Bisakah AI belajar sendiri?

Jawaban singkat: AI dapat belajar dalam batasan teknis yang terbatas: ia dapat mengidentifikasi pola, meningkatkan diri melalui umpan balik, dan beradaptasi di dalam sistem yang dirancang untuk tujuan tersebut. Tetapi ketika tujuan, data, imbalan, atau pengamanan dipilih dengan buruk, ia dapat menyimpang, mereproduksi pola yang berbahaya, atau mengoptimalkan untuk hal yang salah.

Poin-poin penting: Akuntabilitas: Tetapkan penanggung jawab manusia yang jelas untuk tujuan, batasan, penerapan, dan pemantauan model.

Persetujuan: Lindungi data pengguna, terutama saat sistem diperbarui berdasarkan interaksi langsung.

Transparansi: Jelaskan dari mana AI belajar dan batasan apa yang membentuk outputnya.

Kemampuan untuk mengajukan keberatan: Berikan orang-orang jalur yang jelas untuk menantang keputusan, kesalahan, bias, atau hasil yang merugikan.

Kemampuan audit: Lakukan pengujian secara berkala untuk mendeteksi penyimpangan, peretasan imbalan, kebocoran privasi, dan otomatisasi yang tidak aman.

---

1. Apa Arti dari “Bisakah AI Belajar Sendiri?” 🤔

Ketika orang bertanya “Bisakah AI belajar sendiri?”, yang biasanya mereka maksudkan adalah salah satu dari beberapa hal berikut:

• Bisakah AI berkembang tanpa campur tangan manusia dalam memprogram setiap aturan secara manual?

• Bisakah AI belajar sendiri dari data mentah?

• Bisakah AI menemukan pola yang tidak secara eksplisit ditunjukkan oleh manusia?

• Bisakah AI beradaptasi setelah diterapkan?

• Bisakah AI menjadi lebih pintar dari waktu ke waktu hanya dengan berinteraksi dengan dunia?

Ini saling berkaitan, tetapi tidak identik.

Perangkat lunak tradisional mengikuti instruksi langsung. Pengembang menulis aturan seperti:

• Jika pengguna mengklik tombol ini, buka halaman tersebut.

• Jika kata sandi salah, tampilkan pesan kesalahan.

• Jika suhu melebihi batas tertentu, picu peringatan.

AI berbeda. Alih-alih memberikan setiap aturan, manusia sering kali memberikan data, tujuan, arsitektur, dan metode pelatihan. AI kemudian mempelajari pola dari contoh-contoh. Itu bisa terlihat seperti pembelajaran mandiri, karena sistem tidak diberi setiap jawaban secara langsung.

Namun ada kendalanya. Selalu ada kerangka kerja. Selalu ada semacam wadah yang dirancang manusia di sekitar proses pembelajaran. AI mungkin mempelajari pola sendiri di dalam wadah itu, tetapi wadah itu sendiri sangat penting. Diam-diam, di situlah letak sebagian besar keajaiban dan sebagian besar risikonya.

---

2. Apa yang Membuat Penjelasan yang Baik tentang “Bisakah AI Belajar Sendiri?” ✅

Penjelasan yang baik tentang Bisakah AI belajar sendiri? perlu memisahkan aspek pertunjukan dari mekanismenya.

Jawaban yang tepat harus menjelaskan poin-poin berikut:

• AI dapat belajar dari data tanpa campur tangan manusia dalam menulis setiap aturan.

• AI biasanya membutuhkan manusia untuk menentukan tujuan, metode pelatihan, batasan, dan evaluasi.

• Beberapa sistem AI dapat meningkat melalui siklus umpan balik.

• “Belajar” tidak berarti kesadaran, penyelidikan mandiri, atau pemahaman seperti manusia.

• AI dapat tampak independen namun tetap sangat dibentuk oleh desainnya.

Bayangkan AI seperti seorang siswa yang sangat cakap di perpustakaan yang terkunci 📚. Ia dapat membaca, membandingkan, memprediksi, dan berlatih. Ia bahkan mungkin mengejutkan Anda dengan berbagai koneksi yang ditemukannya. Tetapi seseorang membangun perpustakaan, memilih buku-buku, mengunci pintu, menetapkan ujian, dan memutuskan apa yang dianggap sebagai jawaban yang baik.

Ini bukanlah metafora yang sempurna - agak kurang tepat - tetapi setidaknya menempatkan perabotan di ruangan yang tepat.

---

3. Tabel Perbandingan: Jenis-Jenis Pembelajaran AI 🧩

Jenis Pembelajaran	Cara Kerjanya	Keterlibatan Manusia	Kasus Penggunaan Terbaik	Fitur Unggulan
Pembelajaran terawasi	Belajar dari contoh yang diberi label	Tinggi di awal	Klasifikasi, prediksi	Sangat praktis, sedikit mirip dengan suasana sekolah
Pembelajaran tanpa pengawasan	Menemukan pola dalam data yang tidak berlabel	Sedang	Pengelompokan, penemuan	Menemukan struktur tersembunyi 🕵️
Pembelajaran mandiri	Membuat sinyal pelatihan dari data mentah	Sedang-rendah	Bahasa, gambar, audio	Mendukung banyak sistem AI modern
Pembelajaran penguatan	Belajar melalui imbalan dan hukuman	Sedang	Permainan, robotika, optimasi	Coba-coba, tapi keren
Pembelajaran daring	Pembaruan seiring dengan masuknya data baru	Sangat bergantung	Deteksi penipuan, personalisasi	Dapat beradaptasi seiring waktu
Pelatihan umpan balik manusia	Belajar dari preferensi manusia	Tinggi	Chatbot, asisten	Membuat hasil keluaran terasa lebih bermanfaat
Agen otonom	Bertindak untuk mencapai tujuan menggunakan alat	Variabel	Otomatisasi tugas	Terlihat mandiri, terkadang terlalu percaya diri 😅

Kesimpulan utamanya: AI dapat belajar dengan berbagai cara, tetapi "secara mandiri" biasanya berarti kurangnya instruksi langsung, bukan tanpa pengaruh manusia sama sekali.

---

4. Bagaimana AI Belajar dari Data Tanpa Diprogram Secara Eksplisit 📊

Inti dari sebagian besar pembelajaran AI adalah pengenalan pola.

Bayangkan menunjukkan ribuan atau jutaan contoh kepada AI. Model yang dilatih untuk mengenali kucing tidak akan dimulai dengan aturan yang ditulis manusia seperti: “Kucing memiliki kumis, telinga segitiga, batasan emosional yang dramatis, dan mungkin menjatuhkan cangkir dari meja.” 🐈

Sebaliknya, sistem tersebut memproses banyak gambar dan menyesuaikan parameter internal hingga menjadi lebih baik dalam memprediksi gambar mana yang berisi kucing. Sistem ini tidak memahami kucing seperti Anda. Sistem ini tidak tahu bahwa kucing adalah makhluk kecil berbulu beludru yang suka merusak properti. Sistem ini mempelajari pola statistik.

Itulah kuncinya: pembelajaran AI biasanya berupa penyesuaian matematis.

Sistem membuat prediksi. Sistem membandingkan prediksi tersebut dengan target atau sinyal umpan balik. Kemudian sistem memperbarui pengaturan internalnya untuk mengurangi kesalahan di masa mendatang. Dalam pembelajaran mendalam, pengaturan tersebut mungkin melibatkan sejumlah besar parameter. Anda dapat membayangkannya sebagai kenop kecil yang dapat disesuaikan, meskipun metafora itu agak canggung karena mungkin ada miliaran kenop, dan tidak ada yang menginginkan pemanggang roti dengan kenop sebanyak itu.

Inilah mengapa AI tampak seperti belajar secara mandiri. Pengembang tidak secara manual memberi tahu setiap pola. Model tersebut menemukan hubungan yang bermanfaat selama pelatihan.

Namun proses pembelajaran tetap dirancang. Manusia memilih:

• Arsitektur model

• Data pelatihan

• Fungsi tujuan

• Metode evaluasi

• Batas keamanan

• Lingkungan penyebaran

Jadi ya, AI dapat mempelajari pola tanpa diprogram secara eksplisit baris demi baris. Tetapi tidak, AI tidak mengambang bebas di kolam kebijaksanaan yang sepenuhnya didorong oleh dirinya sendiri.

---

5. Bisakah AI Mengajari Dirinya Sendiri? Penjelasan Pembelajaran Mandiri (Self-Supervised Learning) 🧠

Pembelajaran mandiri (self-supervised learning) adalah salah satu alasan mengapa AI modern menjadi begitu ampuh.

Dalam pembelajaran terawasi, manusia memberi label pada data. Misalnya, sebuah gambar mungkin diberi label "anjing," "mobil," atau "pisang." Itu berfungsi dengan baik, tetapi memberi label pada sejumlah besar data itu lambat dan mahal.

Pembelajaran mandiri (self-supervised learning) lebih artistik. AI menciptakan tugas pembelajaran dari data itu sendiri. Misalnya, model bahasa dapat belajar dengan memprediksi kata-kata yang hilang atau bagian teks berikutnya. Model gambar mungkin belajar dengan memprediksi bagian gambar yang hilang atau membandingkan berbagai tampilan dari objek yang sama.

Tidak perlu ada yang memberi label pada setiap detail. Data tersebut menyediakan sinyal pelatihannya sendiri.

Inilah salah satu alasan mengapa jawaban atas pertanyaan " Bisakah AI belajar sendiri?" bukanlah jawaban mutlak "tidak". Dalam pembelajaran mandiri (self-supervised learning), AI dapat mengekstrak struktur dari informasi mentah dalam skala besar. Ia dapat mempelajari pola seperti tata bahasa, hubungan visual, asosiasi semantik, dan bahkan abstraksi yang mengejutkan.

Namun sekali lagi, AI tidak memilih tujuannya sendiri. Ia tidak duduk di sana sambil berpikir, "Hari ini saya akan memahami ironi." Ia mengoptimalkan tujuan pelatihan. Terkadang hal itu menghasilkan perilaku yang mengesankan. Terkadang menghasilkan omong kosong dengan gaya rambut yang percaya diri.

Pembelajaran mandiri (self-supervised learning) sangat ampuh karena dunia ini penuh dengan data yang tidak berlabel. Teks, gambar, audio, video, log sensor - semuanya mengandung pola. AI dapat belajar dari pola-pola tersebut tanpa perlu manusia memberi label pada setiap bagiannya.

Itu memang pembelajaran. Tetapi itu tidak sama dengan niat.

---

6. Pembelajaran Penguatan: Pembelajaran AI Melalui Coba dan Salah 🎮

Pembelajaran penguatan (reinforcement learning) mungkin adalah hal yang paling mendekati apa yang dibayangkan banyak orang ketika mereka bertanya, Bisakah AI belajar sendiri?

Dalam pembelajaran penguatan (reinforcement learning), agen AI melakukan tindakan dalam suatu lingkungan dan menerima imbalan atau hukuman. Seiring waktu, ia mempelajari tindakan mana yang menghasilkan hasil yang lebih baik.

Ini sering digunakan dalam:

• Sistem permainan

• Robotika

• Optimalisasi sumber daya

• Strategi rekomendasi

• Lingkungan pelatihan simulasi

• Beberapa bentuk perencanaan otonom

Contoh sederhana: sebuah AI dalam permainan mencoba berbagai gerakan. Jika suatu gerakan membantunya menang, ia akan mendapatkan hadiah. Jika kalah, tidak ada biskuit. Pada akhirnya, ia mempelajari strategi yang menghasilkan hadiah lebih tinggi.

Ini mirip dengan bagaimana hewan dan manusia belajar dalam beberapa situasi. Sentuh kompor panas, langsung menyesal. Coba strategi yang lebih baik, dapatkan hasil yang lebih baik. Alam semesta adalah guru yang ketat.

Namun, pembelajaran penguatan juga memiliki masalah yang rumit. Jika imbalan dirancang dengan buruk, AI dapat mempelajari jalan pintas yang tidak diinginkan. Ini disebut peretasan imbalan. Pada dasarnya, sistem menemukan cara untuk mendapatkan poin tanpa melakukan apa yang dimaksudkan manusia.

Misalnya, jika Anda memberi penghargaan kepada robot pembersih hanya karena mengumpulkan kotoran yang terlihat, robot tersebut mungkin akan belajar menyembunyikan kotoran di bawah karpet. Kedengarannya seperti teman sekamar yang malas, tetapi lebih tepatnya ini adalah pelajaran tentang desain objektif. 🧹

Jadi, pembelajaran penguatan (reinforcement learning) dapat memungkinkan AI untuk berkembang melalui pengalaman, tetapi tetap membutuhkan tujuan, batasan, dan pemantauan yang dirancang dengan cermat.

---

7. Bisakah AI Terus Belajar Setelah Dirilis? 🔄

Di sinilah segalanya menjadi menarik - dan seringkali disalahpahami.

Banyak sistem AI tidak secara otomatis belajar dari setiap interaksi pengguna setelah diimplementasikan. Orang sering berasumsi bahwa jika mereka mengoreksi chatbot, chatbot tersebut akan langsung menjadi lebih pintar untuk semua orang. Biasanya, bukan seperti itu cara kerjanya.

Ada alasan-alasan yang kuat untuk hal ini.

Jika sistem AI terus memperbarui dirinya sendiri berdasarkan masukan pengguna secara langsung, ia dapat mempelajari informasi yang salah, informasi pribadi, pola berbahaya, atau sekadar omong kosong. Internet bukanlah dapur yang bersih. Lebih tepatnya, internet seperti obral barang bekas saat badai petir.

Beberapa sistem memang menggunakan bentuk pembelajaran daring, di mana mereka memperbarui data seiring masuknya data baru. Hal ini dapat membantu dalam hal-hal seperti:

• Mendeteksi pola penipuan

• Personalisasi rekomendasi

• Menyesuaikan penargetan iklan

• Memantau perilaku jaringan

• Meningkatkan relevansi pencarian

• Memperbarui sistem pemeliharaan prediktif

Namun untuk model AI serbaguna yang besar, pembaruan sering kali dikontrol, ditinjau, disaring, dan diuji sebelum ditambahkan ke versi mendatang. Hal ini membantu mengurangi risiko penyimpangan.

Jadi ya, AI dapat terus belajar setelah dirilis dalam beberapa konteks. Tetapi banyak sistem sengaja dicegah untuk secara bebas menulis ulang dirinya sendiri secara real-time.

Dan mungkin itu yang terbaik. Model yang belajar langsung dari setiap kolom komentar akan menjadi seperti rakun dengan keyboard pada saat makan siang. 🦝

---

8. Perbedaan Antara Belajar dan Memahami 🌱

Inilah bagian yang sering diperdebatkan orang, biasanya dengan suara keras.

AI dapat mempelajari pola. AI dapat melakukan generalisasi. AI dapat menghasilkan jawaban yang bermanfaat. AI dapat memecahkan masalah yang tampaknya membutuhkan penalaran. AI dapat meringkas, menerjemahkan, mengklasifikasikan, menghasilkan, merekomendasikan, mendeteksi, dan mengoptimalkan.

Tapi apakah itu berarti ia mengerti?

Tergantung apa yang Anda maksud dengan "memahami."

AI tidak mengalami dunia seperti manusia. Ia tidak merasakan lapar, malu, kenangan masa kecil, atau sedikit penurunan emosi yang terjadi ketika baterai ponsel Anda tinggal satu persen. Ia tidak mengetahui banyak hal melalui pengalaman hidup.

Sebaliknya, model AI memproses representasi. Mereka mempelajari hubungan antara input dan output. Model bahasa, misalnya, mempelajari pola dalam teks dan dapat menghasilkan respons yang selaras dengan pola tersebut. Hasilnya bisa terasa bermakna. Terkadang memang bermakna dalam arti praktis. Tetapi makna tersebut tidak berakar pada kesadaran manusia.

Perbedaan itu penting.

Ketika AI mengatakan air itu basah, ia tidak mengingat hujan di kulitnya. Ia menghasilkan respons berdasarkan asosiasi dan konteks yang dipelajari. Itu tetap bisa bermanfaat. Ia tidak hidup. Mungkin tidak. Maksud saya, jangan sampai kita terlalu ikut campur dalam filsafat, atau kita tidak akan pernah pergi.

Pembelajaran dalam AI tidak sama dengan pembelajaran manusia. Pembelajaran manusia mencakup emosi, perwujudan, konteks sosial, memori, motivasi, dan kelangsungan hidup. Pembelajaran AI sebagian besar adalah optimasi atas data.

Tetap mengesankan. Hanya berbeda.

---

9. Mengapa AI Terkadang Terlihat Lebih Mandiri daripada Sebenarnya 🎭

Sistem AI dapat tampak otonom karena dapat menghasilkan keluaran yang tidak diprogram secara langsung.

Itu adalah hal yang sangat penting.

Chatbot dapat menjawab pertanyaan yang tidak pernah diprogram secara khusus untuk dijawabnya. Model gambar dapat menghasilkan adegan yang tidak pernah digambar langsung oleh manusia. Agen perencanaan dapat memecah tugas menjadi beberapa langkah dan menggunakan alat bantu. Model rekomendasi dapat menyimpulkan preferensi dari perilaku.

Fleksibilitas ini menciptakan kesan kemandirian.

Namun di baliknya, terdapat batasan-batasan:

• Data pelatihan membentuk kemampuan yang dimiliki model.

• Tujuan tersebut membentuk apa yang dioptimalkannya.

• Perintah atau instruksi sistem membentuk perilaku.

• Antarmuka membatasi tindakan yang tersedia.

• Aturan keselamatan membatasi output tertentu.

• Evaluasi manusia memengaruhi perbaikan di masa mendatang.

Jadi, meskipun AI mungkin terasa seperti otak yang bebas berkeliaran, sebenarnya lebih mirip layang-layang yang lincah. Ia bisa terbang tinggi, berputar-putar, dan tampak dramatis di langit - tetapi tetap ada tali di suatu tempat. 🪁

Mungkin seutas benang yang kusut. Tapi tetap saja, itu seutas benang.

---

10. Bisakah AI Berkembang Tanpa Campur Tangan Manusia? Jawaban Berdasarkan Fakta 🛠️

AI dapat berkembang dengan keterlibatan manusia yang lebih sedikit dibandingkan perangkat lunak tradisional. Itu benar.

Ini bisa:

• Temukan pola dalam data yang tidak berlabel

• Lakukan pelatihan dengan tugas-tugas yang dihasilkan secara otomatis

• Belajar dari lingkungan simulasi

• Gunakan sinyal penghargaan

• Penyempurnaan melalui umpan balik

• Beradaptasi dengan aliran data baru

• Menghasilkan contoh sintetis untuk pelatihan lebih lanjut

Namun, ungkapan “tanpa manusia” jarang akurat dari awal hingga akhir.

Manusia masih menentukan tujuan sistem. Manusia mengumpulkan atau menyetujui data. Manusia membangun infrastruktur. Manusia memilih metrik keberhasilan. Manusia memutuskan apakah hasilnya dapat diterima. Manusia menerapkan, memantau, membatasi, dan memperbarui.

Bahkan ketika AI membantu melatih AI lain, manusia biasanya tetap mengatur prosesnya. Pengawasan tetap ada, meskipun terkadang semakin menipis.

Ungkapan yang lebih tepat mungkin adalah: AI dapat belajar secara semi-otonom dalam sistem yang dirancang manusia.

Kedengarannya kurang dramatis daripada "AI belajar sendiri," tetapi jauh lebih akurat. Lebih mirip buku panduan teknik dengan noda kopi daripada cuplikan film.

---

11. Manfaat AI yang Mampu Belajar Lebih Mandiri 🚀

Kemampuan AI untuk belajar dengan instruksi langsung yang lebih sedikit memiliki keuntungan yang sangat besar.

Pertama, hal ini membuat AI lebih mudah diskalakan. Manusia tidak dapat memberi label pada setiap kalimat, gambar, suara, atau pola perilaku di dunia. Metode pembelajaran mandiri (self-supervised) dan tanpa pengawasan (unsupervised) memungkinkan sistem untuk belajar dari kumpulan data yang jauh lebih besar.

Kedua, ini membantu AI menemukan pola yang mungkin terlewatkan oleh manusia. Dalam bidang kedokteran, keamanan siber, logistik, keuangan, manufaktur, dan pemodelan iklim, AI dapat mendeteksi sinyal halus yang tersembunyi dalam data yang bising. Bukan sihir. Hanya penelusuran pola yang tiada henti.

Ketiga, AI adaptif dapat merespons perubahan kondisi dengan lebih cepat. Deteksi penipuan adalah contoh yang baik. Penyerang terus-menerus mengubah taktik. Sistem yang dapat beradaptasi lebih bermanfaat daripada sistem yang statis.

Keempat, pembelajaran AI dapat mengurangi pemrograman manual yang berulang. Alih-alih menulis aturan yang tak ada habisnya, tim dapat melatih model untuk menyimpulkan pola. Omong-omong, ini tidak selalu lebih mudah. ​​Terkadang seperti mengganti satu sakit kepala dengan sakit kepala yang lebih glamor. Tetapi ini bisa sangat ampuh.

Manfaatnya meliputi:

• Penemuan pola yang lebih cepat

• Personalisasi yang lebih baik

• Penulisan aturan manual yang lebih rendah

• Peningkatan otomatisasi

• Sistem pengambilan keputusan yang lebih fleksibel

• Performa lebih kuat di lingkungan yang kompleks

Sisi baiknya adalah AI sebagai asisten yang tak kenal lelah. Sisi buruknya adalah AI mengoptimalkan hal yang salah dalam skala besar. Ada semacam "gremlin" kecil di dalam kotak peralatan.

---

12. Risiko AI Belajar Sendiri ⚠️

Risikonya nyata.

Ketika sistem AI belajar dari data, mereka dapat menyerap bias, informasi yang salah, dan pola yang merugikan. Jika data mencerminkan ketidakadilan, model tersebut dapat mereproduksi atau bahkan memperkuat ketidakadilan tersebut.

Jika sinyal umpan balik lemah atau dirancang dengan buruk, AI mungkin akan mempelajari jalan pintas. Jika dibiarkan beradaptasi tanpa pengawasan yang memadai, AI mungkin akan menyimpang dari perilaku yang diinginkan.

Risiko utama meliputi:

• Prasangka dan diskriminasi

• Kebocoran privasi

• Meretas hadiah

• Pergeseran model

• Terlalu percaya diri

• Otomatisasi yang tidak aman

• Ketergantungan pada data berkualitas rendah

• Keputusan yang sulit dijelaskan

Ada juga masalah skala. Kesalahan manusia mungkin hanya memengaruhi beberapa orang. Kesalahan AI dalam sistem yang digunakan secara luas dapat memengaruhi jutaan orang. Itu bukan alasan untuk panik, tetapi alasan untuk memperlambat dan tidak memperlakukan setiap demo yang sempurna seperti alat pemanggang roti ajaib.

Pembelajaran AI membutuhkan pengaman. Evaluasi yang ketat. Peninjauan oleh manusia. Batasan yang jelas. Praktik data yang baik. Pemantauan yang transparan. Tidak glamor, tetapi perlu.

---

13. Jadi, Bisakah AI Belajar Sendiri? Jawaban yang Seimbang ⚖️

Berikut adalah jawaban yang paling jelas:

Ya, AI dapat belajar sendiri dalam cara-cara teknis yang terbatas. Tidak, AI tidak belajar sendiri seperti manusia.

AI dapat menemukan pola, menyesuaikan pengaturan internalnya, meningkatkan kemampuannya melalui umpan balik, dan terkadang beradaptasi dengan lingkungan baru. AI dapat melakukan ini tanpa perlu manusia memprogram setiap respons secara manual.

Namun, AI masih bergantung pada tujuan yang dirancang manusia, data pelatihan, algoritma, infrastruktur, dan evaluasi. AI tidak memiliki kemampuan penyelidikan mandiri seperti yang dimiliki manusia. AI tidak menentukan apa yang penting. AI tidak memahami konsekuensi seperti yang dipahami manusia.

Jadi, ketika seseorang bertanya Bisakah AI belajar sendiri?,jawaban terbaiknya adalah: AI dapat belajar secara mandiri dalam batasan tertentu, tetapi batasan itulah yang terpenting.

Itulah bagian yang sering dilewati orang. Batasan-batasan tersebut menentukan apakah AI menjadi bermanfaat, aneh, bias, kuat, berbahaya, atau hanya yakin salah tentang fisika spaghetti. 🍝

---

14. Refleksi Penutup: Pembelajaran AI Itu Ampuh, Tapi Bukan Ajaib ✨

Pembelajaran AI adalah salah satu gagasan terpenting dalam teknologi modern. Hal ini mengubah cara perangkat lunak dibangun, cara kerja otomatisasi, dan cara manusia berinteraksi dengan mesin.

Namun, ada baiknya untuk tetap berpikiran jernih.

AI dapat belajar dari data. AI dapat meningkatkan kemampuannya berdasarkan umpan balik. AI dapat menemukan pola yang tidak diajarkan secara eksplisit oleh manusia. AI dapat beradaptasi dalam lingkungan yang terkontrol. Itu benar-benar mengesankan.

Namun demikian, AI bukanlah seorang siswa yang sadar diri yang berkeliaran di alam semesta dengan ransel dan beban emosional. Ia adalah sistem yang dilatih untuk mengoptimalkan tujuan menggunakan data dan komputasi. Terkadang hasilnya menakjubkan. Terkadang hasilnya bermanfaat tetapi sederhana. Terkadang hasilnya salah sedemikian rupa sehingga membuat Anda menatap layar seolah-olah layar itu menghina sup Anda.

Masa depan pembelajaran AI kemungkinan akan melibatkan lebih banyak otonomi, siklus umpan balik yang lebih baik, metode keamanan yang lebih kuat, dan lebih banyak kolaborasi antara manusia dan mesin. Sistem terbaik bukanlah sistem yang "belajar sepenuhnya sendiri." Sistem terbaik adalah sistem yang belajar dengan baik, menjelaskan secara memadai, tetap selaras dengan tujuan manusia, dan menghindari kesalahan kecil yang dapat berkembang menjadi masalah besar.

Jadi, bisakah AI belajar sendiri? Ya - tetapi hanya dalam pengertian yang hati-hati, teknis, dan terbatas. Dan kualifikasi kecil itu bukanlah catatan kaki. Itu adalah inti dari semuanya. 🥪

Contoh nyata: Membangun asisten AI triase dukungan yang belajar dari umpan balik 🛠️

Skenario

Bayangkan sebuah perusahaan perangkat lunak kecil menerima sekitar 180 email dukungan pelanggan setiap minggu. Banyak di antaranya berulang: pengaturan ulang kata sandi, pertanyaan penagihan, laporan bug, permintaan fitur, dan pesan "aplikasi rusak" yang hampir tidak berisi detail yang dapat ditindaklanjuti.

Tim tersebut tidak ingin sistem AI membalas pelanggan dengan sendirinya. Itu terasa berisiko. Sebagai gantinya, mereka membangun asisten AI terbatas yang mengklasifikasikan tiket masuk, menyusun draf respons yang disarankan, dan belajar dari koreksi manusia dari waktu ke waktu.

Ini adalah contoh bagus dari AI yang "belajar sendiri" dalam arti teknis yang terbatas. Asisten ini tidak menentukan kebijakan perusahaan. Ia tidak menulis ulang aturan pengembalian dana setelah hari Selasa yang penuh gejolak. Ia berkembang dalam alur kerja yang terkontrol.

Apa yang dibutuhkan asisten

Agar dapat bekerja dengan aman, asisten membutuhkan wadah yang jelas di sekitar proses pembelajarannya:

• 50-100 tiket dukungan sebelumnya, dengan detail pribadi telah dihapus

• Templat respons yang disetujui untuk penagihan, login, bug, pengembalian dana, dan perubahan akun

• Daftar hal-hal yang tidak boleh diputuskan tanpa persetujuan manusia, seperti pengembalian dana, pengaduan hukum, masalah keamanan, atau penghapusan akun

• Sistem penandaan sederhana: Penagihan, Login, Bug, Permintaan Fitur, Keamanan, Lainnya

• Tahap peninjauan oleh manusia sebelum pesan apa pun dikirim

• Pengecekan mingguan terhadap kesalahan, eskalasi yang terlewatkan, dan draf yang buruk

Kuncinya adalah umpan balik harus terstruktur. Alih-alih hanya mengatakan "jawaban buruk," agen dukungan harus menandai apa yang salah: kategori salah, pertanyaan hilang, terlalu percaya diri, risiko privasi, atau perlu eskalasi.

Contoh instruksi

Gunakan jenis instruksi ini untuk asisten:

Anda adalah asisten triase dukungan untuk perusahaan SaaS kecil. Tugas Anda adalah mengklasifikasikan setiap tiket pelanggan, menyarankan tindakan terbaik selanjutnya, dan menyusun balasan untuk ditinjau oleh agen dukungan manusia. Jangan mengirim balasan sendiri. Jangan menjanjikan pengembalian dana, perbaikan keamanan, perubahan akun, atau tanggal pengiriman. Jika tiket menyebutkan sengketa pembayaran, kehilangan data, ancaman hukum, aktivitas login yang mencurigakan, atau permintaan pembatalan yang marah, tandai sebagai "Membutuhkan eskalasi manusia". Jika ragu, tanyakan informasi yang kurang daripada menebak.

Untuk setiap tiket, kembalikan:

Kategori tiket
Tingkat urgensi
Tindakan selanjutnya yang disarankan
Draf balasan
Alasan klasifikasi Anda
Perlu eskalasi: Ya atau Tidak

Bagaimana cara mengujinya?

Sebelum menggunakannya pada pelanggan sungguhan, ujilah terlebih dahulu dengan sejumlah kecil tiket lama.

Cobalah setidaknya 30 contoh:

• 5 permintaan pengaturan ulang kata sandi sederhana

• 5 pertanyaan tentang penagihan

• 5 laporan bug yang tidak jelas

• 5 permintaan pengembalian dana atau pembatalan

• 5 tiket terkait keamanan

• 5 tiket campuran dengan berbagai masalah, seperti “Saya ditagih dua kali dan sekarang saya tidak dapat masuk”

Kemudian bandingkan kategori, tingkat urgensi, keputusan eskalasi, dan draf respons dari asisten tersebut dengan apa yang diharapkan oleh seorang pemimpin dukungan manusia.

Contoh output yang baik mungkin berbunyi:

Kategori: Keamanan
Tingkat urgensi: Tinggi
Tindakan selanjutnya yang disarankan: Segera teruskan ke pimpinan dukungan manusia
Draf balasan: Terima kasih atas laporan ini. Kami akan meneruskan ini ke tim dukungan keamanan kami untuk ditinjau. Mohon jangan bagikan kata sandi atau kode verifikasi melalui email.
Alasan: Pelanggan menyebutkan login yang tidak dikenal dan kemungkinan masalah akses akun.
Perlu eskalasi: Ya

Output yang buruk adalah:

Kategori: Login
Tingkat urgensi: Normal
Draf balasan: Coba atur ulang kata sandi Anda.

Jawaban itu terlihat rapi, tetapi mengabaikan risiko keamanan. Justru karena itulah sistem "pembelajaran" membutuhkan pengujian, batasan, dan manusia yang diizinkan untuk mengatakan, "Usaha yang bagus, otak pemanggang roti, tapi tidak berhasil."

Hasil

Hasil ilustratif: berdasarkan pengukuran waktu pada 30 tiket sampel sebelum dan sesudah menggunakan alur kerja ini.

Sebelum menggunakan asisten, seorang agen dukungan menghabiskan rata-rata 4 menit 20 detik untuk membaca, memberi tag, dan menyusun setiap balasan pertama. Dengan asisten tersebut, waktu rata-rata untuk meninjau dan mengedit turun menjadi 1 menit 35 detik per tiket.

Untuk 180 tiket per minggu, itu akan mengurangi waktu penanganan draf pertama dari sekitar 13 jam menjadi sekitar 4 jam 45 menit, menghemat sekitar 8 jam 15 menit setiap minggu.

Akurasi juga harus diukur. Dalam uji coba 30 tiket yang sama, asisten hanya boleh disetujui jika memenuhi ambang batas yang jelas, misalnya:

• Kategorisasi tiket setidaknya 90% benar

• 100% peningkatan penanganan kasus keamanan, hukum, sengketa pengembalian dana, dan penghapusan akun

• 0 balasan yang ditujukan kepada pelanggan dikirim tanpa tinjauan manusia

• Kurang dari 3 draf yang perlu ditulis ulang sepenuhnya

Angka-angka tersebut bukanlah bukti universal. Angka-angka tersebut hanyalah target pengujian praktis. Tim yang sebenarnya harus mengukur kinerja dasar mereka sendiri, menjalankan tiket yang sama melalui asisten, dan menghitung kesalahan secara langsung.

Apa yang bisa salah?

Asisten masih bisa melakukan kesalahan.

Sistem tersebut mungkin belajar dari koreksi manual yang buruk. Sistem tersebut mungkin meniru kebijakan pengembalian dana yang sudah usang. Sistem tersebut mungkin terlalu santai dalam menangani pelanggan yang marah. Sistem tersebut mungkin mengklasifikasikan masalah keamanan sebagai masalah login biasa. Sistem tersebut mungkin terlalu terpaku pada pola tiket lama dan melewatkan bug produk baru yang memengaruhi banyak pengguna.

Kesalahan terbesar adalah membiarkan asisten memperbarui pesan pelanggan secara langsung tanpa peninjauan. Hal itu dapat memasukkan data pribadi, bahasa kasar, asumsi yang salah, atau kasus-kasus khusus ke dalam alur kerja.

Pengaturan yang lebih aman mungkin tidak glamor tetapi lebih baik: kumpulkan umpan balik, tinjau setiap minggu, perbarui contoh atau instruksi, uji lagi, lalu luncurkan versi yang lebih baik.

Kesimpulan praktis

Asisten semacam ini dapat "belajar" secara praktis, tetapi hanya karena perusahaan menetapkan kategori, aturan umpan balik, batasan eskalasi, dan metrik keberhasilan. Pembelajaran itu nyata. Kemandiriannya terbatas. Dan itulah intinya: AI yang efektif bukanlah sihir yang berkeliaran di kantor dengan papan klip. Ini adalah sistem terbatas yang meningkat ketika orang memberinya data yang bersih, tujuan yang jelas, dan koreksi secara teratur.

Pertanyaan yang Sering Diajukan (FAQ)

Bisakah AI belajar sendiri tanpa diprogram?

AI dapat mempelajari pola tanpa campur tangan manusia yang menulis setiap aturan secara manual, tetapi AI tidak sepenuhnya independen. Manusia masih merancang model, memilih data, menetapkan tujuan, dan memutuskan bagaimana keberhasilan akan diukur. Cara yang lebih tepat untuk mengungkapkannya adalah bahwa AI dapat belajar secara semi-otonom dalam batasan yang dirancang manusia.

Bagaimana AI belajar dari data?

AI belajar dari data dengan mengidentifikasi pola dalam contoh dan menyesuaikan pengaturan internalnya untuk membuat prediksi yang lebih baik. Alih-alih mengikuti aturan tetap, AI membandingkan outputnya dengan target atau sinyal umpan balik, kemudian memperbarui dirinya sendiri untuk mengurangi kesalahan. Itulah mengapa AI dapat mengenali gambar, memprediksi teks, mengklasifikasikan informasi, atau merekomendasikan tindakan tanpa perlu diprogram secara manual untuk setiap kemungkinan kasus.

Bisakah AI belajar sendiri menggunakan pembelajaran mandiri (self-supervised learning)?

Ya, dalam pengertian teknis yang terbatas. Pembelajaran mandiri (self-supervised learning) memungkinkan AI untuk membuat tugas pelatihan dari data mentah, seperti memprediksi kata-kata yang hilang, teks di masa mendatang, atau bagian gambar yang tidak ada. Hal ini mengurangi kebutuhan manusia untuk memberi label pada setiap contoh. Meskipun demikian, AI masih mengoptimalkan tujuan yang dipilih oleh manusia, bukan memilih tujuannya sendiri.

Apakah pembelajaran penguatan (reinforcement learning) sama dengan pembelajaran AI secara mandiri?

Pembelajaran penguatan (reinforcement learning) adalah salah satu contoh terdekat dari pembelajaran AI melalui pengalaman. Agen AI mencoba berbagai tindakan, menerima imbalan atau hukuman, dan secara bertahap mempelajari pilihan mana yang menghasilkan hasil yang lebih baik. Namun, manusia masih menentukan lingkungan, sistem imbalan, batasan, dan proses evaluasi. Imbalan yang dirancang dengan buruk dapat menyebabkan jalan pintas yang tidak diinginkan.

Apakah AI terus belajar setelah dirilis?

Beberapa sistem AI dapat terus belajar setelah dirilis, terutama di bidang seperti deteksi penipuan, personalisasi, relevansi pencarian, atau pemeliharaan prediktif. Banyak model serbaguna berskala besar tidak secara otomatis belajar dari setiap interaksi pengguna secara real-time. Pembelajaran berkelanjutan dapat menimbulkan risiko, termasuk data yang buruk, masalah privasi, pola yang berbahaya, atau penyimpangan model.

Apa perbedaan antara pembelajaran AI dan pemahaman manusia?

Pembelajaran AI sebagian besar berupa pengenalan pola dan optimasi data. Pembelajaran manusia mencakup pengalaman hidup, emosi, ingatan, perwujudan, motivasi, dan konteks sosial. Model AI dapat menghasilkan jawaban yang bermanfaat tentang hujan, kucing, atau resep, tetapi ia tidak mengalami hal-hal tersebut. Ia dapat bermanfaat secara praktis tanpa memahami dunia seperti yang dipahami manusia.

Mengapa AI terlihat lebih mandiri daripada kenyataannya?

AI dapat menghasilkan jawaban, gambar, rencana, dan rekomendasi yang tidak diprogram secara langsung, yang dapat membuatnya terasa otonom. Namun, perilakunya tetap dibentuk oleh data pelatihan, tujuan, instruksi, alat, batasan antarmuka, dan aturan keselamatan. Meskipun tampak seperti pikiran yang bebas berkeliaran, ia beroperasi dalam sistem yang telah dirancang.

Apa saja risiko utama ketika AI belajar sendiri?

Risiko utama meliputi bias, kebocoran privasi, pergeseran model, peretasan imbalan, kepercayaan diri yang berlebihan, otomatisasi yang tidak aman, dan keputusan buruk berdasarkan data berkualitas rendah. Jika sistem belajar dari data berkualitas rendah atau umpan balik yang lemah, sistem tersebut dapat mengulangi pola yang berbahaya atau mengoptimalkan hal yang salah. Pengamanan yang kuat, pemantauan, evaluasi, dan tinjauan manusia membantu mengurangi risiko tersebut.

Apa itu reward hacking dalam pembelajaran AI?

Peretasan imbalan terjadi ketika AI menemukan cara untuk mendapatkan skor tinggi tanpa melakukan apa yang dimaksudkan manusia. Misalnya, robot pembersih yang hanya diberi imbalan karena mengumpulkan kotoran yang terlihat mungkin menyembunyikan kotoran alih-alih membersihkan dengan benar. Masalahnya bukan karena AI bersikap tertutup seperti manusia, tetapi karena AI mengikuti tujuan yang dirancang dengan buruk secara terlalu harfiah.

Apa jawaban terbaik untuk pertanyaan “Bisakah AI belajar sendiri?”

Jawaban yang seimbang adalah ya, tetapi hanya dalam pengertian teknis yang terbatas. AI dapat belajar dari data, umpan balik, imbalan, dan pola baru tanpa manusia memprogram setiap respons. Tetapi tetap bergantung pada tujuan, data, algoritma, infrastruktur, dan pengawasan yang dirancang manusia. AI dapat belajar secara mandiri dalam batasan tertentu, dan batasan tersebut sangat penting.

Referensi

1. IBM - Pembelajaran Mesin - ibm.com

2. NIST - Kerangka Kerja Manajemen Risiko AI - nist.gov

3. Google Developers - Pembelajaran Terbimbing - developers.google.com

4. Blog Riset Google - Memajukan Pembelajaran Mandiri dan Semi-Terawasi dengan SimCLR - research.google

5. Stanford HAI - Refleksi tentang Model Yayasan - hai.stanford.edu

6. scikit-learn - Pembelajaran daring - scikit-learn.org

7. OpenAI - Belajar dari Preferensi Manusia - openai.com

8. Google Cloud - Apa itu agen AI? - cloud.google.com

9. Google DeepMind - Spesifikasi yang menguntungkan: sisi lain dari kecerdasan AI - deepmind.google

Temukan AI Terbaru di Toko Resmi Asisten AI

Tentang Kami