Mengenal 5 Istilah Teknologi AI yang Belum Banyak Diketahui

Pembelajaran mesin (Machine learning/ML) adalah salah satu cabang dari tekonologi AI, yang fokus pada pengembangan algoritma. Sistem ini memungkinkan sistem komputer untuk belajar dari data dan memperbaiki kemampuannya secara mandiri. Jika AI adalah tujuan akhir, maka ML adalah cara yang digunakan untuk mencapainya.

Dalam ML, manusia melatih komputer untuk mengenali pola dalam data dan membuat prediksi berdasarkan pola tersebut. Proses pelatihan ini melibatkan penggunaan algoritma yang secara terus-menerus menerima masukan, memberikan umpan balik, dan menyempurnakan kemampuannya—mirip dengan seseorang yang berlatih memainkan tangga nada pada piano berulang kali untuk mencapai kecepatan dan keakuratan.

ML sangat bermanfaat dalam menyelesaikan masalah kompleks yang sulit ditangani dengan teknik pemrograman tradisional, seperti pengenalan gambar atau penerjemahan bahasa. Untuk mencapai hasil yang baik, sistem membutuhkan sejumlah besar data.

Dalam beberapa tahun terakhir, teknologi ini menjadi semakin efektif karena peningkatan ketersediaan data yang dapat didigitalkan, serta kemajuan perangkat keras yang lebih cepat, kuat, dan efisien dalam memproses informasi.

Large language models atau LLM, adalah model kecerdasan buatan yang dilatih dengan data teks dalam jumlah besar untuk meniru cara manusia berkomunikasi.

LLM menggunakan teknik machine learning, khususnya neural networks (NN), yang terinspirasi oleh struktur otak manusia. Neural networks terdiri dari node dan koneksi yang berfungsi menyerupai neuron dan sinaps dalam otak, memungkinkan model untuk mempelajari hubungan dan pola dalam bahasa.

Model ini dapat digunakan untuk berbagai tugas, seperti menerjemahkan bahasa, menjawab pertanyaan dalam chatbot, merangkum teks, dan bahkan menulis cerita atau kode komputer. Meskipun LLM tidak memiliki pikiran atau perasaan, mereka sering kali terdengar seperti manusia karena telah dilatih untuk merespons menggunakan pola bahasa yang alami.

Untuk membuat respons lebih relevan dan kontekstual, developer sering melakukan fine-tuning menggunakan proses yang dikenal sebagai reinforcement learning from human feedback (RLHF), yang melibatkan umpan balik manusia untuk meningkatkan kualitas interaksi.

Model multimodal adalah jenis model kecerdasan buatan yang dapat bekerja dengan berbagai jenis data, termasuk teks, gambar, dan suara, secara bersamaan. Kemampuan ini menjadikan model multimodal sangat serbaguna, karena mereka mampu mengintegrasikan informasi dari berbagai sumber untuk menyelesaikan tugas yang kompleks, seperti menjawab pertanyaan berdasarkan gambar atau menganalisis video.

Model ini adalah multitasker sejati, karena dapat memproses dan menggabungkan data dari berbagai mode untuk menciptakan pemahaman yang lebih mendalam dan kontekstual. Misalnya, model multimodal dapat membaca teks sekaligus memahami gambar yang relevan, sehingga mampu memberikan respons yang lebih informatif dan akurat.

Manfaat AI yang bertanggung jawab (Responsible AI) terletak pada tanggung jawab moral dan etis dalam merancang serta mengimplementasikan sistem tersebut. Sistem AI yang digunakan seperti pendidikan dan kesehatan, memiliki potensi besar untuk memengaruhi keputusan penting.

Namun, karena AI diciptakan oleh manusia dan dilatih menggunakan data dari dunia nyata yang penuh ketidaksempurnaan, model AI dapat mencerminkan bias atau prasangka yang ada dalam data tersebut.

Praktik Responsible AI berfokus pada penciptaan sistem yang aman, adil, dan inklusif dengan memahami data yang digunakan dalam pelatihan dan mengatasi kelemahannya. Tujuannya, agar hasil yang dihasilkan oleh sistem AI mencerminkan keragaman masyarakat secara keseluruhan dan tidak hanya menguntungkan kelompok-kelompok tertentu.

Oleh karenanya, penerapan Responsible AI menjadi langkah penting untuk memastikan bahwa teknologi ini tidak menimbulkan ketidakadilan atau diskriminasi.

Meskipun kecerdasan buatan generatif dapat menciptakan karya yang menakjubkan, seperti cerita, puisi, atau musik, sistem ini juga menghadapi tantangan besar, terutama dalam hal akurasi.

Salah satu fenomena yang sering terjadi adalah halusinasi, di mana sistem generatif AI memberikan respons yang tidak akurat atau sepenuhnya salah. Halusinasi ini muncul karena AI tidak memiliki kemampuan untuk membedakan antara fakta dan fiksi, dan hanya mengandalkan pola yang dipelajarinya dari data.

Untuk mengatasi halusinasi, developer menggunakan teknik yang disebut grounding, dengan menambahkan informasi dari sumber tepercaya untuk membantu sistem memberikan tanggapan yang lebih akurat. Namun, halusinasi tetap menjadi tantangan besar, terutama ketika sistem tidak memiliki informasi terkini atau relevan.

Dalam perkembangan teknologi AI, pembelajaran mesin, large language models, dan model multimodal adalah beberapa elemen yang paling menonjol. Praktik Responsible AI diperlukan untuk memastikan bahwa teknologi ini digunakan secara etis, sementara tantangan seperti halusinasi terus menjadi fokus perbaikan.