokumen dengan kumpulan yang serupa. Sebagai contoh, seorang reporter politik mungkin ingin membandingkan pidato kenegaraan (State of the Union) seorang presiden dengan semua pidato kenegaraan yang diucapkan oleh para presiden lainnya dekade demi dekade.

Kebetulan ini adalah tantangan yang dapat ditangani pembelajaran mesin dengan cukup baik.

Kembali pada tahun 2017, ProPublica menggunakan model komputer untuk menganalisis siaran pers dari setiap anggota Kongres AS dibandingkan dengan semua siaran pers Kongres yang diterbitkan pada waktu yang sama. Hal ini memungkinkan wartawan untuk mempelajari topik-topik apa yang paling dipedulikan oleh anggota Kongres, atau yang paling kurang dibahas dibandingkan oleh rekan-rekan mereka.

Dunia kita difoto miliaran kali sehari. Hal ini berarti begitu banyak jumlah foto yang bisa ditemukan oleh reporter. Andai saja ada cara untuk mengajarkan komputer cara untuk menemukan perincian spesifik dalam basis data informasi visual... Anda tahu tahapan selanjutnya: masukkan pembelajaran mesin.

Badan jurnalisme data Ukraina Texty menggunakan pembelajaran mesin untuk mendeteksi berbagai tambang ambar ilegal di seluruh Ukraina. Menggabungkan algoritma yang berbeda, mereka mampu melatih sistem ML pada contoh-contoh penambangan amber yang ada, sehingga dapat menemukan contoh baru dalam satu set gambar satelit.

Kisah yang dihasilkan termasuk peta online untuk pemirsa dapat perbesar gambar-gambar tambang ambar di seluruh negeri.

Berbagai kata, gambar, dan sekarang angka. Di antara banyak hal yang dapat dilakukan komputer lebih baik daripada manusia, ada pemrosesan data numerik berskala. Jika Anda memiliki ribuan catatan numerik untuk dianalisis, terutama jika Anda ingin menemukan pola dan persamaan, Anda sedang berhadapan dengan hal lain yang pembelajaran mesin dapat bantu.

Itulah yang dilakukan BuzzFeed News pada tahun 2017 untuk kisah mereka tentang hidden spy planes (pesawat mata-mata tersembunyi), yang cukup membuat kehebohan sebagai salah satu contoh awal tingkat tinggi dari jurnalisme yang menerapkan pembelajaran mesin untuk tujuan pelaporan.

Mereka melatih komputer untuk menemukan pesawat pengintai dengan membiarkan algoritma "hutan acak" menyaring pesawat dengan pola penerbangan yang mirip dengan yang dioperasikan oleh FBI dan Departemen Keamanan Dalam Negeri AS.

Berbagai tambang ambar, skandal korupsi, pesawat mata-mata, dan pidato kenegaraan (State of the Union). Seperti yang Anda lihat, pembelajaran mesin (ML) bisa sangat berguna dalam mendukung pekerjaan dengan menambah kemampuan Anda dalam menemukan dan menceritakan kisah-kisah penting dengan data.

Sekarang, seharusnya sudah jelas bahwa ML bukanlah sihir. Anda bahkan mungkin mengatakan bahwa ML tidak dapat melakukan apa pun yang tidak dapat Anda lakukan – andaikan saja Anda memiliki seribu pekerja magang yang bekerja untuk Anda.

Sepenuhnya terserah pada Anda untuk mempertimbangkan jika ML adalah alat yang tepat untuk membantu kisah yang ingin Anda laporkan. Setelah penilaian dilakukan, Anda dapat mengandalkan pembelajaran mesin untuk membantu Anda menyaring informasi yang tidak terkelola dan memberdayakan jurnalisme Anda dengan temuan-temuannya.