Dipublikasikan: 17 Februari 2024, Terakhir diperbarui: 22 April 2025
Kecerdasan buatan (AI) mencakup banyak teknologi baru yang kompleks, yang sebelumnya memerlukan input manusia dan kini dapat dilakukan oleh komputer. Secara umum, AI adalah program, model, atau komputer non-manusia yang menunjukkan berbagai kemampuan pemecahan masalah dan kreativitas. Komputer dapat melakukan fungsi lanjutan, yang sebelumnya digunakan untuk memahami dan merekomendasikan informasi. Dengan AI generatif, komputer bahkan dapat menghasilkan konten baru.
Akronim AI sering digunakan secara bergantian untuk merepresentasikan berbagai jenis teknologi dalam bidang kecerdasan buatan, tetapi kemampuan AI dapat sangat bervariasi.
Di sini, Anda akan menemukan sejumlah istilah dan konsep untuk penerapan AI di web. Untuk mempelajari machine learning lebih lanjut, tinjau glosarium machine learning.
Bagaimana cara kerja AI?
Pelatihan adalah langkah pertama untuk setiap model, di mana engineer machine learning membangun algoritma untuk memberikan input spesifik pada model dan menunjukkan output yang optimal. Secara umum, developer web tidak perlu melakukan langkah ini, meskipun Anda dapat memperoleh manfaat dari pemahaman tentang cara model tertentu dilatih. Meskipun model dapat disesuaikan, sebaiknya Anda memilih model terbaik untuk tugas Anda.
Inferensi adalah proses model menarik kesimpulan berdasarkan data baru. Makin banyak pelatihan yang dimiliki model dalam bidang tertentu, makin besar kemungkinan inferensi menghasilkan output yang berguna dan benar. Namun, tidak ada jaminan inferensi yang sempurna, berapa pun banyak pelatihan yang diterima model.
Misalnya, Green Light menggunakan model AI yang dilatih dengan data dari Google Maps untuk memahami pola lalu lintas. Saat lebih banyak data diterima, inferensi dilakukan untuk memberikan rekomendasi guna mengoptimalkan lampu lalu lintas
Di mana AI dilakukan?
Pelatihan AI diselesaikan sebelum model dirilis. Mungkin ada pelatihan lebih lanjut yang dapat menghasilkan model versi baru dengan kemampuan atau akurasi yang lebih baik.
Developer web harus memperhatikan tempat inferensi AI dilakukan. Biaya penggunaan AI sebagian besar dipengaruhi oleh inferensi. Rentang kemampuan untuk satu model juga sangat terpengaruh.
AI sisi klien
Meskipun sebagian besar fitur AI di web mengandalkan server, AI sisi klien berjalan di browser pengguna dan melakukan inferensi di perangkat pengguna. Hal ini menawarkan latensi yang lebih rendah, biaya sisi server yang lebih rendah, penghapusan persyaratan kunci API, peningkatan privasi pengguna, dan akses offline. Anda dapat menerapkan AI sisi klien yang berfungsi di seluruh browser dengan library JavaScript, termasuk Transformers.js, TensorFlow.js, dan MediaPipe.
Model sisi klien kecil yang dioptimalkan dapat mengungguli model sisi server yang lebih besar, terutama jika dioptimalkan untuk performa. Nilai kasus penggunaan Anda untuk menentukan solusi yang tepat bagi Anda.
AI sisi server
AI sisi server mencakup layanan AI berbasis cloud. Bayangkan Gemini 1.5 Pro berjalan di cloud. Model ini cenderung jauh lebih besar dan lebih canggih. Hal ini terutama berlaku untuk model bahasa besar.
AI Hybrid
AI Hybrid mengacu pada solusi apa pun yang mencakup komponen klien dan server. Misalnya, Anda dapat menggunakan model sisi klien untuk melakukan tugas dan melakukan penggantian ke model sisi server jika tugas tidak dapat diselesaikan di perangkat.
Machine learning (ML)
Machine learning (ML) adalah proses di mana komputer belajar dan melakukan tugas tanpa pemrograman eksplisit. Jika AI berupaya menghasilkan kecerdasan, ML terdiri dari algoritma untuk membuat prediksi set data.
Misalnya, kita ingin membuat situs yang menilai cuaca pada hari tertentu. Biasanya, hal ini dapat dilakukan oleh satu atau beberapa ahli meteorologi, yang dapat membuat representasi atmosfer dan permukaan Bumi, menghitung dan memprediksi pola cuaca, serta menentukan rating dengan membandingkan data saat ini dengan konteks historis.
Sebagai gantinya, kita dapat memberikan data cuaca dalam jumlah besar kepada model ML, hingga model tersebut mempelajari hubungan matematika antara pola cuaca, data historis, dan panduan tentang apa yang membuat cuaca baik atau buruk pada hari tertentu. Faktanya, kami telah membangunnya di web.
AI generatif dan model bahasa besar
AI generatif adalah bentuk machine learning yang membantu pengguna membuat konten yang terasa familiar dan meniru kreasi manusia. AI generatif menggunakan model bahasa besar untuk mengatur data dan membuat atau mengubah teks, gambar, video, dan audio, berdasarkan konteks yang diberikan. AI generatif melampaui pencocokan pola dan prediksi.
Model bahasa besar (LLM) memiliki banyak parameter (sering kali miliaran) yang dapat Anda gunakan untuk melakukan berbagai tugas, seperti membuat, mengklasifikasikan, atau meringkas teks atau gambar.
Chatbot telah menjadi alat yang sangat populer bagi orang-orang untuk menggunakan AI generatif, termasuk:
- Gemini dari Google
- ChatGPT dari OpenAI
- Claude dari Anthropic
- Copilot dari Microsoft
- Dan banyak lagi.
Alat ini dapat membuat prosa tertulis, sampel kode, dan karya seni. Gemini dapat membantu Anda merencanakan liburan, melembutkan atau memprofesionalkan nada email, atau mengklasifikasikan berbagai kumpulan informasi ke dalam kategori.
Ada banyak sekali kasus penggunaan untuk developer dan non-developer.
Deep learning
Deep learning (DL) adalah kelas algoritma ML. Salah satu contohnya adalah Jaringan Neural Dalam (DNN) yang mencoba memodelkan cara otak manusia diyakini memproses informasi.
Algoritma deep learning dapat dilatih untuk mengaitkan fitur tertentu dalam gambar dengan label atau kategori tertentu. Setelah dilatih, algoritma dapat membuat prediksi yang mengidentifikasi kategori yang sama dalam gambar baru. Misalnya, Google Foto dapat mengidentifikasi perbedaan antara kucing dan dalam foto.
Natural language processing (NLP)
Natural language processing adalah class ML yang berfokus untuk membantu komputer memahami bahasa manusia, mulai dari aturan bahasa tertentu hingga keunikan, dialek, dan bahasa gaul yang digunakan oleh individu.
Tantangan dalam penggunaan AI
Ada beberapa tantangan saat membangun dan menggunakan AI. Berikut adalah beberapa hal penting yang perlu Anda pertimbangkan.
Kualitas dan keaktualan data
Set data besar yang digunakan untuk melatih berbagai model AI sering kali secara inheren menjadi tidak relevan segera setelah digunakan. Artinya, saat mencari informasi terbaru, Anda dapat memanfaatkan rekayasa perintah untuk meningkatkan performa model AI pada tugas tertentu dan menghasilkan output yang lebih baik.
Set data mungkin tidak lengkap atau terlalu kecil untuk mendukung beberapa kasus penggunaan secara efektif. Sebaiknya coba gunakan beberapa alat atau sesuaikan model agar sesuai dengan kebutuhan Anda.
Masalah etika dan bias
Teknologi AI sangat menarik dan memiliki banyak potensi. Namun, pada akhirnya, komputer dan algoritma dibuat oleh manusia, dilatih dengan data yang mungkin dikumpulkan oleh manusia, dan dengan demikian tunduk pada beberapa tantangan. Misalnya, model dapat mempelajari dan memperkuat bias manusia dan stereotipe berbahaya, yang secara langsung memengaruhi output. Penting untuk mendekati pengembangan teknologi AI dengan memprioritaskan mitigasi bias.
Ada banyak pertimbangan etis tentang hak cipta konten buatan AI; siapa yang memiliki outputnya, terutama jika sangat dipengaruhi oleh atau disalin langsung dari materi berhak cipta?
Sebelum membuat konten dan ide baru, pertimbangkan kebijakan yang ada tentang cara menggunakan materi yang Anda buat.
Keamanan dan privasi
Banyak developer web mengatakan bahwa privasi dan keamanan adalah kekhawatiran utama mereka dalam menggunakan alat AI. Hal ini terutama berlaku dalam konteks bisnis dengan persyaratan data yang ketat, seperti pemerintah dan perusahaan layanan kesehatan. Mengekspos data pengguna ke lebih banyak pihak ketiga dengan API cloud menjadi masalah. Semua transmisi data harus aman dan dipantau secara terus-menerus.
AI sisi klien mungkin menjadi kunci untuk menangani kasus penggunaan ini. Masih banyak penelitian dan pengembangan yang harus dilakukan.
Mulai menggunakan AI di web
Setelah memahami berbagai jenis kecerdasan buatan, Anda dapat mulai mempertimbangkan cara menggunakan model yang ada untuk menjadi lebih produktif dan membangun situs dan aplikasi web yang lebih baik.
Anda dapat menggunakan AI untuk:
- Buat pelengkapan otomatis yang lebih baik untuk penelusuran situs Anda.
- Mendeteksi keberadaan objek umum, seperti manusia atau hewan peliharaan, dengan kamera pintar
- Tangani spam komentar dengan model bahasa alami.
- Tingkatkan produktivitas Anda dengan mengaktifkan pelengkapan otomatis untuk kode Anda.
- Buat pengalaman menulis WYSIWYG dengan saran untuk kata atau kalimat berikutnya.
- Memberikan penjelasan tentang set data yang mudah dipahami.
- Dan lebih banyak lagi...
Model AI terlatih dapat menjadi cara yang efektif untuk meningkatkan kualitas situs dan aplikasi web serta produktivitas kita, tanpa perlu memahami sepenuhnya cara membuat model matematika dan mengumpulkan set data kompleks yang mendukung alat AI paling populer.
Anda mungkin menemukan bahwa sebagian besar model langsung memenuhi kebutuhan Anda, tanpa penyesuaian lebih lanjut. Penyesuaian adalah proses mengambil model yang telah dilatih pada set data besar, lalu melatihnya lebih lanjut untuk memenuhi kebutuhan penggunaan spesifik Anda. Ada sejumlah teknik untuk menyesuaikan model:
- Reinforcement Learning from Human Feedback (RLHF) adalah teknik yang menggunakan masukan manusia untuk meningkatkan keselarasan model dengan preferensi dan niat manusia.
- Low-Rank Adaption (LoRA) adalah metode yang efisien untuk LLM yang mengurangi jumlah parameter yang dapat dilatih, sekaligus mempertahankan performa model.