MONASH UNIVERSITY = Women in AI: Breaking Barriers and Building Futures panel event [ Part 3 ]

Dulu saya dikenal sebagai AI project killer. Tidak ada gunanya mempertahankan “produk zombie.” Tingkat keberhasilan proyek AI itu rendah—sekitar 15%. Jadi kalau 15% proyek benar-benar berhasil dipakai, itu sudah dianggap bagus. Tapi di organisasi, tentu kita ingin lebih dari itu. Kita ingin lebih banyak proyek tidak hanya launching tetapi bertahan lama dan memberi dampak nyata.

AI juga sudah berubah. Dulu model dilatih sekali lalu dipasang. Sekarang model harus dilatih ulang berkali-kali—kadang seminggu sekali. Jadi ukuran kesuksesan secara teknis berubah terus. Tapi tujuan sistem—tujuan manusia, sosial, dan jangka panjang—tidak boleh berubah. Kalau tidak, kita jatuh ke jebakan hype atau FOMO.

Bagaimana menilai apakah AI benar-benar diperlukan?

Di awal karier, saya mulai dari technical feasibility. Lihat masalah, data, ukuran, dan batasan. Lalu buat keputusan: lanjut atau tidak.

Tapi sekarang saya belajar untuk mulai dari sisi yang berbeda.

Pertanyaannya adalah:
“Masalah apa yang sebenarnya ingin kita selesaikan?”

Baru setelah itu kita lihat apakah datanya memang mendukung. Banyak organisasi mengumpulkan data bertahun-tahun, hanya untuk sadar bahwa datanya tidak bisa dipakai untuk peningkatan yang diinginkan.

Pelajaran lain: apakah orang benar-benar membutuhkan solusi ini?
Sebab membangun model AI yang akhirnya tidak dipakai itu seperti punya bayi yang tidak ada yang mau mengurus. Ini salah satu penyesalan terbesar dalam pekerjaan AI.

Perspektif Pemerintah: AI harus bisa dipertanggungjawabkan

Pemerintah berbeda dengan industri.

Setiap rupiah harus bisa dipertanggungjawabkan.

Tujuan kami bukan sekadar “menggunakan AI,” tetapi membantu pengambil keputusan agar:

  • lebih mudah,

  • lebih tepat,

  • lebih akurat.

Tantangan terbesar bukan AI-nya, tapi datanya.

Sebelum membangun model, kami harus:

  • meningkatkan kualitas data,

  • menyusun standar,

  • memastikan datanya memang mendukung kebijakan yang adil dan tepat sasaran.

Contoh: program penargetan bantuan untuk pengentasan kemiskinan. Jika modelnya salah, jutaan orang bisa terdampak tidak adil. Ini bukan eksperimen. Ini kehidupan nyata.

Karena itu kami bekerja sama dengan universitas, membuat sandbox, dan mengetes model berkali-kali. Termasuk untuk proyek IoT keamanan pangan di program makan bergizi di sekolah-sekolah Indonesia—kami uji apakah AI bisa mendeteksi toksisitas sebelum dipasang di lapangan.

Perspektif Riset: AI tidak selalu menjadi solusi terbaik

Dalam riset sosial-teknikal, pertanyaannya bukan hanya:
“Bisakah AI bekerja di sini?”
tetapi juga
“Haruskah AI digunakan di sini?”

AI mahal dalam:

  • pengembangan,

  • pemeliharaan,

  • infrastruktur,

  • kapasitas sumber daya manusia.

Sebagian komunitas tidak sanggup memeliharanya. Banyak juga yang berani memakai WhatsApp atau YouTube, tetapi langsung takut begitu mendengar kata “AI.”

Kadang solusi terbaik adalah menyembunyikan lapisan AI di balik antarmuka yang familiar. Bukan untuk menipu, tapi untuk mengurangi rasa takut dan meningkatkan penerimaan.

Evaluasi harus mempertimbangkan:

  • biaya,

  • keberlanjutan jangka panjang,

  • kesiapan komunitas,

  • infrastruktur.

Sering kali, solusi terbaik bukan AI.

Perspektif Industri: Bukan cuma model—sekarang era AI agents

Saat ini banyak perusahaan tidak lagi melatih model dari nol. Mereka menggunakan LLM dan membangun sistem agen. Tapi kuncinya tetap satu: pemahaman bisnis.

Model yang benar secara teknis tetap akan gagal jika:

  • tidak menurunkan biaya,

  • tidak menambah pendapatan,

  • tidak menyelesaikan masalah utama bisnis.

AI hanya berhasil jika use case-nya tepat.

Perempuan di Dunia AI — Tiga Perspektif

1. Industri Indonesia: Bias bukan hanya soal gender

Di Indonesia, seringkali bias bukan laki-laki vs perempuan. Biasnya lebih ke:

  • asing vs lokal,

  • perusahaan besar vs inovator lokal.

Meski model pengenalan suara lokal yang kami buat lebih bagus—karena memahami logat Indonesia dan kebisingan latar—banyak pihak tetap percaya pada produk asing.

Tapi dari sisi gender, kesenjangannya tidak terlalu besar.

2. Perspektif Sosial: Interseksionalitas

Menjadi perempuan di AI berarti menghadapi gabungan tantangan:

  • ras,

  • gender,

  • umur,

  • latar belakang disiplin ilmu.

Contohnya:

  • Mahasiswa tidak percaya Anda pengajar karena dianggap “terlalu muda.”

  • Kolega mengabaikan rekomendasi Anda karena dianggap “terlalu hati-hati.”

  • Tim teknis meremehkan karena Anda bukan dari teknik keras tapi dari HCI atau sosial.

Ketika Anda meminta semua pihak memperlambat untuk memastikan keamanan, Anda dianggap “menghambat inovasi,” padahal Anda sedang mencegah kerugian besar.

3. Pemerintah: Kadang justru jadi keunggulan

Dalam sejumlah lingkungan pemerintah, menjadi satu-satunya perempuan justru membuat suara Anda lebih didengar.

Jika Anda berbicara jelas, terstruktur, dan tepat, orang akan fokus. Bahkan pemimpin mendorong perempuan untuk tampil dan memimpin.

Refleksi Pribadi: Tumbuh dengan dukungan

Sebagian dari kami beruntung tumbuh di keluarga yang memberi kesempatan sama antara laki-laki dan perempuan. Ketika berada di Eropa pun, menjadi orang Asia dianggap positif—pekerja keras dan tekun.

Jadi pengalaman setiap perempuan memang berbeda-beda.


🔵 Polished English Version — Panel Discussion: AI, Feasibility, and Women in Tech

I used to be known as the AI project killer. You know, there’s no point keeping a “zombie product.” The success rate of AI projects is low—around 15%. So if 15% of projects actually go live, that’s considered good. But as an organization, we want to beat that number. We want more projects to not only deploy, but stay alive and deliver long-term value.

AI has evolved. It used to be “train once, deploy once.” Now models may require retraining weekly. So the technical definition of success keeps changing. But the system objective—the societal, human, long-term objective—must stay at the center. Otherwise, we fall into the trap of chasing hype or FOMO.

How do we assess whether AI is actually needed?

Earlier in my career, I started with technical feasibility. Look at the problem, the data, the size, and the constraints. Then make a “go or no-go” decision.

But now I’ve learned to shift left.

Start with the question:
“What problem are we actually trying to solve?”

Then check whether the data is useful. Many of us have collected tons of data, only to realize most of it cannot support the improvement we want.

Another big lesson: Do people actually want or need the solution?
It’s like building a baby no one wants to raise—an AI model that looks good, but no one uses. That is one of the biggest regrets for anyone in the field.

Government Perspective: AI must be accountable

Government is different from private sector or research labs.

Every rupiah must be accountable.

So our goal is not simply to “use AI,” but to help decision-makers make choices that are:

  • easier,

  • more precise, and

  • reliable.

The biggest challenge is not the AI—it’s the data.

Before building models, we must:

  • improve data quality,

  • create standards,

  • ensure the data actually supports a precise and fair policy.

For example, we are working on a national poverty-alleviation targeting program. If the model is wrong, millions of people could be unfairly impacted. This is not like a sandbox experiment. This is real life.

That’s why we collaborate with universities, create sandboxes, and stress-test models. Even for our food-safety IoT project in Indonesia’s school meals program, we carefully test whether AI can detect toxicity before deploying anything.

Research Perspective: AI is not always the right tool

In socio-technical research, the question is not only:
“Can AI work here?”
but also
“Should AI be used here?”

AI is expensive to run and maintain. Some communities cannot sustain it. Many have steep learning curves. Communities who confidently use WhatsApp and YouTube may still feel intimidated when we say a system uses “AI.”

Sometimes we need to hide the AI layer and design the interface to feel familiar. Not to deceive them, but to reduce fear and build confidence.

Assessment must consider:

  • cost,

  • infrastructure,

  • long-term sustainability,

  • community readiness.

Often, the best solution is not AI.

Industry Perspective: Not just models—now AI agents

Today, companies don’t always train models from scratch. Many use LLMs through APIs to build agentic systems. But even then, business understanding is the most critical step.

A technically correct model is useless if it:

  • doesn’t reduce cost,

  • doesn’t bring revenue,

  • doesn’t solve the real business problem.

AI only works when the use case is right.

Being a Woman in AI — Experiences Across Sectors

Industry Reality (Indonesia): Bias is not only about gender

In Indonesia, sometimes the bias is not male vs female. It's more about:

  • foreign vs local,

  • big-name companies vs small local innovators.

Even when our local speech-recognition model performs better—because we understand Indonesian accents and background noise—industry or government may still trust foreign products more.

But gender-wise, the difference isn't always significant.

Intersectionality: Race, gender, age, and discipline

Navigating AI as a woman—especially Asian, young-looking, and from a social science background—creates compounded challenges.

Examples:

  • Students asking why you’re standing at the podium (“Are you supposed to teach?”)

  • Colleagues dismissing your recommendations because they think you’re "overly cautious"

  • Technical teams questioning your expertise because your field is HCI or social science, not hardcore engineering

When you tell people to slow down and build responsibly, they think you’re “blocking progress.”
But you’re trying to prevent real harm.

Government Leadership Perspective: Sometimes being the only woman is an advantage

In some government environments, being the only woman can actually give more visibility.

If you present ideas clearly and precisely, people pay attention. Leaders might even encourage more women to speak up, creating a positive ripple effect.

Personal Reflection: Growing up empowered

Some of us are fortunate to grow up in families that treat daughters equally and encourage leadership. And in some environments—such as Europe—being Asian is even seen as an asset due to stereotypes of being hardworking.

So experiences vary widely.


Comments

Post a Comment

Popular Posts