AI (Artificial Intelligence atau kecerdasan buatan) merujuk pada kemampuan komputer atau mesin untuk meniru kecerdasan manusia. Tujuan utama dari AI adalah untuk membuat mesin mampu melakukan tugas yang biasanya membutuhkan pemikiran manusia, seperti pembelajaran, penalaran, pemecahan masalah, dan adaptasi terhadap situasi baru.Modern ini, AI sangat diperlukan diberbagai macam bidang. Jika Anda memerlukan penggunaan AI, hal pertama yang harus Anda lakukan adalah memahami istilah-istilah yang ada di dalam AI. Berikut 5 istilah AI yang popular dan perlu kamu ketahui sebagai penggunanya.
Machinel Learning
Pembelajaran mesin
Pembelajaran mesin (ML) adalah bagian dari kecerdasan buatan yang bertujuan agar mesin meniru cara manusia mempelajari sesuatu. Hal ini memungkinkan komputer untuk memproses dan menganalisis data, mengidentifikasi pola, belajar dari data, dan membuat keputusan.
Bahkan membantu menemukan wawasan tanpa diprogram untuk menemukan wawasan spesifik tersebut.
Algoritme ML menggunakan algoritme statistik untuk menganalisis data, membuat prediksi dan klasifikasi, menemukan wawasan dari data, dan memanfaatkan wawasan tersebut untuk membantu dalam mengambil keputusan di masa depan. Sistem pembelajaran mesin menjadi lebih akurat saat digunakan.
Terdapat beberapa tipe utama dari machine learning:
- Supervised Learning
Algoritma belajar dari data yang sudah diberi label, dengan menggunakan input-output yang telah ditentukan.
Contohnya adalah klasifikasi (seperti klasifikasi email spam atau non-spam) dan regresi (misalnya, memprediksi harga rumah berdasarkan fitur-fitur tertentu).
- Unsupervised Learning
Algoritma belajar dari data yang tidak memiliki label atau anotasi. Tujuan utamanya adalah menemukan pola atau struktur yang tersembunyi dalam data.
Contohnya adalah clustering data menjadi kelompok-kelompok yang memiliki kesamaan tertentu.
- Reinforcement Learning
Metode pembelajaran di mana agen belajar melalui interaksi dengan lingkungan yang dinamis.
Agen ini mencoba untuk menemukan strategi terbaik (kebijakan) untuk mengambil tindakan yang mengoptimalkan tujuan tertentu, seperti mendapatkan reward atau penghargaan yang maksimal.
- Semi-Supervised Learning
Kombinasi antara supervised dan unsupervised learning, di mana model menggunakan sedikit data yang diberi label dan banyak data yang tidak berlabel untuk melakukan tugas tertentu.
Machine learning melibatkan konsep-konsep seperti pengoptimalan, fungsi kehilangan (loss function), validasi model, generalisasi, overfitting, dan banyak lagi.
Dalam praktiknya, teknik-teknik machine learning digunakan dalam berbagai bidang, termasuk diagnostik medis, analisis keuangan, pengenalan wajah, pemrosesan bahasa alami, dan banyak aplikasi lainnya.
Prompt
Prompt adalah masukan yang dimasukkan pengguna ke sistem AI untuk mendapatkan hasil atau keluaran yang diinginkan atau jawaban tertentu.
Prompt ini bisa berupa teks atau kode yang digunakan untuk memulai atau mengarahkan sistem AI dalam menjalankan tugas tertentu.
Dalam konteks model bahasa seperti GPT (Generative Pre-trained Transformer) yang digunakan untuk menghasilkan teks, prompt sering kali digunakan sebagai permulaan atau pemandu bagi model tersebut untuk menghasilkan teks lanjutan berdasarkan petunjuk yang diberikan.
Prompt bisa berupa kalimat, pertanyaan, deskripsi singkat dari apa yang diinginkan, atau petunjuk lain yang memberikan konteks atau arahan kepada model tentang apa yang seharusnya dihasilkan.
Contoh penggunaan prompt:
Jika Anda ingin menggunakan model bahasa untuk menghasilkan deskripsi tentang binatang tertentu, prompt dapat berupa: “Buatlah deskripsi tentang singa yang menggambarkan sifat-sifatnya dan habitatnya.”
Atau, jika ingin menanyakan pertanyaan kepada model, prompt bisa berbunyi: “Apa yang Anda ketahui tentang black hole?”
Prompt sangat penting karena dapat memengaruhi hasil yang dihasilkan oleh model. Cara penyusunan prompt, kata-kata yang digunakan, dan informasi yang diberikan dalam prompt dapat memengaruhi respons atau output yang dihasilkan oleh sistem AI.
Seorang pengguna yang memahami cara yang tepat dalam memberikan prompt bisa memanfaatkannya untuk mendapatkan jawaban atau hasil yang lebih relevan dan sesuai dengan yang diinginkan.
Responsible AI
Responsible AI merupakan pendekatan dalam pengembangan dan penerapan kecerdasan buatan (AI) yang bertujuan untuk memastikan bahwa teknologi AI digunakan secara etis, adil, dan aman bagi individu dan masyarakat secara keseluruhan.
Pendekatan ini mempertimbangkan dampak sosial, keamanan, privasi, transparansi, dan akuntabilitas dalam pengembangan dan implementasi solusi AI.
Responsible AI juga melibatkan kesadaran terhadap bias, keadilan, kepercayaan, dan dampak jangka panjang dari sistem kecerdasan buatan.
Prinsip-prinsip utama dalam Responsible AI meliputi:
- Menyesuaikan pengembangan AI dengan nilai-nilai dan prinsip-prinsip etika yang diakui secara universal, memastikan bahwa sistem AI diarahkan pada manfaat bagi kesejahteraan manusia.
- Menyediakan pemahaman yang jelas tentang bagaimana sistem AI membuat keputusan atau prediksi, serta siapa yang bertanggung jawab atas tindakan yang diambil oleh teknologi tersebut.
- Memastikan bahwa sistem AI tidak memperkuat atau memperluas ketidakadilan yang ada dalam masyarakat, dan mengurangi sebanyak mungkin bias yang terdapat dalam data atau algoritma yang digunakan.
- Memperhatikan perlindungan privasi data dan mengimplementasikan langkah-langkah keamanan yang diperlukan untuk melindungi informasi pribadi yang digunakan dalam pengembangan solusi AI.
- Memperhatikan dampak sosial dan lingkungan dari penerapan teknologi AI, dengan memastikan bahwa penggunaan AI tidak merugikan atau merugikan masyarakat atau lingkungan sekitarnya.
- Melibatkan berbagai pihak yang terkena dampak, seperti pengguna, pakar domain, dan masyarakat umum, dalam proses pengembangan dan penggunaan solusi AI.
- Melakukan evaluasi terus-menerus terhadap sistem AI yang ada untuk memastikan bahwa teknologi tersebut tetap sesuai dengan prinsip-prinsip Responsible AI seiring berjalannya waktu.
Responsible AI memberikan landasan yang penting dalam pengembangan dan penggunaan teknologi AI agar dapat meningkatkan manfaatnya bagi manusia dan meminimalkan risiko serta dampak negatif yang mungkin timbul.
Model Multimodal
Sistem AI yang dapat menerima masukan dan menghasilkan keluaran di berbagai kategori media, biasanya teks, gambar, audio, dan video.
Tujuan utama dari model multimodal adalah untuk memungkinkan komputer atau sistem AI untuk memproses dan menggabungkan informasi dari berbagai jenis sumber data untuk menghasilkan pemahaman yang lebih kaya dan holistik.
Contoh dari model multimodal termasuk:
- Multimodal Neural Networks
Ini adalah jaringan saraf yang dirancang khusus untuk menangani input dari berbagai jenis data, seperti teks dan gambar, dan mengintegrasikannya menjadi satu sistem yang dapat memproses informasi dari semua modalitas tersebut.
- Multimodal Fusion
Pendekatan yang menggabungkan informasi dari berbagai modalitas (misalnya, teks, gambar, suara) ke dalam representasi yang terpadu dan diperkaya.
Fusion ini bisa dilakukan pada berbagai tingkatan, mulai dari tingkat rendah seperti fitur, hingga tingkat yang lebih tinggi seperti representasi semantik.
- Transformer-based Models
Model-model seperti BERT (Bidirectional Encoder Representations from Transformers) yang mampu menggabungkan informasi dari teks dalam berbagai bahasa, atau model-model yang menggunakan teknik self-attention untuk memproses teks dan gambar secara bersamaan.
- Cross-modal Retrieval
Model yang memungkinkan pencarian atau korespondensi antara berbagai jenis media, seperti mencari gambar berdasarkan deskripsi teks atau sebaliknya.
- Multimodal Sentiment Analysis
Sistem yang dapat menafsirkan emosi atau sentimen dari teks, gambar, dan suara secara bersamaan.
Model-model multimodal ini penting dalam pengembangan sistem AI yang mampu memahami dan memanfaatkan informasi dari berbagai sumber, mirip dengan cara manusia memproses dan menggabungkan informasi dari berbagai indera untuk mendapatkan pemahaman yang lebih lengkap dan kaya akan konteks.
Kehadiran model multimodal memberikan kemungkinan baru dalam berbagai aplikasi seperti pengenalan wajah, pemrosesan bahasa alami, analisis video, dan banyak lagi, yang membutuhkan integrasi informasi dari berbagai sumber.
Copilot dan Plugin
Copilot adalah alat yang dikembangkan oleh GitHub dan OpenAI yang menggunakan teknologi kecerdasan buatan untuk memberikan saran kode kepada pengembang selama proses penulisan kode.
Copilot memahami konteks kode yang sedang ditulis dan memberikan rekomendasi potongan kode atau fungsi berdasarkan pola dan informasi dari jutaan kode yang telah ada.
Ini membantu pengembang dalam menulis kode dengan lebih cepat dan efisien dengan menyediakan saran yang relevan dan sesuai.
Sementara itu, plugin dalam konteks kecerdasan buatan (AI) adalah tambahan atau ekstensi yang diintegrasikan ke dalam lingkungan pengembangan atau perangkat lunak tertentu untuk memberikan fitur tambahan atau kemampuan tertentu yang disesuaikan dengan kebutuhan pengguna.
Dalam konteks AI, plugin bisa menjadi bagian dari perangkat lunak atau lingkungan pengembangan yang memperluas fungsionalitas dengan menambahkan fitur-fitur yang memanfaatkan teknologi AI, seperti integrasi dengan layanan analisis teks, pengenalan wajah, pengenalan suara, atau alat bantu lainnya yang menggunakan kecerdasan buatan.
Sebagai contoh, GitHub Copilot dapat diintegrasikan sebagai plugin dalam berbagai lingkungan pengembangan atau editor kode seperti Visual Studio Code.
Pengguna dapat mengaktifkan atau menggunakan Copilot sebagai ekstensi dalam editor tersebut, memungkinkan mereka untuk mendapatkan saran kode secara langsung di dalam lingkungan pengembangan yang sedang digunakan. Dengan demikian, Copilot adalah alat yang memanfaatkan kecerdasan buatan untuk memberikan saran kode, sedangkan plugin AI adalah tambahan yang terintegrasi ke dalam perangkat lunak atau lingkungan pengembangan untuk menyediakan fungsionalitas yang memanfaatkan teknologi kecerdasan buatan dalam konteks tertentu.