Sumber kebenaran utama untuk banyak istilah machine learning (ML) adalah Glosarium ML. Daripada menduplikasi pekerjaan mereka, kami hanya menyertakan kata dan istilah yang umum dikutip yang tidak ada dalam Glosarium ML.
Blueprint sistem AI
Saat membangun fitur atau produk AI baru, tentukan cetak biru sistem AI Anda, petakan peluang AI dengan cara Anda akan membangun solusi. Anda harus menentukan:
- Mengapa Anda membangun? Kasus penggunaan AI apa yang tersedia dan apa manfaatnya bagi pengguna?
- Bagaimana cara kerja aplikasi Anda?
- Bagaimana cara memastikan setiap bagian sistem Anda dikembangkan secara bertanggung jawab?
Baca tentang blueprint dalam pengantar AI di web.
Arsitektur AI gabungan
Arsitektur AI gabungan, kombinasi dari satu atau beberapa model dan komponen lainnya seperti database, API, dan pembatas yang bekerja sama untuk memberikan perilaku yang kuat dan sadar konteks
Rekayasa konteks
Rekayasa konteks adalah proses pemilihan informasi (token) yang paling relevan secara dinamis untuk permintaan tertentu guna memaksimalkan probabilitas menerima hasil yang berharga.
Pergeseran data
Penyimpangan data terjadi ketika data pelatihan tidak lagi mewakili kenyataan. Perilaku pengguna, pengumpulan data, dan lingkungan data dapat berubah kapan saja, dan hal ini dapat menyebabkan penurunan performa model.
Software deterministik
Jika diberi input tertentu, software deterministik akan selalu mengikuti serangkaian langkah yang sama untuk menghasilkan output yang identik. Jenis software ini adalah yang paling andal, karena dapat diprediksi dan berjalan secara efisien.
Kecerdasan buatan tidak bersifat deterministik. Jalur dan hasilnya dapat sangat bervariasi, bahkan dengan perintah yang identik.
Pengembangan berbasis evaluasi (EDD)
Framework Pengembangan berbasis evaluasi (EDD) menawarkan proses yang dapat diulang dan diuji untuk meningkatkan kualitas output dalam langkah-langkah kecil dan percaya diri, mendeteksi regresi, serta menyelaraskan perilaku model dengan ekspektasi pengguna dan produk dari waktu ke waktu.
Anggap saja ini sebagai pengembangan berbasis pengujian (TDD), yang disesuaikan untuk ketidakpastian AI. Tidak seperti pengujian unit deterministik, evaluasi AI tidak dapat di-hardcode karena output, baik yang terbentuk dengan baik maupun yang gagal, dapat berupa berbagai bentuk yang tidak dapat Anda antisipasi.
AI Generatif
AI generatif merepresentasikan sistem machine learning yang dapat membuat konten. Artinya, model ini dapat menulis teks, membuat gambar, menghasilkan kode, atau bahkan mendesain antarmuka pengguna lengkap.
Tata kelola
Kami membahas tiga dimensi tata kelola AI:
- Privasi: Tangani data secara bertanggung jawab, jelaskan data yang dikumpulkan, dan minimalkan data yang keluar dari browser.
- Keadilan: Periksa perilaku diskriminatif (bias) pada model Anda, dan buat loop yang memungkinkan pengguna melaporkan masalah.
- Kepercayaan dan transparansi: Rancang sistem Anda agar transparan dan dapat dipercaya, sehingga pengguna terus mendapatkan manfaat darinya meskipun ada ketidakpastian dan potensi kesalahan.
Dimensi terakhir, keamanan, adalah dimensi penting dalam tata kelola AI. Kami berencana memberikan informasi lebih lanjut tentang keamanan di modul mendatang.
Sementara itu, sebaiknya Anda membaca Secure AI Framework (SAIF) Google dan Blog Keamanan Google.
Model
Model adalah tulang punggung terpenting dari sistem AI. Intinya, model adalah sekumpulan parameter dan struktur yang mendukung sistem dalam membuat prediksi. Cara kerja model dapat berbeda berdasarkan gaya pelatihan (terawasi atau tidak terawasi) dan tujuan model (prediktif atau generatif).
Kartu model
Kartu model adalah ringkasan terstruktur tentang cara model dirancang dan dievaluasi. Dokumen ini berfungsi sebagai artefak utama yang mendukung pendekatan Google terhadap responsible AI.
Bobot model
Bobot model adalah nilai numerik yang menentukan pentingnya informasi tertentu. Nilai ini terus diperbarui dalam pelatihan model, hingga bobot yang ideal ditetapkan. Anda dapat mengubah bobot model terbuka, seperti Gemma.
Peluang untuk AI
Ada sejumlah kategori untuk menyusun solusi AI:
- Insight: Meningkatkan kualitas pengambilan keputusan.
- Kemudahan: Menghilangkan hambatan.
- Otomatisasi: Menggantikan tugas berulang.
- Augmentasi: Membantu pengguna menyelesaikan tugas yang kompleks atau kreatif.
- Personalisasi: Menyesuaikan produk dengan kebutuhan dan preferensi individu.
Hal ini dibahas secara panjang lebar di Mempelajari kasus penggunaan.
Platform
AI sisi klien berjalan langsung di browser. Artinya, data dapat tetap bersifat pribadi, di perangkat pengguna, dan tidak ada latensi jaringan. Namun, agar dapat berfungsi dengan baik, AI sisi klien memerlukan kasus penggunaan yang sangat spesifik dan terdefinisi dengan baik.
AI sisi server mencakup model yang dihosting dan menjalankan inferensi di cloud. Cara ini sangat mumpuni dan skalabel, tetapi bisa lebih mahal dan memerlukan koneksi jaringan.
AI Prediktif
AI prediktif (atau analitis) adalah kumpulan algoritma yang membantu Anda memahami data yang ada dan memprediksi apa yang mungkin terjadi selanjutnya. Berdasarkan pola historis, model AI prediktif belajar untuk memprediksi hasil, mengungkap insight, dan mendorong keputusan yang lebih cerdas.
Rekayasa perintah
Teknik pembuatan perintah (prompt engineering) adalah tindakan menulis dan menulis ulang perintah untuk menghasilkan output yang sesuai dengan harapan pengguna Anda. Perintah yang ditulis dengan baik:
- Menyatakan cara LLM harus membangun responsnya.
- Terdiri dari beberapa komponen yang dapat diberi versi, diuji, dan ditingkatkan seiring waktu.
- Dapat bertindak sebagai artefak bersama untuk kolaborasi di seluruh tim.
Ada sejumlah teknik yang dapat Anda lakukan dalam rekayasa perintah, yang telah Anda baca di modul Rekayasa perintah.
Jenis perintah
Anggap jenis perintah sebagai audiens perintah. Anda dapat membaca selengkapnya tentang hal ini di modul Rekayasa perintah.
Perintah sistem
Perintah sistem disediakan oleh developer aplikasi dan menentukan perilaku model secara keseluruhan. Hal ini dapat menetapkan peran model ("Anda adalah asisten penulisan"), gaya bahasa yang diharapkan, format output (seperti skema JSON yang ketat), dan batasan global apa pun. Perintah ini tetap stabil di seluruh permintaan.
Perintah pengguna
Perintah pengguna berisi permintaan langsung yang menghasilkan output. Pengguna memberikan beberapa bentuk variabel input (seperti pilihan teks atau gaya yang diharapkan), dan meminta tugas tertentu. Misalnya, "Buat tiga judul untuk postingan ini", "Lanjutkan paragraf ini", atau "Buat ini lebih formal".