Harap aktifkan JavaScript untuk memastikan pengalaman terbaik.
-40% Black Friday: diskon terbesar kami tahun ini Hingga 31 Desember 2026 Lihat paket

Apa Itu Kecerdasan Buatan?

Panduan jelas tentang AI: dari pembelajaran mesin dan pembelajaran mendalam hingga AI generatif dan agen, beserta manfaat, penggunaan, risiko, etika, dan sejarahnya.

Apa Itu Kecerdasan Buatan?

Kecerdasan buatan (AI) adalah teknologi yang memungkinkan komputer dan mesin menirukan kemampuan belajar, memahami, memecahkan masalah, mengambil keputusan, berkreasi, dan otonomi manusia.

Aplikasi dan perangkat berbekal AI dapat melihat dan mengenali objek, memahami dan menanggapi bahasa manusia, belajar dari informasi dan pengalaman baru, memberi rekomendasi yang disesuaikan, serta bertindak mandiri tanpa campur tangan manusia (contoh klasiknya mobil swakemudi).

Kini perhatian tertuju pada AI generatif, yang mampu membuat teks, gambar, video, dan konten orisinal lainnya. Untuk memahaminya, kenali dulu teknologi dasarnya: pembelajaran mesin dan pembelajaran mendalam.

Pembelajaran mesin

AI dapat dipandang sebagai rangkaian konsep yang saling tumpang tindih dan berkembang selama lebih dari 70 tahun. Tepat di bawah payung AI terdapat pembelajaran mesin (ML): membuat model dengan melatih algoritma pada data untuk membuat prediksi atau keputusan, tanpa memprogram setiap tugas secara eksplisit.

Tekniknya banyak: regresi linear dan logistik, pohon keputusan, random forest, support vector machine (SVM), k-nearest neighbors (KNN), klasterisasi, dan lainnya, masing-masing cocok untuk masalah dan data yang berbeda.

Salah satu yang paling terkenal adalah jaringan saraf, yang dimodelkan dari struktur dan fungsi otak manusia: lapisan simpul (neuron) yang saling terhubung untuk memproses data kompleks dan mengenali pola dalam volume informasi besar.

Bentuk paling sederhana adalah pembelajaran terarah (supervised), yang memakai dataset berlabel untuk mengklasifikasikan data atau memprediksi hasil: model mempelajari hubungan antara masukan dan keluaran untuk memprediksi data baru.

Pembelajaran mendalam

Pembelajaran mendalam adalah subset pembelajaran mesin yang memakai jaringan saraf berlapis banyak (jaringan saraf dalam), yang meniru kemampuan pengambilan keputusan otak yang kompleks. Ia punya lapisan masukan, minimal tiga lapisan tersembunyi (sering ratusan), dan lapisan keluaran, berbeda dari satu atau dua lapisan tersembunyi pada ML klasik.

Lapisan-lapisan ini memungkinkan pembelajaran tak terarah: mengekstrak fitur dari data masif, tak berlabel, dan tak terstruktur, lalu membuat prediksinya sendiri. Karena itu sangat cocok untuk pemrosesan bahasa alami, visi komputer, dan tugas berpola kompleks lainnya, dan sebagian besar aplikasi AI sehari-hari memakai salah satu bentuknya. Ia juga memungkinkan:

  • Pembelajaran semi-terarah: menggabungkan data berlabel dan tak berlabel untuk klasifikasi dan regresi.
  • Pembelajaran swa-terarah: membuat label implisit dari data tak terstruktur.
  • Pembelajaran penguatan: belajar lewat coba-coba dan fungsi hadiah.
  • Pembelajaran transfer: menerapkan pengetahuan dari satu tugas ke tugas lain yang terkait.

AI generatif

AI generatif adalah model pembelajaran mendalam yang membuat konten orisinal dan kompleks, seperti teks panjang, gambar berkualitas tinggi, video, atau audio realistis, sebagai respons atas permintaan pengguna. Model ini menyandikan representasi sederhana dari data pelatihannya, lalu memakainya untuk menciptakan karya yang mirip tetapi tidak identik. Kemunculannya bersamaan dengan tiga jenis model:

  • Variational autoencoder (VAE), 2013, menghasilkan berbagai konten dari sebuah instruksi.
  • Model difusi, 2014, menambahkan “derau” ke gambar hingga tak dikenali, lalu menghilangkannya untuk menghasilkan gambar orisinal.
  • Transformer, dilatih dengan data berurutan untuk membuat urutan panjang (kata, bentuk, bingkai video, kode); inilah inti sebagian besar alat generatif saat ini.

Cara kerja AI generatif

Ia bekerja dalam tiga tahap: pelatihan, penyetelan halus, serta pembuatan, evaluasi, dan penyetelan lanjutan.

  • Pelatihan: model dasar, biasanya model bahasa besar (LLM), dibuat dengan melatih algoritma pada data tak berlabel dalam jumlah sangat besar. Hasilnya jaringan dengan miliaran parameter. Ini sangat mahal, dengan ribuan GPU dan berminggu-minggu komputasi, sehingga proyek sumber terbuka memungkinkan langkah ini dilewati.
  • Penyetelan halus: model disesuaikan untuk tugas tertentu dengan data berlabel khusus atau pembelajaran penguatan dari umpan balik manusia (RLHF), saat manusia menilai keluaran.
  • Pembuatan, evaluasi, dan penyetelan lanjutan: keluaran dievaluasi dan model terus disempurnakan, kadang tiap minggu, sementara model dasar diperbarui lebih jarang.

Opsi lain adalah retrieval-augmented generation (RAG), yang memperluas model dengan sumber di luar data pelatihan untuk meningkatkan akurasi.

Agen AI dan AI agentik

Agen AI adalah program otonom yang menjalankan tugas dan mencapai tujuan atas nama pengguna atau sistem, dengan merancang alur kerjanya sendiri dan memakai alat yang tersedia. AI agentik adalah sistem dari beberapa agen terkoordinasi untuk tugas yang lebih kompleks. Berbeda dari chatbot, mereka menunjukkan otonomi, orientasi tujuan, dan kemampuan beradaptasi. AI generatif bisa memberi tahu waktu terbaik untuk bepergian; agen bisa sekaligus memesan penerbangan dan hotelnya.

Manfaat kecerdasan buatan

  • Mengotomatiskan tugas berulang, digital maupun fisik, agar manusia fokus pada pekerjaan yang lebih kreatif.
  • Lebih banyak wawasan dari data, lebih cepat.
  • Pengambilan keputusan lebih baik dengan prediksi yang lebih cepat dan akurat.
  • Lebih sedikit kesalahan manusia, misalnya pada bedah berbantuan AI.
  • Tersedia 24/7 dengan kinerja konsisten.
  • Risiko lebih kecil dengan mengotomatiskan tugas berbahaya.

Kasus penggunaan

  • Layanan pelanggan: chatbot dan asisten virtual dengan NLP dan AI generatif.
  • Deteksi penipuan: menganalisis pola transaksi untuk menandai anomali.
  • Pemasaran personal: pengalaman dan kampanye yang disesuaikan.
  • SDM: menyaring CV dan wawancara awal.
  • Pengembangan aplikasi: pembuatan kode dan modernisasi sistem lama.
  • Pemeliharaan prediktif: memprediksi kerusakan peralatan dari data sensor.

Tantangan dan risiko

  • Risiko data: peracunan data, manipulasi, bias, dan serangan siber.
  • Risiko model: pencurian, rekayasa balik, dan manipulasi tanpa izin.
  • Risiko operasional: penyimpangan model, bias, dan kegagalan tata kelola.
  • Risiko etis dan hukum: pelanggaran privasi dan hasil yang bias.

Etika dan tata kelola AI

Etika AI mengkaji cara memaksimalkan dampak positif dan meminimalkan risiko, melalui sistem tata kelola. Nilai-nilai umumnya:

  • Keterjelasan dan interpretabilitas: proses yang membuat hasil algoritma dapat dipahami dan dipercaya.
  • Keadilan dan inklusi: diskriminasi statistik tidak dapat diterima jika memberi keuntungan sistematis bagi kelompok tertentu dan merugikan yang lain.
  • Ketangguhan dan keamanan: menangani kondisi luar biasa tanpa menimbulkan bahaya.
  • Akuntabilitas dan transparansi: tanggung jawab yang jelas dan pengguna yang dapat menilai layanan beserta batasannya.
  • Privasi dan kepatuhan: kerangka seperti GDPR menuntut prinsip privasi.

AI lemah dan AI kuat

AI lemah (atau sempit) dirancang untuk tugas tertentu, seperti Alexa, Siri, atau chatbot. AI kuat (kecerdasan umum buatan, AGI) akan memahami, belajar, dan menerapkan pengetahuan pada banyak tugas setara atau melebihi manusia; saat ini masih teoretis dan tidak ada sistem yang mendekatinya.

Sejarah kecerdasan buatan

Gagasan “mesin yang berpikir” sudah ada sejak Yunani kuno. Sejak komputasi elektronik, tonggak utamanya:

  • 1950: Alan Turing menerbitkan “Computing Machinery and Intelligence” dan mengusulkan uji Turing.
  • 1956: John McCarthy memperkenalkan istilah “kecerdasan buatan”.
  • 1967: Frank Rosenblatt membangun Mark 1 Perceptron, berbasis jaringan saraf yang belajar lewat coba-coba.
  • 1980: jaringan saraf dengan propagasi balik menjadi umum.
  • 1997: Deep Blue milik IBM mengalahkan juara dunia catur Garry Kasparov.
  • 2011: IBM Watson mengalahkan para juara Jeopardy!.
  • 2016: AlphaGo milik DeepMind mengalahkan juara Go Lee Sedol.
  • 2022: model bahasa besar seperti ChatGPT mengubah kinerja dan kemampuan AI.
  • Kini: model multimodal menghadirkan pengalaman lebih kaya dan model yang lebih kecil juga berkembang.

Sekarang setelah Anda memahami dasar-dasar dunia yang menarik ini, saatnya mempraktikkannya.

Siap mengubah kata-kata Anda menjadi suara yang memikat?

Moknah hari ini

Moknah mengubah teks menjadi ucapan alami dalam lebih dari 130 bahasa, dengan sekitar 600 suara pada dua mesin: Standard, dengan emosi dan dialek, dan Advanced, yang Anda arahkan dengan mendeskripsikan penyampaian lewat kata-kata. Untuk bahasa Arab ada tiga pemroses teks: Basic, Tashkeel, dan AI Poet. Anda bisa mencoba teknologi ini di Moknah: Text to Speech dalam lebih dari 130 bahasa, Dubbing, dan Voice Cloning.

Mulailah perjalanan Anda ke dunia konten audio hari ini.

Coba Moknah gratis tanpa kartu: tulis teks, pilih suara, dan dengarkan hasilnya dalam hitungan detik. Lihat paket di halaman harga.

Mulai gratis sekarang

Sumber: IBM.COM

Bacaan terkait

Siap memberi suara pada teks Anda? Lihat paket Moknah

Menyukai artikel ini?

Dapatkan artikel baru dan pembaruan produk di kotak masuk Anda. Tanpa spam.

Kami menghargai privasi Anda. Berhenti berlangganan kapan saja.