Pemetaan masalah

Raden Arum Setia Priadi

MASALAH PERTAMA

• Masalah pertama yang perlu dicarikan metode penelitian untuk menyelesaikannya adalah bagai mana tinjauan komprehensif data science dengan kata kunci big data, dataanalysis, data analytics terutama kaitannyadengan micro services architecture untuk data science dari banyak perguruan tinggi Indonesia yang sudah membangun TISC?

Metode penyelesaian

• Masa depan kekayaan intelektual→ big data gains traction→ Internet of Things→ para peneliti meningkat ke arah trade secrets untuk memproteksi pre-competitive laboratory work(hasil kerja laboratorium pra-kompetisi).

• Pengembangan revolusioner teknologi informasi dan ilmu kehidupan→ the [international] (micro service) architecture for data science and its governance.

Metode pertama yang dipakai

• Memahami sistem komputer sebagai bagian teknologi informasi yang menimbulkan tantangan utama tersebut. Terkait permintaan global meningkat untuk hak kekayaan intelektual, sekarang kekayaan tersebut menjadi lebih sentral ke knowledge economy, permintaan untuk hak tersebut berlanjut meningkat dan kelihatannya terus demikian.

• Sistem kekayaan intelektual sekarang sudah cocok untuk banyak keperluan, tetapi ada area di mana ia perlu menyesuaikan. Kecerdasan buatan (artificial intelligence, AI) dan the life sciences adalah dua area utama pengembangan ilmu pengetahuan dan teknologi yang akan meningkatkan tantangan penting untuk kekayaan intelektual yaitu area kebijakan terkait multi-dimensional nature.

• AI meningkatkan isu-isu teknologi dan ekonomi(pengetahuan) berjangkau dari insentif produksi sistem AI (tersebut) yang berguna bagi pergeseran tenaga kerja.

• Isu etika dan tata kelola yang tak dapat dicegah akan terbit dari aplikasi teknologi informasi dalam life science. Kita perlu berfikir hati-hati tentang teknologi yang terlibat untuk sistem kekayaan intelektual dan administrasinya.

• WIPO meluncurkan seri teknologi Trends, yang melacakperkembangan teknologi melalui analisis data padakegiatan inovasi. Laporan pertama, yang diluncurkanpada bulan Januari 2019, meneliti trend paten global di bidang kecerdasan buatan (AI). Ini membandingkanaktivitas paten dengan publikasi ilmiah; mengidentifikasi pemain Top dari industri danakademisi di berbagai teknologi dan bidang aplikasi; menyoroti distribusi geografis perlindungan paten AI; dan meneliti kebijakan AI yang ada dan prospek masadepan. Analisis, yang didasarkan pada paten dan data ilmiah, dilengkapi dengan informasi bisnis sertakontribusi dari para ahli AI terkemuka.

Key findings

• Patent families→ tumbuh dramatis sejak 2013, denganperusahaan U.S. dan Asia memimpin.

• AI techniques→Machine learning, teknik AI paling populer; teknik tumbuh paling cepat yaitu deep learning.

• AI applications→ Daerah aplikasi AI tumbuh paling cepatyaitu: 1) AI for robotics; 2) control methods to manage the behavior of devices.

• AI in industrial sectors → Industri paling dominan, terlihattumbuh paling cepat dalam paten AI yaitu transportasi.

• Featured – PATENTSCOPE Artificial Intelligence Index• Expert views on AI: 1) Impact of AI and Business Concerns;

2) From Discovery to Implementation; 3) The Interplay Between Privacy, Machine Learning and AI.

Metode kedua yang digunakan

• The establishment of multi-stakeholderplatforms and other partnerships. Such opportunities will only expand misalnya tantangan kebijakan terkait globalisasi dan akselerasi pacuan perubahan teknologi mengantisipasi tantangan sistem yang berelasi ke prinsip fundamental transparansi sistem kekayaan intelektual yang dibangun.

• Transparansi selalu menjadi corner-stonesistem kekayaan intelektual. Tetapi kecenderungan privatisasi fungsi yang secara tradisional ditangani sektor publik dan kebangkitan teknologi baru seperti blockchain, menyediakan secure means of record keeping yang dapat diharapkan untuk lebih jauh mengaburkan jalur di antara atmosfer publik dan privat.

Metode ketiga yang dipakai

• Terkait teknologi blockchain, yang akan meningkatkan efisiensi dan keamanan sistem kekayaan intelektual yang fungsi tradisionalnya memelihara rekaman publik HAKI yang berelasi ke pengetahuan, teknologi, dan kerja-kerja budaya.

• Hal ini lebih bermakna teknologi privat dari pada registrasi publik. Banyak eksperimen dilakukan dengan blockchain dalam the copyright sphere, diaplikasikan dalam semua lisensi kekayaan intelektual. Kita perlu peduli bahwa dengan teknologi blockchain, sektor privat akan menjadi ancillary record keeper.

• Yang perlu dipertimbangkan apakah dampak pada transparansi pasar untuk knowledge goods? Akankah penggunaan teknologi ini memacu efisiensi pasar? Apakah ia memperbaiki sistem manajemen hak kekayaan intelektual? Semua potensi besar itu akan diteliti dalam disertasi yang diusulkan proposalnya ini terkait dengan beberapa perguruan tinggi Indonesia yang sudah membangun WIPO TISC.

• Sekarang, big data menguatkan traksi. Kita bergerak ke arah Internet of Things, sejumlah besar data dibangkitkan. Major online platforms seperti Facebook dan Youtube sedang mengreasi vast quantities of valuable data dari aktivitas mereka. Hal ini memberi mereka kesempatan memegang data tersimpan, peluang ekonomi signifikan.

• Pertanyaan-pertanyaan ini juga menyentuh privasi dan isu-isu keamanan. Semua pertanyaan ini akan diteliti jawabannya termasuk untuk perihal berikut. Siapa yang memiliki data personal atau data yang dibangkitkan oleh kehadiran seseorang? Akan diteliti redefinisi kepemilikan dalam relasi ke data ini, serta hak dan obligasi yang menyerang ke mereka.

• Ada Strategi ICT dan Kecerdasan Buatan untuk IPOS (Intellectual Property Offices) mengadministrasi kekayaan intelektual, sesuai dokumen WIPO no. WIPO /IP /IT AI /18 /2, original: English, date: February 8, 2018. Dipilihkan apa yang ditulis delegasi Singapura sebagai berikut. Solusi bisnis yang potensial dapat mengadopsi AI adalah: 1) Image Search for Trademarks; 2) Trade Marks Class Recommendation Tool; 3) Trade Marks Distinctiveness Checker; 4) Trade Marks Outcome Simulator (Trade Marks Image Search + Class Recommendation Tool + Distinctiveness Checker); 5) Patents auto checker; 6) Patents autoclassification tool; 7) Image Search for Designs.

Metode keempat yang digunakan

• menganalisis Strategi ICT dan AI dari semua negara yang dirangkum dalam dokumen tersebut. Selanjutnya dikonfirmasi dengan banyak perguruan tinggi Indonesia ber-TISC, bagai mana kemungkin terhadap semua strategi itu?→ SURVEI.

• Kemungkinan strategi ini bisa dikonfirmasi dalam pertemuan Intellectual Property Offices (IPOs) seperti ASKII pada ICT Strategies dan Artificial Intelligenceuntuk administrasi kekayaan intelektual sebagai prioritas agenda TISC pada perguruan tinggi Indonesia.

MASALAH KEDUA

• Bagai mana instalasi development tools and services-nya? Bagai mana memetakan paten dan publikasi riset terkait? Bagai mana sustainable development knowledge platformyang cocok? Ada keterkaitan dengan keempat metode di atas yang telah digunakan dengan responden stake holder dari 17 perguruan tinggi penerap TISC.

• Ada empat tahapan yang dilibatkan dalam penyiapan dan menjalankan TISC secara sukses yaitu: 1) Project planning; 2) Project initiation; 3) Resources development; 4) Service provision.

• Karya disertasi dibuat untuk mengungkap pengembangan micro services untuk data science terkait semua tahapan itu untuk skala Indonesia.

NOVELTY dari disertasi ini adalah

• boosting method (standar teknis dan tool box pada aspek micro services, data mining) yang diusulkan untuk meningkatkan reliabilitas Kantor HAKI dalam mengimplementasi TISC dalam empat tahap dengan validasi respons empat stake holder. Hal itu didukungpengembangan micro services untuk data science yang bisa dimanfaatkan oleh banyaksentra kekayaan intelektual.

INFO TAMBAHAN

Data Science? > Data Mining?

• Data mining mengharuskan tersedianya data yang akan digali dan dicari informasi-informasitersembunyi yang bermanfaat bagi pengambilkeputusan. Konsepnya bisa diurai sebagai berikut: (Widodo, Handayanto and Herlawati 2013)

• Manfaat dan proses-prosesnya.• Jenis permasalahan dimulai dari: a. Klasifikasi, b.

Cluster analysis, c. Pencarian hukum asosiasi, c. Sequential pattern discovery, d. Regresi, e. Deviation /anomaly detection.

• Pemodelan, aplikasi, dan terminology.

• Data mining merupakan bidang yang sangat luaspenerapannya. Untuk penelitian ini materi-materidari buku referensi dikompilasi sesuaiperkembangan yang cenderung mengarah ke softcomputing system. Data mining menurut David Hand, Heikki Mannila, dan Padhraic Smyth (MIT) adalah analisis terhadap data (biasanyaberukuran besar) untuk menemukan hubunganyang jelas, serta menyimpulkan yang belumdiketahui sebelumnya dengan cara dipahami danberguna bagi pemilik data tersebut (Larose, 2006).

• Salah satu jenis algoritme yang banyakdikembangkan, dapat dilihat pada jurnalnasional mau pun internasional adalah softcomputing. Algoritme ini mampu mengatasiberbagai halangan yang sering dijumpai pada jenis algoritme konvensional yaitu hard computing. Halangan itu antara lain: kuranglengkapnya data, ketidakpastian, dansejenisnya.

PERBANDINGAN

• Material analisis dan yang terkait antara lain: 1) Cluster analysis, 2) Association rule discovery, 3) Sequential pattern discovery, 4) Regresi, 5) Deviation /anomaly detection.

• Algoritme-algoritme berikutnya adalah: 6) Jaringan Syaraf Tiruan[JST], 7) Algoritme Genetik, 8) Fuzzy C-Means, 9) Support Vector Machine [SVM], dan lain-lain.

• Data mining sudah ada sejak lama dan teori-teorinya antara lain: 1) Naïve-Bayes dan Nearest Neighbour, 2) Pohon Keputusan, 3) Aturan Asosiasi, 4) k-Means Clustering, dan 5) Text Mining.

• Metode-metode /model-model telah dikembangkan oleh perisetuntuk menyelesaikan kasus klasifikasi. Hal itu antara lain (Sumathi, 2006): Pohon Keputusan, Pengklasifikasi Bayes /Naïve Bayes, jaringan Syaraf Tiruan, Analisis Statistik, Algoritme Genetik, Rough Sets, Pengklasifikasi k-Nearest Neighbour, Metode BerbasisAturan.

Secara skematis Gorunescu (2011) membagi langkahdata mining process dalam tiga aktivitas sbb:

• Eksplorasi data, terdiri atas aktivitas pembersihan data, transformasi data, pengurangan dimensi, pemilihanciri, dll;

• Membuat model dan pengujian validitas model, merupakan pemilihan terhadap model yang sudahdikembangkan yang cocok dengan kasus yang dihadapi;

• Penerapan model dengan data baru untukmenghasilkan perkiraan dari kasus yang ada. Tahap inimenentukan apakah model yang telah dibangun dapatmenjawab permasalahan yang dihadapi.

Data mining application menyelesaikan permasalahan denganmembangun model berdasarkan data yang sudah digali untuk

diterapkan terhadap data yang lain. Tipologi aplikasinya adalah:

• Metode prediksi, memprediksi nilai yang akan datang berdasarkan data yang telahada variabelnya seperti klasifikasi, regresi, detikasi anomaly, dll;

• Metode deskriptif, membantu pemakaiagar mudah melihat pola yang berasaldari data yang ada.

Komponen utama proses klasifikasiantara lain:

• KELAS

• PREDIKTOR

• SET DATA PELATIHAN

• SET DATA UJI

Dalam machine learning, dikenalistilah-istilah sbb:

• Supervised learning → pembelajaranterpandu memiliki kesamaan dengan metodeprediksi, yang memprediksi keluaran darimasukan tertentu;

• Un-supervised learning → pembelajaran takterpandu identic dengan metode deskriptif, yang mengelompokkan (sesuatu) dalam pola-pola tertentu.

Untuk menentukan suatu MODEL baik atau buruk, diperlukan elemen-elemen kunci antara lain:

• Akurasi prediksi

• Kecepatan

• Robustness

• Skalabilitas

• Interpretability

• Kesederhanaan

PEMODELAN DATA MINING

• Pemodelan adalah penggunaan prinsip atauteknik tertentu dalam suatu rancangansystem. Kian kompleksnya masalah-masalahyang dijumpai membuat proses pemodelanmenjadi makin kompleks juga. Oleh karena itudiperlukan pengetahuan yang juga spesifikdan mendetail.

• Misalnya penerapan data mining untukpenjualan, perancang perlu memahami hal-halyang berkaitan dengan penjualan, mulai dariaspek internal hingga perekonomian global yang mungkin saja berpengaruh terhadap pengolahandata yang terjadi.

• Fokus: penerapan data mining untuk penjualanlisensi kekayaan intelektual untuk periodeminimal satu tahun, maksimal 5 tahun, bisadiperpanjang.

Sebagai bahan pertimbangan, Gounescu (2011) menyarankan tahapan pemodelan sebagai berikut:

• IDENTIFIKASI

• PENCOCOKAN dan ESTIMASI

• PENGUJIAN

• PENERAPAN PRAKTIS

• ITERASI

Setiap pembuat system berbasis data mining sebaiknya memperolehsebanyak mungkin informasi tentang bidang yang akan dibuatkan data

mining. Informasi yang perlu diketahui antara lain:

• VARIABEL

• DATA

• KESALAHAN dan VARIASI

• KEBERAGAMAN MODEL

• PARAMETER

• PENENTUAN PENERAPAN SISTEM DI LAPANGAN

What are microservices?

• Microservice architecture pattern language adalah koleksi pola-pola untuk mengaplikasiarsitektur microservices.

• Dua tujuan yang dicapai adalah: 1) pattern language memungkinkan anda untukmemutuskan micro-services yang mana, yang cocok untuk aplikasi anda; 2) pattern language memungkinkan anda sukses menggunakanmicroservice architecture.

Menurut Wikipedia

• Microservices adalah teknik pengembanganperanti lunak – suatu varian gaya arsitekturservice-oriented architecture (SOA) yang men-struktur-kan suatu aplikasi sebagai koleksiloosely coupled services.

• Dalam microservices architecture, layanan(services) adalah fine-grained dan protocolsadalah lightweight → data science?

Keuntungan Dekomposisisuatu Aplikasi

• Menuju different smaller services adalah diamemperbaiki modularitas. Hal ini membuataplikasi lebih mudah dimengerti, dikembangkan, diuji, dan menjadi lebih tahan terhadaparchitecture erosion.

• Hal ini memparalelkan pengembangan denganmenghidupkan small autonomous teams untukmengembangkan, deploy, dan men-skala-kanrespective services mereka secara bebas.

WIPO Launches the eTISC Platform

• Program TISC WIPO didesain memfasilitasiberbagi pengetahuan dan membantu inovatormengembangkan negeri, mengakses danmenggunakan teknologi informasi untuk inovasi.

• eTISC knowledge management platformmenyediakan peralatan media sosial untukmendorong pertukaran informasi, pengalaman, dan praktik terbaik di antara partisipan TISC; sebaik ada layanan baru untuk mendukungpengembangan TISC sedunia, termasuk modul e-learning dan webinars.

Free Microservice Framework | Designed for Web & Mobile Dev

• Meng-kreasi dan hosting micro-services dalambeberapa menit untuk gratis dalam cloud. Mengatur dan mengamankan OpenAPImenggunakan JWT tanpa coding.

• Registrasi online, Melihat harga, Memilihrencana, Meminta Live Demo, Tipe: Free Plan, Premium Plan, Business Plan.

Microsoft Azure Start For Free | Microservice Architecture

• Reliably Scale and Orchestrate Containers and Microservices, Run Anywhere. Try Popular Products Free. Start with a Free Credit. Build Your Next Idea. 25+ Products Always Free. Learn by Doing. Types: Networking, Developer Tools, Data + Analytics, Cloud Computing.

• Azure Pricing Calculator, Start Your Free Account, Azure for Open Source, What is Azure?, Virtual Machines - A$0.00, - Start a Free Account.

Posisi beberapa workflow penting

Sumber:

Pelengkap uraian swimlane, workflow