Kecerdasan buatan (AI) mencakup banyak teknologi baru yang rumit yang sebelumnya memerlukan input manusia dan kini dapat dilakukan oleh komputer. Komputer dapat menjalankan fungsi lanjutan, yang sebelumnya digunakan untuk memahami dan merekomendasikan informasi. Kini, dengan AI, komputer bahkan dapat membuat konten baru.
Akronim AI sering digunakan secara bergantian untuk mewakili berbagai jenis teknologi yang membentuk bidang AI.
Konsep AI umum
Ada sejumlah istilah dan konsep yang mendefinisikan kecerdasan buatan dan machine learning, yang mungkin berguna bagi Anda. Berikut beberapa cara untuk menggunakan AI dalam praktik, di web
AI Umum
Secara umum, AI umum adalah program atau model non-manusia yang menunjukkan berbagai macam pemecahan masalah dan kreativitas. Model adalah persamaan matematika yang sangat besar, yang mencakup serangkaian parameter dan struktur yang diperlukan agar mesin menampilkan output.
Dengan AI umum, Anda dapat melakukan beberapa jenis tugas, seperti menganalisis data, menerjemahkan teks, membuat musik, mengidentifikasi penyakit, dan banyak lagi.
AI Sempit
AI Terbatas adalah sistem yang dapat melakukan subkumpulan tugas tunggal atau tertentu. Misalnya, komputer yang bermain catur melawan lawan manusia (jangan disamakan dengan Mechanical Turk). AI Terbatas memiliki serangkaian parameter, batasan, dan konteks yang telah ditentukan sebelumnya, yang mungkin tampak seperti pemahaman, tetapi sebenarnya hanya jawaban untuk suatu persamaan.
Anda mungkin melihatnya dalam praktik dengan sistem pengenalan wajah, asisten suara, dan prakiraan cuaca. Anda dapat menggunakan model yang sangat spesifik untuk meningkatkan fungsi tertentu di situs dan aplikasi Anda.
Misalnya, Anda membuat situs khusus film, tempat pengguna dapat login, memberi rating pada film favorit mereka, dan menemukan film baru untuk ditonton. Anda dapat menggunakan database yang telah diisi sebelumnya untuk merekomendasikan film berdasarkan halaman yang sedang mereka buka. Atau, Anda dapat menggunakan model AI sempit yang menganalisis perilaku dan preferensi pengguna untuk menampilkan informasi yang paling relevan bagi pembaca tersebut.
AI Generatif
Model bahasa besar (LLM) adalah model AI jaringan neural dengan banyak parameter yang dapat Anda gunakan untuk melakukan berbagai tugas, seperti membuat, mengklasifikasikan, atau meringkas teks atau gambar.
AI generatif merespons input dan membuat konten, yang dibuat berdasarkan konteks dan memori LLM. Hal ini lebih dari sekadar pencocokan pola dan prediksi. Beberapa alat AI generatif yang paling umum mencakup:
- Gemini oleh Google
- Chat GPT oleh Open AI
- Claude oleh Anthropic
- Copilot oleh Microsoft
- Dan banyak lagi...
Alat ini dapat membuat prosa tertulis, contoh kode, dan gambar. Model ini dapat membantu Anda merencanakan liburan, memperhalus atau membuat email menjadi lebih profesional, atau mengklasifikasikan berbagai kumpulan informasi ke dalam kategori.
Ada banyak kasus penggunaan, baik untuk developer maupun non-developer.
AI sisi klien, sisi server, dan campuran
Meskipun sebagian besar fitur AI di web mengandalkan server, AI sisi klien berjalan langsung di browser pengguna. Hal ini menawarkan manfaat seperti latensi rendah, biaya sisi server yang lebih rendah, tidak ada 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.
AI sisi server mencakup layanan AI berbasis cloud. Anggap 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 mengacu pada solusi apa pun yang mencakup komponen klien dan server. Misalnya, Anda dapat menggunakan model sisi klien untuk melakukan tugas dan kembali ke model sisi server saat tugas tidak dapat diselesaikan di perangkat.
Model sisi klien yang kecil dan 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.
Machine learning (ML)
Machine learning (ML) adalah bentuk AI, dengan komputer belajar tanpa pemrograman eksplisit. Jika AI berupaya menghasilkan kecerdasan, ML memungkinkan komputer belajar dari pengalaman. ML terdiri dari algoritma untuk membuat prediksi set data.
ML adalah proses melatih model untuk membuat prediksi yang berguna atau membuat konten dari data.
Misalnya, kita ingin membuat situs yang memberikan rating cuaca pada hari tertentu. Secara tradisional, 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 ke model ML, hingga model mempelajari hubungan matematis antara pola cuaca, data historis, dan panduan tentang apa yang membuat cuaca baik atau buruk pada hari tertentu. Bahkan, kita telah membuatnya di web.
Deep learning
Deep learning (DL) adalah class algoritma ML. Salah satu contohnya adalah Jaringan Neural Dalam (DNN) yang mencoba membuat model cara otak manusia memproses informasi.
Tantangan terkait AI
Ada beberapa tantangan saat membuat dan menggunakan AI. Berikut adalah beberapa poin penting yang perlu Anda pertimbangkan.
Kualitas dan keaktualan data
Set data besar yang digunakan untuk melatih berbagai model AI sering kali sudah tidak berlaku lagi 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 dapat 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, sehingga dapat mengalami beberapa tantangan. Misalnya, model dapat mempelajari dan memperkuat bias manusia dan stereotip berbahaya, yang secara langsung memengaruhi output. Penting untuk mendekati pembuatan teknologi AI dengan mitigasi bias sebagai prioritas.
Ada banyak pertimbangan etis tentang hak cipta konten buatan AI; siapa yang memiliki output, terutama jika konten tersebut sangat dipengaruhi oleh atau disalin langsung dari materi yang dilindungi hak cipta?
Sebelum membuat konten dan ide baru, pertimbangkan kebijakan yang ada tentang cara menggunakan materi yang Anda buat.
Keamanan dan privasi
Banyak developer web telah mengatakan bahwa privasi dan keamanan adalah perhatian 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 merupakan masalah. Penting untuk memastikan bahwa setiap transmisi data aman dan terus dipantau.
AI sisi klien mungkin menjadi kunci untuk mengatasi 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 membuat 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
- Atasi 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.
- Berikan penjelasan set data yang mudah dipahami.
- Dan lebih banyak lagi...
Model AI terlatih dapat menjadi cara yang bagus untuk meningkatkan situs, aplikasi web, dan produktivitas kita, tanpa memerlukan pemahaman penuh tentang cara membuat model matematika dan mengumpulkan set data kompleks yang mendukung alat AI yang 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, dan pelatihan lebih lanjut untuk memenuhi kebutuhan penggunaan spesifik Anda. Ada beberapa teknik untuk menyesuaikan model:
- Reinforcement Learning from Human Feedback (RLHF) adalah teknik yang menggunakan masukan manusia untuk meningkatkan kesesuaian model dengan preferensi dan niat manusia.
- Low-Rank Adaption (LoRA) adalah metode yang efisien parameter untuk LLM yang mengurangi jumlah parameter yang dapat dilatih, sekaligus mempertahankan performa model.