Teknologi kecerdasan buatan (Artificial Intelligence/AI) berkembang pesat dalam beberapa tahun terakhir, terutama sejak kemunculan generative AI yang semakin populer pada akhir 2022. Namun, banyak istilah dalam AI yang sering membuat orang awam kebingungan. Untuk memastikan Anda tetap update dan memahami perkembangan teknologi ini, berikut adalah 10 istilah penting dalam AI yang harus diketahui.
1. Penalaran (Reasoning) dan Perencanaan (Planning)
AI kini mampu memecahkan masalah dan menyelesaikan tugas dengan pola yang dipelajari dari data historis. Ini disebut sebagai penalaran, yang memungkinkan AI memahami informasi dan membuat keputusan berbasis logika. AI yang lebih canggih juga memiliki kemampuan perencanaan, yaitu menyusun urutan tindakan untuk mencapai tujuan tertentu.
Contoh penggunaan perencanaan AI dapat ditemukan dalam asisten perjalanan berbasis AI. Misalnya, jika Anda ingin mengunjungi enam wahana berbeda di taman bermain, AI dapat membuat jadwal dengan mempertimbangkan faktor cuaca, kepadatan pengunjung, dan waktu terbaik untuk menaiki wahana tertentu.
2. Pelatihan (Training) dan Inferensi (Inference)
Dua langkah utama dalam pembuatan dan penggunaan AI adalah pelatihan dan inferensi:
- Pelatihan adalah tahap di mana sistem AI diberikan dataset untuk mempelajari pola dan membuat model prediksi. Misalnya, AI dapat dilatih dengan data harga rumah untuk memahami bagaimana berbagai faktor mempengaruhi harga jual.
- Inferensi adalah saat AI menggunakan model yang telah dilatih untuk membuat prediksi atau keputusan berdasarkan data baru.
AI yang digunakan dalam aplikasi seperti Google Translate atau sistem rekomendasi di Netflix telah melalui proses pelatihan sebelum akhirnya digunakan dalam inferensi untuk memberikan hasil yang sesuai.
3. Model Bahasa Kecil (Small Language Model/SLM)
Model Bahasa Kecil (SLM) adalah versi lebih kecil dari Large Language Model (LLM). SLM menggunakan dataset yang lebih kecil dan parameter yang lebih sedikit, memungkinkan penggunaan yang lebih efisien di perangkat dengan sumber daya terbatas, seperti smartphone atau laptop.
Sebagai contoh, model AI seperti Phi-3 dapat berjalan secara offline di perangkat tanpa memerlukan koneksi internet, sementara model AI besar seperti ChatGPT atau Claude memerlukan daya komputasi besar di server cloud.
4. Grounding
Salah satu tantangan utama dalam AI generatif adalah kemampuannya untuk membedakan fakta dari fiksi. AI dapat mengalami halusinasi, yaitu memberikan informasi yang tidak akurat atau tidak relevan. Untuk mengatasi ini, dikembangkan konsep grounding, di mana AI dihubungkan dengan data dunia nyata agar hasil yang diberikan lebih akurat dan kontekstual.
Misalnya, AI yang digunakan dalam pencarian berita dapat di-grounding dengan data dari sumber berita terpercaya untuk memastikan informasi yang diberikan relevan dan terbaru.
5. Retrieval Augmented Generation (RAG)
RAG adalah metode yang memungkinkan AI mencari informasi eksternal untuk melengkapi jawabannya tanpa harus melatih ulang model dari awal. Ini menghemat waktu dan sumber daya serta memastikan jawaban lebih akurat.
Sebagai contoh, chatbot layanan pelanggan dapat menggunakan RAG untuk mencari informasi dari database perusahaan agar memberikan jawaban yang lebih akurat kepada pelanggan tanpa harus menyimpan semua data dalam model AI itu sendiri.
6. Orkestrasi (Orchestration)
AI tidak hanya bekerja dalam satu langkah, tetapi melalui banyak proses yang harus diatur dengan baik. Orkestrasi adalah proses mengatur langkah-langkah yang harus dilakukan AI untuk memberikan respons yang lebih baik dan kontekstual.
Misalnya, dalam chatbot AI seperti Microsoft Copilot, jika Anda bertanya “Siapa Albert Einstein?” dan kemudian bertanya “Kapan dia lahir?”, sistem harus memahami bahwa “dia” merujuk pada Einstein. Orkestrasi membantu memastikan bahwa AI dapat memahami konteks ini secara akurat.
7. Memori dalam AI
Meskipun AI secara teknis tidak memiliki “memori” seperti manusia, beberapa sistem AI dapat mengatur informasi dalam jangka pendek maupun panjang. Sistem ini membantu AI “mengingat” informasi dalam sesi interaksi yang sedang berlangsung.
Sebagai contoh, AI dalam chatbot dapat menyimpan riwayat percakapan untuk beberapa waktu agar dapat memberikan jawaban yang lebih relevan. Dalam aplikasi bisnis, AI dapat menyimpan preferensi pelanggan untuk memberikan rekomendasi yang lebih personal.
8. Transformer Models dan Diffusion Models
Dua model utama dalam AI generatif adalah transformer models dan diffusion models:
- Transformer Models digunakan dalam pemrosesan bahasa alami (Natural Language Processing/NLP), seperti yang ditemukan dalam ChatGPT. Model ini memahami konteks dalam sebuah teks dengan mempertimbangkan urutan kata sebelumnya untuk menghasilkan respons yang lebih akurat.
- Diffusion Models digunakan dalam pembuatan gambar AI. Model ini bekerja dengan menambahkan kebisingan secara bertahap ke gambar acak dan kemudian menyusunnya kembali menjadi gambar yang lebih jelas sesuai dengan permintaan pengguna.
Salah satu contoh populer dari diffusion models adalah Stable Diffusion, yang memungkinkan pengguna membuat gambar realistis dari teks deskriptif.
9. Frontier Models
Frontier models adalah model AI canggih yang terus mendorong batas kemampuan AI ke tingkat yang lebih tinggi. Model-model ini dikembangkan oleh perusahaan teknologi besar seperti Microsoft, Google, dan OpenAI untuk menangani tugas-tugas yang lebih kompleks.
Beberapa frontier models saat ini mencakup GPT-4, Gemini dari Google, dan Claude dari Anthropic. Model-model ini dikembangkan dengan berbagai pertimbangan, termasuk keamanan, keandalan, dan efisiensi komputasi.
10. GPU (Graphics Processing Unit)
GPU adalah komponen kunci dalam pengembangan AI. Awalnya dirancang untuk menangani grafis dalam video game, GPU kini digunakan dalam AI untuk melakukan pemrosesan paralel yang sangat kompleks.
Dalam pelatihan model AI, GPU sangat dibutuhkan karena dapat menangani banyak perhitungan secara simultan. Model AI paling canggih saat ini menggunakan ribuan GPU yang bekerja secara bersamaan dalam pusat data besar seperti Microsoft Azure atau Google Cloud.
Memahami istilah-istilah dalam AI sangat penting agar kita tidak tertinggal dalam perkembangan teknologi yang semakin cepat. Dari konsep dasar seperti pelatihan dan inferensi, hingga model AI terbaru seperti transformer models dan frontier models, semua elemen ini berperan dalam evolusi AI.
Sebagai pengguna, memahami teknologi ini membantu kita lebih bijak dalam memanfaatkan AI dalam kehidupan sehari-hari, baik untuk keperluan pribadi, pekerjaan, maupun bisnis. Dengan terus mengikuti perkembangan AI, kita dapat lebih siap menghadapi masa depan yang semakin terdigitalisasi