Mengenal AI secara umum dapat membantu kita dalam meningkan produktivitas dalam pekerjaan. Dalam materi ini kita akan belajar tentang AI secara dasar sebagai pengantar menuju praktik-praktik implementasi AI kedepannya, dalam materi ini terdiri dari:

• Mengenal Artificial Intelligent
• Mengenal Generative AI
• Lebih dekat dengan Large Language Model
• Memahami Perbedaan AI, ML, DL, dan Generative AI

Mengenal Artificial Intelligent

AI, yang juga dikenal sebagai kecerdasan buatan, adalah teknologi yang memiliki kemampuan pemecahan masalah layaknya manusia. Dalam praktiknya, AI akan menyimulasikan kecerdasan manusia—teknologi ini dapat mengenali gambar, menulis puisi, dan membuat prediksi berbasis data.

Organisasi modern mengumpulkan data dalam jumlah besar dari beragam sumber, seperti sensor pintar, konten buatan manusia, alat pemantauan, dan log sistem. Teknologi kecerdasan buatan menganalisis data dan menggunakannya untuk membantu operasi bisnis secara efektif. Misalnya, teknologi AI dapat merespons percakapan manusia dalam dukungan pelanggan, membuat gambar dan teks orisinal untuk pemasaran, serta membuat saran cerdas untuk analitik.

Pada akhirnya, kecerdasan buatan adalah tentang membuat perangkat lunak menjadi lebih pintar untuk interaksi pengguna yang dikustom dan pemecahan masalah yang kompleks.

Diantara banyaknya definisi, saya paling cocok dengan definisi dari AWS yaitu “mensimulasikan” kecerdasan manusia karena pada dasarnya Artificial Intelligent dapat melakukan tugas-tugas seperti berhitung, me-research, dan lainnya melalui proses pelatihan yang panjang dengan data yang begitu besar dan di evaluasi lagi untuk meningkatkan akurasi keluarannya.

Pada akhirnya, kecerdasan buatan adalah tentang membuat perangkat lunak menjadi lebih pintar untuk interaksi pengguna yang dikustom dan pemecahan masalah yang kompleks.

Mengenal Generative AI

Generative AI (GenAI) adalah sub dari Artificial Intelligent itu sendiri. Generative AI atau kecerdasan buatan generatif adalah teknologi yang dapat membuat konten baru seperti gambar, teks, audio, dan video. Generative AI belajar dari konten yang sudah ada untuk menciptakan konten baru yang mirip dengannya dan ciri khas dari Generative AI yaitu menggunakan Generative AI mode yaitu Large-Language Model.

Aplikasi umum Generative AI:

• Image Generation: Generative AI dapat belajar dari kumpulan gambar yang besar dan membuat gambar unik baru berdasarkan data yang telah dilatih. Alat ini dapat membuat gambar dengan kreativitas berdasarkan perintah seperti kecerdasan manusia.
• Video Synthesis: Model Generative AI dapat membuat konten baru dengan belajar dari video yang sudah ada. Ini dapat mencakup tugas-tugas seperti prediksi video, di mana model membuat bingkai mendatang dari serangkaian bingkai masukan. Model ini juga dapat melakukan sintesis video dengan membuat video yang sama sekali baru. Sintesis video memiliki aplikasi hiburan, efek khusus, dan pengembangan video game.
• Social Media Content Generation: AI Generatif dapat dimanfaatkan untuk mengotomatiskan pembuatan konten untuk platform media sosial, yang memungkinkan pembuatan posting, teks, dan visual yang menarik dan dipersonalisasi. Dengan melatih model generatif pada sejumlah besar data media sosial, seperti gambar dan teks, model ini dapat membuat konten yang relevan dan kreatif yang disesuaikan dengan preferensi dan tren pengguna tertentu.

Lebih dekat dengan Large Language Model

Model bahasa besar, juga dikenal sebagai LLM, adalah model deep learning yang sangat besar yang dilatih sebelumnya pada sejumlah besar data. Keunggulan LLM dibanding pendahulunya seperti RNN karena LLM memiliki kemampuan utama dengan fokus pada jenis jaringan saraf tiruan yang dikenal sebagai model Transformer. Machine learning ini memungkinkan LLM untuk memprediksi dan mengolah teks dari perintah yang diberikan, seolah-olah memiliki pemahaman yang mendalam terhadap bahasa manusia.

Dibutuhkan dataset yang sangat besar untuk melatih LLM, terdiri dari ribuan hingga jutaan gigabyte teks. Kualitas dataset sangat mempengaruhi kemampuan LLM dalam belajar dan memahami bahasa dengan alami, sehingga dataset yang digunakan biasanya sangat terkurasi.

Lalu apa itu Transformer dan perannya?

Model Transformer adalah arsitektur jaringan saraf yang merevolusi pemrosesan bahasa alami (Natural Language Processing) dengan kemampuannya memahami konteks dan makna dalam data berurutan, seperti kata-kata dalam kalimat.

Model Transformer diperkenalkan pada tahun 2017 melalui makalah berjudul “Attention Is All You Need” yang ditulis oleh sekelompok peneliti dari Google.

Peran Utama:

• Mekanisme Self-Attention: Transformer menggunakan mekanisme self-attention untuk memahami hubungan antara elemen dalam urutan data, memungkinkan model menangkap dependensi jarak jauh dengan lebih efisien dibandingkan arsitektur sebelumnya seperti RNN.
• Pemrosesan Paralel: Berbeda dengan model sebelumnya yang memproses data secara berurutan, Transformer mampu memproses semua elemen dalam urutan secara paralel, meningkatkan efisiensi komputasi.

Peran dalam Large Language Models (LLM):

Arsitektur Transformer menjadi fondasi bagi pengembangan LLM seperti GPT dan BERT, yang dilatih pada dataset teks besar untuk memahami dan menghasilkan bahasa alami dengan tingkat akurasi dan keluwesan yang tinggi. Inovasi ini telah mendorong kemajuan signifikan dalam berbagai aplikasi NLP, termasuk penerjemahan mesin, analisis sentimen, dan chatbot.

Memahami Perbedaan AI, ML, DL, dan Generative AI

1. Artificial Intelligence (AI):
   • Bidang ilmu komputer yang berfokus pada pengembangan sistem yang dapat melakukan tugas yang biasanya memerlukan kecerdasan manusia, seperti pengenalan suara, pengambilan keputusan, dan pemahaman bahasa alami.
2. Machine Learning (ML):
   • Subset dari AI yang memungkinkan sistem belajar dari data tanpa diprogram secara eksplisit. ML menggunakan algoritma untuk mengidentifikasi pola dalam data dan membuat prediksi atau keputusan berdasarkan data tersebut.
3. Deep Learning (DL):
   • Subset dari ML yang menggunakan jaringan saraf tiruan dengan banyak lapisan (deep neural networks) untuk menganalisis data kompleks. DL sangat efektif dalam tugas seperti pengenalan gambar dan pemrosesan bahasa alami.
4. Generative AI:
   • Subset dari DL yang berfokus pada pembuatan konten baru yang menyerupai data asli. Generative AI dapat menghasilkan teks, gambar, musik, dan konten lainnya yang mirip dengan contoh yang ada. Contoh populer dari Generative AI adalah Generative Adversarial Networks (GANs).

Secara hierarkis, hubungan antara konsep-konsep tersebut dapat digambarkan sebagai berikut:

• AI adalah bidang umum yang mencakup semua teknik yang memungkinkan komputer meniru kecerdasan manusia.
• ML adalah bagian dari AI yang berfokus pada kemampuan mesin untuk belajar dari data.
• DL adalah bagian dari ML yang menggunakan jaringan saraf dalam untuk memproses data yang sangat kompleks.
• Generative AI adalah bagian dari DL yang berfokus pada pembuatan konten baru berdasarkan pembelajaran dari data yang ada.

Berikut adalah tabel perbandingannya:

Referensi:

• https://developers.google.com/codelabs/tensorflow-1-helloworld#0
• https://synoptek.com/insights/it-blogs/data-insights/ai-ml-dl-and-generative-ai-face-off-a-comparative-analysis/
• https://k21academy.com/ai-ml/deep-learning-ml-generative-ai/
• https://www.cloudcomputing.id/pengetahuan-dasar/apa-itu-llm-pengertian
• https://en.wikipedia.org/wiki/Transformer_(deep_learning_architecture)