Bagaimana cara kerja detektor AI?

Bagaimana cara kerja detektor AI?

Jawaban singkat: Detektor AI tidak "membuktikan" siapa yang menulis sesuatu; mereka memperkirakan seberapa dekat suatu bagian teks cocok dengan pola model bahasa yang sudah dikenal. Sebagian besar bergantung pada perpaduan pengklasifikasi, sinyal prediktabilitas (perplexity/burstiness), stilometri, dan, dalam kasus yang lebih jarang, pemeriksaan watermark. Ketika sampelnya pendek, sangat formal, teknis, atau ditulis oleh penulis ESL (English as a Second Language), perlakukan skor tersebut sebagai petunjuk untuk meninjau kembali - bukan sebagai vonis.

Poin-poin penting:

Probabilitas, bukan bukti : Perlakukan persentase sebagai sinyal risiko "kemiripan AI", bukan kepastian.

Positif palsu : Tulisan formal, teknis, berbasis templat, atau bukan tulisan asli sering kali salah ditandai.

Metode campuran : Alat-alat tersebut menggabungkan pengklasifikasi, perplexity/burstiness, stilometri, dan pemeriksaan watermark yang tidak umum.

Transparansi : Lebih disukai detektor yang menampilkan rentang, fitur, dan ketidakpastian - bukan hanya satu angka.

Kemampuan untuk mengajukan keberatan : Simpan draf/catatan dan bukti proses untuk keperluan sengketa dan banding.

Bagaimana cara kerja Detektor AI? Infografis

Artikel-artikel yang mungkin ingin Anda baca setelah ini:

🔗 Apa detektor AI terbaik?
Perbandingan alat deteksi AI terbaik berdasarkan akurasi, fitur, dan kasus penggunaan.

🔗 Apakah detektor AI dapat diandalkan?
Menjelaskan keandalan, positif palsu, dan mengapa hasilnya sering bervariasi.

🔗 Bisakah Turnitin mendeteksi AI?
Panduan lengkap tentang deteksi AI Turnitin, batasan, dan praktik terbaik.

🔗 Apakah detektor AI QuillBot akurat?
Tinjauan mendetail tentang akurasi, kekuatan, kelemahan, dan pengujian di dunia nyata.

1) Gambaran singkat - apa sebenarnya yang dilakukan detektor AI ⚙️

Sebagian besar detektor AI tidak "menangkap AI" seperti jaring yang menangkap ikan. Mereka melakukan sesuatu yang lebih sederhana:

Jujur saja, UI akan menampilkan sesuatu seperti "92% AI," dan otak Anda akan berpikir "ya, sepertinya itu fakta." Padahal itu bukan fakta. Itu hanyalah tebakan model tentang sidik jari model lain. Yang agak menggelikan, seperti anjing mengendus anjing lain 🐕🐕

2) Cara Kerja Detektor AI: “mesin deteksi” yang paling umum 🔍

Detektor biasanya menggunakan salah satu (atau kombinasi) dari pendekatan ini: ( Sebuah Survei tentang Deteksi Teks yang Dihasilkan LLM )

A) Model pengklasifikasi (yang paling umum)

Sebuah pengklasifikasi dilatih menggunakan contoh-contoh yang telah diberi label:

  • Contoh tulisan tangan manusia

  • Sampel yang dihasilkan AI

  • Terkadang sampel “hibrida” (teks AI yang diedit oleh manusia)

Kemudian, ia mempelajari pola yang memisahkan kelompok-kelompok tersebut. Ini adalah pendekatan pembelajaran mesin klasik dan hasilnya bisa sangat baik… sampai suatu saat nanti tidak lagi. ( Sebuah Survei tentang Deteksi Teks yang Dihasilkan LLM )

B) Penilaian kebingungan dan "ledakan" 📈

Beberapa detektor menghitung seberapa "mudah diprediksi" teks tersebut.

  • Perplexity : secara kasar, seberapa terkejut sebuah model bahasa terhadap kata berikutnya. ( Boston University - Perplexity Posts )

  • Perplexity yang lebih rendah dapat menunjukkan bahwa teks tersebut sangat mudah diprediksi (yang dapat terjadi pada output AI). ( DetectGPT )

  • “Burstiness” mencoba mengukur seberapa besar variasi kompleksitas dan ritme kalimat. ( GPTZero )

Pendekatan ini sederhana dan cepat. Namun, pendekatan ini juga mudah membingungkan, karena manusia pun dapat menulis dengan pola yang mudah ditebak (contohnya email perusahaan). ( OpenAI )

C) Stilometri (sidik jari tulisan tangan) ✍️

Stilometri mengamati pola-pola seperti:

  • panjang kalimat rata-rata

  • gaya tanda baca

  • frekuensi kata fungsi (the, and, but…)

  • keragaman kosakata

  • skor keterbacaan

Ini seperti "analisis tulisan tangan," tetapi untuk teks. Terkadang membantu. Terkadang seperti mendiagnosis flu dengan melihat sepatu seseorang. ( Stilometri dan ilmu forensik: Tinjauan literatur ; Kata Fungsi dalam Atribusi Kepengarangan )

D) Deteksi tanda air (jika ada) 🧩

Beberapa penyedia model dapat menyematkan pola halus ("tanda air") ke dalam teks yang dihasilkan. Jika detektor mengetahui skema tanda air, ia dapat mencoba memverifikasinya. ( Tanda Air untuk Model Bahasa Besar ; SynthID Text )

Namun… tidak semua model menambahkan watermark, tidak semua output mempertahankan watermark setelah diedit, dan tidak semua detektor memiliki akses ke rahasia tersebut. Jadi ini bukan solusi universal. ( Tentang Keandalan Watermark untuk Model Bahasa Besar ; OpenAI )

3) Apa yang membuat detektor AI versi bagus? ✅

Detektor yang "baik" (berdasarkan pengalaman saya menguji banyak detektor secara berdampingan untuk alur kerja editorial) bukanlah detektor yang paling berisik. Melainkan detektor yang berperilaku secara bertanggung jawab.

Inilah yang membuat detektor AI menjadi andal:

Yang terbaik yang pernah saya lihat cenderung sedikit rendah hati. Yang terburuk bertingkah seolah-olah mereka bisa membaca pikiran 😬

4) Tabel Perbandingan - “tipe” detektor AI umum dan keunggulannya 🧾

Berikut adalah perbandingan praktis. Ini bukan nama merek - ini adalah kategori utama yang akan Anda temui. ( Survei tentang Deteksi Teks yang Dihasilkan LLM )

Jenis alat (kira-kira) Audiens terbaik Harga terasa Mengapa ini berhasil (kadang-kadang)
Pemeriksa Kebingungan Ringan Guru, pengecekan cepat Agak gratis Sinyal cepat dalam hal prediktabilitas - tetapi bisa berubah-ubah…
Pemindai Klasifikasi Pro Editor, SDM, kepatuhan Langganan Mempelajari pola dari data berlabel - cukup baik pada teks dengan panjang sedang
Penganalisis Stilometri Peneliti, ahli forensik $$$ atau ceruk pasar Membandingkan sidik jari tulisan - unik namun berguna dalam bentuk tulisan panjang
Pencari Tanda Air Platform, tim internal Sering kali dikemas bersama Kuat jika ada tanda air - jika tidak ada, pada dasarnya tidak berarti apa-apa
Rangkaian Perusahaan Hibrida Organisasi besar Kontrak per kursi Menggabungkan beberapa sinyal - jangkauan lebih baik, lebih banyak tombol untuk disetel (dan lebih banyak cara untuk salah konfigurasi, ups)

Perhatikan kolom "perasaan harga". Ya, itu memang tidak ilmiah. Tapi itu jujur ​​saja 😄

5) Sinyal inti yang dicari detektor - "petunjuk" 🧠

Berikut adalah hal-hal yang coba diukur oleh banyak detektor di balik layarnya:

Prediktabilitas (probabilitas token)

Model bahasa menghasilkan teks dengan memprediksi kemungkinan token berikutnya. Hal itu cenderung menghasilkan:

Di sisi lain, manusia seringkali lebih berbelit-belit. Kita saling bertentangan, kita menambahkan komentar sampingan yang acak, kita menggunakan metafora yang sedikit melenceng - seperti membandingkan detektor AI dengan pemanggang roti yang menilai puisi. Metafora itu buruk, tetapi Anda mengerti maksudnya.

Pola pengulangan dan struktur

Tulisan AI dapat menunjukkan pengulangan yang halus:

Namun juga - banyak manusia menulis seperti itu, terutama di lingkungan sekolah atau perusahaan. Jadi pengulangan adalah petunjuk, bukan bukti.

Prosa yang terlalu jelas dan "terlalu bersih" ✨

Ini adalah hal yang aneh. Beberapa detektor secara implisit menganggap "tulisan yang sangat rapi" sebagai sesuatu yang mencurigakan. ( OpenAI )

Hal ini menjadi canggung karena:

  • Penulis yang baik itu memang ada

  • editor ada

  • Pemeriksaan ejaan ada

Jadi, jika Anda berpikir tentang Cara Kerja Detektor AI , sebagian jawabannya adalah: terkadang mereka memberi penghargaan pada kekasaran. Yang mana… agak terbalik.

Kepadatan semantik dan frasa generik

Detektor dapat menandai teks yang terasa:

AI sering menghasilkan konten yang terdengar masuk akal tetapi sedikit dipoles. Seperti kamar hotel yang terlihat bagus tetapi tidak memiliki kepribadian sama sekali 🛏️

6) Pendekatan pengklasifikasi - bagaimana cara melatihnya (dan mengapa gagal) 🧪

Detektor pengklasifikasi biasanya dilatih seperti ini:

  1. Kumpulkan kumpulan data teks manusia (esai, artikel, forum, dll.)

  2. Menghasilkan teks AI (berbagai pilihan perintah, gaya, dan panjang)

  3. Beri label pada sampel

  4. Latih model untuk memisahkan keduanya menggunakan fitur atau embedding

  5. Validasi pada data yang ditahan

  6. Kirimkan…lalu kenyataan menghantamnya ( Sebuah Survei tentang Deteksi Teks yang Dihasilkan LLM )

Mengapa kenyataan menghantamnya:

  • Pergeseran domain : data pelatihan tidak sesuai dengan tulisan pengguna sebenarnya.

  • Pergeseran model : model generasi baru tidak berperilaku seperti model yang ada dalam dataset.

  • Efek pengeditan : pengeditan manusia dapat menghilangkan pola yang jelas tetapi mempertahankan pola yang lebih halus.

  • Variasi bahasa : dialek, tulisan ESL, dan gaya formal sering disalahartikan ( Survei tentang Deteksi Teks yang Dihasilkan LLM ; Liang dkk. (arXiv) )

Saya pernah melihat detektor yang "sangat bagus" pada perangkat demo mereka sendiri, lalu gagal total saat diuji dengan teks di lingkungan kerja yang sebenarnya. Ini seperti melatih anjing pelacak hanya pada satu merek biskuit dan mengharapkannya menemukan setiap camilan di dunia 🍪

7) Kebingungan dan sifat mudah meledak - jalan pintas matematis 📉

Kelompok detektor ini cenderung bergantung pada penilaian model bahasa:

  • Mereka menjalankan teks Anda melalui sebuah model yang memperkirakan seberapa besar kemungkinan setiap token berikutnya muncul.

  • Mereka menghitung "kejutan" keseluruhan (perplexity). ( Boston University - Perplexity Posts )

  • Mereka dapat menambahkan metrik variasi (“burstiness”) untuk melihat apakah ritme tersebut terasa manusiawi. ( GPTZero )

Mengapa terkadang berhasil:

  • Teks AI mentah bisa sangat halus dan dapat diprediksi secara statistik ( DetectGPT )

Mengapa ini gagal:

  • Sampel pendek cenderung bising

  • Penulisan formal dapat diprediksi

  • Penulisan teknis dapat diprediksi

  • Tulisan penutur asli non-asli bisa diprediksi

  • Teks AI yang diedit secara intensif dapat terlihat seperti tulisan manusia ( OpenAI ; Turnitin ).

Jadi, cara kerja detektor AI terkadang mirip dengan alat pengukur kecepatan yang membingungkan antara sepeda dan sepeda motor. Jalan yang sama, mesin yang berbeda 🚲🏍️

8) Tanda air - ide "sidik jari dalam tinta" 🖋️

Pemberian watermark terdengar seperti solusi yang tepat: beri tanda pada teks AI saat pembuatan, lalu deteksi nanti. ( Watermark untuk Model Bahasa Besar ; SynthID Text )

Dalam praktiknya, tanda air bisa rapuh:

Selain itu, deteksi watermark hanya berfungsi jika:

  • Tanda air digunakan

  • detektor tersebut tahu cara memeriksanya

  • Teks tersebut belum banyak diubah ( OpenAI ; SynthID Text )

Jadi ya, tanda air bisa sangat ampuh, tetapi itu bukan lencana polisi universal.

9) Hasil positif palsu dan mengapa hal itu terjadi (bagian yang menyakitkan) 😬

Ini layak mendapat bagian tersendiri karena di sinilah sebagian besar kontroversi terjadi.

Pemicu positif palsu yang umum:

  • Nada yang sangat formal (penulisan akademis, hukum, dan kepatuhan)

  • Bahasa Inggris non-penutur asli (struktur kalimat yang lebih sederhana dapat terlihat "seperti contoh")

  • Penulisan berbasis templat (surat lamaran, SOP, laporan laboratorium)

  • Contoh teks pendek (sinyal tidak cukup)

  • Batasan topik (beberapa topik memaksa pengulangan frasa) ( Liang et al. (arXiv) ; Turnitin )

Jika Anda pernah melihat seseorang mendapat teguran karena menulis terlalu bagus… ya. Itu memang terjadi. Dan itu sangat kejam.

Skor detektor harus diperlakukan seperti:

  • Alarm asap, bukan putusan pengadilan 🔥
    Ini memberi tahu Anda "mungkin perlu diperiksa," bukan "kasus ditutup." ( OpenAI ; Turnitin )

10) Cara menafsirkan skor detektor seperti orang dewasa 🧠🙂

Berikut cara praktis untuk membaca hasilnya:

Jika alat tersebut memberikan persentase tunggal

Anggap saja ini sebagai sinyal risiko kasar:

  • 0-30%: kemungkinan besar hasil campur tangan manusia atau hasil penyuntingan yang intensif

  • 30-70%Zona ambigu - jangan berasumsi apa pun

  • 70-100% : lebih mungkin pola seperti AI, tetapi masih belum bukti ( Panduan Turnitin )

Bahkan skor tinggi pun bisa salah, terutama untuk:

  • penulisan standar

  • genre tertentu (ringkasan, definisi)

  • Penulisan ESL ( Liang dkk. (arXiv) )

Carilah penjelasan, bukan hanya angka

Detektor yang lebih baik memberikan:

Jika sebuah alat tidak memberikan penjelasan apa pun dan hanya menampilkan angka di dahi Anda… saya tidak mempercayainya. Anda pun seharusnya tidak mempercayainya.

11) Cara Kerja Detektor AI: model mental sederhana 🧠🧩

Jika Anda menginginkan kesimpulan yang jelas, gunakan model mental ini:

  1. Detektor AI mencari pola statistik dan gaya yang umum ditemukan dalam teks yang dihasilkan mesin. ( Sebuah Survei tentang Deteksi Teks yang Dihasilkan LLM )

  2. Mereka membandingkan pola-pola tersebut dengan apa yang mereka pelajari dari contoh pelatihan. ( Sebuah Survei tentang Deteksi Teks yang Dihasilkan LLM )

  3. Mereka menghasilkan tebakan yang mirip dengan probabilitas , bukan cerita asal usul yang faktual. ( OpenAI )

  4. Tebakan tersebut sensitif terhadap genre, topik, panjang, suntingan, dan data pelatihan detektor . ( Sebuah Survei tentang Deteksi Teks yang Dihasilkan LLM )

Dengan kata lain, cara kerja detektor AI adalah mereka "menilai kemiripan," bukan keaslian. Seperti mengatakan seseorang mirip dengan sepupunya. Itu tidak sama dengan tes DNA…dan bahkan tes DNA pun memiliki kasus-kasus khusus.

12) Tips praktis untuk mengurangi bendera yang tidak disengaja (tanpa bermain game) ✍️✅

Bukan "cara mengelabui detektor." Lebih tepatnya, bagaimana menulis dengan cara yang mencerminkan kepengarangan sebenarnya dan menghindari salah tafsir yang aneh.

  • Tambahkan detail konkret: nama-nama konsep yang benar-benar Anda gunakan, langkah-langkah yang Anda ambil, dan pertimbangan yang Anda pikirkan

  • Gunakan variasi alami: campurkan kalimat pendek dan panjang (seperti yang dilakukan manusia saat berpikir)

  • Sertakan batasan nyata: batas waktu, alat yang digunakan, apa yang salah, dan apa yang akan Anda lakukan secara berbeda

  • Hindari penggunaan kata-kata yang terlalu klise: ganti "Selain itu" dengan sesuatu yang benar-benar akan Anda ucapkan

  • Simpan draf dan catatan: jika terjadi perselisihan, bukti proses lebih penting daripada firasat

Sejatinya, pertahanan terbaik hanyalah… menjadi diri sendiri. Jujur dalam ketidaksempurnaan, bukan jujur ​​seperti dalam "brosur sempurna".

Catatan Penutup 🧠✨

Detektor AI bisa bermanfaat, tetapi mereka bukanlah mesin pencari kebenaran. Mereka adalah pencocok pola yang dilatih dengan data yang tidak sempurna, bekerja di dunia di mana gaya penulisan terus-menerus tumpang tindih. ( OpenAI ; Survei tentang Deteksi Teks yang Dihasilkan LLM )

Singkatnya:

  • Detektor mengandalkan pengklasifikasi, perplexity/burstiness, stilometri, dan terkadang watermark 🧩 ( Sebuah Survei tentang Deteksi Teks yang Dihasilkan LLM )

  • Mereka memperkirakan "kemiripan AI," bukan kepastian ( OpenAI ).

  • Kesalahan positif sering terjadi dalam tulisan formal, teknis, atau tulisan yang bukan berasal dari penutur asli bahasa Inggris 😬 ( Liang dkk. (arXiv) ; Turnitin )

  • Gunakan hasil detektor sebagai pendorong untuk peninjauan, bukan sebagai vonis ( Turnitin ).

Dan ya… jika ada yang bertanya lagi, Bagaimana Cara Kerja Detektor AI , Anda bisa memberi tahu mereka: “Mereka menebak berdasarkan pola - terkadang cerdas, terkadang konyol, selalu terbatas.” 🤖

Pertanyaan yang Sering Diajukan (FAQ)

Bagaimana cara kerja detektor AI dalam praktiknya?

Sebagian besar detektor AI tidak "membuktikan" kepengarangan. Mereka memperkirakan seberapa mirip teks Anda dengan pola yang umum dihasilkan oleh model bahasa, kemudian menghasilkan skor seperti probabilitas. Di balik layar, mereka mungkin menggunakan model pengklasifikasi, penilaian prediktabilitas gaya perplexity, fitur stilometri, atau pemeriksaan watermark. Hasilnya sebaiknya dianggap sebagai sinyal risiko, bukan vonis definitif.

Sinyal apa yang dicari detektor AI dalam tulisan?

Sinyal umum meliputi prediktabilitas (seberapa "terkejut" model terhadap kata-kata Anda selanjutnya), pengulangan dalam struktur kalimat, kecepatan yang sangat konsisten, dan frasa generik dengan detail konkret yang rendah. Beberapa alat juga memeriksa penanda stilometri seperti panjang kalimat, kebiasaan tanda baca, dan frekuensi kata fungsi. Sinyal-sinyal ini dapat tumpang tindih dengan tulisan manusia, terutama dalam genre formal, akademis, atau teknis.

Mengapa detektor AI menandai tulisan manusia sebagai tulisan AI?

Kesalahan positif terjadi ketika tulisan manusia terlihat secara statistik "halus" atau seperti templat. Nada formal, gaya penulisan yang kaku, penjelasan teknis, contoh singkat, dan bahasa Inggris non-asli semuanya dapat disalahartikan sebagai tulisan AI karena mengurangi variasi. Itulah mengapa paragraf yang rapi dan diedit dengan baik dapat memicu skor tinggi. Detektor membandingkan kemiripan, bukan mengkonfirmasi asal-usul.

Apakah detektor perplexity dan “burstiness” dapat diandalkan?

Metode berbasis perplexity dapat berfungsi ketika teks masih mentah dan merupakan keluaran AI yang sangat mudah diprediksi. Namun, metode ini rapuh: bagian teks yang pendek cenderung berisik, dan banyak genre tulisan manusia yang sah secara alami mudah diprediksi (ringkasan, definisi, email perusahaan, manual). Pengeditan dan pemolesan juga dapat mengubah skor secara dramatis. Alat-alat ini cocok untuk penanganan cepat, bukan untuk pengambilan keputusan berisiko tinggi secara mandiri.

Apa perbedaan antara detektor pengklasifikasi dan alat stilometri?

Detektor pengklasifikasi belajar dari kumpulan data berlabel teks manusia vs AI (dan terkadang hibrida) dan memprediksi kategori mana yang paling sesuai dengan teks Anda. Alat stilometri berfokus pada "sidik jari" tulisan seperti pola pilihan kata, kata fungsi, dan sinyal keterbacaan, yang dapat lebih informatif dalam analisis bentuk panjang. Kedua pendekatan tersebut mengalami pergeseran domain dan dapat kesulitan ketika gaya penulisan atau topik berbeda dari data pelatihannya.

Apakah watermark dapat menyelesaikan masalah deteksi AI secara permanen?

Tanda air (watermark) dapat menjadi kuat ketika sebuah model menggunakannya dan detektor mengetahui skema tanda air tersebut. Pada kenyataannya, tidak semua penyedia menggunakan tanda air, dan transformasi umum—parafrase, terjemahan, kutipan sebagian, atau pencampuran sumber—dapat melemahkan atau merusak pola tersebut. Deteksi tanda air sangat ampuh dalam kasus-kasus sempit di mana seluruh rantai selaras, tetapi cakupannya tidak universal.

Bagaimana seharusnya saya menafsirkan skor “X% AI”?

Anggaplah persentase tunggal sebagai indikator kasar "kemiripan AI," bukan bukti bahwa AI adalah pembuatnya. Skor menengah sangat ambigu, dan bahkan skor tinggi pun bisa salah dalam penulisan standar atau formal. Alat yang lebih baik menyediakan penjelasan seperti rentang yang disorot, catatan fitur, dan bahasa ketidakpastian. Jika detektor tidak menjelaskan dirinya sendiri, jangan anggap angka tersebut sebagai angka yang otoritatif.

Apa yang membuat detektor AI yang baik untuk sekolah atau alur kerja editorial?

Detektor yang andal dikalibrasi, meminimalkan kesalahan positif, dan mengkomunikasikan batasan dengan jelas. Detektor tersebut harus menghindari klaim yang terlalu percaya diri pada sampel pendek, menangani berbagai domain (akademik vs blog vs teknis), dan tetap stabil ketika teks direvisi oleh manusia. Alat yang paling bertanggung jawab berperilaku dengan rendah hati: mereka menawarkan bukti dan ketidakpastian daripada bertindak seperti pembaca pikiran.

Bagaimana cara mengurangi kesalahan deteksi AI tanpa "memanipulasi" sistem?

Fokuslah pada sinyal kepengarangan yang autentik daripada trik. Tambahkan detail konkret (langkah-langkah yang Anda ambil, batasan, kompromi), variasikan ritme kalimat secara alami, dan hindari transisi yang terlalu klise yang biasanya tidak Anda gunakan. Simpan draf, catatan, dan riwayat revisi—bukti proses seringkali lebih penting daripada skor detektor dalam perselisihan. Tujuannya adalah kejelasan dengan kepribadian, bukan prosa brosur yang sempurna.

Referensi

  1. Asosiasi Linguistik Komputasional (ACL Anthology) - Survei tentang Deteksi Teks yang Dihasilkan LLM - aclanthology.org

  2. OpenAI - Klasifikasi AI baru untuk menunjukkan teks yang ditulis oleh AI - openai.com

  3. Panduan Turnitin - Deteksi tulisan AI dalam tampilan laporan klasik - guides.turnitin.com

  4. Panduan Turnitin - Model deteksi tulisan AI - guides.turnitin.com

  5. Turnitin - Memahami kesalahan deteksi tulisan dalam kemampuan deteksi tulisan berbasis AI kami - turnitin.com

  6. arXiv - DetectGPT - arxiv.org

  7. Universitas Boston - Postingan Perplexity - cs.bu.edu

  8. GPTZero - Kebingungan dan sifat yang mudah berubah: apa itu? - gptzero.me

  9. PubMed Central (NCBI) - Stilometri dan ilmu forensik: Tinjauan literatur - ncbi.nlm.nih.gov

  10. Asosiasi Linguistik Komputasional (ACL Anthology) - Kata Fungsi dalam Atribusi Kepengarangan - aclanthology.org

  11. arXiv - Tanda Air untuk Model Bahasa Besar - arxiv.org

  12. Google AI untuk Pengembang - Teks SynthID - ai.google.dev

  13. arXiv - Tentang Keandalan Tanda Air untuk Model Bahasa Besar - arxiv.org

  14. OpenAI - Memahami sumber dari apa yang kita lihat dan dengar secara online - openai.com

  15. Stanford HAI - Detektor AI yang Bias Terhadap Penulis Bahasa Inggris Non-Asli - hai.stanford.edu

  16. arXiv - Liang dkk. - arxiv.org

Temukan AI Terbaru di Toko Resmi Asisten AI

Tentang Kami

Kembali ke blog