Kecerdasan Buatan atau Artificial Intelligence (AI) tengah menjadi teknologi yang diadopsi di banyak bidang. Berikut beberapa istilah yang perlu diketahui dari teknologi ini.
Tren AI tumbuh pesat usai generative AI ChatGPT menarik perhatian publik di akhir 2022. AI generatif berbasis teks tersebut kemudian memicu gelombang adopsi GenAI besar-besaran dari berbagai perusahaan.
Beberapa orang sudah tak begitu asing dengan istilah-istilah yang menempel pada teknologi AI, seperti prompt dan machine learning. Namun, masih banyak juga istilah yang lebih teknis sehingga tak banyak yang familiar.
Dikutip dari Microsoft, berikut daftar istilah AI yang perlu kita ketahui:Kenapa AI Tak Bisa Mengeja \’Strawberry\’?
Reasoning/planning
Komputer yang menggunakan AI dapat memecahkan masalah dan menyelesaikan tugas dengan menggunakan pola yang telah mereka pelajari dari data historis untuk memahami informasi.
Proses ini mirip dengan penalaran (reasoning) atau proses berpikir logis. Sistem AI yang paling canggih menunjukkan kemampuan untuk melangkah lebih jauh dari ini dan dapat mengatasi masalah yang semakin kompleks dengan membuat perencanaan (planning). Ia bisa merancang urutan tindakan yang perlu diterapkan untuk mencapai tujuan tertentu.
Sebagai contoh, bayangkan Anda meminta bantuan program AI untuk membuat rencana perjalanan ke taman bermain. Anda menulis \”saya ingin mengunjungi enam wahana berbeda di taman bermain X, termasuk wahana air di waktu terpanas di hari Sabtu, 5 Oktober\”.
Berdasarkan tujuan Anda tersebut, sistem AI dapat memecahnya menjadi langkah-langkah kecil untuk membuat jadwal sambil menggunakan penalaran, untuk memastikan Anda tidak mengunjungi wahana yang sama dua kali, dan bahwa Anda bisa menaiki wahana air antara jam 12 siang sampai jam 3 sore.Ratusan Perusahaan Pakai Surat Edaran AI meski Sifatnya AnjuranTraining/interference
Ada dua langkah yang dilakukan untuk membuat dan menggunakan sistem AI, yakni pelatihan (training) dan inferensi (interference).
Pelatihan adalah aktivitas mendidik atau mengajari sistem AI di mana ia akan diberikan dataset, dan sistem AI tersebut belajar melakukan tugas atau membuat prediksi berdasarkan data tersebut.
Misalnya, sistem AI diberikan daftar harga rumah yang baru-baru ini dijual di suatu lingkungan, lengkap dengan jumlah kamar tidur dan kamar mandi di masing-masing rumah tersebut dan banyak variabel lainnya.
Selama pelatihan, sistem AI akan menyesuaikan parameter internalnya. Parameter internal yang dimaksud merupakan sebuah nilai yang menentukan berapa banyak bobot yang harus diberikan terhadap tiap variabel, dan bagaimana ia memengaruhi harga jual rumah.
Sementara itu, inferensi adalah ketika sistem AI menggunakan pola dan parameter yang telah dipelajari tadi untuk menghasilkan prediksi harga untuk rumah yang baru akan dipasarkan di masa depan.Grok AI Elon Musk Hasilkan Gambar Tanpa \’Sensor\’, Obama Jadi KorbanSmall Language Model (SLM)
SLM atau model bahasa kecil adalah versi mini dari model bahasa besar, atau large language models (LLM).
Keduanya menggunakan teknik pembelajaran mesin (machine learning) untuk membantu mereka mengenali pola dan hubungan, sehingga mereka dapat menghasilkan respons dalam bahasa sehari-hari yang realistis.
Jika LLM berukuran sangat besar dan membutuhkan daya komputasi dan memori yang besar, SLM seperti Phi-3 dilatih menggunakan dataset lebih kecil yang terkurasi dan memiliki parameter yang lebih sedikit, sehingga lebih ringkas dan bahkan dapat digunakan secara offline alias tanpa koneksi internet.
Ini membuat SLM cocok diaplikasikan di perangkat seperti laptop atau ponsel, di mana pengguna mungkin ingin mengajukan pertanyaan sederhana tentang perawatan hewan peliharaan, tetapi tidak perlu mengetahui informasi terperinci.
Grounding
Sistem generative AI dapat menyusun cerita, puisi, dan lelucon, serta menjawab pertanyaan penelitian. Namun, terkadang mereka kesulitan membedakan fakta dan fiksi, atau mungkin data pelatihan mereka sudah ketinggalan zaman, sehingga sistem AI dapat memberikan tanggapan yang tidak akurat, suatu fenomena yang disebut sebagai halusinasi.
Developers bekerja untuk membantu AI berinteraksi dengan dunia nyata secara akurat melalui proses grounding. Ini adalah proses ketika developers menghubungkan dan menambatkan model mereka dengan data dan contoh nyata untuk meningkatkan akurasi dan menghasilkan output yang lebih relevan secara kontekstual dan dipersonalisasi.
Retrieval Augmented Generation (RAG)
Ketika developers memberikan akses sistem AI ke sumber grounding untuk membantunya menjadi lebih akurat dan terkini, mereka menggunakan metode yang disebut Retrieval Augmented Generation atau RAG.
Pola RAG menghemat waktu dan sumber daya dengan memberikan pengetahuan tambahan tanpa harus melatih ulang program AI.
Metode ini seolah-olah AI adalah detektif Sherlock Holmes dan telah membaca setiap buku di perpustakaan tetapi belum bisa memecahkan suatu kasus, jadi AI naik ke loteng, membuka beberapa gulungan naskah kuno, dan baru bisa memecahkan kasus.
Orkestrasi hingga GPU di halaman berikutnya…