AI dan Kasus Penggunaannya

AI telah menggemparkan dunia, dengan aplikasi seperti ChatGPT dan DALL-E yang mampu menghasilkan teks dan gambar yang mengesankan. Pelajari lebih lanjut tentang AI dan kasus penggunaannya.

Hal-hal penting yang dapat diambil:

• Kecerdasan buatan (AI) mengacu pada simulasi kecerdasan manusia dalam komputer yang diprogram untuk melakukan tugas-tugas seperti manusia.
  • Pembelajaran mesin (ML) adalah bagian dari AI yang berfokus pada pembuatan model yang dapat belajar menggunakan data untuk meningkatkan kinerja pada serangkaian tugas tertentu.
  • Deep learning adalah bagian dari pembelajaran mesin dan didasarkan pada jaringan saraf tiruan yang dimodelkan secara longgar pada jaringan saraf biologis di otak.
• Keterbatasan penyimpanan data dan kecepatan pemrosesan yang merupakan kelemahan utama AI sebelumnya, sekarang tidak lagi menjadi masalah utama.
• AI memiliki berbagai macam aplikasi di berbagai bidang dan domain. Dua proyek AI yang baru-baru ini mendapatkan perhatian media secara signifikan adalah ChatGPT dan DALL-E.
• Seiring dengan meningkatnya jumlah data pelatihan dan daya komputasi, maka akan memungkinkan untuk melatih model AI yang lebih kuat yang dapat menghasilkan aplikasi yang lebih efektif.

AI, Pembelajaran Mesin, dan Pembelajaran Mendalam: Apa Itu Mereka

Kecerdasan buatan (AI) telah menghebohkan dunia baru-baru ini, bersama dengan istilah-istilah lain yang serupa seperti machine learning (ML), deep learning, dan data science. Di bawah ini adalah uraian singkat bagi mereka yang mungkin merasa bingung dengan istilah-istilah ini.

Kecerdasan buatan mengacu pada simulasi kecerdasan manusia dalam komputer yang diprogram untuk melakukan tugas-tugas seperti manusia, seperti mensintesis dan menyimpulkan informasi.

Pembelajaran mesin adalah bagian dari AI yang berfokus pada pembuatan model yang “belajar”, dalam arti menggunakan data untuk meningkatkan kinerja pada serangkaian tugas tertentu. Pembelajaran mesin secara umum dapat dibagi menjadi tiga kategori:

• Pembelajaran yang diawasi: Komputer dilatih dengan data yang terdiri dari contoh-contoh berlabel – input yang diketahui X dengan output kebenaran dasar Y – dan tujuannya adalah mempelajari aturan umum atau fungsi (F) yang dapat memetakan input ke output dalam contoh-contoh baru (misalnya, Y = F(X)). Contoh pembelajaran yang diawasi adalah pengenalan angka tulisan tangan, di mana mesin belajar untuk mengenali angka tulisan tangan dari 0 hingga 9.
• Pembelajaran tanpa pengawasan: Algoritme jenis ini menganalisis data yang tidak diberi label untuk menemukan pola yang mendasarinya (hanya diberikan X tanpa Y). Contoh pembelajaran tanpa pengawasan adalah pengelompokan, yang bertujuan untuk mengelompokkan data yang belum diberi label ke dalam berbagai kelompok berdasarkan kesamaan atau perbedaannya.
• Pembelajaran penguatan: Pembelajaran penguatan mempelajari bagaimana agen cerdas harus mengambil tindakan dalam lingkungan tertentu untuk memaksimalkan fungsi hadiah tertentu. Pembelajaran penguatan dapat diterapkan pada mobil tanpa pengemudi dan robotika, serta mesin pelatihan untuk bermain game papan dan komputer.

Deep learning adalah bagian dari pembelajaran mesin dan didasarkan pada jaringan saraf tiruan, yang merupakan sistem komputasi yang dimodelkan secara longgar pada jaringan saraf biologis di otak. Neuron buatan dalam jaringan, mirip dengan neuron biologis di otak, dapat menerima dan mengirimkan sinyal ke neuron lain yang terhubung dengannya.

Ilmu data mengacu pada studi tentang data untuk mengekstrak wawasan yang bermakna. Ini adalah bidang yang sangat interdisipliner yang memanfaatkan statistik, matematika, dan ilmu komputer untuk menganalisis berbagai jenis data. Ilmu data bersinggungan dengan AI, pembelajaran mesin, dan pembelajaran mendalam, karena model kecerdasan buatan biasanya membutuhkan data untuk pelatihan.

Tabel di bawah ini menunjukkan berbagai fokus dan aplikasi AI, pembelajaran mesin, dan ilmu data.

Sejarah dan Perkembangan AI

Kondisi AI saat ini sebagian besar merupakan produk dari beberapa terobosan dalam daya komputasi dari waktu ke waktu. Keterbatasan penyimpanan data dan kecepatan pemrosesan yang merupakan hambatan utama AI sebelumnya kini tidak lagi menjadi masalah utama, karena daya komputasi telah tumbuh secara eksponensial dalam satu dekade terakhir. Perangkat keras (seperti CPU dan GPU) juga telah menjadi lebih murah dan lebih mudah diakses selama bertahun-tahun, yang memungkinkan terciptanya model-model baru dan memungkinkan lebih banyak pendanaan dan penelitian untuk AI.

Selain itu, biaya AI sekarang lebih rendah, namun waktu pelatihan lebih cepat. Sejak tahun 2018, biaya pelatihan telah menurun sebesar 63,6%, sementara waktu pelatihan telah meningkat lebih dari 94%, menurut Laporan Indeks AI Stanford. Semua perkembangan ini, bersama dengan sejumlah besar data yang tersedia, telah membantu dalam melatih model yang lebih baik dan memberikan hasil yang lebih baik yang terlihat saat ini. Perkembangan bertahap dari AI dan beberapa perkembangan penting dalam bidang ini ditunjukkan dalam garis waktu singkat di bawah ini.

AI bukanlah istilah baru, dan algoritme AI seperti deep learning dan jaringan syaraf tiruan sudah ada sejak tahun 1950-an. Namun, hanya dalam beberapa tahun terakhir, daya komputasi telah meningkat untuk membuat pembelajaran mendalam menjadi efisien, dan ada juga algoritme dan model AI baru, seperti transformer, yang diperkenalkan pada tahun 2017 oleh Google Brain dan diadopsi dalam GPT-3, model di balik ChatGPT.

Pengembangan AI dan Aplikasinya

AI memiliki berbagai macam aplikasi di berbagai bidang dan domain. Dua proyek AI yang telah mendapatkan perhatian utama yang signifikan adalah ChatGPT dan DALL-E . Kedua proyek ini telah mengalami peningkatan minat pencarian Google sejak diluncurkan, dan telah menjadi sorotan utama di media sosial.

ChatGPT adalah chatbot yang dapat memberikan respons yang terperinci dan realistis terhadap pertanyaan di berbagai domain pengetahuan. Diluncurkan oleh OpenAI pada November 2022, chatGPT dilatih menggunakan teknik pembelajaran yang diawasi dan penguatan. Selain menjawab pertanyaan, ChatGPT dapat menulis kode dalam berbagai bahasa pemrograman dan juga membuat musik.

DALL-E dan DALL-E 2 adalah model pembelajaran mendalam yang dapat menghasilkan gambar berdasarkan permintaan bahasa alami dari pengguna. Versi terbaru DALL-E adalah DALL-E 2, yang diumumkan pada bulan April 2022. Ini dapat menghasilkan gambar beresolusi lebih tinggi daripada DALL-E, yang lebih realistis dan memadukan berbagai gaya.

Kasus penggunaan lain dari AI termasuk bermain permainan papan, seperti Go. AlphaGo dikembangkan oleh DeepMind Technologies, anak perusahaan Google, dan mampu mengalahkan Ke Jie, pemain Go peringkat 1 dunia pada saat itu. Selanjutnya, AlphaGo dianugerahi 9-dan profesional oleh Asosiasi Weiqi Tiongkok.

Aplikasi lain yang menjanjikan dari AI adalah swakemudi, yang memungkinkan mobil untuk melakukan perjalanan dengan menggunakan input manusia yang lebih sedikit dengan bantuan sensor untuk melihat lingkungan sekitar dan sistem komputer untuk mengontrol dan menavigasi mobil. Ada berbagai tingkat swakemudi, dengan teknologi canggih saat ini yang mampu mencapai tingkat menengah seperti Level 3 (“mata tidak fokus”), di mana pengemudi dapat mengalihkan perhatian mereka dari mengemudi.

Pelajari lebih lanjut tentang Konten dan Aplikasi yang Dihasilkan AI di Web3 .

Pro dan Kontra AI

Karena mesin dapat bekerja 24 jam sehari tanpa istirahat, AI dapat melakukan tugas-tugas yang membosankan dan berulang-ulang dengan lebih efisien daripada manusia. Misalnya, chatbot AI dapat membantu menjawab pertanyaan pelanggan sepanjang waktu.

Selain itu, robot dan mesin bertenaga AI dapat melakukan tugas-tugas yang berisiko atau berbahaya bagi manusia. Misalnya, robot AI dapat menjelajahi lautan dalam, menjinakkan bahan peledak, atau bekerja di pabrik dengan bahan kimia berbahaya.

AI juga dapat bekerja secara efektif dengan kumpulan data yang besar dan berdimensi tinggi, yang mungkin sulit untuk dianalisis atau divisualisasikan oleh manusia. Seiring dengan meningkatnya kecepatan komputasi, AI dapat melakukan akuisisi dan ekstraksi data yang lebih cepat, kemudian mentransformasi dan menginterpretasikan data.

Salah satu kelemahan AI adalah terkadang kurang kreatif dan inovatif. Meskipun AI berkembang pesat dalam aspek ini, namun sebagian teks dan gambar yang dihasilkan AI masih kurang memiliki sentuhan manusiawi dan bisa terlihat kaku dan seperti robot.

AI juga terkadang dapat membuat kesalahan yang tidak dapat dilakukan oleh manusia pada umumnya, yang berpotensi menyebabkan masalah kualitas. Sebagai contoh, peneliti AI dan profesor Stanford, Andrew Ng, memberikan contoh di mana ChatGPT secara keliru menjelaskan bagaimana sempoa lebih cepat daripada GPU. Oleh karena itu, dalam beberapa kasus, bahkan AI yang canggih pun belum mencapai tingkat akurasi yang memadai.

Masa Depan AI

Prospek untuk AI cukup menjanjikan. Menurut Hukum Moore dalam komputasi, jumlah transistor pada microchip berlipat ganda kira-kira setiap dua tahun; sedangkan, biayanya berkurang setengahnya dalam jangka waktu yang sama. Singkatnya, kecepatan dan kemampuan komputer diperkirakan akan meningkat setiap dua tahun dan harganya pun akan semakin terjangkau. Pada saat yang sama, jumlah data di dunia tumbuh secara eksponensial, diproyeksikan mencapai 175 zetabyte (175 triliun gigabyte) pada tahun 2025.

Tren di atas sangat menguntungkan bagi AI karena algoritmanya seperti deep learning bekerja lebih efektif dengan daya komputasi yang lebih tinggi dan data dalam jumlah besar. Sebagai contoh, ChatGPT diklasifikasikan sebagai Model Bahasa Besar (Large Language Model, LLM) karena dilatih pada sejumlah besar data teks dan memiliki 175 miliar parameter. Secara umum, seiring dengan meningkatnya jumlah data pelatihan dan daya komputasi, maka akan memungkinkan untuk melatih model AI yang lebih kuat, yang dapat menghasilkan aplikasi yang lebih efektif.

Ada kekhawatiran dan perdebatan bahwa AI dapat menyebabkan pengangguran, karena AI dapat mengotomatisasi tugas-tugas pekerjaan tertentu dan mencapai kinerja yang lebih baik daripada manusia. Meskipun AI dapat menggantikan manusia dalam tugas-tugas yang membutuhkan keterampilan rendah seperti pembukuan dan entri data, teknologi ini harus dilihat sebagai cara untuk membantu manusia – dengan mengotomatiskan tugas-tugas yang berulang, AI dapat meningkatkan produktivitas karyawan. Sebagai contoh, teknologi AI yang ada saat ini mampu mengotomatiskan hingga 40% pekerjaan yang dilakukan oleh tenaga penjualan selama proses penjualan.

Fisikawan terkenal Stephen Hawking pernah berkata, “… komputer dapat, secara teori, meniru kecerdasan manusia – dan melampauinya.” Dalam ranah AI, fenomena ini mulai terbentuk, dengan komputer yang mulai menghasilkan output teks dan gambar yang setara, atau bahkan lebih baik daripada yang dihasilkan oleh manusia pada umumnya. Akan sangat menarik untuk mengamati perkembangan AI di tahun-tahun mendatang.

Baca laporan lengkap tentang AI dan kasus penggunaannya, termasuk lebih banyak contoh dan referensi, di sini .

Lacak Token AI di Aplikasi Crypto.com

Kemunculan teknologi AI telah menyebabkan munculnya token AI baru yang dengan cepat mendapatkan popularitas. Untuk memenuhi minat ini, Aplikasi Crypto.com telah menambahkan kategori baru di Track Coins sehingga pengguna dapat dengan mudah mengikuti token AI teratas. Lihat AI dan semua kategori lainnya di sini.

Uji Tuntas dan Lakukan Riset Anda Sendiri

Semua contoh yang tercantum dalam artikel ini hanya untuk tujuan informasi. Anda tidak boleh menafsirkan informasi atau materi lain tersebut sebagai nasihat hukum, pajak, investasi, keuangan, atau nasihat lainnya. Tidak ada yang terkandung di sini yang merupakan ajakan, rekomendasi, dukungan, atau penawaran oleh Crypto.com untuk berinvestasi, membeli, atau menjual koin, token, atau aset kripto lainnya. Pengembalian dari pembelian dan penjualan aset kripto dapat dikenakan pajak, termasuk pajak keuntungan modal, di yurisdiksi Anda. Setiap deskripsi produk atau fitur Crypto.com hanya untuk tujuan ilustrasi dan bukan merupakan dukungan, undangan, atau ajakan.

Kinerja masa lalu bukan merupakan jaminan atau prediktor kinerja masa depan. Nilai aset kripto bisa naik atau turun, dan Anda bisa kehilangan semua atau sebagian besar harga pembelian Anda. Saat menilai aset kripto, penting bagi Anda untuk melakukan riset dan uji tuntas untuk membuat penilaian terbaik, karena pembelian apa pun menjadi tanggung jawab Anda sepenuhnya.