Pembelajaran mesin adalah jenis teknologi yang semakin banyak diterapkan dalam berbagai sistem, produk, dan layanan belakangan ini. Memang, frasa itu sendiri pertama kali didefinisikan oleh ilmuwan komputer Arthur Samuel pada tahun 1959. Dia menggambarkan pembelajaran mesin sebagai cabang ilmu komputer yang memperhatikan bagaimana mesin memecahkan masalah tanpa secara eksplisit diprogram untuk melakukannya: kemampuan yang secara fundamental berbeda dari mesin yang memiliki telah diprogram sebelumnya dengan serangkaian fungsi tertentu.
Pembelajaran mesin pada dasarnya ditentukan oleh analisisnya terhadap kumpulan besar data, dan kemampuannya untuk menarik kesimpulan yang berguna darinya. Kesimpulan ini digunakan untuk kemudian menyelesaikan tugas dengan cara yang paling efektif dan dinamis, terutama melalui penggunaan penalaran nonlinier (Jenis penalaran yang sama yang digunakan oleh manusia).
Pembelajaran mesin pada dasarnya adalah bentuk penalaran yang memberi sistem komputer kemampuan untuk menarik kesimpulan secara logis berdasarkan data yang diberikan padanya. Ini adalah konsep yang luas, dan tidak diterapkan pada satu disiplin ilmu; melainkan mencakup berbagai aspek komputasi, seperti Pemrosesan Bahasa, yang berarti kemampuan sistem untuk memahami dan menafsirkan seluk-beluk yang lebih dalam dan ‘konteks’ yang tersirat dalam bahasa manusia. Selain itu, jenis ‘Pembelajaran Mendalam’ ini terutama bertujuan untuk memungkinkan sistem mesin meniru gaya berpikir otak manusia menggunakan jaringan saraf tiruan.
Sistem semacam itu memiliki algoritme yang pada dasarnya berfungsi sebagai neuron, bekerja sama dalam memahami fitur dan pola dalam kumpulan data. Tidak seperti sistem berbasis mesin lainnya yang dirancang untuk menyelesaikan tugas-tugas tertentu, pembelajaran mendalam mensyaratkan bahwa mesin diprogram dengan serangkaian kemampuan yang lebih kompleks terkait dengan mempelajari dan mengklasifikasikan data.
Memang, pembelajaran mesin, khususnya pembelajaran mendalam, cocok untuk menghitung data yang sifatnya lebih halus (Mungkin bahkan tidak logis), seperti bahasa, suara, atau gambar. Machine Learning dapat memberikan analisis yang tepat dan berbasis konteks untuk hal-hal tersebut, dan membentuk kesimpulan.
Misalnya, bisnis e-niaga yang menjual kemeja umumnya akan dibatasi dalam variasi ukuran tertentu, terutama ‘kecil’ hingga ‘besar.’ Saat menerapkan komputasi kognitif, sistem tersebut dapat menganalisis berbagai preferensi yang diperoleh dari pelanggan, dan secara otomatis menyarankan ukuran yang sesuai. Lebih lanjut, sistem yang ditujukan untuk pemesanan taksi memiliki banyak faktor yang harus diperhatikan, seperti cara berkomunikasi dengan pelanggan, dan lokasi yang dituju. Pembelajaran mesin dapat diterapkan untuk menganalisis informasi semacam itu untuk memastikan kesimpulan yang tepat tercapai.
Faktor utama yang dibutuhkan di sini adalah data dalam jumlah besar untuk dianalisis. Ini agar program yang menggunakan pembelajaran mesin dapat mereferensikan silang data ini untuk mempelajari pola tertentu dan membuat model perkiraan. Pada dasarnya, semakin banyak data yang digunakan, semakin pintar kemampuan ‘kognitif’ mesin tersebut.