Kali ini kita akan membahas AI secara umum, khususnya yang kerap diimplementasikan saat ini.
Tidak dapat dipungkiri AI sudah merambah ke segala bidang dari kedokteran, ekonomi, teknik, hingga bidang sosial. Perkembangannya pun sangat pesat dengan tingkat akurasi tiap model yang hampir mendekati 100%.
AI yang memiliki ruang lingkup yang lebih luas saat ini mulai mengerucut ke Machine Learning karena memiliki keunggulan dibanding model AI yang lain. Hal ini berkaitan dengan ketersediaan data besar (Big Data) yang mudah diakses. Dengan berbekal sebuah data, model Machine Learning dapat dilatih untuk menghasilkan model dengan akurasi yang lebih baik dari model AI non Machine Learning.
Gambar berikut merupakan karakteristik penerapan model Machine Learning AI saat ini. Model learning yang dipakai pada gambar tersebut adalah Supervised Learning. Model learning lainnya adalah Unsupervised Learning dan Reinforced Learning.
Saat ini banyak situs-situs yang menyediakan model yang sudah dilatih, dikenal dengan istilah pre-trained model. Situs-situs tersebut dikenal dengan nama hub yang dapat diakses dan dimanfaatkan oleh publik.
Tipe yang pertama adalah pengguna hanya menggunakan pre-trained dari hub. Bentuknya ada yang menggunakan Application Programming Interface (API) dan ada pula yang modelnya bisa diunduh untuk digunakan. Salah satu keuntungan API adalah pengguna hanya bisa memanfaatkan kecerdasan yang dimiliki model tetapi tidak bisa mengunduh modelnya. Sementara hub kebanyakan membolehkan pengguna mengunduh model pre-trained nya.
Model jenis pertama ini misalnya adalah mentranslate bahasa dari bahasa Indonesia ke bahasa Inggris berikut ini. Ketika kalimat diinputkan maka dihasilkan translate-nya ke bahasa Inggris. Dengan API kita tidak perlu masuk ke situs penyedia translate, misalnya Google Translate atau yang saat ini terkenal ChatGPT.
Model ML jenis kedua yang banyak juga dipakai adalah dengan melatih ulang model pre-trained dengan data khas karena akan digunakan untuk lingkungan tertentu. Mekanisme ini dikenal dengan nama Transfer Learning. Ketika training, bobot yang sudah dilatih sebelumnya dengan data berukuran besar ditahan agar tidak berubah, yang dikenal dengan istilah freeze.
Sebagai contoh adalah penggunaan chat bot dengan model dari hub bernama hugging face. Di sini model yang sudah dilatih memiliki kemampuan menjawab pertanyaan dari serangkaian paragraf. Dengan AI pertanyaan yang berbeda-beda terhadap hal yang sama akan menghasilkan jawaban yang sama berdasarkan informasi tertentu.
Di sini data spesifik misalnya data informasi pendaftaran seperti syarat-syarat, kapan mulai perkuliahan, biaya kuliah, dan sebagainya dapat diberikan ke sistem, misalnya dalam format Comma Separated Value (CSV).
Jika ditanya hal tertentu maka sistem akan menjawab sesuai dengan data CSV tersebut. Hal ini mengurangi beban humas dalam menjawab pertanyaan-pertanyaan konsumen atau pihak-pihak lain yang berkepentingan.
Model yang ketiga adalah model yang dilatih dengan data sendiri tanpa memanfaatkan model pre-trained. Hal ini terjadi biasanya karena tidak ada pre-trained model yang tersedia. Atau model tersebut memang bukan dari model standar melainkan model yang baru dibuat. Biasanya bermaksud meningkatkan performa model usulan tersebut. Nah, di sini tantangannya adalah selain membutuhkan data yang besar, juga memerlukan sumber daya hardware dengan GPU dan RAM yang kuat.
Sebagai contoh adalah model yang melatih mesin kategori teks. Di sini sebuah mesin, misalnya SVM dilatih dengan data latih yang sudah memiliki label berupa kategori misalnya ideologi, politik, ekonomi, sosial-budaya, pertahanan dan keamanan. Setelah dilatih, maka sebuah AI mampu mengkategorikan sebuah teks menjadi salah satu dari kelima kategori tersebut. Mungkin otak kita lebih baik dari mesin AI tersebut, tetapi untuk jutaan naskah yang muncul di internet dan kita harus mengkategorikan secara menual tentu saja tidak efisien. Di sini lah salah satu peran AI (think/do rationally) yang merupakan kuadran AI menurut buku AI karya Russell. Ok, semoga postingan ini membantu.
Rahmadya Trias Handayanto 