9 Istilah AI Lanjutan, Wajib Dikuasai di Era Digital

2. Pelatihan (training) dan inferensi (inference)

Ada dua langkah yang dilakukan untuk membuat sistem AI, yaitu pelatihan dan inferensi. Pelatihan adalah aktivitas mendidik AI di mana ia akan diberikan dataset. Sistem AI akan belajar melakukan tugas atau membuat prediksi berdasarkan data tersebut.

Misalnya, sistem AI diberikan daftar harga rumah yang baru-baru ini dijual, lengkap dengan informasi jumlah kamar tidur dan kamar mandi. Selama pelatihan, sistem AI akan menyesuaikan parameter internalnya.

Dengan data yang diberikan, AI bisa dilatih untuk melihat variabel-variabel penting yang memengaruhi harga sebuah rumah. 

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

3. Model bahasa kecil (small language model/SLM)

ilustrasi ChatGPT (unsplash.com/Levart_Photographer)

Model bahasa kecil, atau SLM, adalah versi mini dari model bahasa besar, atau large language models (LLM). Dua model bahasa tersebut menggunakan teknik pembelajaran mesin (machine learning) untuk membantu mereka mengenali pola dan hubungan. 

Dengan begitu, AI bisa 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.

Dataset ini sudah dikurasi dan memiliki parameter yang lebih sedikit, sehingga lebih ringkas dan bahkan bisa digunakan secara offline. 

4. Grounding

Sistem generative AI bisa menyusun cerita, puisi, dan lelucon, serta menjawab pertanyaan penelitian. Namun terkadang, mereka kesulitan membedakan fakta dan fiksi, sehingga sistem AI bisa memberikan tanggapan yang tidak akurat. Ini juga dikenal 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. Ini berguna untuk meningkatkan akurasi dan menghasilkan output yang lebih relevan secara kontekstual. 

5. Retrieval Augmented Generation (RAG)

ilustrasi programming (pexels.com/Luis Gomes)

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

Pola RAG bisa menghemat waktu dan sumber daya dengan memberikan pengetahuan tambahan tanpa harus melatih ulang program AI. 

Sebagai contoh, jika kamu memiliki perusahaan pakaian dan ingin membuat chatbot yang bisa menjawab pertanyaan khusus terkait produk yang dijual. Kamu bisa menggunakan pola RAG di katalog produk untuk membantu pelanggan menemukan sweater hijau dari toko.

Baca Juga: Apple Akan Hadirkan Fitur AI Clean Up di iOS 18.1

6. Orkestrasi (orchestration)

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

Sebagai contoh, kamu bertanya kepada Microsoft Copilot “siapa Lady Gaga”, dan kemudian menanyakan “kapan dia lahir” di prompt selanjutnya. Orkestrator AI akan menyimpan riwayat obrolan untuk melihat bahwa kata "dia" di prompt kedua merujuk pada Lady Gaga. 

Lapisan orkestrasi juga bisa mengikuti pola RAG dengan mencari informasi segar di internet untuk ditambahkan ke dalam konteks. Ini akan membantu model AI menghasilkan jawaban yang lebih baik. 

7. Memori

ilustrasi kode CSS (pixabay.com/yatsusimnetcojp)

Model AI saat ini secara teknis tidak memiliki memori, namun program AI bisa mengatur instruksi yang membantu mereka "mengingat" informasi. Ini dilakukan dengan mengikuti langkah-langkah spesifik dengan setiap interaksi.

Contohnya menyimpan pertanyaan dan jawaban sebelumnya dalam obrolan secara sementara, dan kemudian memasukkan konteks itu dalam prompt selanjutnya.

Saat ini, developers masih terus bereksperimen dengan lapisan orkestrasi untuk membantu sistem AI mengetahui perlunya mengingat rincian langkah secara sementara atau permanen. 

8. Transformer models dan diffusion models

Di antara banyaknya model generative AI, tranformer adalah model yang memahami konteks dan nuansa terbaik dan tercepat.

Model ini bisa memperhatikan pola data dan mempertimbangkan pentingnya input yang berbeda. Dengabn begitu, model ini bisa menghasilkan teks yang diingingkan. Bahkan transformer adalah huruf T di ChatGPT — Generative Pre-trained Transformer.

Sementara itu, diffusion models yang umumnya digunakan untuk pembuatan gambar menambahkan sentuhan baru. Mereka bekerja secara lebih bertahap, menyebarkan piksel gambar dari posisi acak hingga didistribusikan sampai membentuk gambar.

Diffusion models akan terus membuat perubahan kecil sampai mereka menciptakan output yang sesuai dengan kebutuhan pengguna.

9. Frontier models

Ilustrasi data security (freepik.com/rawpixel.com)

Frontier models adalah sistem skala besar yang mendorong batas-batas AI dan bisa melakukan berbagai macam tugas dengan kemampuan baru yang lebih luas. Sederhananya, ini adalah cara bagaimana AI bisa dibuat menjadi lebih baik. 

Perusahaan teknologi termasuk Microsoft membentuk Frontier Model Forum untuk berbagi pengetahuan.

Ini termasuk menetapkan standar keamanan dan membantu semua orang memahami program AI yang kuat. Hal ini bertujuan untuk memastikan pengembangan yang aman dan bertanggung jawab.

Memahami istilah-istilah lanjutan dalam dunia AI menjadi langkah penting untuk tetap relevan di tengah pesatnya perkembangan teknologi. Dengan menguasai konsep-konsep ini, kamu tidak hanya bisa mengikuti tren terbaru, tetapi juga memperdalam wawasan tentang bagaimana AI bekerja. 

Baca Juga: Acer Rilis TravelMate P6 14 AI, Ringan tapi Powerful!