- Memahami sistem AI memerlukan pengetahuan tentang jaringan neural dan data.
- Sistem AI menggunakan model untuk memproses data dan menghasilkan output.
- Memahami model AI membantu kita memahami bagaimana sistem AI bekerja dengan data.
pibitek.biz -Kita sering mendengar istilah AI atau AI dalam berbagai konteks. Mulai dari smartphone Android, rekomendasi film di layanan streaming, hingga kurasi playlist di platform musik. Namun, bagaimana definisi AI berkembang sepanjang waktu, dan apa arti istilah-istilah teknis AI yang lebih canggih? Mari kita jelajahi istilah-istilah kunci dan konsep yang mendefinisikan AI modern, sehingga kita dapat memahami kompleksitas dan perkembangan teknologi ini. Pada awalnya, AI merujuk pada kecerdasan manusia yang dihasilkan secara artifisial melalui mesin.
2 – SimpliSafe Rilis Layanan Pemantauan Aktif Waktu Nyata 2 – SimpliSafe Rilis Layanan Pemantauan Aktif Waktu Nyata
3 – Fitur Canvas ChatGPT Tampilkan Perubahan Teks 3 – Fitur Canvas ChatGPT Tampilkan Perubahan Teks
Namun, istilah ini telah meluas dan menjadi istilah pemasaran yang umum. Sekarang, segala hal yang menunjukkan karakteristik kecerdasan, dari rekomendasi e-commerce hingga sistem pengenalan suara, disebut sebagai AI. Untuk memahami nuansa istilah-istilah ini, kita harus mengeksplorasi istilah-istilah spesifik yang membedakan antara hype pemasaran dan kemajuan teknologi. Machine learning adalah subkategori AI yang memungkinkan sistem belajar dari data dan pengalaman untuk membuat keputusan atau melakukan aksi.
Misalnya, jika kita memberikan algoritma ribuan gambar kucing, sistem dapat belajar mengidentifikasi kucing. Proses belajar ini melibatkan dua fase utama: pelatihan dan inferensi. Fase pelatihan adalah tahap panjang dalam machine learning di mana sistem diberikan sejumlah besar data untuk dipelajari. Data yang digunakan dapat spesifik, seperti gambar kucing, atau mencakup sampel yang lebih besar, seperti internet secara keseluruhan. Pelatihan sistem AI modern seperti ChatGPT dapat memerlukan biaya jutaan dan membutuhkan sumber daya komputasi yang besar.
Setelah pelatihan, sistem menerapkan pengetahuan yang dipelajari ke data baru. Fase ini adalah di mana pengguna akhir berinteraksi dengan aplikasi AI. Misalnya, sekarang sistem tahu apa itu kucing, kita dapat memberikan gambar, dan sistem dapat mengidentifikasi kucing. Tanya Google Gemini atau Microsoft Copilot apa ibukota Inggris, dan mereka akan memberikan jawaban. Dalam fase ini, sistem menggunakan pengetahuan yang telah dipelajari. Fase ini memerlukan daya komputasi yang jauh lebih rendah. AGI merujuk pada mesin dengan kecerdasan manusia, yang mampu membuat keputusan, merencanakan, dan memahami dunia dalam konteks yang lebih luas.
Berbeda dengan sistem AI saat ini, AGI akan memiliki pemahaman yang lebih dalam dan kesadaran, seperti yang kita lihat di fiksi ilmiah. Meskipun kita masih jauh dari mencapai AGI, karena memecahkan kode ini memerlukan pertanyaan teknis, filosofis, dan moral yang banyak, AGI merupakan area penelitian yang signifikan. AI Generatif melampaui ide klasifikasi dan pengenalan, untuk menciptakan konten baru, seperti teks, gambar, dan musik. Kemajuan revolusioner ini telah membuka kemungkinan baru dalam AI, memungkinkan sistem menciptakan output kreatif berdasarkan data input.
Ini juga merupakan sisi AI yang memberikan manfaat nyata bagi pengguna sehari-hari, terutama jika kita pernah menggunakan ChatGPT untuk menulis email atau Midjourney untuk membuat gambar kucing. Jaringan neural adalah blok bangunan dasar dan tulang punggung AI modern. Jaringan neural telah ada selama beberapa dekade dan terinspirasi oleh otak manusia. Jaringan neural terdiri dari neuron yang terhubung yang memproses data melalui lapisan yang berbeda, menghasilkan output. Pelatihan jaringan neural melibatkan penyesuaian sambungan antara neuron untuk meningkatkan akurasi.
Jenis khusus jaringan neural, jaringan transformator, telah memungkinkan pengembangan LLM seperti ChatGPT. Jaringan transformator ini sangat baik dalam memahami konteks dan hubungan dalam data, membuatnya ideal untuk tugas pengolahan bahasa. Ketika jaringan neural, transformator, dan pelatihan untuk jaringan neural besar digabungkan, maka LLM lahir. LLM dilatih dengan sejumlah besar data teks, memungkinkan mereka menghasilkan respons yang mirip dengan manusia. Bayangkan ChatGPT, Claude, LLaMA, dan Grok.
Mereka bekerja dengan memprediksi kata berikutnya dalam urutan, menciptakan output yang koheren dan relevan secara kontekstual. Namun, sifat prediktif ini dapat menyebabkan masalah seperti halusinasi, di mana model menghasilkan informasi yang masuk akal tetapi salah. Halusinasi terjadi ketika AI menghasilkan informasi yang salah karena bergantung pada pemodelan prediktif. Ini adalah tantangan besar bagi LLM, karena mereka dapat menghasilkan output yang meyakinkan tetapi salah. Contoh klasik dari halusinasi adalah jawaban untuk pertanyaan Google, "Bagaimana cara menghentikan keju dari slip dari pizza?", yang termasuk jawaban AI yang ditingkatkan,
"Kamu harus menggunakan lem super. Lem itu ke pizza". LLM mengambil jawaban dari postingan Reddit dan percaya bahwa jawaban itu benar. Efektifitas model AI sering diukur oleh total parameter, yang mewakili sambungan dalam jaringan neural. Model yang lebih besar dengan lebih banyak parameter umumnya berkinerja lebih baik tetapi memerlukan lebih banyak sumber daya. Model yang lebih kecil secara teori kurang akurat tetapi dapat berjalan di hardware yang lebih sederhana. Misalnya, model cloud LLaMA 3.1 yang besar memiliki 405 miliar parameter, sedangkan model yang berjalan secara asli di smartphone hanya memiliki beberapa miliar parameter.
Model difusi digunakan untuk menghasilkan gambar, dan proses ini membalik proses menambahkan kebisingan ke gambar selama pelatihan. Ini memungkinkan model untuk menciptakan gambar baru dari kebisingan acak, dipandu oleh pola yang dipelajari. RAG menggabungkan AI Generatif dengan sumber data eksternal untuk menghasilkan hasil yang akurat dan relevan secara kontekstual. Dengan mengambil data tambahan, model ini dapat meningkatkan outputnya, membuatnya lebih dapat diandalkan dan berguna. Memahami istilah-istilah AI dan konsep-konsepnya dapat sangat menantang.
Namun, ketika bidang ini terus berkembang, memahami istilah-istilah ini akan membantu kita bernavigasi di dunia AI yang menarik dan menantang. Apakah kita adalah penggemar teknologi atau profesional di bidang ini, panduan ini memberikan fondasi yang kuat untuk menjelajahi masa depan AI. Jadi, itulah beberapa istilah penting dalam AI yang perlu kita ketahui. Dengan memahami istilah-istilah ini, kita dapat lebih memahami bagaimana AI bekerja dan bagaimana kita dapat menggunakan teknologi ini untuk meningkatkan kehidupan kita.
Mari kita terus belajar dan menjelajahi dunia AI yang menarik ini! Penting untuk diingat bahwa AI adalah bidang yang terus berkembang, dan istilah-istilah yang kita pelajari hari ini mungkin akan berubah di masa depan. Namun, dengan memahami dasar-dasar AI, kita dapat lebih mudah mengikuti perkembangan teknologi ini dan memanfaatkannya untuk meningkatkan kehidupan kita. Jangan ragu untuk terus belajar dan menjelajahi dunia AI yang menarik ini. Dengan memahami istilah-istilah AI dan konsep-konsepnya, kita dapat lebih memahami bagaimana teknologi ini bekerja dan bagaimana kita dapat menggunakan teknologi ini untuk meningkatkan kehidupan kita.