Saya pertama kali tertarik pada AI pada awal tahun 2000-an dan bahkan memenangkan kompetisi junior dengan proyek yang berfokus pada OCR tulisan tangan (pengenalan karakter optik). Menariknya, sejak tahun 2000 kita sudah memiliki hampir semua algoritma inti yang masih digunakan hingga saat ini. Yang belum kita miliki saat itu adalah daya komputasi yang memadai…
Seiring waktu, minat saya bergeser ke pengukuran kinerja, dan kemudian ke bidang yang lebih luas, yaitu eksekusi strategi. Hari ini, ketika LLM mendominasi pemberitaan, kita jarang kembali ke dasar-dasar.
Apa yang sebenarnya membuat pembelajaran dalam jaringan saraf menjadi mungkin?
Beberapa prinsip matematika sederhana berada di inti AI modern. Dan saya melihat kesamaan yang jelas dalam bagaimana prinsip-prinsip yang sama ini dapat dan seharusnya digunakan oleh organisasi ketika mengeksekusi strategi mereka.
Apa yang Memungkinkan AI untuk Belajar
Salah satu dasar matematis jaringan saraf adalah aturan rantai dalam kalkulus yang diterapkan pada komposisi fungsi. Jaringan saraf adalah sistem berlapis yang dibangun dari banyak operasi sederhana yang dapat didiferensialkan. Aturan rantai memungkinkan gradien dihitung melalui seluruh komposisi. Itulah yang membuat pembelajaran menjadi mungkin dalam skala besar.
- Selama lintasan maju, jaringan saraf menghasilkan keluaran yang pada awalnya salah.
- Dengan menggunakan data berlabel dan fungsi kerugian, kita dapat mengukur seberapa jauh hasil menyimpang dari keluaran yang diinginkan.
- Karena semua operasi internal dapat didiferensialkan, kita dapat menghitung turunan lokal untuk setiap transformasi.
- Dengan menerapkan aturan rantai, turunan lokal ini digabungkan menjadi gradien kerugian terhadap setiap parameter dalam model.
Sistem ini tidak hanya mendeteksi bahwa suatu kesalahan terjadi. Sistem ini menentukan bagaimana setiap parameter individual berkontribusi terhadap kesalahan tersebut, dan ke arah mana perubahan parameter itu akan menggeser hasil.
Jalankan eksekusi strategi sebagai sistem pembelajaran organisasi
Masalah yang sama ada dalam organisasi…
Implementasi strategi yang baik adalah sistem terstruktur dari tujuan, sub-tujuan, Inisiatif, dan indikator kinerja.
Selama eksekusi, organisasi perlu mendeteksi penyimpangan dari arah yang dituju sedini mungkin. Itulah sebabnya ukuran kinerja ada. Ukuran tersebut memberikan sinyal pertama bahwa realitas mulai menyimpang dari asumsi.
Namun:
Mengetahui bahwa “sesuatu berjalan salah” hampir tidak berguna jika berdiri sendiri…
Eksekusi hanya membaik ketika organisasi dapat melihat elemen sistem mana yang memerlukan penyesuaian, dan bagaimana penyesuaian tersebut kemungkinan besar akan memengaruhi hasil.
Dalam jaringan saraf, hal ini dimungkinkan secara matematis oleh aturan rantai. Dalam implementasi strategi, hal ini menjadi mungkin hanya ketika strategi didekomposisi dengan tepat, diselaraskan dengan ekspektasi pemangku kepentingan, dan diterjemahkan dari aspirasi yang samar menjadi beberapa tingkat tujuan dan indikator yang konkret serta saling terhubung secara kausal.
Laksanakan Strategi yang Diimplementasikan dengan Tepat
Dalam hal ini, pelaksanaan strategi yang efektif mulai tampak seperti jaringan saraf yang dirancang dengan baik.
Ketika terjadi penyimpangan, organisasi dapat belajar dengan cepat – bukan hanya bahwa kinerja berada di bawah yang diharapkan, tetapi juga inisiatif, proses, kapabilitas, atau asumsi mana yang harus disesuaikan untuk mendekati harapan pemangku kepentingan.
Ketika strategi dirumuskan dengan buruk (tujuan abstrak, tanpa sebab-akibat, tanpa indikator yang bermakna), organisasi berakhir pada posisi yang sama seperti model tanpa gradien yang dapat digunakan. Organisasi dapat melihat bahwa hasilnya buruk, tetapi tidak memiliki cara yang andal untuk memutuskan apa yang harus diubah.
Baik dalam jaringan saraf maupun organisasi, pembelajaran menjadi mungkin hanya ketika suatu sistem dibangun dari komponen yang saling terhubung, yang melaluinya umpan balik dapat merambat.
Ketika ada:
- Struktur,
- Akuntabilitas lokal, dan
- Penggerak yang dapat diukur
… perbaikan berkelanjutan menjadi mungkin. Tanpa hal-hal tersebut, organisasi hanya memiliki sedikit lebih dari sekadar sinyal berhasil/gagal, dan tidak memiliki mekanisme untuk memahami cara melakukan perbaikan.
Jadi, Akhirnya Kita Tahu Ke Mana Pengeluaran Pemasaran Pergi?
Jawaban singkatnya adalah: “tidak” (dan jaringan saraf juga tidak).
Dalam AI, kita tidak dapat menunjuk satu neuron dan mengatakan, “ini yang menyebabkan hasil.” Pembelajaran tetap dimungkinkan karena sistem dibangun sedemikian rupa sehingga umpan balik mengalir melalui banyak bagian yang saling terhubung dan secara bertahap membentuk ulang bagian-bagian tersebut.
Mengatakan “pemasaran berhasil” serupa dengan mengatakan “model membaik.” Ini menunjukkan arah, tetapi tidak memberi tahu Anda apa yang harus diubah selanjutnya.
Yang menjadi berguna adalah melihat pola di dalam sistem.
Sebagai contoh: pendapatan dapat tetap datar sementara trafik meningkat, keterlibatan konten membaik, dan lebih banyak prospek tercipta, tetapi tingkat kemenangan untuk kesepakatan menurun dan kesepakatan membutuhkan waktu lebih lama untuk ditutup.
Secara analitis, ini bukan lagi sekadar berhasil/gagal. Ini adalah pola sinyal yang menunjukkan bahwa beberapa bagian dari sistem membaik sementara bagian lainnya tidak selaras.
Sistem tidak mengidentifikasi satu kampanye yang bersalah. Sistem menunjukkan di mana penyesuaian diperlukan.
Inilah seperti apa pembelajaran ketika itu berhasil.
Ini mungkin tidak memberi tahu Anda secara tepat ke mana setiap dolar pergi, tetapi ini memberi tahu Anda sesuatu yang jauh lebih berharga: ke mana organisasi seharusnya bergerak selanjutnya.
Kelemahan yang Diketahui: Temukan Minimum Lokal
Mirip dengan jaringan saraf, dengan keterbatasan yang diketahui yaitu menemukan minimum lokal alih-alih minimum global, organisasi tidak seharusnya mempercayai kerangka kerja pengukuran mereka 100%.
Pelaksanaan strategi adalah proses berkelanjutan untuk memvalidasi hipotesis dalam praktik. Terkadang kita memvalidasi hipotesis tingkat rendah dan semuanya masuk akal. Terkadang, kita bergerak naik sepanjang pohon dekomposisi dan pada akhirnya mempertanyakan pemahaman kita tentang para pemangku kepentingan dan kebutuhan mereka.
Alexis Savkin adalah seorang Arsitek Strategi dan pendiri BSC Designer, sebuah platform perangkat lunak pelaksanaan strategi dengan Kartu Skor Berimbang sebagai inti utamanya. Ia membantu organisasi menerjemahkan strategi menjadi tujuan yang terukur, KPI, dan inisiatif. Alexis adalah pencipta Kanvas Pelaksanaan Strategi, penulis lebih dari 100 artikel tentang strategi dan pengukuran kinerja, serta pembicara tetap.