Bantu kami meningkatkan Wise Racer. Dengan izin Anda, kami menggunakan cookie analitik (Google Analytics) untuk memahami cara situs digunakan. Cookie esensial memastikan situs berfungsi. Anda dapat mengubah pilihan kapan saja di bagian bawah halaman. Kebijakan Privasi dan Cookie.

Hanya cookie esensialTerima cookie analitik
Wise Racer
BerandaBlogHubungi Kami

Apakah Industri Kebugaran dan Kompetitif Renang Siap Data untuk AI? – Bagian 1

Apakah Industri Kebugaran dan Kompetitif Renang Siap Data untuk AI? – Bagian 1

Diterbitkan pada 11 Februari 2025
Diedit pada 7 Juli 2026


Pendahuluan

Wawasan berbasis data telah mengubah banyak cabang olahraga, mendukung rencana latihan yang lebih presisi, pemantauan risiko cedera, dan umpan balik performa secara real-time (Vec et al., 2024; Leckey et al., 2025). Namun, dalam dunia renang—olahraga di mana sepersekian detik sangat berarti—kualitas dan struktur data tetap menjadi tantangan yang signifikan. Bagaimana AI dan ML dapat membantu kita mengambil keputusan yang lebih baik, dan risiko apa yang muncul ketika kualitas data diabaikan?

Bagian pertama dari seri dua bagian ini menawarkan tinjauan berbasis literatur tentang persiapan data untuk AI dalam olahraga. Tulisan ini mengambil dari bidang penelitian AI/ML dan menerapkan ide-ide tersebut pada skenario spesifik renang. Tujuan kami adalah menjembatani kesenjangan antara apa yang dibutuhkan sistem AI dan bagaimana renang dapat menyediakannya. Kami akan mengeksplorasi fondasi kualitas data, bahaya pengelolaan data yang buruk, dan pilar-pilar utama yang diperlukan untuk membangun dataset yang andal dan siap untuk AI. Pada akhir tinjauan ini, Anda akan memahami mengapa data yang terstruktur dengan baik dan berkualitas tinggi sangat penting untuk analitik tingkat lanjut, pengambilan keputusan yang lebih baik, dan umpan balik performa yang lebih berguna di kolam renang.

Bagian yang Dibahas dalam Bagian 1:

  • Bagian 1: Mengapa Kualitas Data Sangat Penting untuk ML/AI Kami menguraikan alasan utama mengapa data berkualitas tinggi yang dikelola dengan baik sangat diperlukan untuk aplikasi AI dan ML, terutama dalam olahraga yang kritis terhadap performa seperti renang.
  • Bagian 2: Hambatan, Jebakan, dan Tantangan Data Berkualitas Rendah Bagian ini menyoroti konsekuensi praktis dari praktik data yang buruk, termasuk model yang bias, strategi pelatihan yang keliru, dan pemborosan sumber daya.
  • Bagian 3: Fondasi Inti untuk Memastikan Data Berkualitas Tinggi dalam AI/ML Kami menyajikan pilar-pilar utama pengelolaan data yang andal, mulai dari kualitas data intrinsik dan kontekstual hingga kepatuhan etis, yang semuanya sangat penting untuk menciptakan hasil AI yang dapat dipercaya.

Bagian 1: Mengapa Kualitas Data Sangat Penting untuk ML/AI — "Mesin AI"

Bayangkan sebuah mesin yang berjalan dengan bahan bakar berkualitas rendah atau terkontaminasi. Mesin tersebut tidak dapat bekerja secara optimal. Data bekerja dengan cara yang serupa untuk Machine Learning (ML) dan Artificial Intelligence (AI). Dalam olahraga, khususnya renang, data yang akurat menggerakkan analitik modern, pemantauan performa, dan pengambilan keputusan. Data yang berkualitas rendah atau tidak lengkap dapat menyesatkan bahkan sistem AI yang paling canggih sekalipun, berpotensi mendistorsi rencana latihan dan keputusan kompetitif.

Berikut adalah alasan-alasan utama mengapa kualitas data sangat penting untuk setiap aplikasi berbasis AI:

  1. Akurasi dan Keandalan Model Data berkualitas tinggi membantu model AI menghasilkan output yang lebih andal. Dalam renang, data yang konsisten dan akurat tentang metrik seperti jumlah kayuhan, pembagian waktu per lap, dan variabilitas detak jantung dapat membantu pelatih dan atlet menginterpretasikan wawasan yang dihasilkan AI dengan lebih percaya diri. Di sisi lain, data yang buruk dapat menghasilkan model yang tidak andal dan rekomendasi latihan yang keliru (Priestley et al., 2023; Polyzotis et al., 2018).
  2. Menghindari Kaskade Data Kesalahan data dapat menyebar ke seluruh pipeline ML, menciptakan efek kaskade di mana kesalahan awal yang kecil dapat berkembang menjadi masalah yang lebih besar. Misalnya, kesalahan pencatatan waktu lap secara berulang dapat mendistorsi analisis kecepatan, prediksi kelelahan, dan strategi balapan, yang berujung pada inefisiensi yang merugikan (Sambasivan et al., 2021; Polyzotis et al., 2018).
  3. Bias dan Keadilan Data yang bias atau tidak lengkap, terutama dalam olahraga kompetitif, dapat menghasilkan wawasan yang menyimpang dan hasil yang tidak adil. Misalnya, data pelatihan yang terbatas pada demografi atau kondisi perenang tertentu dapat mengabaikan faktor-faktor penting, menciptakan model yang menguntungkan beberapa atlet dibandingkan yang lain. Memastikan data yang beragam dan representatif membantu mengurangi bias dan meningkatkan generalisasi (Zhou et al., 2024; Qayyum et al., 2020).
  4. Pembersihan dan Persiapan Data Pembersihan data yang efektif menghilangkan kebisingan, memperbaiki inkonsistensi, dan mengatasi nilai yang hilang. Bayangkan ini seperti menjaga kualitas air kolam renang—tanpa pembersihan yang tepat, data performa perenang dan wawasan AI dapat terganggu. Pembersihan untuk ML juga harus mempertimbangkan aplikasi yang dimaksud, bukan sekadar penghapusan kesalahan secara umum (Neutatz et al., 2021; Polyzotis et al., 2018; Priestley et al., 2023).
  5. Persyaratan Spesifik Domain Setiap cabang olahraga memiliki metrik dan persyaratan uniknya sendiri. Dalam renang, memantau metrik seperti frekuensi kayuhan, interval istirahat, dan fase bawah air sangat penting. Menyesuaikan pemeriksaan kualitas data dengan hal-hal spesifik ini membantu output AI memenuhi kebutuhan performa dunia nyata, bukan sekadar ketersediaan data secara umum (Priestley et al., 2023; Rangineni, 2023).
  6. Pemantauan dan Pengelolaan Berkelanjutan Pengumpulan data tidak berhenti setelah sebuah model dilatih. Performa perenang terus berkembang, atlet baru bergabung dalam program, dan sensor dapat berubah seiring waktu. Pemantauan data yang masuk secara berkelanjutan membantu alat AI tetap relevan dengan konteks di mana mereka digunakan (Bangad et al., 2024; Zhou et al., 2024).
  7. Manajemen Kualitas Data yang Komprehensif Mengelola volume dan variasi data pelatihan yang besar—seperti jumlah lap, pembacaan biometrik, dan analitik video—memerlukan proses yang andal dan dapat diskalakan. Strategi kualitas data yang jelas menangani volume, variasi, dan kecepatan untuk menjaga konsistensi di seluruh siklus hidup ML (Rangineni, 2023; Priestley et al., 2023).
  8. Pertimbangan Etis dan Hukum Pengumpulan metrik performa dan kesehatan menimbulkan kekhawatiran etis, terutama seputar privasi dan kepatuhan. Standar kualitas data yang tinggi, pengelolaan yang aman, dan kepatuhan terhadap pedoman etis membantu organisasi memenuhi kewajiban hukum (Qayyum et al., 2020; Zhou et al., 2024).

Kualitas data adalah fondasi dari sistem ML/AI yang sukses. Data yang akurat, komprehensif, dan dikelola dengan baik dapat mendorong model yang lebih andal, menumbuhkan kepercayaan di antara pelatih, atlet, dan pemangku kepentingan. Memperlakukan data sebagai "bahan bakar" aplikasi AI mendukung hasil yang lebih adil, baik di fasilitas pelatihan, laboratorium penelitian, maupun kompetisi global.

Bagian 2: Hambatan, Jebakan, dan Tantangan Data Berkualitas Rendah

Dalam analitik olahraga, kualitas data yang buruk bukan sekadar hambatan kecil—hal ini dapat merusak program latihan, memboroskan sumber daya yang berharga, dan mengikis kepercayaan pada wawasan berbasis AI. Dari pelatih yang melacak waktu balik hingga ilmuwan olahraga yang menganalisis dataset sensor berukuran besar, memahami jebakan-jebakan utama ini sangat penting untuk memastikan hasil yang andal.

  1. Penurunan Performa Model Model AI mengandalkan data yang akurat dan lengkap untuk belajar dan membuat prediksi. Ketika diberi data yang hilang atau tidak benar—seperti pembagian waktu lap yang tidak akurat atau jumlah kayuhan yang salah dicatat—model dapat menghasilkan prediksi yang tidak andal. Hal ini dapat mengakibatkan strategi kecepatan yang tidak optimal atau keputusan pelatihan yang berpotensi tidak tepat jika output diperlakukan sebagai resep daripada dukungan keputusan yang ditinjau oleh pelatih (Priestley et al., 2023; Leckey et al., 2025).
  2. Kaskade Data Kesalahan data kecil di awal pipeline dapat berkembang menjadi masalah yang lebih besar di hilir. Misalnya, monitor detak jantung yang salah mencatat lonjakan frekuensi tinggi dapat memicu "alarm palsu" tentang kesehatan atlet, yang menyebabkan perubahan yang tidak perlu dalam rencana latihan. Kaskade ini mengurangi kepercayaan pada sistem AI dan dapat mengorbankan kualitas keputusan (Sambasivan et al., 2021; Polyzotis et al., 2018).
  3. Masalah Bias dan Keadilan Kualitas data yang buruk sering kali berasal dari dataset yang tidak lengkap yang gagal mewakili populasi atlet yang beragam. Ketika model dilatih pada data yang terbatas—seperti metrik dari perenang elite saja—model tersebut mungkin menghasilkan saran yang tidak relevan atau berpotensi tidak tepat untuk atlet muda atau atlet tingkat masters. Pengumpulan data yang inklusif dan representatif adalah kunci untuk mengurangi bias (Zhou et al., 2024; Qayyum et al., 2020).
  4. Kurangnya Metrik yang Terstandarisasi Tanpa metode terstandarisasi untuk mencatat metrik utama (misalnya, tingkat kayuhan atau waktu segmen lap), membandingkan data antar tim atau studi menjadi sulit. Definisi yang tidak konsisten dapat menciptakan kebingungan saat mengadopsi solusi AI, memperlambat kemajuan dan memperbesar kesalahan di seluruh aplikasi (Priestley et al., 2023).
  5. Keracunan Data dan Risiko Keamanan Ketika data dikelola dengan buruk, data tersebut menjadi rentan terhadap gangguan atau serangan berbahaya. Dalam olahraga, data performa yang telah diubah dapat menyesatkan pemandu bakat, mendistorsi peringkat, atau bahkan memengaruhi pasar taruhan. Menerapkan validasi yang kuat dan langkah-langkah keamanan membantu mencegah risiko keracunan data semacam itu (Qayyum et al., 2020).
  6. Kendala Sumber Daya dan Masalah Dokumentasi Tim yang kekurangan sumber daya dan protokol pengumpulan data yang tidak jelas sering kali menyebabkan kesalahan yang dapat dihindari. Misalnya, prosedur kalibrasi sensor yang tidak terdokumentasi dengan baik dapat mengakibatkan pelabelan data yang salah, yang kemudian memerlukan upaya besar untuk diperbaiki. Seiring waktu, kesenjangan sumber daya ini memperburuk inefisiensi (Sambasivan et al., 2021).
  7. Tantangan Etis dan Hukum Menangani data atlet yang sensitif—termasuk metrik biometrik atau terkait kesehatan—memerlukan kepatuhan ketat terhadap peraturan privasi. Pengelolaan data yang sembrono dapat menyebabkan ketidakpatuhan, masalah hukum, dan kerusakan kepercayaan antara atlet dan staf (Qayyum et al., 2020; Zhou et al., 2024).
  8. Inefisiensi Operasional Kualitas data yang buruk dapat secara signifikan memperlambat kemajuan karena memerlukan pembersihan dan validasi yang terus-menerus. Waktu yang dihabiskan untuk "memadamkan kebakaran" akibat data yang buruk dapat lebih baik digunakan untuk mengembangkan strategi pelatihan tingkat lanjut atau menjalankan eksperimen tambahan (Priestley et al., 2023).
  9. Kesenjangan Pelatihan dan Pendidikan Banyak organisasi olahraga kurang memiliki pelatihan yang memadai dalam pengumpulan data, manajemen, dan etika. Tanpa pengetahuan dasar ini, tim mungkin secara tidak sengaja memasukkan kesalahan ke dalam dataset, menciptakan tantangan lebih lanjut dalam menskalakan solusi AI (Zhou et al., 2024).
  10. Generalisasi dan Representativitas Model yang dilatih pada dataset yang sempit sering kali kesulitan untuk digeneralisasikan ke berbagai konteks. Misalnya, model yang dilatih secara eksklusif pada perenang elite mungkin menawarkan sedikit nilai bagi atlet muda atau atlet masters, sehingga memerlukan pengumpulan data dan pelatihan ulang tambahan (Priestley et al., 2023; Rangineni, 2023).

Kualitas data yang buruk menghadirkan tantangan signifikan bagi adopsi AI dalam olahraga. Dari penurunan performa model dan risiko etis hingga keterlambatan operasional, jebakan-jebakan ini menegaskan perlunya pipeline data yang andal, terdokumentasi dengan baik, dan aman. Dengan mengatasi tantangan-tantangan ini, organisasi dapat memberikan pelatih, ilmuwan, dan staf pendukung dasar yang lebih baik untuk mempercayai wawasan AI—yang pada akhirnya mendukung keputusan pelatihan yang lebih baik dan hasil yang lebih adil.

Bagian 3: Fondasi Inti untuk Memastikan Data Berkualitas Tinggi dalam AI/ML

Mencapai data berkualitas tinggi bukanlah sesuatu yang terjadi secara kebetulan—hal ini memerlukan strategi yang disengaja dan proses yang teliti. Dalam olahraga, khususnya renang, data berasal dari berbagai sumber seperti waktu lap, jumlah kayuhan, dan metrik fisiologis. Untuk membantu model AI memberikan wawasan yang andal, setiap titik data harus akurat, relevan, dan bermakna secara kontekstual. Berikut adalah pilar-pilar utama yang mendukung pengumpulan, pengelolaan, dan penggunaan data yang efektif.

  1. Kualitas Data Intrinsik Kualitas intrinsik berfokus pada memastikan data itu sendiri akurat, konsisten, dan lengkap. Dalam renang, bahkan ketidakakuratan kecil sekalipun—seperti waktu lap yang salah dicatat—dapat mendistorsi rekomendasi latihan dan memengaruhi hasil atlet. Untuk mencapai kualitas intrinsik yang tinggi, sensor seperti bantalan pengatur waktu dan perangkat yang dapat dikenakan harus menjalani kalibrasi rutin. Pemeriksaan spot secara berkala, seperti membandingkan data otomatis dengan tinjauan video, membantu memvalidasi akurasi metrik utama. Sistem otomatis yang menandai outlier, seperti tingkat kayuhan yang melebihi batas fisik, juga penting (Priestley et al., 2023; Rangineni, 2023). Langkah-langkah gabungan ini membantu menjaga data cukup dapat dipercaya untuk analisis berbantuan AI.

  2. Kualitas Kontekstual Kualitas kontekstual memastikan bahwa data relevan, tepat waktu, dan sesuai untuk tugas AI yang dimaksud. Misalnya, data pelatihan yang dikumpulkan dari kolam renang lintasan pendek mungkin tidak berlaku untuk renang air terbuka, sehingga segmentasi menjadi sangat penting. Untuk menjaga relevansi kontekstual, tim harus mendefinisikan tujuan pengumpulan data dengan jelas, seperti meningkatkan start, putaran balik, atau daya tahan keseluruhan. Data harus diklasifikasikan berdasarkan kondisi seperti ukuran kolam atau ketinggian untuk memberikan wawasan yang bermakna secara kontekstual. Selain itu, seiring berkembangnya kebutuhan pelatihan, proses pengumpulan data juga harus berkembang agar tetap selaras dengan tujuan saat ini (Priestley et al., 2023; Zhou et al., 2024).

  3. Kualitas Representasional Kualitas representasional berfokus pada format data yang konsisten dan dapat diinterpretasikan di seluruh tim dan sistem. Tanpa standardisasi, data performa dapat disalahartikan—seperti ketika tim yang berbeda melabeli lap 50 meter sebagai "50 Free" atau "FC_50." Mengadopsi konvensi penamaan yang terstandarisasi dan mempertahankan skema data bersama di seluruh tim membantu mengurangi masalah ini. Tim juga harus menggunakan metadata untuk mendokumentasikan detail tentang kapan dan bagaimana data dikumpulkan (Priestley et al., 2023). Langkah-langkah ini mencegah kebingungan dan meningkatkan kolaborasi antara pemangku kepentingan internal dan eksternal.

  4. Aksesibilitas Aksesibilitas memastikan bahwa data tersedia bagi pengguna yang berwenang sambil menjaga privasi. Pelatih, ilmuwan olahraga, dan atlet sering kali memerlukan akses real-time ke data performa untuk menyesuaikan latihan. Sistem berbasis cloud yang aman dengan kontrol akses berbasis peran dapat menyediakan akses tanpa mengorbankan keamanan. Selain itu, dasbor yang ramah pengguna yang dirancang untuk pengguna non-teknis memungkinkan aksesibilitas yang lebih luas. Untuk data atlet yang sensitif, enkripsi harus diberlakukan untuk memenuhi peraturan privasi (Zhou et al., 2024; Qayyum et al., 2020). Langkah-langkah ini membantu menyeimbangkan ketersediaan data dan privasi sambil mendukung pengambilan keputusan yang efektif.

  5. Manajemen Siklus Hidup Data Manajemen siklus hidup data mengawasi data mulai dari pengumpulan hingga pemrosesan, penyimpanan, analisis, dan pengarsipan atau penghapusan pada akhirnya. Keterlacakan adalah kunci—tanpanya, kesalahan dapat masuk ke dalam pipeline AI tanpa disadari. Mempertahankan dokumentasi yang menyeluruh, termasuk detail seperti tanggal pengumpulan dan log kalibrasi sensor, membantu menjaga integritas data. Tinjauan berkala sangat penting untuk menghapus data yang sudah usang atau tidak relevan sambil mempertahankan fokus pada dataset berkualitas (Rangineni, 2023; Priestley et al., 2023). Strategi pencadangan dan pemulihan bencana semakin mendukung keandalan data jangka panjang.

  6. Kepatuhan Etis dan Hukum Kepatuhan etis dan hukum sangat penting ketika menangani data sensitif, terutama dalam olahraga di mana data biometrik dan kesehatan terlibat. Atlet mempercayai bahwa informasi pribadi mereka akan dilindungi dan digunakan secara bertanggung jawab. Untuk menjaga kepercayaan ini, tim harus menganonimkan data atlet jika memungkinkan dan memastikan bahwa penggunaan data mematuhi undang-undang privasi dan persyaratan tata kelola yang relevan. Mendapatkan persetujuan yang diinformasikan dari atlet sebelum mengumpulkan dan menggunakan data mereka juga sangat penting (Qayyum et al., 2020; Zhou et al., 2024). Kegagalan untuk mematuhi pedoman ini berisiko menimbulkan konsekuensi hukum dan kerusakan reputasi.

  7. Pemantauan dan Peningkatan Berkelanjutan Pemantauan berkelanjutan membantu menjaga kualitas data dari waktu ke waktu seiring berkembangnya data performa. Program renang sering kali memperkenalkan metrik dan teknologi baru, sehingga validasi berkelanjutan menjadi penting. Skrip validasi otomatis dapat mendeteksi anomali, seperti waktu lap yang sangat singkat atau panjang, sebelum memengaruhi analisis. Audit berkala membantu menjaga kelengkapan dan integritas, sementara putaran umpan balik yang melibatkan pelatih dan atlet memungkinkan penyelesaian perbedaan yang cepat (Bangad et al., 2024; Zhou et al., 2024). Pendekatan proaktif ini membantu menjaga pipeline data yang dinamis dan andal.

  8. Integrasi Pengetahuan Domain Integrasi pengetahuan domain memanfaatkan keahlian pelatih, ilmuwan olahraga, dan atlet untuk menginterpretasikan dan memvalidasi data secara efektif. Anomali, seperti lonjakan tiba-tiba dalam detak jantung, mungkin memiliki penjelasan sederhana seperti kerusakan sensor atau kondisi lingkungan. Pakar domain dapat membedakan antara masalah nyata dan kesalahan peralatan, mencegah penyesuaian model yang tidak perlu. Berkolaborasi dengan pelatih dalam protokol pengumpulan data dan memvalidasi rekomendasi berbasis AI terhadap pengalaman dunia nyata meningkatkan kemungkinan bahwa wawasan tersebut berguna dalam praktik (Rangineni, 2023; Neutatz et al., 2021). Proses iteratif ini membantu keputusan berbasis data tetap selaras dengan pengalaman praktis.

Dengan berfokus pada fondasi inti ini—kualitas intrinsik dan kontekstual, konsistensi representasional, aksesibilitas, manajemen siklus hidup, kepatuhan, pemantauan berkelanjutan, dan keahlian domain—organisasi dapat membangun pipeline data yang lebih dapat dipercaya. Bagi para profesional renang, hal ini mendukung keputusan pelatihan yang lebih terinformasi, umpan balik atlet yang lebih akurat, kepercayaan yang lebih kuat, dan alur kerja dukungan performa yang lebih berguna.

Ringkasan

Dalam bagian pertama ini, kami telah mengeksplorasi prinsip-prinsip inti kualitas data dan menunjukkan bagaimana data yang buruk dapat merusak bahkan proyek AI yang paling canggih sekalipun. Catatan yang sembrono atau tidak lengkap tidak hanya memperlambat inovasi. Hal tersebut dapat secara aktif menyesatkan pelatih, atlet, dan analis. Namun, bagaimana konsep-konsep ini berlaku pada lanskap data renang saat ini?

Dalam bagian selanjutnya, kami akan mengkaji realitas praktis pengelolaan data sesi latihan renang. Kami akan menyoroti area di mana industri ini sudah kuat dan area di mana perbaikan diperlukan. Kami juga akan membahas peluang untuk kerangka kerja terpadu yang dirancang untuk meningkatkan manajemen data di semua level olahraga ini. Terakhir, kami akan menjawab pertanyaan utama: Apakah data industri kebugaran dan kompetitif renang siap untuk AI? Nantikan pembahasan lebih mendalam tentang bagaimana kita dapat menggunakan AI untuk mendukung keputusan yang lebih baik bagi perenang di setiap level.

Catatan: Artikel ini awalnya ditulis dalam bahasa Inggris dan diterjemahkan ke dalam bahasa lain menggunakan alat AI otomatis agar kami dapat berbagi informasi ini dengan lebih banyak orang. Kami berusaha semaksimal mungkin untuk menjaga terjemahan tetap akurat dan mudah dipahami, dan kami menyambut bantuan dari komunitas untuk meningkatkannya. Jika ada bagian dalam versi terjemahan yang tidak jelas, tidak benar, atau berbeda dari versi bahasa Inggris, teks asli bahasa Inggris harus dianggap sebagai versi resmi.

Sumber

Bangad, N., Jayaram, V., Sughaturu Krishnappa, M., Banarse, A., Bidkar, D., Nagpal, A., & Parlapalli, V. (2024). A theoretical framework for AI-driven data quality monitoring in high-volume data environments. International Journal of Computer Engineering & Technology, 15, 618-636. https://doi.org/10.5281/zenodo.13878755

Leckey, C., van Dyk, N., Doherty, C., Lawlor, A., & Delahunt, E. (2025). Machine learning approaches to injury risk prediction in sport: A scoping review with evidence synthesis. British Journal of Sports Medicine. https://doi.org/10.1136/bjsports-2024-108576

Neutatz, F., Chen, B., Abedjan, Z., & Wu, E. (2021). From cleaning before ML to cleaning for ML. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering.

Polyzotis, N., Roy, S., Whang, S., & Zinkevich, M. (2018). Data lifecycle challenges in production machine learning: A survey. ACM SIGMOD Record, 47, 17-28. https://doi.org/10.1145/3299887.3299891

Priestley, M., O'Donnell, F., & Simperl, E. (2023). A survey of data quality requirements that matter in ML development pipelines. Journal of Data and Information Quality, 15. https://doi.org/10.1145/3592616

Qayyum, A., Qadir, J., Bilal, M., & Al-Fuqaha, A. (2020). Secure and robust machine learning for healthcare: A survey. IEEE Reviews in Biomedical Engineering. https://doi.org/10.1109/RBME.2020.3013489

Rangineni, S. (2023). An analysis of data quality requirements for machine learning development pipelines frameworks. International Journal of Computer Trends and Technology, 71, 16-27. https://doi.org/10.14445/22312803/IJCTT-V71I8P103

Roh, Y., Heo, G., & Whang, S. E. (2019). A survey on data collection for machine learning: A big data - AI integration perspective. IEEE Transactions on Knowledge and Data Engineering. https://doi.org/10.1109/TKDE.2019.2946162

Sambasivan, N., Kapania, S., Highfill, H., Akrong, D., Paritosh, P., & Aroyo, L. (2021). "Everyone wants to do the model work, not the data work": Data cascades in high-stakes AI. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, 1-15. https://doi.org/10.1145/3411764.3445518

Vec, V., Tomazic, S., Kos, A., & Umek, A. (2024). Trends in real-time artificial intelligence methods in sports: A systematic review. Journal of Big Data. https://doi.org/10.1186/s40537-024-01026-0

Whang, S. E., Roh, Y., Song, H., & Lee, J.-G. (2023). Data collection and quality challenges in deep learning: A data-centric AI perspective. The VLDB Journal, 32. https://doi.org/10.1007/s00778-022-00775-9

Zhou, Y., Tu, F., Sha, K., Ding, J., & Chen, H. (2024). A survey on data quality dimensions and tools for machine learning. 2024 IEEE International Conference on Artificial Intelligence Testing, 120-131. https://doi.org/10.1109/AITest62860.2024.00023

Penulis
Diego Torres

Diego Torres

Penerjemah
Wise Racer

Wise Racer


Postingan Sebelumnya
Postingan Berikutnya

Tetap ikuti informasi terbaru dari Wise Racer

Berlangganan untuk menerima artikel baru dan pembaruan produk dari Wise Racer. Kami akan mengirimkan email konfirmasi sebelum langganan Anda diaktifkan.

Alamat email

​

© 2020 - 2026, Unify Web Solutions Pty Ltd. Semua hak dilindungi..