blog.fcuzhhorod.com

Pada bulan Agustus 1955, sekelompok ilmuwan mengajukan permintaan dana sebesar US$13.500 untuk menyelenggarakan lokakarya musim panas di Dartmouth College, New Hampshire. Bidang yang mereka usulkan untuk dieksplorasi adalah kecerdasan buatan (AI).

Meskipun permintaan pendanaannya sederhana, kecurigaan para peneliti tidak: “setiap aspek pembelajaran atau karakteristik kecerdasan lainnya pada prinsipnya dapat dijelaskan dengan sangat tepat sehingga dapat dibuat mesin untuk mensimulasikannya”.

Sejak awal yang sederhana ini, film dan media telah meromantisasi AI atau menjadikannya sebagai penjahat. Namun bagi kebanyakan orang, AI tetap menjadi bahan diskusi dan bukan bagian dari pengalaman hidup secara sadar.

AI telah hadir dalam hidup kita

Akhir bulan lalu, AI, dalam bentuk ChatGPT, melepaskan diri dari spekulasi fiksi ilmiah dan laboratorium penelitian serta ke komputer dan telepon masyarakat umum. Inilah yang dikenal sebagai “AI generatif” – tiba-tiba perintah dengan kata-kata yang cerdas dapat menghasilkan esai atau menyusun resep dan daftar belanjaan, atau membuat puisi dengan gaya Elvis Presley.

Meskipun ChatGPT adalah pendatang paling dramatis dalam tahun kesuksesan AI generatif, sistem serupa telah menunjukkan potensi yang lebih besar untuk membuat konten baru, dengan perintah teks-ke-gambar yang digunakan untuk membuat gambar hidup yang bahkan memenangkan kompetisi seni.

AI mungkin belum memiliki kesadaran hidup atau teori pikiran yang dipopulerkan dalam film-film fiksi ilmiah dan novel, namun AI kini semakin dekat dengan setidaknya mengganggu apa yang kita pikir dapat dilakukan oleh sistem kecerdasan buatan.

Para peneliti yang bekerja erat dengan sistem ini sangat terkejut prospek akal, seperti halnya LaMDA model bahasa besar (LLM) Google. LLM adalah model yang dilatih untuk memproses dan menghasilkan bahasa alami.

AI Generatif juga menimbulkan kekhawatiran tentang plagiarisme, eksploitasi konten asli yang digunakan untuk membuat model, etika manipulasi informasi dan penyalahgunaan kepercayaan, dan bahkan “akhir pemrograman“.

Inti dari semua ini adalah pertanyaan yang semakin mendesak sejak lokakarya musim panas di Dartmouth: Apakah AI berbeda dari kecerdasan manusia?

Apa sebenarnya arti ‘AI’?

Untuk memenuhi syarat sebagai AI, suatu sistem harus menunjukkan tingkat pembelajaran dan adaptasi tertentu. Oleh karena itu, sistem pengambilan keputusan, otomatisasi, dan statistik bukanlah AI.

AI secara luas didefinisikan menjadi dua kategori: kecerdasan sempit buatan (ANI) dan kecerdasan umum buatan (AGI). Sampai saat ini AGI belum ada.

Tantangan utama dalam menciptakan AI umum adalah memodelkan dunia dengan semua pengetahuan secara memadai, dengan cara yang konsisten dan bermanfaat. Setidaknya ini adalah upaya yang sangat besar.

Sebagian besar dari apa yang kita kenal sebagai AI saat ini memiliki kecerdasan yang sempit – dimana sistem tertentu mengatasi masalah tertentu. Berbeda dengan kecerdasan manusia, kecerdasan AI sempit seperti itu efektif hanya di bidang yang dilatihnya: deteksi penipuan, pengenalan wajah, atau rekomendasi sosial, misalnya.

Namun, AGI akan berfungsi sebagaimana manusia. Untuk saat ini, contoh paling menonjol dalam upaya mencapai hal ini adalah penggunaan jaringan saraf dan “pembelajaran mendalam” yang dilatih pada data dalam jumlah besar.

Jaringan saraf terinspirasi oleh cara kerja otak manusia. Tidak seperti kebanyakan model pembelajaran mesin yang melakukan penghitungan pada data pelatihan, jaringan saraf bekerja dengan memasukkan setiap titik data satu per satu melalui jaringan yang saling berhubungan, menyesuaikan parameter setiap saat.

Semakin banyak data yang dimasukkan melalui jaringan, parameternya menjadi stabil; hasil akhirnya adalah jaringan saraf yang “terlatih”, yang kemudian dapat menghasilkan keluaran yang diinginkan pada data baru – misalnya, mengenali apakah suatu gambar berisi kucing atau anjing.

Lompatan maju yang signifikan dalam AI saat ini didorong oleh peningkatan teknologi dalam cara kita melatih jaringan saraf yang besar, menyesuaikan sejumlah besar parameter dalam setiap proses berkat kemampuan infrastruktur komputasi awan yang besar. Misalnya, GPT-3 (sistem AI yang mendukung ChatGPT) adalah jaringan saraf yang besar dengan 175 miliar pAram meter.

Apa yang dibutuhkan AI agar bisa berfungsi?

AI membutuhkan tiga hal untuk menjadi sukses.

Pertama, dibutuhkan data yang tidak bias, berkualitas tinggi, dan banyak. Para peneliti yang membangun jaringan saraf menggunakan kumpulan data besar yang muncul seiring dengan digitalisasi masyarakat.

Co-Pilot, untuk menambah pemrogram manusia, mengambil datanya dari miliaran baris kode yang dibagikan di GitHub. ChatGPT dan model bahasa utama lainnya menggunakan miliaran situs web dan dokumen teks yang disimpan secara online.

Alat teks-ke-gambar, seperti Difusi Stabil, DALLE-2, dan Midjourney, menggunakan pasangan gambar-teks dari kumpulan data seperti LAION-5B. Model AI akan terus berkembang dalam kecanggihan dan dampak seiring dengan semakin banyaknya digitalisasi kehidupan kita, menyediakan sumber data alternatif, seperti data simulasi atau data dari pengaturan game seperti Minecraft.

AI juga membutuhkan infrastruktur komputasi untuk pelatihan yang efektif. Ketika komputer menjadi lebih canggih, model-model yang sekarang memerlukan upaya intensif dan komputasi skala besar mungkin akan ditangani secara lokal dalam waktu dekat. Difusi yang stabil, misalnya, sudah dapat dilakukan di komputer lokal dibandingkan di lingkungan cloud.

Kebutuhan ketiga akan AI adalah peningkatan model dan algoritma. Sistem berbasis data terus mengalami kemajuan pesat domain demi domain pernah dianggap sebagai domain kognisi manusia.

Namun, karena dunia di sekitar kita terus berubah, sistem AI harus terus dilatih ulang menggunakan data baru. Tanpa langkah penting ini, sistem AI akan menghasilkan jawaban yang secara faktual salah, atau gagal memperhitungkan informasi baru yang muncul sejak dilatih.

Jaringan saraf bukan satu-satunya pendekatan terhadap AI. Kelompok menonjol lainnya dalam penelitian kecerdasan buatan adalah AI simbolik – alih-alih menggunakan kumpulan data yang besar, sistem ini mengandalkan aturan dan pengetahuan yang mirip dengan proses manusia untuk membentuk representasi simbolis internal dari fenomena tertentu.

Namun keseimbangan kekuatan telah banyak mengarah pada pendekatan berbasis data selama dekade terakhir, dengan “bapak pendiri” pembelajaran mendalam modern baru-baru ini dianugerahi Hadiah Turingsetara dengan Hadiah Nobel dalam ilmu komputer.

Data, penghitungan, dan algoritme menjadi fondasi masa depan AI. Semua indikatornya menunjukkan bahwa kemajuan pesat akan dicapai pada ketiga kategori tersebut di masa mendatang. – Rappler.com

Artikel ini pertama kali muncul di Percakapan.

George SiemensAssociate Director, Profesor, Pusat Perubahan dan Kompleksitas Pembelajaran, Universitas South Australia