Kategori: Blog

Cara termudah untuk memahami perbedaan antara Deep Learning dan Machine Learning adalah: Semua Deep Learning adalah Machine Learning, tetapi tidak semua Machine Learning adalah Deep Learning. Memahami kemajuan terbaru dalam kecerdasan buatan (AI) mungkin tampak luar biasa, tetapi dalam hal pembelajaran, mempelajari dasar-dasar yang menarik minat Anda, banyak inovasi AI dapat diringkas menjadi dua konsep: Machine Learning dan Deep Learning. Contoh Machine Learning dan Deep Learning ada di mana-mana. Inilah yang membuat mobil self-driving menjadi kenyataan, bagaimana Netflix mengetahui acara apa yang akan ditonton selanjutnya, dan bagaimana Facebook mengenali wajah di foto. Machine Learning dan Deep Learning sering kali tampak seperti kata kunci yang dapat dipertukarkan, tetapi ada perbedaan. Jadi, apa sebenarnya dua konsep yang mendominasi pembicaraan tentang AI ini, dan apa perbedaannya? Baca terus untuk mengetahuinya.

Deep Learning vs Machine Learning

Langkah pertama dalam memahami perbedaan antara Machine Learning dan Deep Learning adalah mengenali bahwa Deep Learning adalah Machine Learning. Lebih khusus lagi, Deep Learning dianggap sebagai evolusi Machine Learning. Ini menggunakan jaringan saraf yang dapat diprogram yang memungkinkan mesin membuat keputusan yang akurat tanpa bantuan manusia.

Bagaimana Cara Kerja Machine Learning?

Contoh mudah dari algoritme Machine Learning adalah layanan streaming musik sesuai permintaan atau pun permainan slot seperti di maxbet. Untuk menentukan lagu atau artis baru mana yang direkomendasikan layanan kepada pendengar, algoritme Machine Learning mengaitkan preferensi pendengar dengan pendengar lain dengan selera musik yang serupa. Sering disebut-sebut hanya sebagai AI, teknologi ini digunakan oleh banyak layanan yang memberikan rekomendasi otomatis. Machine Learning melibatkan banyak matematika dan pengkodean kompleks yang, bagaimanapun, melakukan fungsi mekanis yang sama seperti senter, mobil, atau layar komputer. Ketika sesuatu mampu “Machine Learning”, itu berarti ia melakukan fungsi dengan data yang diberikan dan secara progresif meningkat dari waktu ke waktu. Ini seperti senter menyala setiap kali Anda mengatakan “gelap”. Mengenali frasa lain yang mengandung kata “gelap”.

Bagaimana Cara Kerja Deep learning?

Model Deep Learning dirancang untuk terus menganalisis data dalam struktur logis yang mirip dengan cara manusia menarik kesimpulan. Untuk melengkapi analisis ini, aplikasi deep learning menggunakan hierarki algoritma yang disebut jaringan saraf tiruan. Desain jaringan saraf tiruan terinspirasi oleh jaringan saraf biologis otak manusia, menyediakan sistem pembelajaran yang jauh lebih unggul daripada model Machine Learning standar. Sulit untuk memastikan bahwa model pembelajaran yang mendalam tidak menarik kesimpulan yang salah. Seperti halnya kasus AI, dibutuhkan banyak pelatihan untuk mendapatkan proses pembelajaran yang benar. Tetapi ketika berfungsi sebagaimana dimaksud, Deep Learning fungsional sering diterima sebagai keajaiban ilmiah yang oleh banyak orang dianggap sebagai tulang punggung kecerdasan buatan yang sebenarnya. Sebuah contoh yang kuat dari Deep Learning adalah Google AlphaGo. Google telah membuat program komputer dengan jaringan sarafnya sendiri untuk mempelajari permainan papan abstrak Go, yang diketahui membutuhkan kecerdasan dan intuisi yang tajam. Dengan bermain melawan pemain Go profesional, model Deep Learning AlphaGo belajar bermain di level yang belum pernah terlihat sebelumnya di AI (seperti yang dipersyaratkan oleh model Machine Learning standar) dan melakukannya tanpa memberi tahu mereka kapan harus melakukan gerakan tertentu.

Perbedaan Antara Machine Learning Dan Deep Learning

Dalam istilah praktis, Deep Learning hanyalah bagian dari Machine Learning. Faktanya, Deep Learning adalah Machine Learning dan bekerja dengan cara yang serupa (karenanya mengapa istilah tersebut terkadang dipertukarkan secara longgar). Tapi kemampuan mereka berbeda. Model Machine Learning dasar semakin meningkat untuk melakukan fungsi tertentu saat menerima data baru, tetapi masih memerlukan intervensi manusia. Jika algoritma AI mengembalikan prediksi yang salah, insinyur harus turun tangan dan melakukan penyesuaian. Model Deep Learning tidak memerlukan bantuan manusia karena algoritme dapat menentukan apakah prediksi akurat melalui jaringan sarafnya sendiri. Mari kita kembali ke contoh senter. Itu dapat diprogram untuk menyala ketika mengenali sinyal suara dari seseorang yang mengucapkan kata “gelap”.

Baca Juga : 10 Fakta Learning Machine 2022

Saat Anda terus belajar, Anda akhirnya akan dapat melakukannya ketika Anda mendengar frasa yang mengandung kata tertentu. Namun, jika Anda memiliki model Deep Learning di senter Anda, Anda dapat mengetahui bahwa itu harus menyala dengan sinyal yang mengatakan “Saya tidak bisa melihat” atau “Sakelar lampu tidak berfungsi”. Mungkin dengan sensor cahaya. Model deep learning dapat belajar melalui metode teknologi komputasi mereka sendiri yang membuatnya seolah-olah memiliki otak sendiri. Untuk rekap, perbedaan utama antara Machine Learning dan Deep Learning adalah:

• Machine Learning menggunakan algoritme untuk mengurai data, belajar dari data itu, dan membuat keputusan berdasarkan informasi yang dipelajarinya.
• Deep Learning mengatur algoritme ke dalam lapisan untuk menciptakan “jaringan saraf tiruan” yang dapat belajar sendiri dan membuat keputusan cerdas.
• Deep Learning adalah bagian dari Machine Learning. Keduanya termasuk dalam kategori kecerdasan buatan yang luas, tetapi Deep Learning mendorong AI yang paling mirip manusia.

Learning Machine adalah bidang penting dari kecerdasan buatan dari slot hacker 2022. Teknologi ini sedang diadopsi di seluruh dunia oleh banyak perusahaan top. ML adalah tentang membuat algoritme dan sistem yang menganalisis proses dan belajar dari data. Ini adalah sains dan teknologi dasar yang memproses lebih banyak data dan memberikan hasil yang lebih baik. Setiap bisnis memiliki data yang perlu dianalisis, tetapi menangani sejumlah besar data secara manual akan menjadi tantangan. Jadi AI bergabung dengan penyelamatan dan ML cabang bekerja ke arah ini. Bisnis mendapat manfaat dari aplikasi. Tidak diragukan lagi, Learning Machine bermanfaat bagi semua orang, tetapi ada beberapa fakta yang perlu dipahami. Dalam artikel ini, Anda akan menemukan berbagai fakta ML yang harus diketahui oleh non-profesional.

Learning Machine Berarti Belajar Dari Data

Orang sering menganggap Learning Machine sebagai kecerdasan buatan, tetapi itu tidak valid. ML adalah bagian dari kecerdasan buatan yang belajar dari data dan memberikan hasil berdasarkan analitik. Anda dapat menggunakan hasil ini untuk menyelesaikan banyak masalah. Data diumpankan ke algoritme pembelajaran yang tepat untuk memberikan hasil yang tepat bagi pengguna. Jika Anda ingin menggunakan kata AI untuk Learning Machine, lakukanlah. Namun, orang dapat mengubah arti AI sesuai dengan kebutuhan mereka.

Anda Harus Menyimpan Model Learning Machine Yang Sederhana

Kami biasanya memikirkan pertanyaan seperti bagaimana Netflix merekomendasikan acara atau bagaimana Spotify merekomendasikan musik. Jawabannya adalah algoritma Learning Machine. ML melatih model yang dibuat dari pola dalam data. Jelajahi kemungkinan ruang model yang ditentukan oleh parameter. Namun, penting untuk diketahui bahwa Anda harus memulai dengan ruang parameter yang kecil, karena ruang parameter yang terlalu besar akan memenuhi data pelatihan. Penjelasan rinci membutuhkan lebih banyak perhitungan, tetapi modelnya harus sederhana. Namun, jika Anda memiliki banyak data, Anda dapat menggunakan model yang kompleks.

Komponen Kunci Dari Learning Machine Adalah Data

Learning Machine pada dasarnya adalah tentang algoritme dan data, tetapi data dipandang sebagai kunci kesuksesan. Kemajuan ML dan partisipasi pembelajaran mendalam telah menjadi topik hangat, tetapi ML tidak mungkin tanpa data. Anda dapat berhasil tanpa algoritme yang baik, tetapi Anda tidak akan mendapatkan hasil yang baik tanpa data yang cukup dan valid.

Hasil Learning Machine Bergantung Pada Data Yang Dimasukkan Untuk Pelatihan

Konsep Learning Machine didasarkan pada pelatihan data. Jadi, saat Anda memasukkan informasi berlabel tinggi, algoritme ML mendefinisikan pola dan membentuk model berdasarkan analisis. Hasilnya sepenuhnya tergantung pada kualitas data yang disediakan untuk algoritma. Misalnya, bayangkan Anda mengajari anak Anda mengucapkan apel, tetapi menunjukkan informasi yang berkaitan dengan nanas. Anak pasti akan memberikan hasil berdasarkan data yang salah. Oleh karena itu, dengan cara ini, algoritma ML harus dilatih dengan menyediakan data berlabel yang benar.

Representasi Data Yang Salah Memengaruhi Perilaku Learning Machine

Learning Machine tidak pernah memperingatkan konsekuensi dari distribusi data pelatihan yang sama. Nah, operasi ML tidak dijamin pada data yang dihasilkan oleh distribusi data pelatihan yang serupa. Harus diingat bahwa model perlu sering diperbarui dan menciptakan distorsi antara data pelatihan dan produksi.

Transformasi Data Adalah Bagian Tersulit Dalam Bekerja Dengan ML

Orang-orang memiliki kesalahpahaman umum bahwa M1 terbatas pada pemilihan dan penyetelan algoritme, tetapi itu tidak benar. Sebagian besar waktu dikhususkan untuk pembersihan data dan rekayasa fungsional. Itulah mengapa bisnis semakin tertarik pada ilmuwan data warga. Pembersihan data diperlukan untuk memastikan kualitas data.

Learning Machine Dan Pembelajaran Mendalam Bukanlah Keajaiban

Pembelajaran mendalam adalah fitur lanjutan dalam aplikasi Learning Machine. Ini juga mengotomatiskan beberapa tugas yang ada dan melakukan rekayasa fitur pada bagian data video atau audio. Namun, pembelajaran mendalam bukanlah keajaiban untuk semua tugas. IT bukanlah produk yang Anda keluarkan dari kotak dan gunakan sesuai dengan kebutuhan Anda. Keterampilan ini membutuhkan pembersihan data dan pekerjaan transformasi data.

Kesalahan Operator Dapat Memengaruhi Learning Machine

Kesalahpahaman terbesar tentang kegagalan Learning Machine adalah bahwa algoritma yang harus disalahkan. Namun, tidak akurat karena kesalahan operator atau data pelatihan yang salah dapat mengacaukan dan menyebabkan kesalahan sistem. Struktur disiplin harus diterapkan pada ML dan entri data.

Learning Machine Dapat Membuat Loop Bias Doom

Aplikasi ML sensitif, jadi ketika sistem Learning Machine bias terhadap model, itu dapat menghasilkan data pelatihan baru agar sesuai dengan bias ini. Dalam beberapa kasus, prasangka mempengaruhi kehidupan orang. Karena itu, Anda harus waspada terhadap ramalan yang terpenuhi dengan sendirinya dan hindari membuatnya.

Baca Juga : Seperti Apa Masa Depan Machine Learning WM Casino

Learning Machine Tidak Menghancurkan Umat Manusia

Kebanyakan orang membuat gambar AI di kepala mereka setelah menonton film fiksi ilmiah. Cari tahu bahaya teknologi ini bagi kemanusiaan. Kita tidak boleh menerima cerita film ini sebagai kenyataan. Mesin dapat belajar dari data, tetapi mereka tidak cukup pintar untuk secara sadar sadar seperti manusia. Misalnya, sebuah mobil tidak dapat mengubah konteks pengoperasiannya jika membawa orang yang sakit kritis. Jadi tidak ada kemungkinan mesin akan menguasai dunia ini sekarang.

Machine Learning (ML) wm casino sangat serbaguna dan kuat sehingga merupakan salah satu teknologi paling menarik di zaman kita. Amazon menggunakannya, Netflix menggunakannya, Facebook menggunakannya, dan daftarnya terus bertambah.

Tetapi, seperti semua teknologi hyped lainnya, ada banyak kesalahpahaman tentang pembelajaran mesin juga. Dalam artikel ini, kita akan membahas masa depan pembelajaran mesin dan nilainya di seluruh industri.

Pembelajaran mesin bekerja berdasarkan prinsip-prinsip algoritme komputer yang belajar secara refleks melalui percobaan dan pengalaman. ML adalah aplikasi Kecerdasan Buatan yang memungkinkan aplikasi program mengantisipasi hasil dengan sangat presisi. Itu membuat perbedaan untuk membuat program komputer dan untuk membantu komputer untuk menghafal tanpa campur tangan manusia.

Pembelajaran mesin memainkan peran penting di bidang perusahaan karena memungkinkan pengusaha memahami perilaku pelanggan dan perilaku fungsi bisnis. Saat ini perusahaan terkemuka seperti Google, Amazon, Facebook, Tesla, dan banyak lagi secara efisien memanfaatkan teknologi ini, sebagai hasilnya, pembelajaran mesin telah menjadi bagian operasional inti dari fungsi.

Masa depan pembelajaran mesin sangat menarik. Saat ini, hampir setiap domain umum didukung oleh aplikasi pembelajaran mesin. Untuk menyebutkan beberapa industri seperti itu – perawatan kesehatan, mesin pencari, pemasaran digital, dan pendidikan adalah penerima manfaat utama.

ML dapat diperebutkan oleh perusahaan atau organisasi karena tugas yang saat ini dilakukan secara manual akan sepenuhnya diselesaikan oleh mesin di masa mendatang. Machine Learning menjadi berkah terbesar AI bagi umat manusia untuk realisasi target yang efektif.

Bidang Computer Vision dan Natural Language Processing (NLP) membuat terobosan yang tidak dapat diprediksi oleh siapa pun. Kami melihat keduanya dalam hidup kami – pengenalan wajah di ponsel cerdas kami, perangkat lunak terjemahan bahasa, mobil yang dapat mengemudi sendiri, dan sebagainya. Apa yang tampaknya fiksi ilmiah menjadi kenyataan.

Dengan pembelajaran mesin yang begitu menonjol dalam kehidupan kita saat ini, sulit membayangkan masa depan tanpanya. Berikut prediksi kami untuk pengembangan machine learning pada tahun 2022 dan seterusnya.

Mendefinisikan Masa Depan Pembelajaran Mesin Menggunakan Komputasi Kuantum

Disiplin pembelajaran mesin memiliki potensi untuk diubah dan diinovasi oleh algoritma kuantum. Komputasi kuantum memungkinkan kinerja operasi multi-status simultan, memungkinkan pemrosesan data yang lebih cepat.

Pembelajaran mesin dengan Quantum dapat meningkatkan analisis data dan mendapatkan wawasan yang lebih mendalam. Peningkatan kinerja tersebut dapat membantu perusahaan dan bisnis untuk mendapatkan hasil yang lebih baik daripada melalui metode pembelajaran mesin yang lebih tradisional.

Sejauh ini, tidak ada model pembelajaran mesin kuantum yang siap secara komersial tersedia. Namun, perusahaan teknologi besar berinvestasi dalam teknologi ini, dan kebangkitan sistem pembelajaran mesin kuantum tidak terlalu jauh.

AutoML Untuk Memfasilitasi Proses Pengembangan Model End-To-End

AutoML atau Pembelajaran Mesin Otomatis mengotomatiskan proses penerapan algoritme pembelajaran mesin untuk menyelesaikan tugas-tugas kehidupan nyata. AutoML menyederhanakan proses untuk membantu bisnis menerapkan model dan teknik machine learning yang kompleks tanpa menjadi ahli dalam machine learning.

AutoML menggunakan audiens yang lebih luas untuk menggunakan machine learning, yang menunjukkan potensinya untuk mengubah lanskap teknologi. Misalnya, untuk menemukan algoritme yang dapat digunakan ilmuwan data dengan cepat atau apakah ada algoritme yang terlewatkan.

Berikut adalah beberapa tahap pengembangan dan penerapan model pembelajaran mesin yang dapat diotomatisasi oleh AutoML:

• Prapemrosesan Data – Dengan AutoML, prapemrosesan data meningkatkan kualitas data, membantu pembersihan data dengan mengubah data tidak terstruktur menjadi data terstruktur dan reduksi data, dll.
• Rekayasa Fitur – Penggunaan algoritme AutoML untuk membantu menciptakan fitur yang lebih mudah beradaptasi berdasarkan data masukan.
• Ekstraksi Fitur – AutoML menggunakan kumpulan data yang berbeda untuk menghasilkan fitur baru yang akan meningkatkan hasil dan mengurangi ukuran data.
• Pemilihan Fitur – AutoML dengan cerdas hanya memilih fitur atau set data yang berguna untuk diproses.
• Optimalisasi Hyperparameter dan Pemilihan Algoritme – AutoML secara otomatis memilih hyperparameter dan algoritme terbaik.
• Penerapan dan Pemantauan Model – AutoML menerapkan sistem berdasarkan kerangka kerja dan memantau kinerja sistem menggunakan dasbor.

Industri yang Harus Diwaspadai Gangguan Pembelajaran Mesin

Industri Farmasi dan Kesehatan. Pembelajaran mesin memiliki aplikasi yang hampir tak ada habisnya dalam industri perawatan kesehatan dan farmasi. Saat ini, industri perawatan kesehatan menghasilkan sejumlah besar data dan membantu merampingkan proses administrasi di rumah sakit, memetakan dan mengobati penyakit menular, serta mempersonalisasi perawatan medis. Menerapkan teknik pembelajaran mesin di industri perawatan kesehatan.

Baca juga : Mengenal Machine Learning Lebih Dalam

Kecerdasan Buatan (AI) ada di mana-mana. Kemungkinannya adalah Anda menggunakannya dalam satu atau lain cara dan Anda bahkan tidak mengetahuinya. Salah satu aplikasi AI yang populer adalah Machine Learning (ML), di mana komputer, perangkat lunak, dan perangkat bekerja melalui kognisi (sangat mirip dengan otak manusia). Di sini, kami mengutip dari situs http://139.99.93.175/ beberapa contoh pembelajaran mesin yang kami gunakan sehari-hari dan mungkin tidak tahu bahwa itu didorong oleh ML.

Berikut 5 Aplikasi Machine Learning dari Kehidupan Sehari-hari:

1. Asisten Pribadi Virtual

Siri, Alexa, Google Now adalah beberapa contoh asisten pribadi virtual yang populer. Seperti namanya, mereka membantu dalam mencari informasi, ketika ditanya melalui suara. Yang perlu Anda lakukan adalah mengaktifkannya dan bertanya “Apa jadwal saya hari ini?”, “Apa penerbangan dari Jerman ke London”, atau pertanyaan serupa. Untuk menjawab, asisten pribadi Anda mencari informasi, mengingat pertanyaan terkait, atau mengirim perintah ke sumber daya lain (seperti aplikasi telepon) untuk mengumpulkan info. Anda bahkan dapat menginstruksikan asisten untuk tugas-tugas tertentu seperti “Setel alarm untuk jam 6 pagi berikutnya”, “Ingatkan saya untuk mengunjungi Kantor Visa lusa”.

Pembelajaran mesin adalah bagian penting dari asisten pribadi ini karena mereka mengumpulkan dan menyaring informasi berdasarkan keterlibatan Anda sebelumnya dengan mereka. Kemudian, kumpulan data ini digunakan untuk memberikan hasil yang disesuaikan dengan preferensi Anda.

Asisten Virtual terintegrasi ke berbagai platform. Sebagai contoh:

• Pembicara Cerdas: Amazon Echo dan Google Home
• Smartphone: Samsung Bixby di Samsung S8
• Aplikasi Seluler: Google Allo

2. Prediksi saat Komuter

Prediksi Lalu Lintas : Kita semua pernah menggunakan layanan navigasi GPS. Saat kami melakukannya, lokasi dan kecepatan kami saat ini disimpan di server pusat untuk mengelola lalu lintas. Data ini kemudian digunakan untuk membuat peta lalu lintas saat ini. Meskipun hal ini membantu dalam mencegah lalu lintas dan melakukan analisis kemacetan, masalah mendasarnya adalah jumlah mobil yang dilengkapi dengan GPS lebih sedikit. Pembelajaran mesin dalam skenario seperti itu membantu memperkirakan wilayah di mana kemacetan dapat ditemukan berdasarkan pengalaman sehari-hari.

Jaringan Transportasi Online : Saat memesan taksi, aplikasi memperkirakan harga perjalanan. Saat berbagi layanan ini, bagaimana mereka meminimalkan jalan memutar? Jawabannya adalah pembelajaran mesin. Jeff Schneider, pimpinan teknik di Uber ATC mengungkapkan dalam sebuah wawancara bahwa mereka menggunakan ML untuk menentukan jam lonjakan harga dengan memprediksi permintaan pengendara. Di seluruh siklus layanan, ML memainkan peran utama.

3. Pengawasan Video

Bayangkan satu orang memantau beberapa kamera video! Tentu saja, pekerjaan yang sulit untuk dilakukan dan juga membosankan. Inilah sebabnya mengapa gagasan melatih komputer untuk melakukan pekerjaan ini masuk akal.

Sistem pengawasan video saat ini didukung oleh AI yang memungkinkan untuk mendeteksi kejahatan sebelum terjadi. Mereka melacak perilaku yang tidak biasa dari orang-orang seperti berdiri tak bergerak untuk waktu yang lama, tersandung, atau tidur siang di bangku, dll. Dengan demikian, sistem dapat memberikan peringatan kepada petugas manusia, yang pada akhirnya dapat membantu menghindari kecelakaan. Dan ketika kegiatan tersebut dilaporkan dan dianggap benar, mereka membantu meningkatkan layanan pengawasan. Ini terjadi dengan pembelajaran mesin yang melakukan tugasnya di backend.

4. Layanan Media Sosial

Dari mempersonalisasi umpan berita Anda hingga penargetan iklan yang lebih baik, platform media sosial memanfaatkan pembelajaran mesin untuk keuntungan mereka sendiri dan pengguna. Berikut adalah beberapa contoh yang harus Anda perhatikan, gunakan, dan sukai di akun media sosial Anda, tanpa menyadari bahwa fitur luar biasa ini tidak lain adalah aplikasi ML.

• Orang yang Mungkin Anda Kenal
• Pengenalan Wajah
• Pin (pinterest) yang Serupa

5.Penyaringan Email Spam dan Malware

Ada sejumlah pendekatan penyaringan spam yang digunakan klien email. Untuk memastikan bahwa filter spam ini terus diperbarui, filter tersebut didukung oleh pembelajaran mesin. Ketika penyaringan spam berbasis aturan dilakukan, ia gagal melacak trik terbaru yang diadopsi oleh spammer. Multi Layer Perceptron, C 4.5 Decision Tree Induction adalah beberapa teknik penyaringan spam yang didukung oleh ML.
Lebih dari 325.000 malwares terdeteksi setiap hari dan setiap potongan kode 90-98% mirip dengan versi sebelumnya. Program keamanan sistem yang didukung oleh pembelajaran mesin memahami pola pengkodean. Oleh karena itu, mereka mendeteksi malware baru dengan variasi 2–10% dengan mudah dan menawarkan perlindungan terhadapnya.

Lihat juga: Fakta Pembelajaran Mesin Yang Harus Diketahui.

Mengembangkan model AI atau ML bukanlah permainan anak-anak. Ini membutuhkan banyak pengetahuan dan keterampilan dengan pengalaman yang diperkaya untuk membuat model bekerja dengan sukses dalam berbagai skenario.

CogitoSelain itu, Anda memerlukan data pelatihan visi komputer berkualitas tinggi terutama untuk melatih model AI berbasis persepsi visual Anda. Tahap paling penting dalam pengembangan AI adalah memperoleh & mengumpulkan data pelatihan dan menggunakan data ini saat melatih model.

Kesalahan apa pun saat melatih model Anda tidak hanya akan membuat model Anda tampil tidak akurat, tetapi juga bisa menjadi bencana saat membuat keputusan bisnis yang penting, terutama di area tertentu seperti Perawatan Kesehatan atau Mobil Mengemudi Sendiri.

Saat melatih model AI, aktivitas multi-tahap dilakukan untuk memanfaatkan data pelatihan dengan cara terbaik, sehingga hasilnya memuaskan. Jadi, inilah 6 kesalahan umum yang perlu Anda pahami untuk memastikan model AI Anda berhasil.

#1 Menggunakan Data Tidak Terverifikasi dan Tidak Terstruktur

Penggunaan data yang tidak terverifikasi & tidak terstruktur adalah salah satu kesalahan paling umum yang dilakukan oleh para insinyur pembelajaran mesin dalam pengembangan AI. Data yang belum diverifikasi mungkin memiliki kesalahan seperti duplikasi, data yang bertentangan, kurangnya kategorisasi, konflik data, kesalahan dan masalah data lainnya yang dapat membuat anomali selama proses pelatihan.

Oleh karena itu, sebelum Anda menggunakan data untuk pelatihan machine learning Anda, periksa dengan cermat kumpulan data mentah Anda dan hilangkan data yang tidak diinginkan atau tidak relevan, sehingga membantu model AI Anda bekerja dengan akurasi yang lebih baik.

 #2 Menggunakan Data yang Sudah Digunakan untuk Menguji Model Anda

Seseorang agen slotdemo harus menghindari penggunaan kembali data yang telah digunakan untuk menguji model. Oleh karena itu, kesalahan seperti itu harus dihindari. Misalnya, jika seseorang telah mempelajari sesuatu dan telah menerapkan pengetahuan itu ke bidang pekerjaannya; menggunakan pembelajaran yang sama di bidang pekerjaan lain dapat menyebabkan seseorang menjadi bias dan berulang dalam menyimpulkan.

Demikian pula, dalam pembelajaran mesin, logika yang sama berlaku, AI dapat belajar dengan sebagian besar kumpulan data untuk memprediksi jawaban secara akurat. Menggunakan data pelatihan yang sama pada Model atau aplikasi berbasis AI dapat menyebabkan model menjadi bias dan memperoleh hasil yang merupakan hasil dari pembelajaran mereka sebelumnya. Oleh karena itu, saat menguji kemampuan model AI Anda, sangat penting untuk menguji menggunakan set data baru yang tidak digunakan sebelumnya untuk pelatihan pembelajaran mesin.

#3 Menggunakan Kumpulan Data Pelatihan yang Tidak Memadai

Untuk membuat model AI Anda berhasil, Anda perlu menggunakan data pelatihan yang tepat sehingga dapat memprediksi dengan tingkat akurasi tertinggi. Kurangnya data yang cukup untuk pelatihan adalah salah satu alasan utama di balik kegagalan model.

Namun, tergantung pada jenis model atau industri AI, bidang persyaratan data pelatihan bervariasi. Untuk pembelajaran mendalam, Anda memerlukan lebih banyak kumpulan data kuantitatif dan kualitatif untuk memastikannya dapat bekerja dengan presisi tinggi.

#4 Memastikan Model AI Anda Tidak Bias

Tidak mungkin mengembangkan model AI yang dapat memberikan hasil akurat seratus persen dalam berbagai skenario. Sama seperti manusia, mesin juga dapat menjadi bias karena berbagai faktor seperti usia, jenis kelamin, orientasi, dan tingkat pendapatan, dll., yang dapat memengaruhi hasil dengan satu atau lain cara. Oleh karena itu, Anda perlu meminimalkan ini dengan menggunakan analisis statistik untuk menemukan bagaimana setiap faktor pribadi memengaruhi data dan data pelatihan AI dalam proses.

#5 Mengandalkan Pembelajaran Model AI Secara Mandiri

Padahal, Anda membutuhkan ahli untuk melatih model AI Anda, menggunakan sejumlah besar set data pelatihan. Tetapi jika AI menggunakan proses pembelajaran mesin berulang yang perlu dipertimbangkan saat melatih model tersebut.

Di sini, sebagai insinyur pembelajaran mesin, Anda perlu memastikan bahwa model AI Anda belajar dengan strategi yang tepat. Untuk memastikannya, Anda harus sering memeriksa proses pelatihan AI dan hasilnya secara berkala untuk mendapatkan hasil terbaik.

Info lain : Mengapa Akuntan Harus Merangkul Pembelajaran Mesin

Namun, saat mengembangkan AI pemelajaran mesin, Anda harus terus bertanya pada diri sendiri pertanyaan penting seperti; apakah data Anda bersumber dari sumber terpercaya yang dapat dipercaya? Apakah AI Anda mencakup demografi yang luas dan apakah ada hal lain yang memengaruhi hasil?

Ketika bisnis menjadi semakin didorong oleh data, mengadopsi teknologi Artificial Intelligence dan Machine Learning bukanlah pilihan. Aplikasi mengumpulkan informasi, menganalisisnya, dan memperoleh wawasan yang memfasilitasi keputusan yang lebih baik untuk organisasi. Tidak mengherankan bahwa para profesional dengan keterampilan ini sangat dibutuhkan. Jika Anda berencana untuk memanfaatkan peluang, waktu terbaik untuk mempelajarinya adalah sekarang. Tetapi sebelum Anda menyelam lebih dalam ke lapangan, masuk akal untuk mengetahui apa itu teknologi. Mari kita jelaskan beberapa fakta menarik Machine Learning yang memberi Anda awal yang tepat di bidang karir ini.

Fakta #1- Data adalah dasar dari ML

Machine Learning adalah semua tentang data, karena mengumpulkan pola darinya dan memberikan hasil dengan menganalisisnya. Anda membangun aplikasi yang meneruskan data ke algoritme yang relevan. Algoritme bekerja untuk memberikan wawasan yang dapat ditindaklanjuti kepada pengguna bisnis. Tanpa informasi yang baik, bahkan algoritma ML yang paling canggih pun tidak dapat memberikan nilai. Jadi data adalah awal dan akhir.

Fakta #2- Model sederhana adalah yang terbaik

Jika kerumitan model ML membingungkan Anda, Anda tidak perlu khawatir. Anehnya, model paling sederhana adalah yang terbaik. Pembelajaran mesin melatih model dari pola data, menjelajahi ruang kemungkinan yang sesuai dengan parameter. Ketika ruang parameter terlalu besar, Anda mungkin akan berakhir dengan overfitting model Anda di atas data. Idealnya, tetap berpegang pada parameter yang lebih sedikit demi kesederhanaan.

Fakta #3- Keahlian dalam ML membutuhkan kerja keras

Mempelajari keterampilan membutuhkan kerja keras, latihan, dan kesabaran tanpa henti. Tidak ada buku, kursus, atau tutorial dari agen yang memberikan pemahaman yang lebih baik daripada bermain dengan data dan konsep. Anda perlu memvisualisasikannya dan menggali lebih dalam untuk mengidentifikasi model terbaik. Pengetahuan mendalam tentang probabilitas membantu. Misalnya, Anda dapat mempelajari konsep interval Keyakinan yang dijelaskan oleh programmatically.com untuk memperkirakan kinerja algoritme. Ini dapat membantu Anda memilih yang tepat untuk menganalisis data Anda untuk mendapatkan wawasan yang paling andal.

Fakta #4- Melatih banyak model membuat Anda siap untuk sukses

Sebagai pemula, mudah untuk memiliki satu model favorit dan mengandalkannya. Tapi pendekatan itu bisa mengekang pembangunan. Lebih baik membandingkan kinerja model yang berbeda dan memutuskan yang paling cocok untuk tugas tersebut. Anda bahkan dapat menggabungkan model berkinerja terbaik untuk tugas tertentu untuk mencapai hasil yang lebih baik. Sedikit usaha ekstra dapat membantu Anda membuat model kontekstual yang bekerja untuk masalah tertentu.

Fakta #5- Transformasi data adalah bagian tersulit

Ketika Anda baru mulai dengan pembelajaran mesin, Anda mungkin akan percaya bahwa ini terutama tentang memilih dan menyetel algoritme. Tetapi tugas sebenarnya adalah transformasi data, karena Anda harus menginvestasikan banyak usaha dan waktu untuk pembersihan data dan rekayasa fitur. Ini memerlukan mengubah angka mentah menjadi set terorganisir, yang selanjutnya digunakan untuk mengekstrak fitur yang mewakili pola. Ini memastikan kualitas dalam data Anda dan membuatnya dapat digunakan untuk model.

Info lainnya : Hal Berguna Untuk Diketahui Tentang Machine Learning

Fakta #6 Pembelajaran mesin Hanya Bekerja Jika Data Pelatihan Aanda Perwakilan

Sama seperti prospektus dana yang memperingatkan bahwa “kinerja masa lalu bukan jaminan hasil di masa depan”, pembelajaran mesin harus memperingatkan bahwa itu hanya dijamin berfungsi untuk data yang dihasilkan oleh distribusi yang sama yang menghasilkan data pelatihannya. Waspadai perbedaan antara data pelatihan dan data produksi, dan latih ulang model Anda sesering mungkin agar tidak menjadi usang.

Sekarang setelah Anda mengetahui fakta-fakta tentang pembelajaran mesin ini, perjalanan Anda sebagai pemula akan sedikit lebih mudah. Terakhir, Anda harus melihat teknologi ini sebagai inovasi daripada peluru ajaib. Aplikasi memberikan, tetapi hanya jika Anda bekerja lebih keras dengan kualitas data.

Saat ini ada banyak ketakutan dan hype seputar Artificial intelligence (AI) dan dampaknya pada akuntan agen maxbet terpercaya. Dalam Siklus Hype of Artificial Intelligence Gartner, sebagian besar aplikasi AI naik dan mencapai Puncak Ekspektasi yang Melambung — artinya ekspektasi tinggi dan banyak teknologi sudah gagal memenuhi ekspektasi tersebut. Namun ini tidak berarti AI akan menghilang. Artinya, kami mulai mendorong kehebohan dan mencari tahu aplikasi realistis untuk AI — beberapa di antaranya akan berguna bagi akuntan dan banyak di antaranya akan dimanfaatkan oleh organisasi yang kami layani.

Spektrum Kecerdasan Buatan

Bagian dari tantangan dengan teknologi yang sedang berkembang adalah seringnya ada definisi yang tidak jelas tentang apa itu teknologi, dan apa yang bukan. Saat departemen pemasaran vendor berusaha memanfaatkan hype untuk mendorong penjualan, mereka sering kali mulai mengacu pada kata kunci teknologi dalam arti yang longgar dan menyebabkan definisi yang semakin kabur.

Untuk membantu mengatur dengan tepat tahap analisis implikasi AI pada akuntan, saya akan menggunakan kategori teknologi AI yang luas dari:

> Pembelajaran mesin: kemampuan komputer untuk mengenali dan menerapkan pola, mendapatkan algoritme sendiri berdasarkan pola tersebut, dan menyempurnakan algoritme tersebut berdasarkan umpan balik.

> Pembelajaran mendalam: kemampuan komputer untuk mengidentifikasi hubungan dan asosiasi, dan menerapkannya dalam keadaan yang serupa (sebagian inilah yang dilakukan otak kita).

> Penalaran mesin: kemampuan komputer untuk menerapkan “pemahaman” -nya atas data, hubungan, aturan, dll., Untuk “berpikir” melalui implikasi dari sekumpulan informasi tertentu dan memberikan beberapa analisis atau interpretasi.

> Pemrosesan bahasa alami: kemampuan komputer untuk “memahami” ucapan manusia.

> Visi komputer: kemampuan komputer untuk “melihat” gambar dan “mengenali” orang, benda, aktivitas, dan keadaan (misalnya bahagia, sedih, bergerak, dll.) Dalam gambar tersebut.

Dari kategori ini, pembelajaran mesin memiliki aplikasi yang tersedia terluas dan fungsinya dapat sangat melengkapi fakultas akuntan, jadi artikel ini akan berfokus pada pembelajaran mesin.

Anda Sudah Mengalami Machine Learning

Pembelajaran mesin bagus dalam “penalaran induktif” —di mana berdasarkan kumpulan titik data atau contoh yang ada, komputer dapat mengetahui “aturan” untuk menentukan hasil. Ambil langkah mundur ke kelas statistik Anda di universitas dan Anda mungkin ingat teknik seperti regresi linier, pengukuran korelasi, dan keandalan berbagai titik data. Pada tingkat yang paling dasar, ini adalah jenis analisis yang diterapkan algoritme pembelajaran mesin untuk memprediksi hasil. Dengan kekuatan komputasi komputer di belakangnya, pembelajaran mesin dapat memproses ribuan titik data tentang sekumpulan situasi tertentu untuk mencari tahu mana yang relevan, dan mana yang tidak, dan kemudian menerapkan aturan yang disimpulkan ke kumpulan data serupa lainnya untuk memprediksi hasil.

Saran Amazon, Kindle, dan Netflix untuk pengguna adalah contoh yang bagus untuk ini. Netflix dapat menggunakan peringkat Anda untuk acara lain di pustaka dan poin datanya, seperti genre, sutradara, aktor, dll., Untuk memprediksi apakah Anda akan menyukai acara lain. Kindle melakukan hal serupa untuk buku. Amazon menggunakan tampilan produk, riwayat pembelian pembeli lain, dan item gratis kepada yang ada di keranjang Anda untuk menyarankan produk tambahan yang mungkin Anda sukai. Disadari atau tidak, Anda sudah menerapkan pembelajaran mesin untuk mencoba dan memprediksi apa yang mungkin Anda sukai.

Dampak Data Bias pada Penalaran Induktif

Karena penalaran induktif “belajar” dari kumpulan data yang ada, penting untuk memahami apakah kumpulan data yang digunakan untuk “mengajarkan” algoritme pembelajaran mesin memiliki bias yang melekat. Contoh sederhananya adalah jika Anda hanya menonton film horor di Netflix dan menilai semuanya tinggi, dan Anda juga menonton film anggaran rendah lainnya di Netflix karena Anda tidak bisa mendapatkannya di platform lain, Netflix mungkin akan memprediksi bahwa Anda hanya menyukai film horor dan anggaran rendah. Netflix tidak tahu bahwa Anda sebenarnya menyukai berbagai macam film — hanya saja Netflix tidak memiliki akses ke data tersebut.

Info lainnya : Jenis Pembelajaran Mesin

Seperti yang Anda lihat, ada potensi dampak positif dan negatif dari data yang bias. Jika data bias mewakili hasil yang Anda inginkan, maka menggunakan semua poin data dari data bias tersebut adalah dampak positif. Di sisi lain, jika data bias tersebut menyebabkan machine learning memberikan analisis yang akan menghasilkan dampak negatif, pengamanan yang tepat harus diterapkan untuk mencegah atau mendeteksi dampak negatif. Atau diungkapkan dengan cara yang lebih familiar: kita harus memastikan bahwa kontrol internal diterapkan untuk mengelola risiko yang terkait dengan dampak negatif dari penerapan pembelajaran mesin.

Algoritme pembelajaran mesin dapat mengetahui cara melakukan tugas penting dengan menggeneralisasi dari contoh. Ini sering kali layak dan hemat biaya jika pemrograman manual tidak. Dengan semakin banyaknya data yang tersedia, masalah yang lebih ambisius dapat ditangani. Hasilnya, pembelajaran mesin banyak digunakan di bidang komputer dan bidang lainnya. Namun, mengembangkan aplikasi pembelajaran mesin yang sukses membutuhkan sejumlah besar “seni hitam” yang sulit ditemukan di buku teks.

Baru-baru ini saya membaca makalah teknis yang luar biasa oleh Profesor Pedro Domingos dari Universitas Washington berjudul “Beberapa Hal Berguna untuk Diketahui tentang Pembelajaran Mesin.” Artikel ini merangkum 12 pelajaran utama yang telah dipelajari oleh peneliti dan praktisi machine learning termasuk kendala yang harus dihindari, masalah penting untuk difokuskan, dan jawaban atas pertanyaan umum. Saya ingin membagikan pelajaran ini di artikel ini karena sangat berguna saat memikirkan cara mengatasi masalah machine learning Anda berikutnya.

1 – Pembelajaran = Representasi + Evaluasi + Optimasi

Semua algoritme pembelajaran mesin umumnya terdiri dari kombinasi hanya 3 komponen:

Representasi: Pengklasifikasi harus direpresentasikan dalam beberapa bahasa formal yang dapat ditangani komputer. Sebaliknya, memilih representasi untuk pelajar sama saja dengan memilih himpunan pengklasifikasi yang mungkin dapat dipelajari. Himpunan ini disebut ruang hipotesis pelajar. Jika pengklasifikasi tidak berada dalam ruang hipotesis, pengklasifikasi tidak dapat dipelajari. Pertanyaan terkait adalah bagaimana merepresentasikan input, yaitu fitur apa yang digunakan.

Evaluasi: Fungsi evaluasi diperlukan untuk membedakan pengklasifikasi yang baik dari yang buruk. Fungsi evaluasi yang digunakan secara internal oleh algoritme mungkin berbeda dari yang eksternal yang kita inginkan agar pengklasifikasi dioptimalkan, untuk kemudahan pengoptimalan dan karena masalah yang dibahas di bagian selanjutnya.

Optimasi: Akhirnya, kita membutuhkan metode untuk mencari di antara pengklasifikasi dalam bahasa tersebut untuk mendapatkan skor tertinggi. Pilihan teknik pengoptimalan adalah kunci efisiensi pelajar, dan juga membantu menentukan pengklasifikasi yang dihasilkan jika fungsi evaluasi memiliki lebih dari satu optimal. Merupakan hal yang umum bagi pelajar baru untuk mulai menggunakan pengoptimal siap pakai, yang kemudian diganti dengan yang dirancang khusus.

2 – Generalisasi yang Penting

Sasaran dasar machine learning adalah untuk menggeneralisasi di luar contoh dalam set pelatihan. Ini karena, tidak peduli berapa banyak data yang kita miliki, sangat kecil kemungkinannya kita akan melihat contoh persisnya lagi pada waktu pengujian. Berkinerja baik di set pelatihan itu mudah. Kesalahan paling umum di antara pemula machine learning adalah menguji data pelatihan dan mendapatkan ilusi kesuksesan. Jika pengklasifikasi yang dipilih kemudian diuji pada data baru, seringkali tidak lebih baik daripada menebak secara acak. Jadi, jika Anda mempekerjakan seseorang untuk membuat pengklasifikasi, pastikan untuk menyimpan sebagian datanya untuk Anda sendiri dan menguji pengklasifikasi yang mereka berikan kepada Anda. Sebaliknya, jika Anda telah dipekerjakan untuk membuat pengklasifikasi, sisihkan beberapa data dari awal, dan gunakan hanya untuk menguji pengklasifikasi yang Anda pilih di akhir, diikuti dengan mempelajari pengklasifikasi akhir Anda pada keseluruhan data.

3 – Data Saja Tidak Cukup

Generalisasi menjadi tujuan memiliki konsekuensi besar lainnya: data saja tidak cukup, tidak peduli berapa banyak yang Anda miliki.
Ini sepertinya berita yang agak menyedihkan. Lalu bagaimana kita bisa berharap untuk mempelajari sesuatu? Untungnya, fungsi yang ingin kita pelajari di dunia nyata tidak diambil secara seragam dari himpunan semua fungsi yang memungkinkan secara matematis! Faktanya, asumsi yang sangat umum – seperti kelancaran, contoh serupa yang memiliki kelas serupa, dependensi terbatas, atau kompleksitas terbatas – sering kali cukup untuk dilakukan dengan sangat baik, dan inilah sebagian besar alasan mengapa machine learning begitu sukses. Seperti deduksi, induksi (apa yang dilakukan peserta didik) adalah pengungkit pengetahuan: ia mengubah sejumlah kecil pengetahuan masukan menjadi sejumlah besar pengetahuan keluaran. Induksi adalah pengungkit yang jauh lebih kuat daripada deduksi, membutuhkan lebih sedikit pengetahuan masukan untuk menghasilkan hasil yang berguna, tetapi masih membutuhkan lebih dari nol pengetahuan masukan untuk bekerja. Dan, seperti halnya tuas lainnya, semakin banyak kita memasukkan, semakin banyak kita bisa keluar.

Dalam retrospeksi, kebutuhan akan pengetahuan dalam pembelajaran seharusnya tidak mengherankan. Pembelajaran mesin bukanlah sihir; itu tidak bisa mendapatkan sesuatu dari ketiadaan. Apa yang dilakukannya adalah mendapatkan lebih banyak dengan lebih sedikit. Pemrograman, seperti semua teknik lainnya, membutuhkan banyak pekerjaan: kita harus membangun semuanya dari awal. Belajar selengkapnya disini seperti bertani, yang memungkinkan alam melakukan sebagian besar pekerjaan. Petani menggabungkan benih dengan nutrisi untuk bercocok tanam. Peserta didik menggabungkan pengetahuan dengan data untuk mengembangkan program.

Perkembangan teknologi menjadi lebih cepat dan lebih cepat. Mempelajari mesin adalah ilmu yang memainkan peran penting di dalamnya. Tanpa disadari, hampir semua orang menggunakan produk yang diproduksi oleh aplikasi pembelajaran mesin. Berikut adalah 10 manfaat dan contoh penerapan pembelajaran mesin dalam kehidupan sehari-hari.

1. Hasil Pencarian Mesin Pencari

Google dan mesin pencari lainnya seperti Bing dan Yandex selalu memiliki mesin yang diluncurkan untuk mengajarkan halaman peringkat di situs web. Setiap mesin pencari memiliki resep sendiri yang digunakan dalam algoritma pencarian. Dalam praktiknya, saat menulis kata kunci, Google menampilkan hasil pencarian yang lebih dekat dengan kata kunci tersebut. Jika kami memilih halaman dan menghabiskan banyak waktu di halaman ini, Google akan mendeteksi halaman ini sesuai dengan kata kunci yang dimasukkan. Begitu pula ketika kita melihat halaman pencarian selanjutnya, misalnya halaman 2, 3, dan sebagainya. Google mendeteksi perbedaan antara kata kunci dan hasil pencarian. Berikut adalah bagaimana data dikumpulkan dan dianalisis menggunakan pembelajaran mesin oleh mesin pencari Google untuk menghasilkan dan hasil kualitas penelitian yang dinamis.

2. Rekomendasi Pasar Produk

Kemajuan teknologi memanfaatkan permintaan pasar yang meningkat di kedua sisi penjual dan pembeli. Hampir semua orang menggunakan pasar, misalnya Tokopedia, Bukalapak dan Shopee. Setiap detik Anda bisa yakin bertransaksi antara pedagang dan pembeli. Untuk meningkatkan pengalaman pengguna, setiap akun harus memiliki rekomendasi produk yang konsisten dengan minat pembelian pembeli. Untuk melakukan ini secara otomatis dan secara real time, pembelajaran mesin, tentu menentukan keakuratan rekomendasi produk untuk setiap pembeli di akun Anda.

3. Pengalaman Pengguna Media Sosial

Tidak bisa dipungkiri, bahkan jika Anda tidak dapat meningkatkan mesin pencari sebagai situs paling populer. Media sosial adalah situs yang telah dikunjungi oleh pengguna berdasarkan data Alexa. Media sosial seperti Facebook dan Twitter menggunakan pembelajaran mesin sehingga pengguna merasa nyaman menonton gadget layar. Berikut ini beberapa peningkatan dalam pengalaman pengguna adalah aplikasi mesin pembelajaran.

A. Orang yang Anda kenal

Facebook mengumpulkan informasi pengguna, informasi umum seperti rumah, alamat sekolah, alamat kantor dan preferensi aktivitas yang direkam sebagai data suara, pesan, dan profil yang sering dilihat (menguntit). Jadi Anda bisa memprediksi teman-teman Anda yang mungkin sama di dunia nyata.

B. Pengenalan Wajah

Facebook dapat mengetahui bahwa gambar isi berisi wajah orang. Dengan demikian, pengguna dapat menandai wajah di area wajah gambar. Akhirnya, jumlah foto yang diunggah, pengguna Facebook akan mengenali wajah. Ini secara otomatis memungkinkan Facebook menghadapi orang-orang label dalam gambar yang diunggah baru.

C. Posting di beranda

Facebook akan mengumpulkan aktivitas setiap pengguna, yang sering diundang untuk mengkomunikasikan pesan yang sering kali merupakan kelompok bahagia, yang sering terlihat. Ini digunakan untuk menunjukkan prioritas pesan yang muncul di halaman beranda akun pengguna. Dengan demikian, peluang interaksi dengan pesan yang muncul lebih tinggi.

4. Konten diposting oleh iklan digital

Google AdWords adalah iklan media digital paling populer di dunia. AdWords menampilkan iklan berbagai situs yang menjadi penerbit Google Adsense. Iklan yang ditampilkan adalah iklan dinamis atau ubah. Google Adword mengumpulkan data di situs berdasarkan topik dan menampilkan iklan yang relevan dengan topik tersebut. Selain Google Adwords juga menggunakan cookies sebagai referensi bagi pengunjung ke situs web terkait situs web yang dikunjungi sebelumnya. Adwords adalah akumulasi dari dua faktor ini, sehingga iklan dapat ditampilkan oleh pengunjung ke situs