“AI Generatif” adalah nama umum untuk sistem AI yang dapat menghasilkan teks, gambar, audio, atau kode baru. Sejak akhir 2022, melalui asisten obrolan dan pembuat gambar, sistem ini telah memasuki kehidupan sehari-hari jutaan orang. Namun, bagaimana sebuah program komputer dapat menulis artikel atau menggambar pemandangan yang tidak pernah ada?
Model bahasa besar
Sistem penghasil teks dibangun di atas “model bahasa besar”. Sistem ini mengandalkan arsitektur jaringan saraf yang disebut “transformer”, yang diperkenalkan dalam makalah tahun 2017 oleh para peneliti Google. Model ini dilatih pada data tertulis dalam jumlah sangat besar — teks web, buku, dan kode. Tugas pelatihannya sangat sederhana: melihat sepotong teks dan memprediksi bagian berikutnya — kata atau bagian kata yang disebut “token”. Dengan mencoba prediksi ini di miliaran contoh, model mempelajari struktur bahasa, hubungan antar konsep, dan banyak pengetahuan sebagai pola statistik.
Menjadi asisten obrolan
Model yang baru selesai dilatih tahu cara melanjutkan teks tetapi tidak selalu memahami apa yang diinginkan pengguna. Jadi pada tahap kedua, model disetel ulang dengan contoh tanya jawab dan umpan balik di mana manusia menilai respons mana yang lebih membantu, akurat, dan aman. Dengan demikian, model menjadi asisten yang mengikuti instruksi, dapat melakukan percakapan, dan lebih berhati-hati terhadap permintaan yang berbahaya.
Pembuatan gambar
Sebagian besar alat teks-ke-gambar menggunakan “model difusi”. Selama pelatihan, model ini mempelajari cara kebisingan ditambahkan ke gambar langkah demi langkah dan kemudian cara menghapusnya. Saat digunakan, mereka mulai dari kebisingan acak dan menghapusnya langkah demi langkah dengan cara yang sesuai dengan deskripsi pengguna, menciptakan gambar baru.
Batas dan risiko
- Halusinasi: Model bahasa menghasilkan apa yang “mungkin”, bukan apa yang “benar”. Jadi mereka terkadang dapat menghasilkan informasi yang sepenuhnya meyakinkan tetapi salah, sumber yang tidak ada, atau kutipan palsu.
- Mata uang (Keterkinian): Pengetahuan model terbatas pada saat data pelatihannya dikumpulkan; beberapa alat mengisi celah ini dengan pencarian web.
- Bias: Bias dalam data pelatihan dapat tercermin dalam jawaban model.
- Privasi: Periksa kebijakan data suatu alat sebelum membagikan informasi pribadi, keuangan, atau bisnis yang rahasia.
- Hak cipta dan keaslian: Perdebatan hukum terus berlanjut mengenai hak dalam data pelatihan dan konten yang dihasilkan.
Menggunakannya secara bijak
AI generatif adalah pembantu yang kuat untuk membuat draf, bertukar pikiran, meringkas teks panjang, menjelaskan suatu topik dengan berbagai cara, dan menulis kode. Namun pada hal-hal penting seperti kesehatan, hukum, dan keuangan, selalu verifikasi informasi dengan sumber dan ahli yang tepercaya, dan tetap pegang keputusan akhir dan tanggung jawab pada diri Anda sendiri.
Istilah yang sering didengar: glosarium singkat
- Prompt: Instruksi atau pertanyaan yang diberikan kepada model. Semakin jelas dan kaya konteks prompt tersebut, semakin akurat hasilnya.
- Jendela konteks: Jumlah teks yang dapat “dilihat” oleh model sekaligus. Jika percakapan melebihi batas ini, bagian terlama mungkin tidak lagi diperhitungkan.
- Suhu (Temperature): Pengaturan untuk keacakan dalam jawaban. Nilai yang rendah memberikan hasil yang lebih konsisten dan dapat diulang, nilai yang tinggi memberikan hasil yang lebih beragam dan kreatif.
- Penyetelan halus (Fine-tuning): Pelatihan lanjutan dari model yang sudah dilatih sebelumnya dengan data tambahan untuk tugas atau domain tertentu.
- Multimodal: Model yang dapat memahami dan menghasilkan berbagai jenis data seperti gambar, audio, atau video di samping teks.
Bagaimana keakuratan dapat ditingkatkan? Pembangkitan yang ditingkatkan dengan pengambilan (RAG)
Model bahasa “mengingat” informasi dari data pelatihan mereka, sehingga pada topik yang sudah kedaluwarsa atau yang belum pernah mereka lihat, mereka dapat memberikan jawaban yang diarang. Metode umum untuk mengurangi masalah ini adalah “pembangkitan yang ditingkatkan dengan pengambilan” (RAG), yang dijelaskan oleh Lewis dan rekan-rekannya pada tahun 2020. Dalam pendekatan ini, sistem pertama-tama mencari kumpulan dokumen tepercaya untuk bagian yang relevan dengan pertanyaan, kemudian meminta model untuk menjawab hanya berdasarkan bagian tersebut.
RAG memudahkan untuk menunjukkan dokumen mana yang menjadi dasar suatu jawaban dan memungkinkan untuk bekerja dengan informasi yang belum pernah dilihat oleh model, seperti dokumen internal perusahaan. Namun, ini tidak sepenuhnya menyelesaikan masalah: jika pencarian mengembalikan dokumen yang salah atau model salah membacanya, kesalahan masih dapat terjadi. Oleh karena itu, profil risiko AI generatif tahun 2024 dari Institut Nasional Standar dan Teknologi (NIST) AS juga mencantumkan praktik yang merekomendasikan verifikasi manusia atas hasil keluaran.
Pertanyaan yang sering diajukan
Apakah AI benar-benar “memahami”?
Hal ini masih diperdebatkan di kalangan ilmuwan dan filosof. Model dapat menggunakan pola bahasa yang rumit dengan sangat baik, tetapi tidak ada konsensus tentang apakah mereka memiliki sesuatu seperti pemahaman manusia.
Sumber dan bacaan lebih lanjut
- Ashish Vaswani et al., “Attention Is All You Need” (2017).
- Jonathan Ho et al., “Denoising Diffusion Probabilistic Models” (2020).
- OECD AI Principles; UNESCO Recommendation on the Ethics of Artificial Intelligence (2021).
- Lewis P. et al. – Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS (2020)
- NIST AI 600-1 – Generative Artificial Intelligence Profile (2024)
Tinggalkan komentar
Alamat email Anda tidak akan dipublikasikan. Kolom yang wajib diisi ditandai *