10 Istilah AI yang Wajib Kamu Ketahui

NATIVZEN.com – Sejak Generative AI semakin populer pada akhir tahun 2022, sebagian besar dari kita telah memperoleh pemahaman dasar tentang teknologi tersebut dan bagaimana teknologi ini menggunakan bahasa sehari-hari untuk membantu kita berinteraksi dengan komputer secara lebih mudah. . 

Dengan mengetahui beberapa istilah dasar dari dunia AI, kita pun bisa menambah wawasan terkait perkembangan teknologi tersebut, terutama di Indonesia. Kita pun bisa mengetahui bagaimana cara AI bekerja.

Terkait dengan hal itu, tak sedikit bagi para pengguna ChatGPT yang merasa awam terhadap bagaimana AI bisa mengetahui berbagai informasi yang sangat luas. Maka dari itu, berikut ini adalah beberapa istilah AI yang wajib kamu ketahui:

Penalaran (Reasoning)/Perencanaan (Planning)

Komputer yang menggunakan AI kini dapat memecahkan masalah dan menyelesaikan sejumlah tugas dengan lebih cepat menggunakan pola yang telah mereka pelajari dari data historis untuk memahami informasi yang diminta.

Proses ini mirip dengan penalaran 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.

Dengan kata lain, AI bisa merancang urutan tindakan yang perlu diterapkan untuk mencapai tujuan tertentu. Sebagai contoh, kamu meminta bantuan program AI untuk membuat rencana perjalanan ke taman bermain.

Kamu menulis “saya ingin mengunjungi enam wahana berbeda di taman bermain X, termasuk wahana air di waktu terpanas di hari Sabtu, 5 Oktober”. Berdasarkan permintaan tersebut, AI dapat memecahnya menjadi langkah-langkah kecil untuk membuat jadwal sambil melakukan penalaran.

Jawaban yang dikeluarkan oleh AI juga bertujuan untuk memastikan kamu tidak mengunjungi wahana yang sama berkali, dan bahwa kamu juga bisa menaiki wahana air yang diinginkan antara jam 12 siang sampai jam 3 sore.

Pelatihan (Training)/Inferensi (Inference)

Ada dua langkah yang dilakukan untuk membuat dan menggunakan AI, yakni pelatihan dan inferensi. Pelatihan adalah aktivitas mendidik 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, serta beberapa variabel lainnya. Saat ditraining, AI akan menyesuaikan parameter internalnya. 

Parameter internal yang dimaksud merupakan sebuah nilai yang menentukan berapa banyak bobot yang harus diberikan terhadap setiap variabel, dan bagaimana ia memengaruhi harga jual rumah yang dipasarkan.

Sementara itu, inferensi adalah ketika sistem AI menggunakan pola dan parameter yang telah dipelajari tadi untuk menghasilkan prediksi harga dari rumah yang baru akan dipasarkan di masa depan.

Model Bahasa Kecil (Small Language Model/SLM)

SLM adalah versi mini dari Model Bahasa Besar, atau Large Language Models (LLM). Keduanya menggunakan teknik machine learning untuk membantu mengenali pola dan hubungan, sehingga dapat menghasilkan respons dalam bahasa sehari-hari yang realistis. 

Jika LLM berukuran sangat besar dan membutuhkan daya komputasi serta memori yang besar, SLM seperti Phi-3 dilatih menggunakan dataset yang ukurannya lebih kecil, yang terkurasi dan memiliki parameter yang lebih sedikit

Karena itu, SLM lebih ringkas dan bahkan dapat digunakan tanpa koneksi internet. Ini membuatnya cocok diaplikasikan di laptop atau smartphone, di mana kamu mungkin hanya ingin mengajukan pertanyaan sederhana, seperti tentang cara merawat hewan peliharaan.

Grounding

Generative AI dapat menyusun cerita, puisi, dan lelucon, serta menjawab pertanyaan penelitian. Tetapi terkadang mereka kesulitan membedakan fakta dan fiksi, atau mungkin data pelatihan mereka sudah ketinggalan zaman, sehingga memberikan tanggapan yang tidak akurat.

Untuk mengatasi hal ini, para pengembang akan bekerja membantu AI berinteraksi dengan dunia nyata secara akurat melalui proses grounding. Ini adalah proses ketika pengembang menghubungkan dan menambatkan model mereka dengan data dan contoh nyata.

Hal ini tentunya bertujuan untuk meningkatkan akurasi dan menghasilkan output AI yang lebih relevan secara kontekstual dan dipersonalisasi. Dengan begitu, AI bisa memberikan jawaban yang lebih akurat dari pertanyaan yang kamu berikan.

Retrieval Augmented Generation (RAG)

Ketika pengembang atau developer memberikan akses sistem AI ke sumber grounding untuk membantunya menjadi lebih akurat, mereka menggunakan metode yang disebut Retrieval Augmented Generation atau RAG.

Menariknya, pola RAG dapat menghemat waktu dan sumber daya dengan memberikan pengetahuan tambahan tanpa harus melatih ulang program AI. Ini seolah-olah kamu adalah detektif Sherlock Holmes untuk memecahkan sebuah kasus.

Kamu telah membaca setiap buku di perpustakaan tetapi belum bisa memecahkan suatu kasus. Karena itu, kamu harus terus bekerja hingga akhirnya kamu harus masuk ke dalam gudang untuk membuka beberapa gulungan naskah kuno.

Hal hasil, kerja keras yang dilakukan tidak sia-sia karena kamu akhirnya bisa menemukan potongan teka-teki yang hilang. Dengan kata lain, kamu pun berhasil untuk memecahkan kasus yang sebelum terbilang sulit untuk diselesaikan.

Contoh lain, jika kamu memiliki perusahaan pakaian dan ingin membuat chatbot yang dapat menjawab pertanyaan khusus terkait produk, kamu dapat menggunakan pola RAG di katalog produk untuk membantu pelanggan menemukan sweater hijau yang sempurna dari toko kamu.

Orkestrasi (Orchestration)

Program AI perlu melakukan banyak hal saat memproses permintaan pengguna. Untuk memastikan sistem AI ini melakukan semua tugas dalam urutan yang benar demi menghasilkan respons terbaik, seluruh tugas ini diatur oleh lapisan orkestrasi.

Sebagai contoh, jika kamu bertanya kepada Microsoft Copilot “siapa Ada Lovelace”. Kemudian menanyakan “kapan dia lahir” di prompt selanjutnya, orkestrator AI di sini menyimpan riwayat obrolan kamu untuk melihat bahwa kata “dia” di prompt kedua itu merujuk pada Ada Lovelace.

Lapisan orkestrasi juga dapat mengikuti pola RAG dengan mencari informasi terkini di internet untuk ditambahkan ke dalam konteks, sehingga dapat membantu model menghasilkan jawaban yang lebih tepat.

Ini seperti seorang konduktor yang mengisyaratkan kepada pemain biola, kemudian seruling dan oboe. Di sisi lain, konduktor ini juga perlu mengikuti lembaran-lembaran musik untuk menghasilkan suara yang ada dalam benaknya.

Memori

Model AI saat ini secara teknis tidak memiliki memori. Tetapi AI dapat mengatur instruksi yang membantu mereka “mengingat” informasi dengan mengikuti langkah-langkah spesifik dari setiap interaksi yang dilakukan.

AI akan menyimpan pertanyaan dan jawaban sebelumnya dalam obrolan secara sementara, dan kemudian memasukkan konteks tersebut dalam permintaan model saat ini, atau menggunakan data grounding dari pola RAG untuk memastikan respons yang diberikan.

Pengembang bereksperimen dengan lapisan orkestrasi untuk membantu AI mengetahui apakah mereka perlu mengingat rincian langkah secara sementara, atau akan lebih berguna jika sistem AI mengingat sesuatu dalam jangka waktu yang lebih lama dan menyimpannya secara permanen.

Transformer Models dan Diffusion Models

Orang-orang telah mengajarkan AI untuk memahami dan menghasilkan bahasa selama beberapa dekade, tetapi salah satu terobosan yang mempercepat kemajuan baru-baru ini adalah transformer models.

Di antara model Generative AI, transformer adalah model yang memahami konteks dan nuansa terbaik dan tercepat. Mereka adalah pendongeng yang fasih, memperhatikan pola data dan mempertimbangkan pentingnya input yang berbeda.

Hal ini untuk membantu mereka dengan cepat memprediksi apa yang akan terjadi selanjutnya, sehingga memungkinkan mereka menghasilkan teks. Bahkan transformer bisa diasosiasikan sebagai huruf T di ChatGPT (Generative Pre-trained Transformer).

Sementara itu, diffusion models yang umumnya digunakan untuk pembuatan gambar menambahkan sentuhan baru dengan bekerja secara lebih bertahap dan metodis. Ini menyebarkan piksel gambar dari posisi acak hingga didistribusikan menjadi ambar yang diminta.

Frontier Models

Frontier models adalah sistem skala besar yang mendorong batas-batas AI dan dapat melakukan berbagai macam tugas dengan kemampuan baru yang lebih luas. Mereka bisa sangat maju sehingga terkadang kita terkejut dengan apa yang dapat mereka capai.

Perusahaan teknologi, termasuk Microsoft membentuk Frontier Model Forum untuk berbagi pengetahuan, menetapkan standar keamanan, dan membantu semua orang memahami program AI yang kuat ini guna memastikan pengembangan yang aman dan bertanggung jawab.

GPU

GPU, yang merupakan singkatan dari Graphics Processing Unit, pada dasarnya adalah kalkulator bertenaga turbo. GPU awalnya dirancang untuk menghaluskan grafis fantastis dalam video game, dan kini menjadi otot dari komputasi.

Chip-nya yang turut disematkan memiliki banyak core kecil, yakni jaringan sirkuit dan transistor, yang menangani masalah matematika secara bersama-sama, atau disebut juga sebagai pemrosesan paralel. 

Hal ini pada dasarnya sama dengan yang AI lakukan memecahkan banyak perhitungan dalam skala besar untuk dapat berkomunikasi dalam bahasa manusia dan mengenali gambar atau suara. Karena itu, platform AI sangat memerlukan GPU, baik untuk pelatihan dan inferensi. 

Faktanya, model AI paling canggih saat ini dilatih menggunakan serangkaian besar GPU yang saling berhubungan terkadang berjumlah puluhan ribu dan tersebar di pusat data raksasa seperti yang dimiliki Microsoft di Azure.