Evolusi Pengambilan Keputusan
evolusi
/évolusi/
- nomina
perubahan bertahap dari waktu ke waktu; dalam sistem keputusan, peralihan dari aturan yang ditulis langsung dalam kode ke model, lalu kembali ke logika yang jelas dan mudah diuji.

Logika keputusan terus berubah. Kebutuhan sering berubah lebih cepat daripada kode, sehingga aturan statis memiliki keterbatasan. Seiring berkembangnya kebutuhan bisnis, tim beralih dari logika yang ditulis langsung dalam kode ke model prediktif.
Sejak komputer pertama digunakan, orang telah menuliskan logika keputusan. Pola "jika X, maka Y, jika tidak, Z" sudah ada sejak awal. Para pemimpin melihat manfaat mesin dalam mengambil keputusan yang konsisten, lalu penggunaan pengambilan keputusan otomatis pun meluas.
Seorang manajer memilih keputusan yang akan diotomatisasi. Analis memetakan alur aturan dan menyetujuinya, lalu tim TI menulis aturan itu langsung ke dalam kode agar dapat dijalankan. Saat itu, langkah ini merupakan kemajuan besar.
Sekilas, prosesnya tampak sederhana. Namun, sistem khusus sulit diubah dan mahal untuk dirawat. Saat penulisan kode, pengujian, dan penerapan selesai, kebutuhan sering kali sudah berubah. Akibatnya, otomatisasi tertinggal dari kebutuhan bisnis.
Penulisan aturan langsung dalam kode menunjukkan keterbatasan logika if-then yang sederhana. Keputusan yang kompleks dan hasil prediktif sulit dituangkan dalam kode statis. Ada terlalu banyak variabel yang perlu dipertimbangkan, dan sistem tidak mampu menangani kompleksitas tersebut dengan baik.

Berikutnya, hadir sistem manajemen aturan. Platform ini memberi pengguna kendali langsung atas aturan dan proses pengambilan keputusan. Ini merupakan perubahan yang jelas.
Kode tetap digunakan, tetapi bahasanya lebih sederhana dan mudah dibaca. Manajemen aturan menjadi cara kerja yang praktis. Perubahan dapat diterapkan lebih cepat, dan pengelolaan perubahan pada proses otomatis pun lebih mudah.
Perkembangan berikutnya menghadirkan platform tanpa kode. Melalui antarmuka visual, tim dapat menyusun dan mengelola logika keputusan yang kompleks. Bidang ini semakin matang dan memberi tim lebih banyak pilihan.
Tahap berikutnya dalam evolusi ini adalah analitik prediktif. Belakangan, large language model (LLM) dan AI agentik mengubah cara tim membuat prototipe pendukung keputusan dan mengoordinasikan penggunaan berbagai alat.
Banyak keputusan bisnis penting bersifat kompleks dan dipengaruhi banyak faktor. Karena itu, sebagian keputusan yang berdampak besar masih ditangani secara manual. LLM berguna untuk eksplorasi, tetapi hasilnya bersifat probabilistik dan dapat berbeda setiap kali dijalankan. Di bidang keuangan dan asuransi, keputusan akhir harus deterministik dan dapat dijalankan ulang.
Model prediktif menganalisis kumpulan data yang kompleks dan dibangun dengan metode statistik. Spesialis sering kali merancang dan merawat model ini, sehingga penerapannya bisa lebih lambat dan aksesnya terbatas. Sistem agentik dapat mengoordinasikan tugas di berbagai layanan, tetapi tetap memerlukan kontrol yang jelas.
Di sinilah Automated Machine Learning, atau AutoML, dapat membantu. Model dilatih menggunakan data historis untuk menghasilkan prediksi tentang masa depan. Misalnya, untuk menilai kemampuan seseorang membayar pinjaman, model dilatih dengan data pembayaran sebelumnya guna memperkirakan kemungkinan pembayaran atau gagal bayar.
Otomatisasi keputusan kini semakin matang. AutoML menawarkan cara lain untuk membangun dukungan keputusan berbasis data dengan lebih cepat. Gunakan model dan LLM sebagai bahan pertimbangan, lalu terapkan logika keputusan agar setiap hasil dapat ditelusuri dan diaudit.
Pertanyaan yang sering diajukan
Bagaimana memindahkan keputusan pinjaman yang sudah ada dari kode yang ditulis langsung?
Mulailah dengan satu keputusan yang sering berubah atau membutuhkan banyak waktu rekayasa untuk diperbarui. Catat masukan, aturan kebijakan, pengecualian, dan hasil yang berlaku saat ini, lalu bangun kembali logika keputusannya di lingkungan yang terkendali. Bandingkan versi baru dengan keputusan historis dan telusuri setiap perbedaan yang berarti sebelum rilis. Pertahankan implementasi saat ini sampai pemilik kebijakan menyetujui perubahan.
Bagaimana menentukan apakah AutoML layak ditambahkan ke keputusan kredit?
Bandingkan prediksi model dengan pendekatan saat ini menggunakan data yang tidak dipakai untuk melatih model. Lalu, perkirakan apakah peningkatannya cukup berdampak pada hasil pemberian pinjaman untuk membenarkan biaya tambahan. Perhitungkan juga pekerjaan untuk memeriksa kualitas data, memantau kinerja, dan melatih ulang model. Jika prediksi tidak membantu pemberi pinjaman mengambil keputusan yang dapat ditindaklanjuti, gunakan pendekatan yang lebih sederhana.
Apa yang perlu diuji sebelum merilis perubahan pada logika keputusan pinjaman?
Uji logika yang diperbarui dengan pengajuan historis yang hasilnya sudah diketahui, termasuk nilai batas, informasi yang tidak tersedia, dan pengecualian yang umum terjadi. Bandingkan tingkat persetujuan dan hasil lain yang relevan dengan versi saat ini, lalu telusuri perubahan yang tidak terduga sebelum rilis. Minta pemilik kebijakan meninjau dan menyetujui perubahan, serta sepakati cara memulihkan versi sebelumnya jika hasil saat digunakan berbeda dari perkiraan.
Seberapa sering logika keputusan kredit yang sudah diterapkan perlu ditinjau?
Pantau hasil portofolio setiap bulan dan jadwalkan peninjauan kebijakan resmi setidaknya setiap tiga bulan sebagai langkah awal. Lakukan peninjauan lebih cepat jika kriteria pemberian pinjaman, kondisi ekonomi, sumber data, atau kerugian yang terpantau berubah secara berarti. Frekuensi yang tepat bergantung pada seberapa cepat portofolio berubah dan seberapa besar dampak keputusan yang sudah tidak sesuai. Catat alasan setiap perubahan kebijakan dan pihak yang menyetujuinya.