Kecerdasan buatan (AI) mencakup banyak teknologi baru yang kompleks, yang dulunya memerlukan input manusia, dan kini dapat dilakukan oleh komputer. Komputer dapat melakukan fungsi lanjutan, yang secara historis digunakan untuk memahami dan merekomendasikan informasi. Kini, dengan AI, komputer bahkan dapat membuat konten baru.
Akronim AI sering digunakan secara bergantian untuk mewakili berbagai jenis teknologi yang membentuk bidang AI.
Konsep AI umum
Ada sejumlah istilah dan konsep yang mendefinisikan kecerdasan buatan dan machine learning, yang mungkin berguna bagi Anda. Berikut beberapa cara Anda dapat bekerja dengan AI dalam praktiknya, di web
AI Umum
Secara garis besar, AI umum adalah program atau model non-manusia yang menunjukkan berbagai pemecahan masalah dan kreativitas. model adalah persamaan matematika yang sangat besar, yang mencakup sekumpulan parameter dan struktur yang diperlukan mesin untuk menampilkan output.
Dengan AI umum, Anda dapat melakukan berbagai jenis tugas, seperti menganalisis data, menerjemahkan teks, menulis musik, mengidentifikasi penyakit, dan banyak lagi.
AI Sempit
Narrow AI adalah sistem yang dapat menjalankan satu atau subkumpulan tugas tertentu. Misalnya, komputer yang memainkan game catur melawan lawan manusia (jangan samakan dengan Mechanical Turk). Narrow AI memiliki serangkaian parameter, batasan, dan konteks yang telah ditetapkan, yang mungkin tampak seperti memahami, tetapi sebenarnya hanya merupakan jawaban atas suatu persamaan.
Anda mungkin melihat hal ini dalam praktiknya dengan sistem pengenalan wajah, asisten suara, dan perkiraan cuaca. Anda dapat menggunakan model yang sangat spesifik untuk meningkatkan fungsi tertentu dan spesifik di situs web dan aplikasi Anda.
Misalnya, Anda membuat situs khusus untuk film, tempat pengguna dapat masuk, menilai film favorit mereka, dan menemukan film baru untuk ditonton. Anda dapat menggunakan database yang telah terisi otomatis untuk merekomendasikan film berdasarkan halaman yang sedang mereka kunjungi. Atau, Anda dapat menggunakan model AI sempit yang menganalisis perilaku dan preferensi pengguna untuk menampilkan informasi yang paling relevan kepada pembaca tersebut.
Generative AI
Model bahasa besar (LLM) adalah model AI jaringan neural dengan banyak parameter yang dapat digunakan untuk melakukan berbagai tugas, seperti membuat, mengklasifikasikan, atau meringkas teks atau gambar.
_AI generatif _merespons input dan membuat konten, yang dibangun berdasarkan konteks dan memori LLM. Hal ini lebih dari sekadar pencocokan pola dan prediksi. Beberapa alat AI generatif yang paling umum meliputi:
- Gemini dari Google
- Chat GPT dari Open AI
- Claude dari Anthropic
- Copilot dari Microsoft
- Dan banyak lainnya...
Alat-alat ini dapat membuat prosa tertulis, contoh kode, dan gambar. Mereka dapat membantu Anda merencanakan liburan, melembutkan atau membuat gaya bahasa email lebih profesional, atau mengklasifikasi berbagai kumpulan informasi ke dalam kategori.
Ada banyak kasus penggunaan, baik untuk developer maupun non-developer.
Machine learning (ML)
Machine learning (ML) adalah bentuk AI, yang memungkinkan komputer belajar tanpa pemrograman eksplisit. Di mana AI berusaha untuk menghasilkan kecerdasan, ML memungkinkan komputer untuk belajar dari pengalaman. ML terdiri dari algoritma untuk membuat prediksi set data.
ML adalah proses pelatihan model untuk membuat prediksi yang berguna atau menghasilkan konten dari data.
Misalnya, kita ingin membuat situs web yang menilai cuaca pada hari tertentu. Biasanya, hal ini dapat dilakukan oleh satu atau beberapa ahli meteorologi, yang dapat membuat representasi atmosfer dan permukaan Bumi, menghitung dan memprediksi pola cuaca, serta menentukan peringkat dengan membandingkan data terkini dengan konteks sejarah.
Sebagai gantinya, kita bisa memberi model ML sejumlah besar data cuaca, sampai model itu mempelajari hubungan matematis antara pola cuaca, data historis, dan panduan tentang apa yang membuat cuaca baik atau buruk pada hari tertentu. Bahkan, kami telah membangunnya di web.
Deep learning
Deep learning (DL) adalah kelas algoritma ML. Salah satu contohnya adalah Jaringan Saraf Dalam (DNN) yang berupaya membuat model cara otak manusia dipercaya memproses informasi.
Tantangan terkait AI
Ada beberapa tantangan saat membangun dan menggunakan AI. Berikut ini hanyalah beberapa sorotan tentang apa yang harus Anda pertimbangkan.
Kualitas dan keterkinian data
Set data besar yang digunakan untuk melatih berbagai model AI sering kali sudah tidak berlaku lagi setelah digunakan. Artinya, saat mencari informasi terbaru, Anda dapat memperoleh manfaat dari rekayasa perintah untuk meningkatkan performa model AI pada tugas tertentu dan menghasilkan output yang lebih baik.
Set data mungkin tidak lengkap atau terlalu kecil untuk mendukung beberapa kasus penggunaan secara efektif. Anda dapat mencoba bekerja dengan beberapa alat atau menyesuaikan model agar sesuai dengan kebutuhan.
Kekhawatiran terkait etika dan bias
Teknologi AI sangat menarik dan memiliki banyak potensi. Namun, pada akhirnya, komputer dan algoritma dibuat oleh manusia, dilatih dengan data yang mungkin dikumpulkan oleh manusia, sehingga memiliki beberapa tantangan. Misalnya, model dapat mempelajari dan memperkuat bias manusia dan stereotipe berbahaya, yang secara langsung berdampak pada output. Membangun teknologi AI dengan mitigasi bias sebagai prioritas penting.
Ada banyak pertimbangan etis tentang hak cipta konten buatan AI; siapa yang memiliki output tersebut, terutama jika hasilnya sangat dipengaruhi oleh atau disalin langsung dari materi berhak cipta?
Sebelum membuat konten dan ide baru, pertimbangkan kebijakan yang sudah ada tentang cara menggunakan materi yang Anda buat.
Keamanan dan privasi
Banyak developer web mengatakan bahwa privasi dan keamanan adalah perhatian utama mereka dalam menggunakan alat AI. Hal ini terutama berlaku dalam konteks bisnis dengan persyaratan data yang ketat, seperti pemerintah dan perusahaan perawatan kesehatan. Mengekspos data pengguna ke lebih banyak pihak ketiga dengan Cloud API adalah suatu kekhawatiran. Setiap transmisi data harus aman dan selalu dipantau.
AI di perangkat dapat menjadi kunci untuk mengatasi kasus penggunaan ini. MediaPipe adalah salah satu solusi yang masih dalam proses, tetapi masih banyak penelitian dan pengembangan yang harus dilakukan.
Mulai menggunakan AI di web
Setelah terbiasa dengan berbagai jenis kecerdasan buatan, Anda dapat mulai mempertimbangkan cara menggunakan model yang ada untuk menjadi lebih produktif serta membangun situs dan aplikasi web yang lebih baik.
Anda dapat menggunakan AI untuk:
- Buat pelengkapan otomatis yang lebih baik untuk penelusuran situs Anda.
- Deteksi kehadiran objek umum, seperti manusia atau hewan peliharaan, dengan kamera smart
- Atasi spam komentar dengan model bahasa alami.
- Tingkatkan produktivitas dengan mengaktifkan pelengkapan otomatis untuk kode Anda.
- Buat pengalaman menulis WYSIWYG dengan saran untuk kata atau kalimat berikutnya.
- Berikan penjelasan tentang {i>dataset<i} yang mudah dipahami manusia.
- Dan lebih banyak lagi...
Model AI terlatih dapat menjadi cara yang bagus untuk meningkatkan kualitas situs, aplikasi web, dan produktivitas kami, tanpa memerlukan pemahaman penuh tentang cara membangun model matematika dan mengumpulkan set data kompleks yang mendukung alat AI yang paling populer.
Anda mungkin langsung menemukan sebagian besar model yang sesuai dengan kebutuhan Anda, tanpa penyesuaian lebih lanjut. Tuning adalah proses mengambil model, yang telah dilatih pada set data besar, dan pelatihan lebih lanjut untuk memenuhi kebutuhan penggunaan spesifik Anda. Ada sejumlah teknik untuk men-tuning model:
- Reinforcement learning from Human Feedback (RLHF) adalah teknik yang menggunakan masukan manusia untuk meningkatkan keselarasan model dengan preferensi dan niat manusia.
- Adaptasi Low-Rank (LoRA) adalah metode efisiensi parameter untuk LLM yang mengurangi jumlah parameter yang dapat dilatih, sekaligus mempertahankan performa model.