SITUS RESMI
BERITA TEKNOLOGI - DARI LUWU TIMUR
Kecerdasan buatan adalah simulasi proses kecerdasan manusia oleh mesin, khususnya sistem komputer. Contoh penerapan AI meliputi sistem pakar , pemrosesan bahasa alami ( NLP ), pengenalan suara, dan visi mesin . Seiring dengan meningkatnya popularitas AI, para vendor berlomba-lomba mempromosikan bagaimana produk dan layanan mereka menggabungkannya. Sering kali, apa yang mereka sebut sebagai "AI" adalah teknologi yang sudah mapan seperti pembelajaran mesin . AI memerlukan perangkat keras
ilustrasi AI
Secara umum, sistem AI bekerja dengan cara menyerap sejumlah besar data pelatihan berlabel, menganalisis data tersebut untuk mencari korelasi dan pola, lalu menggunakan pola ini untuk membuat prediksi tentang kondisi masa mendatang.
Misalnya, chatbot AI yang diberi contoh teks dapat belajar menghasilkan interaksi yang nyata dengan orang lain, dan alat pengenalan gambar dapat belajar mengidentifikasi dan mendeskripsikan objek dalam gambar dengan meninjau jutaan contoh. Teknik AI generatif , yang telah berkembang pesat selama beberapa tahun terakhir, dapat menciptakan teks, gambar, musik, dan media lain yang realistis.
Pemrograman sistem AI berfokus pada keterampilan kognitif seperti berikut:
AI penting karena potensinya untuk mengubah cara kita hidup, bekerja, dan bermain. AI telah digunakan secara efektif dalam bisnis untuk mengotomatiskan tugas-tugas yang secara tradisional dilakukan oleh manusia, termasuk layanan pelanggan, perolehan prospek, deteksi penipuan, dan kontrol kualitas.
Di sejumlah bidang, AI dapat menjalankan tugas dengan lebih efisien dan akurat daripada manusia. AI khususnya berguna untuk tugas-tugas yang berulang dan berorientasi pada detail seperti menganalisis sejumlah besar dokumen hukum untuk memastikan kolom-kolom yang relevan diisi dengan benar. Kemampuan AI untuk memproses kumpulan data yang sangat besar memberi perusahaan wawasan tentang operasi mereka yang mungkin tidak mereka sadari sebelumnya. Rangkaian alat AI generatif yang berkembang pesat juga menjadi penting dalam berbagai bidang, mulai dari pendidikan hingga pemasaran dan desain produk.
Kemajuan dalam teknik AI tidak hanya membantu meningkatkan efisiensi, tetapi juga membuka peluang bisnis yang sama sekali baru bagi beberapa perusahaan besar. Sebelum gelombang AI saat ini, misalnya, sulit membayangkan penggunaan perangkat lunak komputer untuk menghubungkan penumpang dengan taksi sesuai permintaan, namun Uber telah menjadi perusahaan Fortune 500 dengan melakukan hal itu.
AI telah menjadi pusat bagi banyak perusahaan terbesar dan tersukses saat ini, termasuk Alphabet, Apple, Microsoft, dan Meta, yang menggunakan AI untuk meningkatkan operasi mereka dan mengungguli pesaing. Di anak perusahaan Alphabet, Google, misalnya, AI menjadi pusat bagi mesin pencari eponimnya, dan perusahaan mobil self-driving Waymo dimulai sebagai divisi Alphabet. Lab penelitian Google Brain juga menemukan arsitektur transformer yang mendukung terobosan NLP terkini seperti ChatGPT milik OpenAI
Teknologi AI, khususnya model pembelajaran mendalam seperti jaringan saraf tiruan, dapat memproses data dalam jumlah besar jauh lebih cepat dan membuat prediksi lebih akurat daripada yang dapat dilakukan manusia. Sementara volume data besar yang dibuat setiap hari akan membebani peneliti manusia, aplikasi AI yang menggunakan pembelajaran mesin dapat mengambil data tersebut dan dengan cepat mengubahnya menjadi informasi yang dapat ditindaklanjuti.
Kerugian utama AI adalah mahalnya biaya pemrosesan sejumlah besar data yang dibutuhkan AI. Seiring dengan semakin banyaknya teknik AI yang diterapkan pada produk dan layanan, organisasi juga harus menyadari potensi AI untuk menciptakan sistem yang bias dan diskriminatif, baik secara sengaja maupun tidak sengaja.
Berikut ini adalah beberapa keuntungan AI:
Berikut ini adalah beberapa kelemahan AI:
AI secara umum dapat dikategorikan menjadi dua jenis: AI sempit (atau lemah ) dan AI umum (atau kuat).
Yang penting, pertanyaan tentang apakah AGI dapat diciptakan -- dan konsekuensi dari penciptaannya -- masih menjadi perdebatan sengit di antara para ahli AI. Bahkan teknologi AI tercanggih saat ini, seperti ChatGPT dan LLM berkemampuan tinggi lainnya, tidak menunjukkan kemampuan kognitif yang setara dengan manusia dan tidak dapat digeneralisasikan ke berbagai situasi. ChatGPT, misalnya, dirancang untuk pembuatan bahasa alami, dan tidak mampu melampaui pemrograman aslinya untuk melakukan tugas-tugas seperti penalaran matematika yang kompleks.
AI dapat dikategorikan ke dalam empat jenis , dimulai dengan sistem cerdas khusus tugas yang digunakan secara luas saat ini, hingga berkembang ke sistem berakal, yang belum ada saat ini.
Kategori-kategorinya adalah sebagai berikut:
Teknologi AI dapat meningkatkan fungsionalitas alat yang sudah ada dan mengotomatiskan berbagai tugas dan proses, yang memengaruhi berbagai aspek kehidupan sehari-hari. Berikut ini adalah beberapa contoh yang menonjol.
AI meningkatkan teknologi otomatisasi dengan memperluas jangkauan, kompleksitas, dan jumlah tugas yang dapat diotomatisasi. Contohnya adalah otomatisasi proses robotik ( RPA ), yang mengotomatiskan tugas pemrosesan data berulang berbasis aturan yang biasanya dilakukan oleh manusia. Karena AI membantu bot RPA beradaptasi dengan data baru dan merespons perubahan proses secara dinamis, mengintegrasikan AI dan kemampuan pembelajaran mesin memungkinkan RPA untuk mengelola alur kerja yang lebih kompleks.
Pembelajaran mesin adalah ilmu yang mengajarkan komputer untuk belajar dari data dan membuat keputusan tanpa diprogram secara eksplisit untuk melakukannya. Pembelajaran mendalam, bagian dari pembelajaran mesin, menggunakan jaringan saraf canggih untuk melakukan apa yang pada dasarnya merupakan bentuk lanjutan dari analisis prediktif.
Algoritma pembelajaran mesin secara garis besar dapat diklasifikasikan ke dalam tiga kategori: pembelajaran terawasi , pembelajaran tanpa pengawasan , dan pembelajaran penguatan .
Terdapat pula pembelajaran semi-supervised , yang menggabungkan aspek pendekatan supervised dan unsupervised. Teknik ini menggunakan sejumlah kecil data berlabel dan sejumlah besar data tak berlabel, sehingga meningkatkan akurasi pembelajaran sekaligus mengurangi kebutuhan akan data berlabel, yang dapat memakan banyak waktu dan tenaga untuk mendapatkannya.
Visi komputer adalah bidang AI yang berfokus pada pengajaran mesin tentang cara menafsirkan dunia visual. Dengan menganalisis informasi visual seperti gambar dan video kamera menggunakan model pembelajaran mendalam, sistem visi komputer dapat belajar mengidentifikasi dan mengklasifikasikan objek serta membuat keputusan berdasarkan analisis tersebut.
Tujuan utama visi komputer adalah untuk meniru atau meningkatkan sistem visual manusia menggunakan algoritma AI. Visi komputer digunakan dalam berbagai aplikasi, mulai dari identifikasi tanda tangan hingga analisis citra medis hingga kendaraan otonom. Visi mesin, istilah yang sering disamakan dengan visi komputer, merujuk secara khusus pada penggunaan visi komputer untuk menganalisis data kamera dan video dalam konteks otomasi industri, seperti proses produksi dalam manufaktur.
NLP merujuk pada pemrosesan bahasa manusia oleh program komputer. Algoritme NLP dapat menginterpretasikan dan berinteraksi dengan bahasa manusia, melakukan tugas-tugas seperti penerjemahan, pengenalan ucapan, dan analisis sentimen . Salah satu contoh NLP tertua dan paling terkenal adalah deteksi spam, yang melihat baris subjek dan teks email dan memutuskan apakah itu sampah. Aplikasi NLP yang lebih canggih mencakup LLM seperti ChatGPT dan Claude milik Anthropic .
Robotika adalah bidang teknik yang berfokus pada desain, produksi, dan pengoperasian robot: mesin otomatis yang meniru dan menggantikan tindakan manusia, terutama yang sulit, berbahaya, atau membosankan untuk dilakukan manusia. Contoh penerapan robotika meliputi produksi, di mana robot melakukan tugas-tugas berulang atau berbahaya di jalur perakitan, dan misi eksplorasi di area yang jauh dan sulit diakses seperti luar angkasa dan laut dalam.
Integrasi AI dan pembelajaran mesin memperluas kemampuan robot secara signifikan dengan memungkinkan mereka membuat keputusan otonom yang lebih tepat dan beradaptasi dengan situasi dan data baru. Misalnya, robot dengan kemampuan penglihatan mesin dapat belajar memilah objek di jalur produksi berdasarkan bentuk dan warna.
Kendaraan otonom, yang lebih dikenal sebagai mobil self-driving, dapat merasakan dan menavigasi lingkungan sekitarnya dengan input manusia yang minimal atau tanpa input manusia. Kendaraan ini mengandalkan kombinasi teknologi, termasuk radar, GPS, dan berbagai algoritma AI dan pembelajaran mesin, seperti pengenalan gambar .
Algoritme ini mempelajari data berkendara, lalu lintas, dan peta di dunia nyata untuk membuat keputusan yang tepat tentang kapan harus mengerem, berbelok, dan berakselerasi; cara tetap berada di jalur tertentu; dan cara menghindari halangan yang tidak terduga, termasuk pejalan kaki. Meskipun teknologi telah berkembang pesat dalam beberapa tahun terakhir, tujuan akhir kendaraan otonom yang dapat sepenuhnya menggantikan pengemudi manusia belum tercapai.
Istilah AI generatif merujuk pada sistem pembelajaran mesin yang dapat menghasilkan data baru dari perintah teks -- paling umum berupa teks dan gambar, tetapi juga audio, video, kode perangkat lunak, dan bahkan urutan genetik dan struktur protein. Melalui pelatihan pada set data besar, algoritme ini secara bertahap mempelajari pola jenis media yang akan diminta untuk dihasilkan, yang memungkinkan mereka nantinya untuk membuat konten baru yang menyerupai data pelatihan tersebut.
AI generatif mengalami pertumbuhan popularitas yang pesat setelah diperkenalkannya generator teks dan gambar yang tersedia secara luas pada tahun 2022, seperti ChatGPT, Dall-E , dan Midjourney, dan semakin banyak diterapkan dalam lingkungan bisnis. Meskipun banyak kemampuan alat AI generatif yang mengesankan, namun kemampuan tersebut juga menimbulkan kekhawatiran seputar isu-isu seperti hak cipta, penggunaan wajar, dan keamanan yang masih menjadi bahan perdebatan terbuka di sektor teknologi.
AI telah memasuki berbagai sektor industri dan bidang penelitian. Berikut ini adalah beberapa contoh yang paling menonjol.
AI diterapkan pada berbagai tugas dalam domain perawatan kesehatan, dengan tujuan utama untuk meningkatkan hasil perawatan pasien dan mengurangi biaya sistemik. Salah satu aplikasi utamanya adalah penggunaan model pembelajaran mesin yang dilatih pada set data medis yang besar untuk membantu para profesional perawatan kesehatan dalam membuat diagnosis yang lebih baik dan lebih cepat. Misalnya, perangkat lunak bertenaga AI dapat menganalisis pemindaian CT dan memberi tahu ahli saraf tentang dugaan stroke .
Di sisi pasien, asisten kesehatan virtual daring dan chatbot dapat memberikan informasi medis umum, menjadwalkan janji temu, menjelaskan proses penagihan, dan menyelesaikan tugas administratif lainnya. Algoritme AI pemodelan prediktif juga dapat digunakan untuk memerangi penyebaran pandemi seperti COVID-19 .
AI semakin terintegrasi ke dalam berbagai fungsi bisnis dan industri, yang bertujuan untuk meningkatkan efisiensi, pengalaman pelanggan, perencanaan strategis, dan pengambilan keputusan. Misalnya, model pembelajaran mesin mendukung banyak platform analitik data dan manajemen hubungan pelanggan ( CRM ) masa kini, membantu perusahaan memahami cara terbaik melayani pelanggan melalui personalisasi penawaran dan penyampaian pemasaran yang lebih sesuai.
Asisten virtual dan chatbot juga digunakan di situs web perusahaan dan aplikasi seluler untuk menyediakan layanan pelanggan 24 jam dan menjawab pertanyaan umum. Selain itu, semakin banyak perusahaan yang mengeksplorasi kemampuan alat AI generatif seperti ChatGPT untuk mengotomatiskan tugas-tugas seperti penyusunan dan peringkasan dokumen, desain dan ide produk, serta pemrograman komputer.
AI memiliki sejumlah aplikasi potensial dalam teknologi pendidikan. AI dapat mengotomatiskan berbagai aspek proses penilaian, sehingga para pendidik memiliki lebih banyak waktu untuk mengerjakan tugas-tugas lain. Berbagai alat AI juga dapat menilai kinerja siswa dan menyesuaikannya dengan kebutuhan masing-masing siswa, sehingga memfasilitasi pengalaman belajar yang lebih personal yang memungkinkan siswa untuk belajar sesuai dengan kecepatan mereka sendiri. Tutor AI juga dapat memberikan dukungan tambahan kepada siswa, memastikan mereka tetap berada di jalur yang benar. Teknologi ini juga dapat mengubah tempat dan cara siswa belajar, mungkin mengubah peran tradisional para pendidik.
Seiring dengan berkembangnya kemampuan LLM seperti ChatGPT dan Google Gemini , alat-alat tersebut dapat membantu para pendidik menyusun materi pengajaran dan melibatkan siswa dengan cara-cara baru. Akan tetapi, munculnya alat-alat ini juga memaksa para pendidik untuk mempertimbangkan kembali praktik pekerjaan rumah dan ujian serta merevisi kebijakan plagiarisme, terutama mengingat bahwa alat deteksi AI dan watermarking AI saat ini tidak dapat diandalkan.
Bank dan lembaga keuangan lainnya menggunakan AI untuk meningkatkan pengambilan keputusan mereka dalam berbagai tugas seperti pemberian pinjaman, penetapan batas kredit, dan identifikasi peluang investasi. Selain itu, perdagangan algoritmik yang didukung oleh AI canggih dan pembelajaran mesin telah mengubah pasar keuangan, mengeksekusi perdagangan dengan kecepatan dan efisiensi yang jauh melampaui apa yang dapat dilakukan pedagang manusia secara manual.
AI dan pembelajaran mesin juga telah memasuki ranah keuangan konsumen. Misalnya, bank menggunakan chatbot AI untuk memberi tahu nasabah tentang layanan dan penawaran serta menangani transaksi dan pertanyaan yang tidak memerlukan campur tangan manusia. Demikian pula, Intuit menawarkan fitur AI generatif dalam produk e-filing TurboTax yang memberikan saran yang dipersonalisasi kepada pengguna berdasarkan data seperti profil pajak pengguna dan kode pajak untuk lokasi mereka.
AI mengubah sektor hukum dengan mengotomatiskan tugas-tugas yang padat karya seperti peninjauan dokumen dan respons penemuan, yang dapat membosankan dan memakan waktu bagi pengacara dan paralegal. Firma hukum saat ini menggunakan AI dan pembelajaran mesin untuk berbagai tugas, termasuk analitik dan AI prediktif untuk menganalisis data dan kasus hukum, visi komputer untuk mengklasifikasikan dan mengekstrak informasi dari dokumen, dan NLP untuk menafsirkan dan menanggapi permintaan penemuan.
Selain meningkatkan efisiensi dan produktivitas, integrasi AI ini membebaskan profesional hukum manusia untuk menghabiskan lebih banyak waktu dengan klien dan berfokus pada pekerjaan yang lebih kreatif dan strategis yang kurang cocok ditangani oleh AI. Dengan munculnya AI generatif dalam hukum , firma juga menjajaki penggunaan LLM untuk menyusun dokumen umum, seperti kontrak standar.
Bisnis hiburan dan media menggunakan teknik AI dalam periklanan tertarget, rekomendasi konten, distribusi, dan deteksi penipuan. Teknologi ini memungkinkan perusahaan untuk mempersonalisasi pengalaman audiens dan mengoptimalkan penyampaian konten.
AI generatif juga menjadi topik hangat di bidang pembuatan konten. Profesional periklanan sudah menggunakan alat ini untuk membuat materi pemasaran dan mengedit gambar iklan. Namun, penggunaannya lebih kontroversial di bidang seperti penulisan naskah film dan TV serta efek visual, karena menawarkan peningkatan efisiensi tetapi juga mengancam mata pencaharian dan kekayaan intelektual manusia dalam peran kreatif .
Dalam jurnalisme, AI dapat memperlancar alur kerja dengan mengotomatiskan tugas-tugas rutin, seperti entri data dan pemeriksaan akhir. Jurnalis investigasi dan jurnalis data juga menggunakan AI untuk menemukan dan meneliti cerita dengan memilah-milah set data besar menggunakan model pembelajaran mesin, sehingga mengungkap tren dan koneksi tersembunyi yang akan memakan waktu untuk diidentifikasi secara manual. Misalnya, lima finalis Penghargaan Pulitzer 2024 untuk jurnalisme mengungkapkan penggunaan AI dalam pelaporan mereka untuk melakukan tugas-tugas seperti menganalisis sejumlah besar catatan polisi. Sementara penggunaan alat AI tradisional semakin umum, penggunaan AI generatif untuk menulis konten jurnalistik masih dipertanyakan, karena menimbulkan kekhawatiran seputar keandalan, keakuratan, dan etika.
AI digunakan untuk mengotomatiskan banyak proses dalam pengembangan perangkat lunak, DevOps, dan TI . Misalnya, alat AIOps memungkinkan pemeliharaan prediktif lingkungan TI dengan menganalisis data sistem untuk memperkirakan potensi masalah sebelum terjadi, dan alat pemantauan bertenaga AI dapat membantu menandai potensi anomali secara real time berdasarkan data sistem historis. Alat AI generatif seperti GitHub Copilot dan Tabnine juga semakin banyak digunakan untuk menghasilkan kode aplikasi berdasarkan perintah bahasa alami. Meskipun alat-alat ini telah menunjukkan janji dan minat awal di antara para pengembang , alat-alat ini tidak mungkin sepenuhnya menggantikan insinyur perangkat lunak. Sebaliknya, alat-alat ini berfungsi sebagai alat bantu produktivitas yang berguna, mengotomatiskan tugas-tugas berulang dan penulisan kode boilerplate.
AI dan pembelajaran mesin adalah kata kunci yang menonjol dalam pemasaran vendor keamanan, jadi pembeli harus mengambil pendekatan yang hati-hati. Namun, AI memang merupakan teknologi yang berguna dalam berbagai aspek keamanan siber , termasuk deteksi anomali, mengurangi positif palsu, dan melakukan analisis ancaman perilaku. Misalnya, organisasi menggunakan pembelajaran mesin dalam perangkat lunak manajemen informasi dan peristiwa keamanan ( SIEM ) untuk mendeteksi aktivitas mencurigakan dan potensi ancaman. Dengan menganalisis sejumlah besar data dan mengenali pola yang menyerupai kode berbahaya yang dikenal, alat AI dapat memberi tahu tim keamanan tentang serangan baru dan yang sedang berkembang, seringkali jauh lebih cepat daripada yang dapat dilakukan oleh karyawan manusia dan teknologi sebelumnya.
Manufaktur telah menjadi yang terdepan dalam menggabungkan robot ke dalam alur kerja, dengan kemajuan terkini yang berfokus pada robot kolaboratif, atau cobot . Tidak seperti robot industri tradisional, yang diprogram untuk melakukan tugas tunggal dan dioperasikan secara terpisah dari pekerja manusia, cobot lebih kecil, lebih serbaguna, dan dirancang untuk bekerja bersama manusia. Robot multitugas ini dapat mengambil alih tanggung jawab untuk lebih banyak tugas di gudang, di lantai pabrik, dan di tempat kerja lainnya, termasuk perakitan, pengemasan, dan kontrol kualitas. Secara khusus, menggunakan robot untuk melakukan atau membantu tugas yang berulang dan menuntut fisik dapat meningkatkan keselamatan dan efisiensi bagi pekerja manusia.
Selain peran mendasar AI dalam mengoperasikan kendaraan otonom, teknologi AI digunakan dalam transportasi otomotif untuk mengatur lalu lintas, mengurangi kemacetan, dan meningkatkan keselamatan jalan. Dalam perjalanan udara, AI dapat memprediksi penundaan penerbangan dengan menganalisis titik data seperti cuaca dan kondisi lalu lintas udara. Dalam pengiriman luar negeri, AI dapat meningkatkan keselamatan dan efisiensi dengan mengoptimalkan rute dan memantau kondisi kapal secara otomatis.
Dalam rantai pasokan, AI menggantikan metode peramalan permintaan tradisional dan meningkatkan akurasi prediksi tentang potensi gangguan dan hambatan. Pandemi COVID-19 menyoroti pentingnya kemampuan ini, karena banyak perusahaan terkejut dengan dampak pandemi global terhadap penawaran dan permintaan barang.
Istilah kecerdasan buatan terkait erat dengan budaya populer, yang dapat menciptakan ekspektasi yang tidak realistis di kalangan masyarakat umum tentang dampak AI pada pekerjaan dan kehidupan sehari-hari. Istilah alternatif yang diusulkan, kecerdasan tertambah , membedakan sistem mesin yang mendukung manusia dari sistem yang sepenuhnya otonom yang ditemukan dalam fiksi ilmiah -- pikirkan HAL 9000 dari 2001: A Space Odyssey atau Skynet dari film Terminator .
Kedua istilah tersebut dapat didefinisikan sebagai berikut:
Meskipun perangkat AI menghadirkan berbagai fungsi baru bagi bisnis , penggunaannya menimbulkan pertanyaan etika yang signifikan. Baik atau buruk, sistem AI memperkuat apa yang telah dipelajarinya, yang berarti bahwa algoritme ini sangat bergantung pada data yang digunakan untuk melatihnya. Karena manusia memilih data pelatihan tersebut, potensi bias bersifat inheren dan harus dipantau secara ketat.
AI generatif menambahkan lapisan kompleksitas etika lainnya . Alat-alat ini dapat menghasilkan teks, gambar, dan audio yang sangat realistis dan meyakinkan -- kemampuan yang berguna untuk banyak aplikasi yang sah, tetapi juga merupakan vektor potensial misinformasi dan konten berbahaya seperti deepfake .
Oleh karena itu, siapa pun yang ingin menggunakan pembelajaran mesin dalam sistem produksi dunia nyata perlu mempertimbangkan etika dalam proses pelatihan AI mereka dan berusaha menghindari bias yang tidak diinginkan. Hal ini terutama penting untuk algoritme AI yang kurang transparan, seperti jaringan saraf kompleks yang digunakan dalam pembelajaran mendalam.
Kemampuan menjelaskan , atau kemampuan untuk memahami bagaimana sistem AI membuat keputusan, merupakan bidang minat yang berkembang dalam penelitian AI. Kurangnya kemampuan menjelaskan menghadirkan potensi hambatan dalam penggunaan AI dalam industri dengan persyaratan kepatuhan regulasi yang ketat . Misalnya, undang-undang pinjaman yang adil mengharuskan lembaga keuangan AS untuk menjelaskan keputusan penerbitan kredit mereka kepada pemohon pinjaman dan kartu kredit. Namun, ketika program AI membuat keputusan seperti itu, korelasi halus di antara ribuan variabel dapat menimbulkan masalah kotak hitam , di mana proses pengambilan keputusan sistem tidak jelas.
Singkatnya, tantangan etika AI meliputi hal berikut:
Meskipun ada risiko potensial, saat ini hanya ada sedikit regulasi yang mengatur penggunaan perangkat AI, dan jika memang ada undang-undang, undang-undang tersebut biasanya berkaitan dengan AI secara tidak langsung. Misalnya, seperti yang disebutkan sebelumnya, regulasi pinjaman yang adil di AS seperti Equal Credit Opportunity Act mengharuskan lembaga keuangan untuk menjelaskan keputusan kredit kepada calon nasabah. Hal ini membatasi sejauh mana pemberi pinjaman dapat menggunakan algoritma pembelajaran mendalam, yang pada dasarnya tidak transparan dan kurang dapat dijelaskan.
Uni Eropa telah bersikap proaktif dalam menangani tata kelola AI. Peraturan Perlindungan Data Umum ( GDPR ) Uni Eropa telah memberlakukan batasan ketat tentang bagaimana perusahaan dapat menggunakan data konsumen, yang memengaruhi pelatihan dan fungsionalitas banyak aplikasi AI yang berhadapan dengan konsumen. Selain itu, Dewan Uni Eropa telah menyetujui Undang-Undang AI , yang bertujuan untuk menetapkan kerangka regulasi yang komprehensif untuk pengembangan dan penerapan AI. Undang-Undang tersebut memberlakukan berbagai tingkat regulasi pada sistem AI berdasarkan risikonya, dengan bidang-bidang seperti biometrik dan infrastruktur penting yang menerima pengawasan yang lebih ketat.
Sementara AS mengalami kemajuan, negara tersebut masih kekurangan undang-undang federal yang komprehensif seperti UU AI Uni Eropa. Para pembuat kebijakan belum mengeluarkan undang-undang AI yang komprehensif , dan peraturan tingkat federal yang ada berfokus pada kasus penggunaan dan manajemen risiko tertentu, dilengkapi dengan inisiatif negara bagian. Meski demikian, peraturan Uni Eropa yang lebih ketat dapat berakhir dengan menetapkan standar de facto bagi perusahaan multinasional yang berpusat di AS, mirip dengan bagaimana GDPR membentuk lanskap privasi data global.
Terkait perkembangan kebijakan AI AS yang spesifik, Kantor Kebijakan Sains dan Teknologi Gedung Putih menerbitkan "Cetak Biru untuk RUU Hak AI" pada Oktober 2022, yang memberikan panduan bagi bisnis tentang cara menerapkan sistem AI yang etis. Kamar Dagang AS juga menyerukan regulasi AI dalam laporan yang dirilis pada Maret 2023, yang menekankan perlunya pendekatan seimbang yang mendorong persaingan sekaligus mengatasi risiko. Baru-baru ini, pada Oktober 2023, Presiden Biden mengeluarkan perintah eksekutif tentang topik pengembangan AI yang aman dan bertanggung jawab. Antara lain, perintah tersebut mengarahkan lembaga federal untuk mengambil tindakan tertentu guna menilai dan mengelola risiko AI dan pengembang sistem AI yang canggih untuk melaporkan hasil uji keamanan.
Menyusun undang-undang untuk mengatur AI tidak akan mudah, sebagian karena AI terdiri dari berbagai teknologi yang digunakan untuk berbagai tujuan, dan sebagian lagi karena peraturan dapat menghambat kemajuan dan pengembangan AI, yang memicu reaksi keras dari industri. Evolusi teknologi AI yang cepat merupakan hambatan lain dalam membentuk peraturan yang bermakna, seperti juga kurangnya transparansi AI, yang membuat sulit untuk memahami bagaimana algoritma menghasilkan hasilnya. Selain itu, terobosan teknologi dan aplikasi baru seperti ChatGPT dan Dall-E dapat dengan cepat membuat undang-undang yang ada menjadi usang. Dan, tentu saja, undang-undang dan peraturan lainnya tidak mungkin menghalangi pelaku jahat menggunakan AI untuk tujuan yang merugikan .
Konsep benda mati yang diberkahi kecerdasan telah ada sejak zaman kuno. Dewa Yunani Hephaestus digambarkan dalam mitos sebagai penempa pelayan seperti robot dari emas, sementara insinyur di Mesir kuno membangun patung dewa yang dapat bergerak, digerakkan oleh mekanisme tersembunyi yang dioperasikan oleh pendeta.
Selama berabad-abad, para pemikir mulai dari filsuf Yunani Aristoteles hingga teolog Spanyol abad ke-13 Ramon Llull hingga matematikawan Rene Descartes dan ahli statistik Thomas Bayes menggunakan perangkat dan logika zaman mereka untuk menggambarkan proses berpikir manusia sebagai simbol. Karya mereka meletakkan dasar bagi konsep AI seperti representasi pengetahuan umum dan penalaran logis.
Akhir abad ke-19 dan awal abad ke-20 menghasilkan karya mendasar yang akan melahirkan komputer modern. Pada tahun 1836, matematikawan Universitas Cambridge Charles Babbage dan Augusta Ada King, Countess of Lovelace, menemukan desain pertama untuk mesin yang dapat diprogram, yang dikenal sebagai Analytical Engine. Babbage menguraikan desain untuk komputer mekanis pertama, sementara Lovelace -- yang sering dianggap sebagai programmer komputer pertama -- meramalkan kemampuan mesin untuk melampaui kalkulasi sederhana untuk melakukan operasi apa pun yang dapat dijelaskan secara algoritmik.
Seiring berjalannya abad ke-20, perkembangan utama dalam komputasi membentuk bidang yang kelak menjadi AI . Pada tahun 1930-an, matematikawan Inggris dan pemecah kode Perang Dunia II Alan Turing memperkenalkan konsep mesin universal yang dapat mensimulasikan mesin lain. Teorinya sangat penting bagi pengembangan komputer digital dan, akhirnya, AI.
Ahli matematika Princeton John Von Neumann merancang arsitektur untuk komputer program tersimpan -- gagasan bahwa program komputer dan data yang diprosesnya dapat disimpan dalam memori komputer. Warren McCulloch dan Walter Pitts mengusulkan model matematika neuron buatan, yang menjadi dasar bagi jaringan saraf dan pengembangan AI masa depan lainnya.
Dengan munculnya komputer modern, para ilmuwan mulai menguji gagasan mereka tentang kecerdasan mesin. Pada tahun 1950, Turing merancang sebuah metode untuk menentukan apakah sebuah komputer memiliki kecerdasan, yang disebutnya permainan imitasi tetapi kemudian lebih dikenal sebagai uji Turing . Uji ini mengevaluasi kemampuan komputer untuk meyakinkan para interogator bahwa tanggapannya terhadap pertanyaan mereka dibuat oleh manusia.
Bidang AI modern banyak disebut-sebut dimulai pada tahun 1956 selama konferensi musim panas di Dartmouth College. Disponsori oleh Defense Advanced Research Projects Agency, konferensi tersebut dihadiri oleh 10 tokoh terkemuka di bidang tersebut, termasuk pelopor AI Marvin Minsky, Oliver Selfridge, dan John McCarthy , yang dianggap sebagai pencetus istilah "kecerdasan buatan." Allen Newell, seorang ilmuwan komputer, dan Herbert A. Simon, seorang ekonom, ilmuwan politik, dan psikolog kognitif juga turut hadir.
Keduanya memperkenalkan Logic Theorist yang inovatif, sebuah program komputer yang mampu membuktikan teorema matematika tertentu dan sering disebut sebagai program AI pertama. Setahun kemudian, pada tahun 1957, Newell dan Simon menciptakan algoritma General Problem Solver yang, meskipun gagal memecahkan masalah yang lebih rumit, meletakkan dasar untuk mengembangkan arsitektur kognitif yang lebih canggih.
Setelah konferensi Dartmouth College, para pemimpin di bidang AI yang masih baru meramalkan bahwa kecerdasan buatan manusia yang setara dengan otak manusia sudah dekat, yang menarik dukungan besar dari pemerintah dan industri. Memang, hampir 20 tahun penelitian dasar yang didanai dengan baik menghasilkan kemajuan signifikan dalam AI. McCarthy mengembangkan Lisp , bahasa yang awalnya dirancang untuk pemrograman AI yang masih digunakan hingga saat ini. Pada pertengahan 1960-an, profesor MIT Joseph Weizenbaum mengembangkan Eliza, program NLP awal yang meletakkan dasar bagi chatbot saat ini.
Pada tahun 1970-an, pencapaian AGI terbukti sulit, bukan sesuatu yang dekat, karena keterbatasan dalam pemrosesan dan memori komputer serta kompleksitas masalah. Akibatnya, dukungan pemerintah dan perusahaan untuk penelitian AI berkurang, yang menyebabkan periode kering yang berlangsung dari tahun 1974 hingga 1980 yang dikenal sebagai musim dingin AI pertama . Selama masa ini, bidang AI yang baru lahir mengalami penurunan yang signifikan dalam pendanaan dan minat.
Pada tahun 1980-an, penelitian tentang teknik pembelajaran mendalam dan adopsi industri terhadap sistem pakar Edward Feigenbaum memicu gelombang baru antusiasme AI. Sistem pakar, yang menggunakan program berbasis aturan untuk meniru pengambilan keputusan pakar manusia, diterapkan pada tugas-tugas seperti analisis keuangan dan diagnosis klinis. Namun, karena sistem ini tetap mahal dan terbatas kemampuannya, kebangkitan AI tidak berlangsung lama, diikuti oleh runtuhnya pendanaan pemerintah dan dukungan industri. Periode penurunan minat dan investasi ini, yang dikenal sebagai musim dingin AI kedua, berlangsung hingga pertengahan tahun 1990-an.
Peningkatan daya komputasi dan ledakan data memicu kebangkitan AI pada pertengahan hingga akhir 1990-an, yang menjadi panggung bagi kemajuan luar biasa dalam AI yang kita lihat saat ini. Kombinasi big data dan peningkatan daya komputasi mendorong terobosan dalam NLP, visi komputer, robotika, pembelajaran mesin, dan pembelajaran mendalam. Tonggak penting terjadi pada tahun 1997, ketika Deep Blue mengalahkan Kasparov, menjadi program komputer pertama yang mengalahkan juara catur dunia.
Kemajuan lebih lanjut dalam pembelajaran mesin, pembelajaran mendalam, NLP, pengenalan ucapan, dan visi komputer memunculkan produk dan layanan yang telah membentuk cara hidup kita saat ini. Perkembangan utama meliputi peluncuran mesin pencari Google pada tahun 2000 dan peluncuran mesin rekomendasi Amazon pada tahun 2001.
Pada tahun 2000-an, Netflix mengembangkan sistem rekomendasi film, Facebook memperkenalkan sistem pengenalan wajah, dan Microsoft meluncurkan sistem pengenalan ucapan untuk transkripsi audio. IBM meluncurkan sistem tanya jawab Watson, dan Google memulai inisiatif mobil self-driving, Waymo.
Dekade antara 2010 dan 2020 menyaksikan serangkaian perkembangan AI yang stabil. Ini termasuk peluncuran asisten suara Siri dari Apple dan Alexa dari Amazon; kemenangan IBM Watson di Jeopardy ; pengembangan fitur self-driving untuk mobil; dan implementasi sistem berbasis AI yang mendeteksi kanker dengan tingkat akurasi yang tinggi. Jaringan adversarial generatif pertama dikembangkan, dan Google meluncurkan TensorFlow, kerangka kerja pembelajaran mesin sumber terbuka yang banyak digunakan dalam pengembangan AI.
Tonggak penting terjadi pada tahun 2012 dengan terobosan AlexNet, jaringan saraf konvolusional yang secara signifikan memajukan bidang pengenalan gambar dan mempopulerkan penggunaan GPU untuk pelatihan model AI. Pada tahun 2016, model AlphaGo dari Google DeepMind mengalahkan juara dunia Go Lee Sedol, memamerkan kemampuan AI untuk menguasai permainan strategis yang kompleks. Tahun sebelumnya menyaksikan berdirinya laboratorium penelitian OpenAI , yang akan membuat langkah penting pada paruh kedua dekade itu dalam pembelajaran penguatan dan NLP.
Dekade ini sejauh ini didominasi oleh munculnya AI generatif, yang dapat menghasilkan konten baru berdasarkan permintaan pengguna. Permintaan ini sering kali berbentuk teks, tetapi dapat juga berupa gambar, video, cetak biru desain, musik, atau masukan lain yang dapat diproses oleh sistem AI. Konten keluaran dapat berupa esai hingga penjelasan pemecahan masalah dan gambar realistis berdasarkan foto seseorang.
Pada tahun 2020, OpenAI merilis iterasi ketiga dari model bahasa GPT, tetapi teknologinya tidak sepenuhnya dikenal masyarakat hingga tahun 2022. Tahun itu menyaksikan peluncuran generator gambar yang tersedia untuk umum, seperti Dall-E dan Midjourney, serta peluncuran umum ChatGPT. Sejak saat itu, kemampuan chatbot bertenaga LLM seperti ChatGPT dan Claude -- beserta generator gambar, video, dan audio -- telah memikat masyarakat. Akan tetapi, teknologi AI generatif masih dalam tahap awal, sebagaimana dibuktikan oleh kecenderungannya yang berkelanjutan untuk berhalusinasi atau memutarbalikkan jawaban.
Alat dan layanan AI berkembang dengan sangat cepat. Inovasi terkini dapat ditelusuri kembali ke jaringan saraf AlexNet tahun 2012, yang mengawali era baru AI berperforma tinggi yang dibangun di atas GPU dan set data besar. Kemajuan utamanya adalah penemuan bahwa jaringan saraf dapat dilatih pada sejumlah besar data di beberapa inti GPU secara paralel, sehingga proses pelatihan menjadi lebih terukur.
Pada abad ke-21, hubungan simbiosis telah berkembang antara kemajuan algoritme di berbagai organisasi seperti Google, Microsoft, dan OpenAI, di satu sisi, dan inovasi perangkat keras yang dipelopori oleh penyedia infrastruktur seperti Nvidia, di sisi lain. Perkembangan ini memungkinkan untuk menjalankan model AI yang semakin besar pada GPU yang lebih terhubung, yang mendorong peningkatan performa dan skalabilitas yang mengubah permainan. Kolaborasi di antara para tokoh AI ini sangat penting bagi keberhasilan ChatGPT, belum lagi puluhan layanan AI yang luar biasa lainnya. Berikut adalah beberapa contoh inovasi yang mendorong evolusi alat dan layanan AI.
Google memimpin dalam menemukan proses yang lebih efisien untuk menyediakan pelatihan AI di seluruh kluster besar PC komoditas dengan GPU. Hal ini, pada gilirannya, membuka jalan bagi penemuan transformer, yang mengotomatiskan banyak aspek pelatihan AI pada data yang tidak berlabel. Dengan makalah tahun 2017 "Attention Is All You Need," para peneliti Google memperkenalkan arsitektur baru yang menggunakan mekanisme self-attention untuk meningkatkan kinerja model pada berbagai tugas NLP, seperti penerjemahan, pembuatan teks, dan peringkasan.
Perangkat keras sama pentingnya dengan arsitektur algoritmik dalam mengembangkan AI yang efektif, efisien, dan dapat diskalakan. GPU, yang awalnya dirancang untuk rendering grafis, telah menjadi penting untuk memproses set data besar. Unit pemrosesan tensor, yang dirancang khusus untuk pembelajaran mendalam, telah mempercepat pelatihan model AI yang kompleks. Vendor seperti Nvidia telah mengoptimalkan mikrokode untuk berjalan di beberapa inti GPU secara paralel untuk algoritme yang paling populer. Pembuat chip juga bekerja sama dengan penyedia cloud utama untuk membuat kemampuan ini lebih mudah diakses sebagai AI sebagai layanan (AIaaS) melalui model IaaS, SaaS, dan PaaS.
Tumpukan AI telah berkembang pesat selama beberapa tahun terakhir. Sebelumnya, perusahaan harus melatih model AI mereka dari awal. Kini, vendor seperti OpenAI, Nvidia, Microsoft, dan Google menyediakan transformer pra-terlatih generatif (GPT) yang dapat disesuaikan untuk tugas-tugas tertentu dengan biaya, keahlian, dan waktu yang jauh lebih rendah.
Salah satu hambatan terbesar yang mencegah perusahaan menggunakan AI secara efektif adalah kompleksitas tugas rekayasa data dan ilmu data yang diperlukan untuk memadukan kemampuan AI ke dalam aplikasi baru atau yang sudah ada. Semua penyedia cloud terkemuka meluncurkan penawaran AIaaS bermerek untuk menyederhanakan persiapan data, pengembangan model, dan penerapan aplikasi. Contoh teratas termasuk Amazon AI , Google AI , Microsoft Azure AI, IBM Watson , dan fitur AI Oracle Cloud .
Pengembang model AI terkemuka juga menawarkan model AI mutakhir di atas layanan cloud ini. OpenAI memiliki beberapa LLM yang dioptimalkan untuk obrolan, NLP, multimodalitas, dan pembuatan kode yang disediakan melalui Azure. Nvidia telah menerapkan pendekatan yang lebih agnostik terhadap cloud dengan menjual infrastruktur AI dan model dasar yang dioptimalkan untuk teks, gambar, dan data medis di semua penyedia cloud. Banyak pemain yang lebih kecil juga menawarkan model yang disesuaikan untuk berbagai industri dan kasus penggunaan.
George Lawton juga berkontribusi pada artikel ini.
