Volubit.id — Kecerdasan buatan atau artificial intelligence (AI) merupakan sektor teknologi yang cukup kompleks. Para pakar yang bekerja di bidang ini sering menggunakan istilah teknis yang mungkin terdengar asing bagi kebanyakan orang.

Istilah-istilah seperti large language model (LLM) atau agent AI juga kerap muncul dalam artikel media tentang AI. Untuk memudahkan pemula lebih memahami teknologi yang sedang berkembang ini, berikut beberapa istilah AI yang banyak digunakan beserta artinya, disadur dari berbagai sumber.

1. Agent AI

Agent AI adalah sistem yang bisa melakukan berbagai tugas secara otomatis, lebih dari sekadar chatbot biasa. Contohnya seperti memesan tiket, mengatur pengeluaran, hingga menulis kode.

Saat ini infrastruktur teknologinya masih dalam tahap pengembangan agar bisa mewujudkan fungsi-fungsi yang diinginkan. Namun, ide dasarnya adalah sistem otonom yang dapat menggabungkan banyak teknologi AI untuk menyelesaikan serangkaian tugas.

2. Artificial General Intelligence (AGI)

Secara umum, istilah ini merujuk pada sistem AI yang memiliki kemampuan melebihi rata-rata manusia dalam mengerjakan banyak tugas, atau bahkan hampir semua tugas. CEO OpenAI, Sam Altman, pernah menyebut kemampuan AGI setara dengan manusia rata-rata yang bisa dipekerjakan sebagai rekan kerja.

Sementara, pedoman resmi OpenAI mendefinisikan AGI sebagai sistem yang sangat otonom dan mampu melampaui manusia dalam mengerjakan sebagian besar pekerjaan yang bernilai ekonomi. Sedangkan perusahaan AI Google, DeepMind, mendeskripsikan AGI sebagai AI yang mampu menyamai manusia dalam melakukan sebagian besar tugas-tugas kognitif.

3. Chain of Thought

Dalam konteks AI, istilah ini merujuk pada proses berpikir bertahap yang digunakan untuk menjawab pertanyaan kompleks. Biasanya memang butuh waktu lebih lama untuk mendapat jawaban, tapi hasilnya lebih akurat, terutama dalam konteks logika atau pemrograman.

Model AI jenis ini dikembangkan dari LLM tradisional dan dioptimalkan untuk berpikir bertahap melalui metode pembelajaran berbasis penguatan (reinforcement learning).

4. Deep Learning

Deep learning adalah jenis machine learning yang menggunakan algoritma AI yang dirancang dengan struktur artificial neural network, yang terdiri dari banyak lapisan. Proses ini memungkinkan AI memahami hubungan kompleks dalam data secara lebih baik daripada sistem machine learning yang lebih sederhana seperti model linier atau decision tree.

Struktur algoritma deep learning terinspirasi dari jalur-jalur saraf di otak manusia. Model-model deep learning bisa mengenali ciri-ciri penting dalam data secara otomatis, tanpa harus dijelaskan secara eksplisit oleh manusia.

Model juga bisa belajar dari kesalahan dan terus memperbaiki diri melalui proses pengulangan dan penyesuaian.

Namun, sistem ini butuh data dalam jumlah sangat besar hingga jutaan atau lebih, untuk menghasilkan hasil yang baik. Waktu pelatihannya juga lebih lama dibandingkan algoritma yang lebih sederhana sehingga biaya pengembangannya biasanya lebih tinggi.

5. Diffusion

Diffusion atau difusi adalah teknologi inti yang digunakan dalam banyak model AI pembuat gambar, musik, dan teks. Terinspirasi dari ilmu fisika, sistem diffusion “menghancurkan” struktur data, misalnya foto, lagu, dan sebagainya, dengan menambahkan noise (gangguan) hingga tidak tersisa apa pun.

Dalam fisika, difusi terjadi secara spontan dan tidak bisa dibalik, misalnya, gula yang larut dalam kopi tidak bisa dikembalikan ke bentuk semula. Tapi sistem diffusion dalam AI berusaha mempelajari proses “difusi terbalik” agar bisa memulihkan data yang sudah hancur. Dengan begitu, AI bisa menghasilkan data baru.

6. Distillation

Distillation atau distilasi adalah teknik “penyulingan” pengetahuan dari model AI besar ke model yang lebih kecil menggunakan pendekatan “guru-siswa”.

Pengembang akan mengirim permintaan ke model besar (guru) dan mencatat jawabannya. Jawaban ini kadang dibandingkan dengan data yang benar untuk melihat seberapa akuratnya.

Hasil dari ‘guru’ ini lalu digunakan untuk melatih model kecil (siswa), yang berusaha meniru perilaku sang ‘guru’. Tujuannya adalah menciptakan model yang lebih cepat dan efisien tanpa kehilangan terlalu banyak akurasi.

Kemungkinan besar, teknik ini digunakan OpenAI untuk mengembangkan GPT-4 Turbo, versi lebih cepat dari GPT-4.
Hampir semua perusahaan AI menggunakan distillation secara internal.

7. Fine-tuning

Fine-tuning berarti melatih kembali model AI untuk mengoptimalkan performa pada tugas yang lebih spesifik daripada sebelumnya. Biasanya, proses ini dilakukan dengan memberikan data baru yang lebih fokus pada bidang tertentu.

Banyak startup AI memulai dari LLM lalu melakukan fine-tuning agar lebih bermanfaat untuk sektor atau tugas tertentu, berdasarkan pengetahuan dan keahlian mereka sendiri di bidang tersebut.

8. Generative Adversarial Network (GAN)

GAN adalah jenis kerangka machine learning yang penting dalam perkembangan generative AI, terutama dalam menghasilkan data realistis, termasuk deepfake.

GAN terdiri dari dua jaringan saraf, satu sebagai generator yang membuat data, satu lagi sebagai diskriminator yang mengevaluasi apakah data itu nyata atau buatan.

Generator berusaha menipu diskriminator, sementara diskriminator berusaha mendeteksi kepalsuan. Kompetisi ini membuat hasil AI makin realistis, bahkan tanpa campur tangan manusia.

9. Halusinasi

Halusinasi adalah istilah yang digunakan saat model AI menghasilkan informasi yang salah. Halusinasi bisa menyesatkan dan bahkan berbahaya, contohnya jika pertanyaan tentang kesehatan dijawab dengan saran medis yang salah.

Karena itu, banyak alat generative AI sekarang menyertakan peringatan agar pengguna memverifikasi jawaban yang diberikan, meski peringatannya tidak selalu terlihat jelas.

Masalah ini diperkirakan muncul karena adanya celah dalam data pelatihan. Untuk model AI serba guna, atau yang disebut juga “foundation model”, tantangan ini sulit diatasi. Tak ada cukup data di dunia untuk melatih AI agar bisa menjawab semua pertanyaan dengan benar.

10. Large Language Model (LLM)

Large language model atau LLM adalah model AI yang digunakan oleh asisten AI populer seperti ChatGPT, Claude, Gemini dari Google, AI Llama dari Meta, Copilot dari Microsoft, atau Le Chat dari Mistral.

Saat mengobrol dengan asisten AI, pengguna sebenarnya sedang berinteraksi langsung dengan LLM yang memproses permintaan dan kadang dibantu oleh alat lain seperti browser web atau interpreter kode.

Nama LLM dan nama asisten AI kadang berbeda. Misalnya, GPT adalah model LLM milik OpenAI, sedangkan ChatGPT adalah produk asistennya.

LLM adalah deep neutral network yang terdiri dari miliaran parameter numerik (yang disebut bobot/weights), yang mempelajari hubungan antarkata dan antarfrasa, lalu membentuk ‘peta bahasa’ secara multidimensi.

Model ini dibangun dengan mempelajari pola dari miliaran buku, artikel, dan transkrip. Ketika pengguna memberikan perintah, LLM akan memprediksi pola kata yang paling cocok dengan konteksnya, lalu memilih kata berikutnya yang paling mungkin berdasarkan kata sebelumnya, dan proses itu diulang terus-menerus.

11. Neural Network

Neural network atau jaringan saraf adalah struktur algoritma berlapis yang menjadi dasar deep learning.

Meski konsep jaringan saraf terinspirasi dari otak manusia dan sudah ada sejak 1940-an, kekuatannya baru benar-benar terasa saat hardware graphic processing unit (GPU) dari video game mulai digunakan untuk pelatihan AI. Chip ini cocok untuk melatih algoritma dengan banyak lapisan, yang sebelumnya mustahil dilakukan.

Hasilnya, AI berbasis neural network kini punya performa jauh lebih baik dalam banyak bidang, seperti pengenalan suara, navigasi otonom, dan penemuan obat.

12. Weights

Weights atau bobot merupakan bagian penting dalam pelatihan AI. Bobot menentukan seberapa besar pengaruh suatu fitur dalam data terhadap hasil akhir.

Dalam pelatihan, bobot-bobot ini akan terus disesuaikan hingga model menghasilkan output yang paling sesuai.
Contohnya, dalam model AI untuk memprediksi harga rumah, bobot bisa diberikan untuk fitur seperti jumlah kamar mandi, luas tanah, apakah rumahnya punya garasi, dan sebagainya.

Semakin tinggi bobot suatu fitur, semakin besar pengaruhnya terhadap nilai rumah dalam prediksi model tersebut.