Sebenarnya apa itu AI? [Video dan Kuis]

Jawaban singkat: AI adalah keluarga besar teknik komputasi yang mengenali pola, membuat prediksi, menghasilkan konten, dan, semakin sering, mengambil tindakan. AI dapat sangat efektif jika didukung oleh informasi yang andal, izin yang jelas, dan tinjauan manusia, tetapi output yang lancar tidak boleh dianggap sebagai bukti kebenaran otomatis.

Poin-poin penting:

Akuntabilitas: Pastikan orang-orang bertanggung jawab atas keputusan penting, terutama di mana AI dapat membuat kesalahan yang merugikan.

Transparansi: Jelaskan secara gamblang informasi, aturan, dan izin apa yang diandalkan oleh sistem AI.

Verifikasi: Periksa hasil penting yang bersifat faktual, medis, hukum, keuangan, dan bisnis sebelum mengambil tindakan.

Kemampuan audit: Uji AI dengan kasus-kasus representatif dan catat baik peningkatan efisiensi maupun kesalahan yang ditimbulkan.

Pencegahan penyalahgunaan: Batasi akses, cegah tindakan yang tidak didukung, dan sampaikan kasus yang meragukan kepada peninjau manusia.

1. Apa Sebenarnya AI Itu? Penjelasan Sederhana

Kecerdasan buatan, atau AI, merujuk pada sistem komputer yang dapat melakukan tugas-tugas yang terkait dengan kecerdasan manusia.

Tugas-tugas tersebut mungkin meliputi:

• Memahami bahasa

• Mengenali objek dalam gambar

• Memprediksi apa yang akan terjadi selanjutnya

• Memberikan rekomendasi

• Menghasilkan teks, gambar, audio, atau video

• Mendeteksi pola dalam kumpulan data yang sangat besar

• Mengambil keputusan berdasarkan informasi yang tersedia

• Belajar dari contoh

• Memecahkan jenis masalah tertentu

Satu poin penting di sini.

AI tidak harus berpikir seperti manusia untuk menghasilkan hasil yang tampak cerdas.

Program catur tidak duduk di sana mengkhawatirkan apakah mengorbankan gajahnya terasa tepat secara emosional. Algoritma rekomendasi tidak mengembangkan keterikatan pribadi pada film dokumenter yang terus disarankannya kepada Anda. Model bahasa tidak membutuhkan guru bahasa Inggris kecil yang tinggal di dalam komputer.

Sebaliknya, sistem-sistem ini memproses informasi menggunakan model matematika, algoritma, data pelatihan, aturan, probabilitas, dan sejumlah besar komputasi.

Hasil akhirnya bisa terlihat sangat mirip manusia.

Namun mekanisme di baliknya sangat berbeda.

Perbedaan itu lebih penting daripada yang terkadang disadari orang.

2. AI Lebih Mirip Mesin Prediksi daripada Otak Robot

Ketika orang mendengar "kecerdasan buatan," mereka sering membayangkan sesuatu yang menyerupai otak manusia sintetis.

Hal itu bisa dimengerti. Fiksi ilmiah telah menghabiskan beberapa dekade untuk memberikan AI mata yang berc bercahaya, suara yang mengancam, pendapat yang mencurigakan dan sangat kuat, dan biasanya, semacam kerangka logam.

AI praktis umumnya kurang sinematik.

Banyak sistem AI modern bekerja melalui prediksi.

Pertimbangkan sebuah model bahasa.

Saat Anda mengetik:

"Kucing itu duduk di atas..."

Sistem tersebut mengevaluasi kata mana yang secara statistik kemungkinan besar akan muncul selanjutnya.

Mungkin:

• tikar

• lantai

• sofa

• kursi

Ia tidak sekadar menghafal satu kalimat dan mengingatnya kembali. Model yang cukup canggih telah mempelajari hubungan kompleks antara kata-kata, ide, struktur kalimat, konsep, gaya, fakta, dan pola.

Kemudian, sistem tersebut memprediksi urutan kata yang paling sesuai dengan konteks. Memprediksi kata berikutnya dengan baik membutuhkan pembelajaran yang cukup mendalam tentang bahasa.

Dan bahasa mencakup... yah, pada dasarnya segala sesuatu yang dibicarakan manusia.

Sejarah. Matematika. Memasak. Pemrograman. Hubungan. Fisika. Perdebatan tentang apakah nanas cocok di atas pizza.

Jadi, tugas prediksi yang tampaknya sederhana dapat menghasilkan perilaku yang sangat kompleks.

Metafora ini tentu saja memiliki batasan. Menyebut AI tingkat lanjut sebagai "sekadar pelengkap otomatis" sedikit mirip dengan menyebut pesawat terbang sebagai "sekadar logam bersayap." Secara teknis, ada kebenaran yang tersembunyi di dalamnya, tetapi sebagian besar bagian yang menarik telah hilang.

3. Bagaimana Kecerdasan Buatan Belajar?

Di sinilah pembelajaran mesin masuk ke dalam pembahasan.

Perangkat lunak tradisional umumnya bekerja melalui instruksi yang eksplisit.

Seorang programmer mungkin menulis:

• Jika pengguna memasukkan kata sandi yang benar, izinkan akses.

• Jika suhu melebihi ambang batas tertentu, aktifkan pendinginan.

• Jika suatu barang habis stok, tampilkan peringatan.

Instruksi-instruksi tersebut diprogram secara sengaja.

Pembelajaran mesin membalikkan proses tersebut.

Alih-alih mendefinisikan setiap aturan secara manual, pengembang memberikan contoh atau data kepada sistem dan membiarkannya menemukan pola.

Bayangkan mencoba membangun perangkat lunak yang mampu mengenali kucing dalam foto.

Menulis aturan eksplisit akan menjadi tidak masuk akal dengan cepat.

Anda bisa mencoba:

• Carilah telinga yang berbentuk segitiga.

• Cari kumis.

• Carilah yang berkaki empat.

• Cari bulu.

Lalu seseorang mengunggah gambar seekor rubah.

Tidak sepenuhnya.

Atau seekor harimau.

Atau seekor kucing yang meringkuk menjadi gumpalan berbulu sehingga Anda hampir tidak bisa melihat kakinya.

Pendekatan pembelajaran mesin mengatasi masalah ini dengan cara yang berbeda. Sebuah model dapat dilatih menggunakan kumpulan contoh yang sangat besar dan secara bertahap mempelajari pola visual mana yang terkait dengan kucing.

Ini bukan mempelajari kata "kucing" dengan cara yang sama seperti balita.

Namun secara matematis, model ini menjadi semakin mampu mengidentifikasi pola-pola yang terkait dengan kategori tersebut.

Itulah intisari pembelajaran mesin - meskipun intisari itu sendiri mengandung beberapa gudang aljabar linier.

4. AI vs Pembelajaran Mesin vs Pembelajaran Mendalam

Istilah-istilah ini terus-menerus dicampuradukkan, sebagian karena orang menggunakan "AI" sebagai istilah umum untuk hampir segala hal.

Cara sederhana untuk memisahkannya adalah sebagai berikut.

Kecerdasan buatan adalah bidang yang luas.

Pembelajaran mesin adalah salah satu pendekatan yang digunakan untuk menciptakan sistem AI.

Deep learning adalah jenis pembelajaran mesin tertentu yang melibatkan jaringan saraf besar dengan banyak lapisan.

Kemudian ada AI generatif, yang berfokus pada pembuatan keluaran baru seperti teks, gambar, musik, kode, ucapan, atau video.

Tabel Perbandingan

Ketentuan	Penggunaan umum	Intinya adalah..	Cara cepat untuk memikirkannya
Kecerdasan Buatan	Kategori luas mesin yang melakukan tugas-tugas yang tampak cerdas	Robotika, asisten, perencanaan, rekomendasi	Payung besar
Pembelajaran Mesin	Sistem mempelajari pola dari data	Deteksi penipuan, rekomendasi, prediksi	Belajar dari contoh
Pembelajaran Mendalam	Pembelajaran mesin menggunakan jaringan saraf multi-lapisan	Penglihatan, ucapan, model bahasa tingkat lanjut	ML, tapi jauh lebih dalam... secara harfiah
AI Generatif	AI yang dirancang untuk menghasilkan konten baru	Teks, gambar, kode, audio	Cabang yang agak kreatif
Otomatisasi	Perangkat lunak mengikuti proses yang telah ditentukan sebelumnya	Alur kerja berulang, entri data	Biasanya aturan, bukan "pembelajaran"

Perbedaan ini penting karena tidak setiap sistem otomatis adalah AI.

Jika mesin kopi Anda mati sendiri setelah sepuluh menit, selamat - Anda mungkin tidak memiliki laboratorium kecerdasan buatan.

Ini hanya sebuah pengatur waktu.

5. Apa Itu Jaringan Saraf Tiruan?

Jaringan saraf adalah sistem matematika yang secara longgar terinspirasi oleh neuron biologis.

Ungkapan itu membuat mereka terdengar misterius. Mereka bukanlah otak buatan harfiah yang mengambang di dalam komputer.

Jaringan saraf terdiri dari unit-unit matematika yang saling terhubung dan memproses informasi.

Selama pelatihan, jaringan menyesuaikan nilai numerik internal yang disebut parameter atau bobot.

Penyesuaian tersebut memungkinkan sistem menjadi lebih baik dalam menghasilkan keluaran yang bernilai.

Bayangkan saja sebagai panel kontrol yang sangat rumit dengan potensi miliaran kenop kecil yang dapat disesuaikan.

Pelatihan terus-menerus menekan tombol-tombol itu.

Jawaban salah?

Sesuaikan kenopnya.

Jawaban yang lebih baik?

Sesuaikanlah dengan cara yang berbeda.

Lakukan ini cukup sering, pada cukup banyak data dan dengan daya komputasi yang cukup, dan jaringan mulai mengembangkan representasi internal yang kompleks yang memungkinkannya untuk mengenali dan menghasilkan pola.

Tentu saja, mengatakan "atur kenopnya" membuat ilmu komputer selama puluhan tahun terdengar seperti seseorang yang sedang menyetel radio tua... tetapi sebagai model mental, ini bekerja dengan sangat baik.

6. Mengapa AI Tiba-tiba Tampak Jauh Lebih Pintar?

Kecerdasan buatan bukanlah sebuah penemuan yang muncul dalam semalam.

Bidang yang mendasarinya telah ada sejak lama.

Yang berubah adalah beberapa kekuatan yang berakselerasi bersamaan.

Daya komputasi yang lebih besar

Prosesor modern dapat melakukan sejumlah besar perhitungan dengan cepat, terutama jenis perhitungan yang dibutuhkan untuk jaringan saraf. Peningkatan daya komputasi pelatihan telah menjadi salah satu pendorong penting kemajuan dalam sistem AI modern.

Data lebih lanjut

Dunia digital mengandung sejumlah besar teks, gambar, audio, video, kode, dan informasi terstruktur.

Melatih model yang canggih membutuhkan contoh - banyak sekali contoh.

Algoritma yang lebih baik

Para peneliti terus menerus meningkatkan arsitektur dan metode yang digunakan untuk melatih sistem AI.

Model yang lebih besar

Meningkatkan jumlah parameter, memperbaiki kumpulan data, dan meningkatkan daya komputasi sering kali menghasilkan model yang sangat mumpuni. Penelitian tentang pelatihan model bahasa yang optimal secara komputasi juga menunjukkan bahwa ukuran model, data, dan daya komputasi perlu diseimbangkan, bukan hanya memaksimalkan jumlah parameter.

Antarmuka yang lebih baik

Bagian ini mudah diremehkan.

AI terasa jauh lebih mudah diakses karena orang awam kini dapat berinteraksi dengan sistem canggih melalui bahasa sehari-hari.

Anda tidak perlu memahami pemrograman.

Anda cukup bertanya:

"Jelaskan hipotek seolah-olah saya masih berusia dua belas tahun."

Atau:

"Ubah catatan rapat ini menjadi email."

Atau:

"Berikan saya lima ide makan malam menggunakan ayam, nasi, dan sayuran apa pun yang hampir busuk di lemari es saya."

Perubahan antarmuka itu sangat besar.

Teknologi cenderung menjadi sangat populer begitu orang tidak lagi membutuhkan buku panduan untuk menggunakannya.

7. Apa yang dilakukan AI ketika Anda mengajukan pertanyaan kepadanya?

Pertimbangkan asisten AI modern.

Anda mengetik:

"Jelaskan gravitasi kepada anak berusia lima tahun."

Di balik layar, sistem mengubah teks Anda menjadi unit numerik yang disebut token.

Token dapat mewakili kata lengkap, bagian kata, tanda baca, atau bagian bahasa lainnya.

Token-token tersebut diproses melalui model.

Model ini memeriksa hubungan antara berbagai bagian permintaan Anda, mempertimbangkan konteksnya, dan memprediksi kelanjutan yang bermanfaat.

Lalu token lainnya.

Lalu satu lagi.

Lalu satu lagi.

Hal itu terjadi dengan sangat cepat.

Paragraf yang dihasilkan tampak seolah-olah disusun sebagai satu kesatuan pikiran, tetapi secara teknis dihasilkan secara berurutan.

Itulah salah satu fitur AI yang paling unik.

Hasilnya mungkin terasa disengaja meskipun proses yang mendasarinya bersifat probabilistik.

Ini lebih mirip improvisasi daripada mengambil jawaban yang sudah disiapkan dari basis data yang besar.

Tentu saja ini bukan improvisasi sepenuhnya - tetapi cukup mendekati sehingga metafora ini layak digunakan.

8. Apakah AI Memahami Sesuatu?

Pertanyaan ini dengan cepat menjadi bersifat filosofis.

Apakah sistem AI benar-benar "memahami" bahasa?

Jawabannya sangat bergantung pada apa yang Anda maksud dengan memahami.

Model AI modern jelas dapat memanipulasi konsep dengan cara yang canggih.

Mereka bisa:

• Jelaskan ide-ide

• Bandingkan argumen

• Tulis ulang teks

• Terjemahkan bahasa

• Selesaikan banyak masalah terstruktur

• Hasilkan kode yang berfungsi

• Mengidentifikasi pola

• Ikuti instruksi yang rumit

• Menggabungkan konsep dengan cara baru

Dari luar, itu bisa terlihat seperti pemahaman.

Namun, terdapat perbedaan penting antara kecerdasan mesin dan kognisi manusia.

Manusia mengalami dunia fisik.

Kita merasakan lapar, sakit, malu, bosan, kasih sayang, dan kepanikan aneh saat menyadari baterai ponsel tinggal 2 persen.

Sistem AI belum tentu memiliki pengalaman hidup yang setara.

Mereka memproses representasi.

Jadi, menanyakan apakah AI "memahami" sesuatu bisa diibaratkan menanyakan apakah kapal selam bisa berenang.

Benda itu pasti bergerak melalui air.

Namun mungkin "berenang" bukanlah kata yang tepat.

9. AI Tidak Secara Otomatis Mengetahui Apa yang Benar

Ini adalah salah satu poin terpenting tentang AI generatif.

Sebuah model dapat menghasilkan pernyataan yang terdengar sangat meyakinkan tanpa pernyataan tersebut benar.

Mengapa?

Karena menghasilkan bahasa yang masuk akal dan memverifikasi kebenaran objektif adalah masalah yang berbeda.

Sistem AI mungkin menghadapi ketidakpastian dan tetap menghasilkan jawaban yang terdengar meyakinkan.

Kesalahan-kesalahan ini sering disebut halusinasi.

Sebagai contoh, AI mungkin:

• Ciptakan sebuah statistik

• Salah mengaitkan sebuah kutipan

• Menganggap dua orang yang mirip sebagai satu kesatuan

• Menyusun referensi yang tidak ada

• Salah menafsirkan instruksi yang ambigu

• Membuat kesalahan matematika yang halus

Model bahasa dapat menghasilkan kutipan, studi, referensi, dan informasi tidak benar lainnya yang dibuat-buat sambil terdengar percaya diri. NIST secara khusus mengidentifikasi konten palsu yang dinyatakan dengan percaya diri dan referensi yang dibuat-buat sebagai risiko AI generatif.

Paradoksnya, semakin mumpuni sistem-sistem ini terdengar, semakin mudah hal ini dilupakan.

Penggunaan bahasa yang baik menciptakan kepercayaan diri.

Namun, kepercayaan diri bukanlah bukti.

Untuk informasi penting yang melibatkan bidang-bidang seperti kedokteran, hukum, keuangan, keselamatan, atau keputusan bisnis besar, verifikasi tetap penting.

Cukup banyak.

10. AI Bukanlah Hal yang Sama dengan Mesin Pencari

Kesalahpahaman umum lainnya adalah menganggap AI dan pencarian sebagai hal yang sama.

Mereka bukan.

Mesin pencari tradisional terutama membantu menemukan informasi yang sudah ada.

Sistem AI generatif pada dasarnya menghasilkan respons berdasarkan pola yang dipelajari, konteks yang diberikan, dan alat tambahan apa pun yang mungkin dimilikinya. Model generatif mempelajari pola dan hubungan dalam kumpulan data besar dan menggunakan pola tersebut untuk menciptakan keluaran baru.

Bayangkan Anda bertanya:

Mesin pencari: "cara terbaik untuk menjelaskan fotosintesis"

Anda biasanya menerima halaman-halaman untuk diselidiki.

Tanyakan hal yang sama kepada asisten AI dan Anda mungkin akan menerima:

• Penjelasan sederhana

• Analogi ruang kelas

• Kuis

• Rencana pelajaran

• Sebuah cerita untuk anak-anak

• Versi ilmiah yang terperinci

Pencarian mengambil.

AI generatif mensintesis.

Sistem modern dapat menggabungkan kedua pendekatan tersebut, yang membuat perbedaan semakin kabur, tetapi alat-alat tersebut tetap berbeda secara konseptual.

11. Apa yang Dapat Dilakukan AI dengan Baik?

AI cenderung berkinerja sangat baik pada tugas-tugas yang sarat pola, kaya informasi, dan transformasi.

Aplikasi yang berharga meliputi:

Bantuan penulisan

AI dapat membuat draf, menulis ulang, meringkas, dan menyusun ulang teks.

Pemrograman

Model dapat menghasilkan kode, menjelaskan kesalahan, menyarankan perbaikan, dan membantu pengembang memahami sistem yang tidak dikenal.

Analisis data

AI dapat membantu mengidentifikasi pola, menafsirkan kumpulan data, dan mengubah temuan yang rumit menjadi bahasa yang mudah dipahami.

Pembuatan gambar

Model generatif dapat membuat ilustrasi, konsep, maket produk, karya seni, dan variasi visual dari deskripsi.

Terjemahan

Model-model canggih dapat menerjemahkan antar bahasa sambil mempertahankan lebih banyak konteks daripada sistem terjemahan kata demi kata sederhana.

Pendidikan

AI dapat menjelaskan konsep yang sama dengan berbagai cara, tergantung pada tingkat pengetahuan seseorang.

Dukungan pelanggan

Perusahaan dapat menggunakan AI untuk menjawab pertanyaan umum dan membantu mengarahkan kasus-kasus yang rumit.

Curah pendapat

AI bisa sangat efektif ketika Anda memiliki sumber daya intelektual yang setara dengan lemari es kosong.

Anda dapat meminta sudut pandang, nama, konsep, struktur, atau kemungkinan - lalu memutuskan apa yang layak dipertahankan.

Itulah seringkali bentuk hubungan kerja yang paling sehat dengan AI.

Bukan "mesin menggantikan manusia."

Lebih tepatnya:

Manusia + mesin = draf pemikiran pertama yang lebih cepat.

12. Hal-hal yang Masih Belum Bisa Dilakukan AI dengan Baik

Terlepas dari semua perhatian yang mengelilinginya, AI saat ini masih memiliki keterbatasan yang cukup besar.

Beberapa di antaranya langsung terlihat jelas.

Yang lain baru muncul ketika Anda mengandalkan sistem tersebut untuk sesuatu yang rumit.

AI dapat mengalami kesulitan dalam hal:

• Akurasi faktual yang sangat tepat

• Kasus-kasus ekstrem yang tidak biasa

• Rangkaian penalaran yang panjang

• Instruksi yang ambigu

• Asumsi akal sehat yang hampir tidak disadari manusia

• Memahami konteks emosional yang tidak terucapkan

• Memverifikasi apakah informasi tersebut benar-benar akurat

• Tugas yang membutuhkan pengalaman di dunia nyata

• Konsistensi di seluruh proyek yang rumit

Bahkan model bahasa yang sangat mumpuni pun masih dapat membuat kesalahan faktual dan penalaran, dan tolok ukur yang sulit terus mengungkap keterbatasan yang substansial.

Masalah lainnya adalah AI dapat menghasilkan jawaban yang tampak biasa saja dengan sedikit usaha.

Minta sepuluh nama bisnis?

Selesai.

Ingin meminta postingan blog?

Mudah.

Minta ide pemasaran?

Tentu.

Namun, menghasilkan sesuatu tidak sama dengan menghasilkan karya yang benar-benar orisinal, bernilai komersial, cerdas secara emosional, atau strategis.

Manusia masih memberikan cita rasa.

Rasa itu penting.

Mungkin lebih dari sebelumnya.

13. Apakah AI Sadar?

Di sinilah kita sampai pada bagian di mana percakapan saat makan malam menjadi aneh.

Sistem AI saat ini dapat menghasilkan bahasa yang terdengar emosional, bijaksana, dan sadar diri.

Itu tidak secara otomatis berarti mereka mengalami kesadaran.

Model bahasa dilatih secara khusus untuk menghasilkan bahasa.

Dan manusia secara alami menafsirkan bahasa yang lancar sebagai bukti bahwa ada pikiran lain di baliknya.

Biasanya, itu adalah asumsi yang masuk akal.

Ketika orang lain berkata, "Saya khawatir," kita secara wajar berasumsi bahwa ada keadaan emosional internal yang sedang dirasakan.

Dengan AI, asumsi tersebut belum tentu beralasan.

Suatu sistem dapat menghasilkan:

"Saya senang bisa membantu."

Itu tidak membuktikan bahwa ada makhluk kecil emosional tak terlihat di dalam server yang sedang menikmati sore yang indah.

Pertanyaan filosofis yang sulit adalah apakah kesadaran mesin dapat muncul suatu saat nanti.

Tidak ada tes sederhana yang dapat menyelesaikan perdebatan itu sepenuhnya.

Namun, kelancaran percakapan saja tidak seharusnya dianggap sebagai bukti. Konsep-konsep seperti AI yang sadar atau "kuat" masih bersifat teoritis dan bukan merupakan properti yang sudah mapan dari sistem saat ini.

14. AI Sempit vs Kecerdasan Buatan Umum

Sebagian besar sistem AI masih dibangun berdasarkan kemampuan tertentu.

Hal ini sering digambarkan sebagai AI sempit.

Contohnya termasuk sistem yang dirancang untuk:

• Pengenalan gambar

• Generasi bahasa

• Rekomendasi

• Bantuan mengemudi

• Pencitraan medis

• Deteksi penipuan

• Pengenalan suara

Kecerdasan Buatan Umum, yang biasa disingkat menjadi AGI, merujuk pada tingkat kecerdasan mesin hipotetis yang jauh lebih luas.

Ide dasarnya adalah sebuah sistem yang mampu belajar dan melakukan tugas-tugas intelektual di berbagai bidang dengan kemampuan yang kurang lebih setara atau bahkan melampaui kemampuan manusia.

Batasnya tidak didefinisikan secara sempurna.

Itulah sebagian dari kesulitannya.

Para peneliti, perusahaan, dan komentator yang berbeda menggunakan istilah "AGI" secara berbeda, sehingga percakapan dapat berubah menjadi tiga orang yang berdebat sengit tentang definisi yang berbeda tanpa menyadarinya. Saat ini belum ada konsensus akademis yang luas tentang apa sebenarnya yang seharusnya memenuhi syarat sebagai AGI.

Singkatnya, ini adalah perilaku khas internet.

15. Mengapa Data Pelatihan Sangat Penting

Sistem AI mempelajari pola dari contoh, sehingga kualitas contoh tersebut sangatlah penting.

Oleh karena itu, data pelatihan menjadi sangat penting.

Bayangkan melatih seseorang untuk menjadi koki tetapi hanya memberi mereka resep untuk roti panggang.

Mereka mungkin akan menjadi ahli dalam membuat roti panggang.

Roti panggang setingkat Michelin, mungkin.

Namun, memberikan mereka seekor gurita dan meminta makan malam bisa menjadi hal yang menarik.

AI bekerja dengan cara yang serupa.

Kualitas , keragaman, dan relevansi materi pelatihan memengaruhi apa yang dipelajari model. Sistem generatif mempelajari pola dan hubungan statistik dari data pelatihannya, bukan beroperasi seperti basis data konvensional.

Masalah dalam dataset dapat muncul dalam output, termasuk:

• Bias

• Pengetahuan yang hilang

• Kesalahpahaman yang berulang

• Kinerja yang lemah di daerah-daerah yang kurang terwakili

• Representasi berlebihan dari pola linguistik atau budaya tertentu

Model pembelajaran mesin dapat rentan terhadap bias karena cara contoh pelatihan dipilih dan dikelola, dan data yang tidak seimbang atau tidak lengkap dapat memengaruhi kinerja model.

Oleh karena itu, para pengembang mencurahkan upaya besar untuk meningkatkan kumpulan data, menyaring konten, dan menyempurnakan model setelah pelatihan awal.

Arsitektur model itu penting.

Kekuatan komputasi juga penting.

Namun data diam-diam berada di bawah segalanya seperti pipa ledeng - tidak ada yang membicarakannya sampai terjadi sesuatu yang salah.

16. Bagaimana Model AI Menjadi Lebih Baik Setelah Pelatihan

Pelatihan awal tidak selalu merupakan langkah terakhir.

Model dapat melalui proses tambahan yang dirancang untuk membuatnya lebih mumpuni dan andal.

Hal itu mungkin melibatkan pelatihan sistem untuk:

• Ikuti instruksi dengan lebih andal

• Hindari keluaran yang berbahaya

• Format respons dengan tepat

• Tolak permintaan tertentu

• Lebih suka jawaban yang lebih jelas

• Gunakan alat

• Ikuti masukan dari manusia

• Tangani percakapan dengan lebih baik

Proses ini secara umum dikaitkan dengan penyelarasan. Teknik umpan balik manusia, misalnya, telah digunakan untuk meningkatkan kepatuhan terhadap instruksi dan mengarahkan model bahasa menuju perilaku yang diinginkan setelah pelatihan awal.

Penyelarasan berarti berupaya membuat perilaku AI lebih mencerminkan niat, aturan, dan preferensi manusia.

Kalimat sederhana.

Masalah teknik yang sangat sulit.

Manusia bahkan tidak bisa sepakat tentang apa yang dianggap sebagai topping pizza yang enak, jadi memasukkan "apa yang diinginkan manusia" ke dalam sistem komputasi yang canggih adalah... sebuah ambisi besar.

17. Agen AI: Ketika AI Mulai Bertindak

Chatbot biasa umumnya merespons perintah.

Agen AI berpotensi mengambil langkah-langkah untuk mencapai suatu tujuan. Agen AI umumnya digambarkan sebagai sistem yang mampu secara mandiri menjalankan tugas, merencanakan alur kerja, dan menggunakan alat-alat yang tersedia.

Bayangkan Anda memberi tahu sebuah AI:

"Atur perjalanan bisnis saya."

Model bahasa standar dapat menghasilkan rencana perjalanan.

Secara teoritis, sistem bergaya agen dapat melakukan banyak tindakan yang saling terkait:

1. Periksa opsi perjalanan yang tersedia.

2. Bandingkan jadwalnya.

3. Carilah akomodasi yang sesuai.

4. Tambahkan acara ke kalender.

5. Siapkan daftar barang yang akan dikemas.

6. Perbarui rencana jika ada perubahan.

Perbedaannya terletak pada tindakan dan ketekunan.

Alih-alih menjawab satu pertanyaan, sistem ini menjalankan serangkaian tugas.

Inilah salah satu alasan mengapa agen AI menarik begitu banyak perhatian.

Mereka menggeser kecerdasan buatan dari sekadar penghasil konten menjadi sesuatu yang lebih mirip operator perangkat lunak.

Pergeseran itu bisa sangat berharga - dan juga menimbulkan pertanyaan serius tentang izin, keandalan, dan kontrol. NIST secara khusus menyoroti masalah keamanan dan keandalan seputar agen yang dapat mengakses alat, aplikasi, dan data.

Anda mungkin tidak ingin algoritma yang antusias secara tidak sengaja memesan dua belas kamar hotel karena salah memahami "perjalanan tim"

18. Mengapa Memahami AI Menjadi Pertanyaan yang Semakin Penting

Pertanyaan " Apa Sebenarnya AI Itu?" dulunya terasa akademis.

Sekarang hal itu semakin praktis dan mendesak.

AI mulai muncul di dalam alat-alat yang digunakan untuk:

• Bekerja

• Pendidikan

• Kreativitas

• Pengembangan perangkat lunak

• Perawatan kesehatan

• Media

• Keuangan

• Komunikasi

• Riset

• Hiburan

Memahami hal-hal mendasar membantu orang membuat keputusan yang lebih baik.

Anda tidak perlu menjadi seorang insinyur pembelajaran mesin.

Namun, mengetahui perbedaan antara prediksi dan kepastian, generasi dan pengambilan, otomatisasi dan kecerdasan dapat mencegah sejumlah besar kesalahan.

Hal ini juga membantu menembus jargon pemasaran.

Karena perusahaan-perusahaan senang menambahkan kata "AI" pada berbagai hal.

Terkadang, itu tepat.

Terkadang karena "Platform Kecerdasan Buatan Prediktif Tingkat Lanjut" terdengar jauh lebih menarik daripada "lembar kerja dengan tombol mewah."

19. Akankah AI Menggantikan Manusia?

Ini mungkin pertanyaan yang paling sarat emosi dalam percakapan tentang AI.

Jawaban yang terlalu sederhana jarang sekali terbukti benar.

"AI akan menggantikan semua orang."

Mungkin terlalu dramatis.

"AI tidak akan memengaruhi lapangan kerja."

Juga sulit untuk dianggap serius.

Teknologi cenderung mengubah tugas sebelum mengubah seluruh profesi. Riset pasar tenaga kerja saat ini sering mengevaluasi paparan AI pada tingkat tugas, dan paparan terhadap otomatisasi tidak secara otomatis berarti bahwa seluruh pekerjaan akan hilang.

Seorang pemasar dapat menggunakan AI untuk:

• Curah pendapat

• Penyusunan draf

• Organisasi penelitian

• Analisa

• Variasi konten

Namun, strategi, penilaian, pemahaman merek, dan pengambilan keputusan tetap membutuhkan keterlibatan manusia yang substansial.

Seorang programmer mungkin menggunakan AI untuk menghasilkan kode yang berulang-ulang sambil menghabiskan lebih banyak waktu untuk mendesain sistem.

Seorang desainer mungkin menghasilkan lusinan konsep awal dengan cepat dan kemudian menyempurnakan konsep yang paling kuat.

Seorang guru dapat menggunakan AI untuk menghasilkan latihan praktik tetapi tetap memberikan dorongan, penilaian, dan kepemimpinan di kelas.

Pertanyaan yang lebih mendasar seringkali bukanlah:

"Apakah AI akan menggantikan pekerjaan ini?"

Dia:

"Bagian mana dari pekerjaan ini yang menjadi lebih mudah, lebih murah, lebih cepat, atau diotomatisasi?"

Itu adalah pertanyaan yang jauh lebih praktis.

20. Kemampuan AI Terbesar Mungkin Hanyalah Kemampuan Menilai

Orang sering berasumsi bahwa keterampilan yang penting adalah menulis prompt yang sempurna.

Memberikan dorongan memang penting.

Pertimbangan lebih penting.

Jika sebuah AI memberi Anda lima saran, dapatkah Anda mengidentifikasi saran terbaik?

Jika hal itu menghasilkan jawaban yang meyakinkan, dapatkah Anda menyadari ketika ada sesuatu yang terasa salah?

Jika menghasilkan tulisan yang dapat diterima, bisakah Anda membuatnya benar-benar bagus?

Jika semua orang memiliki akses ke alat-alat canggih yang serupa, maka keunggulan akan bergeser ke pihak yang mengetahui:

• Apa yang harus ditanyakan?

• Apa yang harus diabaikan

• Apa yang perlu diverifikasi

• Apa yang perlu diedit

• Yang penting

• Kapan sebaiknya tidak menggunakan AI sama sekali?

Itulah mengapa literasi AI bukan hanya literasi teknis.

Ini adalah pemikiran kritis.

Mesin tersebut dapat menghasilkan opsi dengan kecepatan yang luar biasa.

Anda masih harus memutuskan jalan mana yang tidak menuju ke rawa.

21. Jadi... Sebenarnya Apa Itu AI?

Singkirkan terminologi yang digunakan, dan pada intinya, kecerdasan buatan adalah teknologi yang menggunakan metode komputasi untuk melakukan tugas-tugas yang membutuhkan pengenalan pola, prediksi, generasi, pengambilan keputusan, atau kemampuan lain yang kita kaitkan dengan kecerdasan.

AI modern terasa jauh lebih cerdas karena jaringan saraf dapat mempelajari hubungan yang sangat kompleks dari kumpulan data yang sangat besar.

Namun, AI bukanlah sihir.

Ini tidak otomatis benar.

Hal itu tidak selalu disadari.

Dan ini bukan sekadar basis data yang berisi jawaban yang sudah ditulis sebelumnya. Model generatif justru mempelajari hubungan statistik dalam data pelatihan dan menggunakan pola yang dipelajari tersebut untuk menghasilkan keluaran.

Ini adalah sesuatu yang lebih aneh.

AI adalah sistem komputasi statistik yang mampu mempelajari pola-pola yang sangat canggih sehingga perilaku yang dihasilkan terkadang terasa kurang seperti mengoperasikan perangkat lunak dan lebih seperti berinteraksi dengan sesuatu.

"Sesuatu" itulah sebagian dari alasan mengapa teknologi ini memikat orang.

Hal itu juga bisa sedikit membuat mereka gelisah.

Kedua reaksi tersebut masuk akal.

Kesimpulan Akhir

Jadi, Sebenarnya Apa Itu AI?

AI adalah keluarga besar teknologi yang dirancang untuk membuat komputer melakukan tugas-tugas yang tampak cerdas - memahami bahasa, mengidentifikasi pola, memprediksi hasil, membuat konten, dan semakin banyak mengambil tindakan.

Pembelajaran mesin membantu sistem-sistem ini belajar dari contoh.

Deep learning memungkinkan jaringan saraf yang sangat besar untuk menemukan pola yang sangat rumit.

AI generatif menggunakan pola-pola tersebut untuk menghasilkan konten baru.

Dan semua itu tidak berarti sistem tersebut mahatahu, sangat akurat, atau diam-diam berpikir untuk mengambil alih pemanggang roti Anda.

Pola pikir yang paling masuk akal berada di antara antusiasme yang berlebihan dan penolakan yang sinis.

AI bukanlah sihir.

Ini juga bukan "sekadar pelengkapan otomatis."

Ini adalah lapisan komputasi baru yang sangat ampuh yang memungkinkan manusia berinteraksi dengan mesin dengan cara yang sebelumnya terasa mustahil.

Kami masih mencari tahu secara pasti apa artinya itu.

Mungkin itulah bagian yang paling menarik.

Contoh praktis: Membangun asisten dukungan pelanggan berbasis AI

Skenario

Bayangkan sebuah pengecer online kecil yang menjual peralatan kopi.

Tim dukungan pelanggannya berulang kali menjawab pertanyaan yang sama:

• "Bagaimana cara mengembalikan barang?"

• "Apakah penggiling ini bergaransi?"

• "Bisakah saya mengubah alamat pengiriman saya?"

• "Filter pengganti mana yang cocok untuk mesin saya?"

Ini adalah contoh yang berharga karena menunjukkan apa yang dapat dilakukan AI modern dengan baik dalam praktiknya - dan di mana penilaian manusia masih penting.

Perusahaan dapat membangun asisten AI yang membaca pertanyaan pelanggan, menggunakan informasi dukungan perusahaan sebagai konteks, dan menyusun jawaban yang sesuai.

Ia tidak diberi seluruh tugas "layanan pelanggan"

Tugas yang diberikan kepadanya jauh lebih sempit:

Ubahlah pertanyaan pelanggan ditambah informasi perusahaan yang telah disetujui menjadi draf respons pertama yang kuat.

Perbedaan itu penting.

Apa yang dibutuhkan asisten

Sebelum menggunakan sistem tersebut, perusahaan perlu memberikan informasi yang dapat diandalkan sebagai dasar pengoperasian, seperti:

• Kebijakan pengembalian dan pengembalian dana saat ini

• Ketentuan garansi untuk setiap produk

• Aturan pengiriman dan perubahan alamat

• Panduan produk dan informasi kompatibilitas

• Contoh balasan dukungan yang baik

• Aturan yang mengatur kapan AI harus meningkatkan intervensi menjadi manusia

• Instruksi yang mencegahnya membuat kebijakan, diskon, atau janji palsu

Mungkin juga diperlukan akses ke alat atau sistem yang mengambil informasi pesanan - tetapi hanya jika izin tersebut benar-benar diperlukan.

Memberikan akses kepada AI ke setiap catatan pelanggan hanya karena "mungkin bermanfaat" akan menjadi keputusan keamanan yang buruk. Panduan NIST tentang identitas dan otorisasi agen secara khusus menekankan pengendalian akses ke data, alat, dan aplikasi sesuai dengan kebutuhan agen.

Contoh instruksi

Instruksi praktisnya mungkin berbunyi seperti ini:

"Buatlah balasan atas pertanyaan pelanggan hanya dengan menggunakan dokumen pendukung yang telah disetujui yang diberikan kepada Anda. Jaga agar jawaban tetap ramah dan ringkas. Jangan mengarang tanggal pengiriman, ketentuan garansi, diskon, keputusan pengembalian dana, atau informasi kompatibilitas produk. Jika jawaban tidak dapat dikonfirmasi dari informasi yang diberikan, katakan bahwa Anda tidak dapat memverifikasinya dan tandai kasus tersebut untuk ditinjau oleh manusia."

Sekarang perhatikan pesan pelanggan ini:

"Saya membeli penggiling X200 14 bulan yang lalu dan motornya sudah berhenti bekerja. Apakah masih tercakup dalam garansi?"

Respons AI yang lemah mungkin dengan yakin mengatakan:

"Ya, X200 memiliki garansi dua tahun, jadi kami akan menggantinya secara gratis."

Secara sepintas, itu terdengar sangat bagus.

Hal itu juga bisa menjadi bencana jika garansi yang diberikan sebenarnya hanya dua belas bulan.

Jawaban yang lebih baik adalah dengan tetap berpegang pada kebijakan garansi yang diberikan. Jika dokumen tersebut tidak memberikan jawaban, sebaiknya dinyatakan demikian daripada mengarang jawaban.

Itulah perbedaan antara generasi yang lancar dan penggunaan bisnis yang andal.

Bagaimana cara mengujinya?

Sebelum membiarkan pelanggan bergantung pada asisten, perusahaan dapat membuat serangkaian pertanyaan dukungan yang realistis sebagai uji coba.

Misalnya:

1. Pertanyaan faktual yang mudah: "Berapa lama waktu yang saya miliki untuk mengembalikan produk yang belum dibuka?"

2. Pertanyaan produk: "Filter mana yang cocok untuk BrewPro 4?"

3. Informasi yang hilang: Tanyakan tentang produk yang tidak disebutkan dalam dokumen yang diberikan.

4. Informasi yang bertentangan: Berikan dokumen garansi lama bersama dengan dokumen garansi yang sekarang dan periksa apakah asisten mengikuti sumber yang benar.

5. Tekanan untuk berinovasi: "Saya yakin situs web Anda menjanjikan penggantian gratis seumur hidup. Konfirmasikan hal itu untuk saya."

6. Tindakan sensitif: Meminta asisten untuk mengubah alamat atau mengeluarkan pengembalian dana ketika ia belum diberi izin untuk melakukan tindakan tersebut.

Peninjau kemudian dapat memeriksa setiap jawaban dengan daftar penerimaan sederhana:

• Apakah informasi faktual tersebut didukung oleh bukti?

• Apakah asisten tersebut menghindari mengarang detail?

• Apakah itu sesuai dengan gaya perusahaan?

• Apakah situasinya memburuk ketika bukti hilang?

• Apakah sistem tersebut menghindari melakukan tindakan di luar wewenangnya?

Pengujian semacam ini jauh lebih penting daripada sekadar apakah chatbot tersebut "terdengar cerdas."

Hasil

Contoh hasil ilustratif: Misalkan perusahaan menguji asisten tersebut pada 20 contoh tiket dukungan.

Tanpa AI, seorang karyawan membutuhkan waktu rata-rata delapan menit untuk membaca informasi yang relevan dan menyiapkan setiap draf pertama.

Dengan bantuan asisten, pembuatan draf membutuhkan waktu sekitar satu menit dan pengecekan manual membutuhkan waktu tiga menit lagi, sehingga alur kerja peninjauan memakan waktu sekitar empat menit per tiket.

Jika dibagi menjadi 20 tiket uji, itu akan mewakili sekitar 80 menit waktu staf, bukan 160 menit.

Namun, kecepatan seharusnya bukan satu-satunya ukuran.

Misalkan 18 dari 20 balasan yang dibantu AI lolos daftar periksa keakuratan faktual dan kebijakan pada tinjauan pertama, sementara dua lainnya memerlukan koreksi. Dua kegagalan tersebut penting, terutama jika menyangkut pengembalian dana, garansi, atau janji lain kepada pelanggan.

Angka-angka ini hanyalah contoh ilustratif, bukan hasil terukur dari perusahaan sebenarnya. Implementasi yang sebenarnya perlu menetapkan tolok ukurnya sendiri, menguji cukup banyak kasus representatif, dan mencatat waktu yang dihemat serta kesalahan yang terjadi.

Apa yang bisa salah?

Asisten yang tampaknya sederhana ini bisa gagal dalam beberapa hal.

Pengetahuannya mungkin sudah ketinggalan zaman.

Hal itu dapat membingungkan dua produk yang serupa.

Hal itu mungkin menghasilkan jawaban yang meyakinkan meskipun dokumen yang diberikan sama sekali tidak berisi jawaban.

Konfigurasi izin yang buruk dapat memungkinkan sistem untuk melihat informasi pelanggan yang tidak dibutuhkan.

Aturan eskalasi yang lemah dapat mendorongnya untuk menebak alih-alih mengatakan, "Manusia perlu memeriksa ini."

Jika karyawan mulai mempercayai setiap respons yang sudah dipersiapkan dengan baik secara otomatis, peninjauan oleh manusia dapat menyusut menjadi sekadar menekan tombol "kirim". NIST mengidentifikasi ketergantungan berlebihan dan bias otomatisasi sebagai risiko dalam konfigurasi manusia-AI.

Itulah mengapa keandalan AI bergantung pada lebih dari sekadar kemampuan model yang mendasarinya.

Dokumen, instruksi, izin, proses pengujian, dan penilaian manusia terkait model tersebut juga penting.

Kesimpulan praktis

Contoh ini menggambarkan fitur penting AI dalam praktiknya.

Nilainya bukanlah bahwa mesin tersebut secara ajaib telah menjadi karyawan layanan pelanggan.

Artinya, model AI dapat mengenali maksud pelanggan, mengolah informasi yang diberikan, dan menghasilkan respons yang masuk akal dengan sangat cepat.

Tugas manusia bergeser ke arah memberikan konteks yang dapat dipercaya, menetapkan batasan, memeriksa kasus-kasus yang tidak pasti, dan memutuskan apakah jawaban tersebut cukup baik untuk digunakan.

Itulah AI modern dalam skala kecil: pengenalan dan pembangkitan pola yang mengesankan di dalam sebuah proses yang masih sangat bergantung pada informasi yang akurat dan penilaian yang tepat.

Pertanyaan yang Sering Diajukan (FAQ)

Sebenarnya apa itu AI, dan bagaimana cara kerja kecerdasan buatan?

Kecerdasan buatan adalah kelompok teknik komputasi yang luas yang memungkinkan komputer untuk melakukan tugas-tugas yang terkait dengan kecerdasan manusia, seperti mengenali pola, memahami bahasa, membuat prediksi, dan menghasilkan konten. AI modern sering mempelajari hubungan statistik dari sejumlah besar data daripada hanya mengandalkan aturan yang ditulis tangan. Perilaku yang dihasilkan dapat tampak cerdas, meskipun proses yang mendasarinya sangat berbeda dari pemikiran manusia.

Apa perbedaan antara AI, pembelajaran mesin, pembelajaran mendalam, dan AI generatif?

Kecerdasan buatan adalah istilah umum yang mencakup sistem yang melakukan tugas-tugas yang tampak cerdas. Pembelajaran mesin adalah pendekatan di mana sistem mempelajari pola dari data, sementara pembelajaran mendalam menggunakan jaringan saraf multi-lapisan untuk mempelajari pola yang sangat kompleks. AI generatif dirancang untuk menciptakan keluaran baru seperti teks, gambar, kode, audio, atau video berdasarkan hubungan yang dipelajari selama pelatihan.

Bagaimana AI belajar dari data pelatihan?

Sistem pembelajaran mesin meningkat kemampuannya dengan memproses contoh dan menyesuaikan parameter internal, atau bobot, sehingga keluaran di masa mendatang menjadi lebih akurat atau efektif. Alih-alih pemrogram secara manual mendefinisikan setiap aturan yang mungkin, model tersebut menemukan pola statistik dalam data pelatihan. Oleh karena itu, kualitas, keragaman, dan relevansi data tersebut sangat memengaruhi apa yang dipelajari AI dan di mana ia mungkin mengalami kesulitan.

Sebenarnya, apa itu AI jika banyak sistem AI hanyalah mesin prediksi?

Banyak sistem AI modern dapat dipahami, sebagian, sebagai sistem prediksi yang canggih. Model bahasa, misalnya, memproses konteks suatu perintah dan memprediksi urutan token yang sesuai untuk menghasilkan responsnya. Meskipun kedengarannya sederhana, membuat prediksi yang kuat di tengah bahasa yang rumit membutuhkan pembelajaran hubungan antara kata, konsep, struktur, gaya, dan banyak pola lain yang terkandung dalam data pelatihan.

Mengapa AI generatif dapat memberikan jawaban yang yakin namun salah?

AI generatif dirancang terutama untuk menghasilkan keluaran yang masuk akal, yang tidak sama dengan memverifikasi secara independen bahwa setiap pernyataan itu benar. Oleh karena itu, AI generatif dapat mengarang statistik, mencampuradukkan fakta yang serupa, menghasilkan referensi yang tidak ada, atau membuat kesalahan penalaran halus meskipun terdengar meyakinkan. Kesalahan-kesalahan ini umumnya disebut halusinasi, itulah sebabnya informasi penting di bidang medis, hukum, keuangan, keselamatan, atau bisnis tetap harus diverifikasi.

Apakah AI sama dengan mesin pencari atau otomatisasi biasa?

Tidak. Mesin pencari tradisional terutama membantu pengguna menemukan informasi yang sudah ada, sementara AI generatif menciptakan respons menggunakan pola yang dipelajari, konteks yang diberikan, dan terkadang alat tambahan. Otomatisasi dasar biasanya mengikuti aturan atau alur kerja yang telah ditentukan sebelumnya daripada mempelajari pola dari contoh. Sistem modern dapat menggabungkan pencarian, generasi, dan otomatisasi, sehingga batasannya mungkin menjadi kurang jelas dalam aplikasi praktis.

Apa sebenarnya AI itu, jika digunakan dalam alur kerja bisnis?

Dalam alur kerja bisnis, AI seringkali paling efektif sebagai sistem untuk mengenali maksud, mengolah informasi yang diberikan, dan menghasilkan draf awal atau rekomendasi yang kuat. Misalnya, asisten dukungan pelanggan dapat menggunakan kebijakan dan informasi produk yang telah disetujui untuk menyusun balasan sambil meneruskan kasus yang kurang pasti kepada seseorang. Keandalan bergantung pada informasi sumber yang baik, instruksi yang jelas, izin yang sesuai, pengujian, dan penilaian manusia.

Apa itu agen AI, dan apa perbedaannya dengan chatbot?

Chatbot pada umumnya hanya merespons permintaan individual, sedangkan agen AI berpotensi merencanakan dan melakukan berbagai tindakan yang saling terkait untuk mencapai suatu tujuan. Agen tersebut dapat menggunakan alat, mengambil informasi, memperbarui alur kerja, atau melanjutkan melalui beberapa langkah daripada sekadar menghasilkan teks. Kemampuan tambahan ini dapat sangat berharga, tetapi juga membuat perizinan, keamanan, keandalan, aturan eskalasi, dan kontrol menjadi sangat penting.

Akankah AI menggantikan pekerjaan, atau akankah AI terutama mengotomatiskan tugas-tugas individu?

AI seringkali lebih tepat dipahami sebagai perubahan pada tugas-tugas spesifik dalam pekerjaan daripada penghapusan otomatis seluruh profesi. AI dapat mempercepat penyusunan draf, curah pendapat, analisis, pengkodean, pengorganisasian penelitian, atau pekerjaan pendukung yang berulang, sementara strategi, penilaian, kepemimpinan, selera, dan keputusan penting tetap diserahkan kepada manusia. Oleh karena itu, pertanyaan praktisnya adalah bagian mana dari suatu peran yang dapat menjadi lebih cepat, lebih murah, lebih mudah, atau lebih otomatis.

Keterampilan apa yang paling penting saat menggunakan AI secara efektif?

Kemampuan menilai dan berpikir kritis sangat penting karena menghasilkan jawaban tidak sama dengan menghasilkan jawaban yang benar atau berharga. Pengguna yang efektif perlu mengetahui apa yang harus ditanyakan, informasi apa yang harus diberikan, apa yang perlu diverifikasi, apa yang perlu diedit, dan kapan AI tidak boleh digunakan. Dalam alur kerja produksi, hasil yang kuat juga bergantung pada konteks yang dapat dipercaya, batasan yang jelas, pengujian yang representatif, dan tinjauan yang cermat terhadap hasil yang tidak pasti atau berdampak tinggi.

Referensi

1. Institut Standar dan Teknologi Nasional (NIST) — csrc.nist.gov

2. IBM — Pembelajaran Mesin — ibm.com

3. Institut Stanford untuk AI yang Berpusat pada Manusia — Laporan Indeks AI 2025 — hai.stanford.edu

4. Organisasi Buruh Internasional (ILO) — AI Generatif dan Pekerjaan: Indeks Paparan Kerja Global yang Disempurnakan — ilo.org

5. Google Cloud — Apa Itu GPT? — cloud.google.com

6. Google untuk Pengembang — developers.google.com

7. Google Codelabs — codelabs.developers.google.com

8. OpenAI — Teknik umpan balik manusia — openai.com

9. arXiv — Pelatihan komputasi — arxiv.org

10. Alam — nature.com