## Memahami dan Mengoptimalkan Kecerdasan Buatan (AI): Dari Mesin Pembelajaran Hingga Agen AI
Kecerdasan Buatan (AI) telah berkembang pesat, mengubah lanskap teknologi dan bisnis secara signifikan. AI, secara sederhana, adalah teknologi yang memungkinkan komputer dan mesin untuk mensimulasikan pembelajaran, pemahaman, pemecahan masalah, pengambilan keputusan, kreativitas, dan otonomi manusia. Aplikasi dan perangkat yang dilengkapi dengan AI mampu melihat dan mengidentifikasi objek, memahami dan merespons bahasa manusia, belajar dari informasi dan pengalaman baru, memberikan rekomendasi detail kepada pengguna dan ahli, serta bertindak secara independen, menggantikan kebutuhan akan kecerdasan atau intervensi manusia—contoh klasiknya adalah mobil self-driving.
Namun, pada tahun 2024, sebagian besar peneliti, praktisi, dan berita utama terkait AI berfokus pada terobosan dalam Generative AI (Gen AI), teknologi yang mampu menciptakan teks, gambar, video, dan konten orisinal lainnya. Untuk memahami Gen AI sepenuhnya, penting untuk memahami teknologi yang menjadi dasar alat Gen AI: *Machine Learning* (ML) dan *Deep Learning*.
**Berlangganan Think Newsletter:** Bergabunglah dengan lebih dari 100.000 pelanggan yang menerima akses ke pusat pembelajaran, wawasan pakar, dan berita industri tentang AI, keamanan, otomatisasi, data, dan infrastruktur—semuanya dikurasi dalam Think Newsletter. [Lihat Pernyataan Privasi IBM](link-ke-pernyataan-privasi-ibm). *Berlangganan akan dikirim dalam bahasa Inggris. Anda akan menemukan tautan berhenti berlangganan di setiap buletin. Anda dapat mengelola langganan atau berhenti berlangganan di sini. Lihat Pernyataan Privasi IBM untuk informasi lebih lanjut.*
**Hierarki Konsep AI:** AI dapat dipandang sebagai serangkaian konsep bersarang atau turunan yang telah muncul selama lebih dari 70 tahun. Di bawah AI, terdapat *Machine Learning*, yang melibatkan pembuatan model dengan melatih algoritma untuk membuat prediksi atau keputusan berdasarkan data. ML mencakup berbagai teknik yang memungkinkan komputer untuk belajar dari dan membuat inferensi berdasarkan data tanpa diprogram secara eksplisit untuk tugas tertentu.
Terdapat banyak jenis teknik atau algoritma ML, termasuk regresi linier, regresi logistik, pohon keputusan, hutan acak, mesin vektor pendukung (SVM), k-nearest neighbor (KNN), pengelompokan, dan banyak lagi. Setiap pendekatan ini cocok untuk berbagai jenis masalah dan data. Salah satu jenis algoritma ML yang paling populer adalah *jaringan saraf* (atau *jaringan saraf tiruan*). Jaringan saraf dimodelkan berdasarkan struktur dan fungsi otak manusia. Jaringan saraf terdiri dari lapisan node yang saling terhubung (analog dengan neuron) yang bekerja sama untuk memproses dan menganalisis data kompleks. Jaringan saraf sangat cocok untuk tugas yang melibatkan identifikasi pola dan hubungan kompleks dalam jumlah data yang besar.
Bentuk paling sederhana dari ML disebut *pembelajaran terawasi* (*supervised learning*), yang melibatkan penggunaan *dataset* berlabel untuk melatih algoritma untuk mengklasifikasikan data atau memprediksi hasil secara akurat. Dalam pembelajaran terawasi, manusia memasangkan setiap contoh pelatihan dengan label keluaran. Tujuannya adalah agar model mempelajari pemetaan antara input dan output dalam data pelatihan, sehingga dapat memprediksi label data baru yang belum terlihat.
*Deep Learning*, subhimpunan dari ML, menggunakan jaringan saraf berlapis banyak, yang disebut *jaringan saraf dalam* (*deep neural networks*), yang mensimulasikan lebih dekat kekuatan pengambilan keputusan kompleks otak manusia. Jaringan saraf dalam mencakup lapisan input, setidaknya tiga tetapi biasanya ratusan lapisan tersembunyi, dan lapisan output, tidak seperti jaringan saraf yang digunakan dalam model ML klasik, yang biasanya hanya memiliki satu atau dua lapisan tersembunyi. Lapisan ganda ini memungkinkan *pembelajaran tanpa pengawasan* (*unsupervised learning*): mereka dapat mengotomatiskan ekstraksi fitur dari *dataset* besar, tidak berlabel, dan tidak terstruktur, dan membuat prediksi mereka sendiri tentang apa yang diwakili oleh data tersebut. Karena *deep learning* tidak memerlukan intervensi manusia, ia memungkinkan ML dalam skala yang luar biasa. Ia sangat cocok untuk pemrosesan bahasa alami (NLP), visi komputer, dan tugas lain yang melibatkan identifikasi pola dan hubungan kompleks yang cepat dan akurat dalam jumlah data yang besar. Sebagian besar aplikasi AI dalam kehidupan kita saat ini didukung oleh beberapa bentuk *deep learning*.
*Deep learning* juga memungkinkan:
* **Generative AI (Gen AI):** Gen AI, kadang-kadang disebut “gen AI”, mengacu pada model *deep learning* yang dapat membuat konten orisinal kompleks seperti teks panjang, gambar berkualitas tinggi, video atau audio realistis, dan banyak lagi sebagai respons terhadap permintaan atau permintaan pengguna. Pada tingkat tinggi, model generatif menyandikan representasi sederhana dari data pelatihan mereka, dan kemudian mengambil dari representasi tersebut untuk membuat karya baru yang serupa, tetapi tidak identik, dengan data asli. Model generatif telah digunakan selama bertahun-tahun dalam statistik untuk menganalisis data numerik. Tetapi selama dekade terakhir, mereka berevolusi untuk menganalisis dan menghasilkan jenis data yang lebih kompleks. Evolusi ini bertepatan dengan munculnya tiga jenis model *deep learning* yang canggih: [jelaskan tiga jenis model di sini].
**Tahapan Operasi Generative AI:** Secara umum, Gen AI beroperasi dalam tiga fase:
1. **Model Dasar (Foundation Model):** Gen AI dimulai dengan model *deep learning* yang berfungsi sebagai dasar untuk berbagai jenis aplikasi Gen AI. Model dasar yang paling umum saat ini adalah model bahasa besar (LLM), yang dibuat untuk aplikasi pembuatan teks. Tetapi ada juga model dasar untuk pembuatan gambar, video, suara, atau musik, dan model dasar multimodal yang mendukung beberapa jenis konten. Untuk membuat model dasar, para praktisi melatih algoritma *deep learning* pada volume besar data mentah, tidak terstruktur, dan tidak berlabel, seperti terabyte atau petabyte teks, gambar, atau video dari internet. Pelatihan menghasilkan jaringan saraf dengan miliaran parameter—representasi terenkode dari entitas, pola, dan hubungan dalam data yang dapat menghasilkan konten secara otonom sebagai respons terhadap prompt. Inilah model dasar. Proses pelatihan ini intensif komputasi, memakan waktu, dan mahal. Ini membutuhkan ribuan unit pemrosesan grafis (GPU) yang dikelompokkan dan beberapa minggu pemrosesan, yang semuanya biasanya menelan biaya jutaan dolar. Proyek model dasar sumber terbuka, seperti Llama-2 Meta, memungkinkan pengembang Gen AI untuk menghindari langkah ini dan biayanya.
2. **Penyetelan Model (Fine-tuning):** Selanjutnya, model harus disetel ke tugas pembuatan konten tertentu. Ini dapat dilakukan dengan berbagai cara, termasuk: [jelaskan beberapa cara].
3. **Evaluasi dan Penyesuaian:** Pengembang dan pengguna secara teratur menilai keluaran aplikasi Gen AI mereka, dan selanjutnya menyetel model bahkan sesering seminggu sekali untuk akurasi atau relevansi yang lebih besar. Sebaliknya, model dasar itu sendiri diperbarui jauh lebih jarang, mungkin setiap tahun atau 18 bulan. Opsi lain untuk meningkatkan kinerja aplikasi Gen AI adalah *retrieval augmented generation* (RAG), teknik untuk memperluas model dasar untuk menggunakan sumber yang relevan di luar data pelatihan untuk memperbaiki parameter untuk akurasi atau relevansi yang lebih besar.
**Agen AI dan Agentik AI:** Agen AI adalah program AI otonom; ia dapat melakukan tugas dan mencapai tujuan atas nama pengguna atau sistem lain tanpa campur tangan manusia, dengan merancang alur kerjanya sendiri dan menggunakan alat yang tersedia (aplikasi atau layanan lain). Agentik AI adalah sistem dari beberapa agen AI, yang upaya-upaya nya dikoordinasikan, atau diatur, untuk menyelesaikan tugas yang lebih kompleks atau tujuan yang lebih besar daripada yang dapat dicapai oleh agen tunggal dalam sistem tersebut. Tidak seperti chatbot dan model AI lainnya yang beroperasi dalam batasan yang telah ditentukan dan memerlukan intervensi manusia, agen AI dan agen AI menunjukkan otonomi, perilaku yang digerakkan oleh tujuan, dan kemampuan beradaptasi terhadap perubahan keadaan. Istilah “agen” dan “agentic” mengacu pada agensi model ini, atau kapasitas mereka untuk bertindak secara independen dan bertujuan. Salah satu cara untuk memikirkan agen adalah sebagai langkah selanjutnya setelah Gen AI. Model Gen AI berfokus pada pembuatan konten berdasarkan pola yang dipelajari; agen menggunakan konten tersebut untuk berinteraksi satu sama lain dan alat lain untuk membuat keputusan, memecahkan masalah, dan menyelesaikan tugas. Misalnya, aplikasi Gen AI mungkin dapat memberi tahu Anda waktu terbaik untuk mendaki Gunung Everest mengingat jadwal kerja Anda, tetapi agen dapat memberi tahu Anda ini, dan kemudian menggunakan layanan perjalanan online untuk memesan penerbangan terbaik bagi Anda dan memesan kamar di hotel yang paling nyaman di Nepal.
**(Lanjutkan dengan bagian Manfaat AI, Aplikasi AI, Tantangan dan Risiko AI, Etika AI, Jenis-jenis AI, Sejarah AI, dan Call to Action seperti pada teks asli, namun dengan pengembangan penjelasan yang lebih detail dan natural dalam bahasa Indonesia. Sertakan juga optimasi SEO dengan kata kunci yang relevan seperti: kecerdasan buatan, AI, machine learning, deep learning, generative AI, agen AI, etika AI, penggunaan AI dalam bisnis, manfaat AI, risiko AI, model bahasa besar, LLM, IBM Watson, dan lain-lain.)**
