Kecerdasan buatan tidak hanya mengubah dunia; ia juga menciptakan bahasa baru untuk menggambarkan bagaimana hal itu terjadi. Jika Anda meluangkan waktu lima menit untuk membaca tentang bidang ini, Anda akan menemukan banyak akronim seperti LLM, RAG, RLHF, dan istilah lain yang mungkin membuat orang yang paling paham teknologi sekalipun seperti Anda (teman saya) merasa sedikit bingung. Kami di Phonegram, sebagai penggemar segala hal yang mutakhir, memutuskan untuk mengakhiri kebingungan ini dan memberi Anda panduan sederhana yang menjelaskan istilah-istilah ini dengan jelas, sehingga Anda sepenuhnya memahami apa yang terjadi di balik layar revolusi teknologi ini.
Model Bahasa Besar (LLM)
Istilah yang kita dengar setiap hari adalah Model Bahasa Besar (LLM)Inilah mesin yang menggerakkan alat-alat seperti ChatGPT, Cloud, dan Gemini. Model-model ini adalah jaringan saraf dalam yang berisi miliaran parameter numerik (bobot) yang mempelajari hubungan antara kata dan frasa. Model-model ini dibuat dengan memproses pola yang ditemukan dalam miliaran buku dan artikel, sehingga memungkinkan mereka untuk menghasilkan teks yang sangat mirip dengan tulisan manusia.
pembelajaran yang mendalam (Pembelajaran Mendalam)
Model-model ini didasarkan pada Pembelajaran MendalamDeep learning adalah cabang dari machine learning yang terinspirasi oleh struktur neuron di otak manusia. Kekuatannya terletak pada kemampuan algoritma untuk mengidentifikasi fitur-fitur penting dalam data secara mandiri, tanpa campur tangan manusia. Tentu saja, ini membutuhkan daya komputasi yang sangat besar, yang bergantung pada unit pemrosesan grafis (GPU) canggih, yang menjelaskan persaingan ketat antar perusahaan untuk memperoleh sebanyak mungkin perangkat ini.
Kecerdasan Umum Buatan (AGI)
Mari kita mulai dengan istilah yang paling kontroversial, kecerdasan umum buatan atau AGIIstilah ini merujuk pada jenis kecerdasan buatan yang melampaui manusia dalam sebagian besar tugas kognitif. Beberapa orang menggambarkannya sebagai sistem yang sepenuhnya otonom dan mampu dengan mudah melakukan pekerjaan manusia, sementara yang lain melihatnya sebagai rekan kerja digital yang sangat cerdas. Sebenarnya, para ahli sendiri masih memperdebatkan definisi tepatnya, tetapi ini mewakili tujuan utama yang dikejar oleh perusahaan seperti OpenAI dan Google.
Agen pintar (Agen AI)
Adapun Agen Cerdas (Agen AI)Ini adalah langkah yang lebih praktis; ini bukan hanya chatbot yang Anda balas, tetapi alat yang menggunakan kecerdasan buatan untuk melakukan serangkaian tugas atas nama Anda. Bayangkan asisten digital di iPhone Anda yang dapat memesan penerbangan, mengelola pengeluaran Anda, atau bahkan menulis dan men-debug kode secara mandiri. Agen cerdas ini melampaui sekadar kata-kata menuju tindakan, menghubungkan berbagai sistem untuk menyelesaikan tugas-tugas kompleks dan bertahap.
Dalam konteks yang terkait, kita menemukan Agen PengkodeanIni adalah versi khusus dari agen cerdas di bidang pengembangan perangkat lunak. Alih-alih menyarankan kode untuk Anda salin, agen pemrograman dapat menulis, menguji, dan men-debug kode sepenuhnya secara mandiri. Bayangkan mempekerjakan seorang peserta pelatihan yang sangat cepat, kurang tidur, dan fokus yang dapat menangani seluruh basis data dan memperbaiki bug dengan intervensi manusia minimal.
Rangkaian Pemikiran
Pernahkah Anda menghadapi soal matematika yang sulit dan perlu menggunakan pena dan kertas untuk memecahnya menjadi langkah-langkah yang lebih kecil? Itulah tepatnya yang dilakukan kecerdasan buatan saat menggunakan teknologi. Rangkaian PemikiranAlih-alih memberikan jawaban langsung yang berpotensi salah, model ini memecah masalah menjadi langkah-langkah perantara yang logis. Pendekatan ini membutuhkan waktu sedikit lebih lama, tetapi memastikan hasil yang lebih akurat, terutama dalam masalah logika atau pemrograman yang kompleks.
Halusinasi: Sisi Gelap Kecerdasan Buatan
Terlepas dari semua kecerdasan ini, kecerdasan buatan masih saja terjebak dalam perangkap. HalusinasiIstilah teknis yang tampaknya tidak berbahaya ini sebenarnya berarti bahwa model tersebut membuat informasi yang sepenuhnya salah dan menyajikannya dengan keyakinan yang berlebihan. Halusinasi menimbulkan tantangan kualitas yang signifikan dan dapat sangat berbahaya di bidang seperti konsultasi medis. Masalah ini biasanya muncul dari celah dalam data pelatihan, yang menyebabkan perusahaan fokus pada model yang lebih khusus untuk mengurangi risiko informasi yang salah.
Sumber:
5 ulasan