Artificial intelligence (AI) sedang mengubah dunia, dan pada saat yang sama, menciptakan bahasa baru untuk mendeskripsikan proses ini. Setelah membaca tentang AI dalam waktu lima menit, kamu pasti akan menemukan istilah-istilah seperti LLMs, RAG, RLHF, dan banyak lagi, yang terkadang membuat orang-orang pintar di dunia teknologi merasa kurang percaya diri. Glossari ini adalah upaya kita untuk mempermudah pemahaman terhadap istilah-istilah tersebut. Kami akan terus memperbarui daftar ini seiring perkembangan bidang ini, jadi anggap saja ini sebagai dokumen hidup, seperti sistem AI itu sendiri.
Artificial general intelligence, atau AGI, adalah istilah yang masih kabur. Namun secara umum, AGI merujuk pada AI yang lebih mampu daripada manusia rata-rata dalam banyak, jika tidak mayoritas, tugas. CEO OpenAI, Sam Altman, menjelaskan AGI sebagai “setara dengan seorang manusia median yang bisa kamu pekerjakan sebagai rekan kerja.” Sementara itu, piagam OpenAI mendefinisikan AGI sebagai “sistem yang sangat otonom yang mengungguli manusia dalam sebagian besar pekerjaan yang bernilai ekonomis.” Menurut Google DeepMind, pemahaman tentang AGI sedikit berbeda; mereka melihat AGI sebagai “AI yang setidaknya sebanding dengan manusia dalam sebagian besar tugas kognitif.” Kebingungan? Tidak perlu khawatir — bahkan para ahli di garis depan penelitian AI juga merasa demikian.
AI agent adalah alat yang menggunakan teknologi AI untuk melakukan serangkaian tugas atas nama kamu — lebih jauh lagi dari apa yang bisa dilakukan oleh chatbot AI dasar — seperti mengajukan klaim pengeluaran, memesan tiket, atau bahkan menulis dan memelihara kode. Namun, seperti yang dijelaskan sebelumnya, banyak bagian yang harus diperhatikan di area yang sedang berkembang ini, jadi “AI agent” bisa berarti hal yang berbeda bagi orang yang berbeda. Infrastruktur juga masih dibangun agar mampu memenuhi kapabilitas yang diharapkan. Tapi konsep dasarnya menunjukkan sebuah sistem otonom yang dapat menarik dari berbagai sistem AI untuk melaksanakan tugas-tugas bertahap.
Pikirkan API endpoints seperti “tombol” di belakang suatu perangkat lunak yang bisa ditekan program lain untuk melakukan aksi tertentu. Para developer memanfaatkan antarmuka ini untuk membangun integrasi — misalnya, memungkinkan satu aplikasi menarik data dari aplikasi lain, atau memungkinkan AI agent mengendalikan layanan pihak ketiga secara langsung tanpa intervensi manusia. Kebanyakan perangkat pintar dan platform terhubung sudah memiliki tombol-tombol tersebut, meskipun pengguna biasa tidak pernah melihat atau berinteraksi dengannya. Seiring AI agent semakin mahir, mereka semakin mampu menemukan dan menggunakan endpoints ini sendiri, membuka peluang yang kuat — dan terkadang tidak terduga — untuk otomatisasi.
Ketika diberikan pertanyaan sederhana, otak manusia dapat menjawab tanpa berpikir terlalu keras — seperti “hewan mana yang lebih tinggi, jerapah atau kucing?” Namun dalam banyak kasus, kamu sering membutuhkan pena dan kertas untuk mendapatkan jawaban yang tepat karena ada langkah-langkah perantara yang diperlukan. Misalnya, jika seorang peternak memiliki ayam dan sapi, dan total mereka memiliki 40 kepala dan 120 kaki, kamu mungkin perlu menuliskan persamaan sederhana untuk menemukan jawabannya (20 ayam dan 20 sapi).
Dalam konteks AI, chain-of-thought reasoning untuk large language models berarti memecah masalah menjadi langkah-langkah kecil yang lebih mudah dipahami untuk meningkatkan kualitas hasil akhir. Biasanya, proses ini membutuhkan waktu lebih lama untuk mendapatkan jawaban, tetapi dengan cara ini, kemungkinan jawaban tersebut benar jauh lebih besar, terutama dalam konteks logika atau pemrograman. Model-model reasoning dikembangkan dari large language models tradisional dan dioptimalkan untuk berpikir dengan cara chain-of-thought berkat reinforcement learning.
Ini adalah konsep yang lebih spesifik daripada “AI agent,” yakni sebuah program yang dapat mengambil tindakan sendiri, langkah demi langkah, untuk menyelesaikan tujuan. Coding agent adalah versi khusus yang diterapkan dalam pengembangan perangkat lunak. Alih-alih hanya menyarankan kode untuk diperiksa dan ditempelkan oleh manusia, coding agent dapat menulis, menguji, dan mendebug kode secara otonom, menangani jenis pekerjaan iteratif yang biasanya menghabiskan waktu pengembang. Agen-agen ini dapat beroperasi di seluruh basis kode, mendeteksi bug, menjalankan tes, dan memberikan perbaikan dengan sedikit pengawasan manusia.
Computing secara umum merujuk pada kekuatan komputasi vital yang memungkinkan model-model AI berjalan. Jenis proses ini memberi daya pada industri AI, memungkinkannya untuk melatih dan mengimplementasikan model-model kuatnya. Istilah ini sering menjadi singkatan untuk perangkat keras yang menyediakan daya komputasi — seperti GPU, CPU, TPU, dan infrastruktur lainnya yang menjadi dasar dari industri AI modern.
Deep learning adalah subkategori dari machine learning yang dirancang dengan struktur jaringan saraf buatan (ANN) yang bertingkat. Ini memungkinkan AI untuk membuat korelasi yang lebih kompleks dibandingkan dengan sistem machine learning yang lebih sederhana. Struktur algoritma deep learning terinspirasi oleh jalur interkoneksi neuron di otak manusia.
Model AI deep learning dapat mengidentifikasi karakteristik penting dalam data secara mandiri, tanpa harus menunggu insinyur manusia untuk mendefinisikan fitur-fitur itu. Struktur ini juga mendukung algoritma yang dapat belajar dari kesalahan dan, melalui proses pengulangan dan penyesuaian, meningkatkan hasil output mereka sendiri. Namun, sistem deep learning membutuhkan banyak titik data untuk menghasilkan hasil yang baik (jutaan atau lebih), dan biasanya membutuhkan waktu lebih lama untuk dilatih dibandingkan algoritma machine learning yang lebih sederhana, sehingga biaya pengembangannya cenderung lebih tinggi.
Diffusion adalah teknologi di jantung banyak model-generatif seni, musik, dan teks. Terinspirasi oleh fisika, sistem diffusion secara perlahan “menghancurkan” struktur data — seperti foto, lagu, dan lainnya — dengan menambahkan kebisingan hingga tidak ada yang tersisa. Namun, di dunia AI, sistem diffusion bertujuan untuk mempelajari proses “reverse diffusion” untuk mengembalikan data yang telah dihancurkan, sehingga mereka dapat memulihkan data dari kebisingan.
Distillation adalah teknik yang digunakan untuk mengekstrak pengetahuan dari model AI besar dengan model ‘guru-murid.’ Pengembang mengirimkan permintaan kepada model guru dan merekam keluaran yang dihasilkan. Jawaban ini kadang dibandingkan dengan dataset untuk mengukur akurasi. Keluaran tersebut kemudian digunakan untuk melatih model murid yang dilatih untuk mendekati perilaku sang guru.
Distillation dapat digunakan untuk menciptakan model yang lebih kecil dan lebih efisien berdasarkan model yang lebih besar dengan kehilangan distillation minimal. Hal ini mungkin menjadi cara OpenAI mengembangkan GPT-4 Turbo, versi lebih cepat dari GPT-4.
Meskipun semua perusahaan AI menggunakan distillation secara internal, mungkin ada juga yang menggunakannya untuk mengejar ketertinggalan dari model-model frontier. Distillation dari kompetitor biasanya melanggar syarat layanan API AI dan asisten chat.
Ini mengacu pada pelatihan lebih lanjut dari model AI untuk mengoptimalkan kinerja dalam tugas atau area yang lebih spesifik daripada fokus pelatihan sebelumnya — biasanya dengan memberikan data baru yang lebih spesifik (misalnya, yang berorientasi tugas).
Banyak startup AI mengambil large language models sebagai titik awal untuk membangun produk komersial tetapi berusaha meningkatkan utilitas untuk sektor atau tugas tertentu dengan menambah siklus pelatihan sebelumnya dengan fine-tuning berdasarkan pengetahuan dan keahlian spesifik domain mereka sendiri.
Sebuah GAN, atau Generative Adversarial Network, adalah jenis kerangka kerja machine learning yang menjadi dasar kemajuan penting dalam AI generatif dalam menghasilkan data realistis — termasuk alat deepfake. GAN menggunakan sepasang jaringan saraf, di mana satu jaringan memanfaatkan data pelatihan untuk menghasilkan output yang kemudian dievaluasi oleh model lainnya.
Model-model ini pada dasarnya diprogram untuk saling mengalahkan. Generator berusaha agar outputnya lolos dari deteksi discriminator, sementara discriminator berupaya untuk mengidentifikasi data yang dihasilkan secara artifisial. Pertarungan yang terstruktur ini dapat mengoptimalkan output AI untuk menjadi lebih realistis tanpa memerlukan intervensi manusia tambahan.
Hallucination adalah istilah yang digunakan industri AI untuk menyebut model AI yang menghasilkan informasi yang tidak benar. Tentunya ini menjadi masalah besar dalam kualitas AI.
Kesalahan ini dapat memproduksi output GenAI yang menyesatkan dan berpotensi berisiko di dunia nyata — dengan konsekuensi berbahaya (bayangkan sebuah pertanyaan kesehatan yang menghasilkan saran medis yang merugikan). Masalah AI yang memproduksi informasi tidak benar dianggap muncul akibat celah dalam data pelatihan. Hal ini mendorong dorongan untuk mengembangkan model AI yang semakin spesifik dan/atau vertikal — yaitu AI yang memerlukan keahlian lebih sempit — sebagai cara untuk mengurangi kemungkinan celah pengetahuan dan memperkecil risiko disinformasi.
Inference adalah proses menjalankan model AI. Ini merupakan saat ketika model membuat prediksi atau menarik kesimpulan dari data yang telah dilihat sebelumnya. Untuk memperjelas, inference tidak dapat dilakukan tanpa pelatihan; model harus mempelajari pola dalam set data sebelum dapat secara efektif mengeksplorasi data pelatihan ini.
Banyak jenis perangkat keras dapat melakukan inference, mulai dari prosesor smartphone hingga GPU yang kuat dan akselerator AI yang dirancang khusus. Namun, tidak semuanya dapat menjalankan model dengan baik. Model yang sangat besar akan memakan waktu lama untuk membuat prediksi di laptop dibandingkan dengan server cloud dengan chip AI canggih.
Large language models, atau LLMs, adalah model AI yang digunakan oleh asisten AI populer, seperti ChatGPT, Claude, Gemini milik Google, AI Llama dari Meta, Microsoft Copilot, dan Mistral’s Le Chat. Ketika kamu berinteraksi dengan asisten AI, kamu berkomunikasi dengan large language model yang memproses permintaanmu secara langsung atau dengan bantuan alat-alat yang tersedia, seperti penelusuran web atau interpreter kode.
LLMs adalah jaringan saraf dalam yang terdiri dari miliaran parameter numerik (atau bobot) yang mempelajari hubungan antar kata dan frasa serta menciptakan representasi bahasa, sejenis peta multidimensi kata.
Model-model ini dibuat dari pengkodean pola yang mereka temukan dalam miliaran buku, artikel, dan transkrip. Ketika kamu memberikan prompt kepada LLM, model tersebut menghasilkan pola yang paling mungkin sesuai dengan prompt tersebut.
Memory cache mengacu pada proses penting yang meningkatkan inference. Secara sederhana, caching adalah teknik optimisasi yang dirancang untuk membuat inference lebih efisien. AI jelas didorong oleh perhitungan matematis yang kompleks dan setiap kali perhitungan itu dilakukan, akan menghabiskan lebih banyak daya. Caching dirancang untuk mengurangi jumlah perhitungan yang mungkin dilakukan model dengan menyimpan perhitungan tertentu untuk digunakan kembali dalam permintaan dan operasi pengguna di masa depan.
Sebuah jaringan saraf merujuk pada struktur algoritmik bertingkat yang mendasari deep learning — dan lebih luas lagi, seluruh ledakan alat generatif AI setelah munculnya model-model besar. Walaupun ide untuk mengambil inspirasi dari jalur yang saling terhubung di otak manusia sebagai struktur desain untuk algoritma pemrosesan data sudah ada sejak tahun 1940an, baru perkembangan perangkat keras pemrosesan grafis (GPU) yang lebih modern — melalui industri game — yang benar-benar membuka potensi teori ini.
Open source mengacu pada perangkat lunak — atau, semakin banyak, model AI — di mana kode dasarnya tersedia secara publik untuk siapa saja menggunakan, memeriksa, atau memodifikasi. Dalam dunia AI, keluarga model Llama dari Meta adalah contoh yang menonjol; Linux adalah paralel sejarah yang terkenal dalam sistem operasi. Pendekatan open source memungkinkan peneliti, pengembang, dan perusahaan di seluruh dunia untuk membangun di atas pekerjaan satu sama lain, mempercepat progres dan memungkinkan audit keselamatan independen yang tidak dapat diberikan dengan mudah oleh sistem tertutup.
Parallelization berarti melakukan banyak hal sekaligus daripada satu per satu — seperti memiliki 10 karyawan yang bekerja pada bagian berbeda dari sebuah proyek secara bersamaan daripada satu karyawan melakukan semuanya secara berurutan. Dalam konteks AI, parallelization mendasari baik pelatihan maupun inference: GPU modern dirancang khusus untuk melakukan ribuan perhitungan secara paralel, yang menjadi salah satu alasan mengapa mereka menjadi tulang punggung perangkat keras industri ini. Saat sistem AI semakin kompleks dan modelnya semakin besar, kemampuan untuk membagi pekerjaan di berbagai chip dan mesin telah menjadi salah satu faktor terpenting dalam menentukan seberapa cepat dan efektif model dapat dibangun dan dikerahkan.
RAMageddon adalah istilah baru yang menyenangkan untuk tren yang tidak begitu menyenangkan yang melanda industri teknologi: kekurangan memori akses acak (RAM) yang semakin meningkat, yang memberi daya pada hampir semua produk teknologi yang kita gunakan setiap hari. Seiring bertumbuhnya industri AI, perusahaan-perusahaan teknologi terbesar dan laboratorium AI — semuanya bersaing untuk memiliki AI yang paling kuat dan efisien — membeli begitu banyak RAM untuk memacu pusat data mereka sehingga sangat sedikit tersisa untuk pengguna lainnya. Dan bottleneck pasokan itu berarti harga RAM yang tersisa semakin melambung.
Kekurangan ini memengaruhi industri seperti gaming di mana perusahaan besar terpaksa menaikkan harga konsol karena sulitnya mendapatkan chip memori untuk perangkat mereka, elektronik konsumen yang berpotensi menyebabkan penurunan pengiriman smartphone terbesar dalam lebih dari satu dekade, dan komputasi umum perusahaan (karena perusahaan-perusahaan tersebut tidak dapat mendapatkan cukup RAM untuk pusat data mereka). Lonjakan harga hanya diharapkan berhenti setelah kekurangan yang menyedihkan ini berakhir, tetapi sayangnya, tidak ada tanda-tanda bahwa itu akan segera terjadi.
Reinforcement learning adalah cara untuk melatih AI di mana sistem belajar dengan mencoba berbagai hal dan menerima imbalan untuk jawaban yang benar — mirip dengan melatih hewan peliharaan tercinta kamu dengan camilan. Dalam konteks ini, “hewan peliharaan” adalah jaringan saraf dan “camilan” adalah sinyal matematis yang menunjukkan kesuksesan. Berbeda dengan supervised learning, di mana model dilatih pada dataset tetap yang ditandai, reinforcement learning membiarkan model mengeksplorasi lingkungannya, mengambil tindakan, dan terus memperbaharui perilakunya berdasarkan umpan balik yang diterima. Pendekatan ini terbukti sangat efektif dalam melatih AI untuk bermain game, mengendalikan robot, dan baru-baru ini, meningkatkan kemampuan penalaran model bahasa besar.
Dalam komunikasi antara manusia dan mesin, ada beberapa tantangan yang jelas — orang berkomunikasi menggunakan bahasa manusia, sementara program AI menjalankan tugas melalui proses algoritmik kompleks berdasarkan data. Token menjembatani kesenjangan tersebut: mereka adalah blok bangunan dasar dalam komunikasi manusia-AI, mewakili segmen-segmen data yang telah diproses atau dihasilkan oleh LLM. Token diciptakan melalui proses yang disebut tokenization, yang memecah teks mentah menjadi unit-unit yang lebih kecil yang dapat dicerna oleh model bahasa, mirip dengan bagaimana compiler menerjemahkan bahasa manusia ke dalam kode biner yang dapat dipahami oleh komputer. Dalam pengaturan bisnis, tokens juga menentukan biaya — sebagian besar perusahaan AI membebankan biaya untuk penggunaan LLM berdasarkan jumlah token, artinya semakin banyak digunakan, semakin banyak yang dibayar.
Jadi, token adalah potongan kecil teks — sering kali bagian dari kata daripada keseluruhan kata — yang dipisahkan oleh model bahasa AI sebelum diproses; mereka bisa dianggap setara dengan “kata” untuk memahami beban kerja AI. Throughput mengacu pada seberapa banyak yang dapat diproses dalam periode waktu tertentu, jadi token throughput pada dasarnya adalah ukuran seberapa banyak pekerjaan AI yang dapat ditangani sistem sekaligus. Tingginya throughput token adalah tujuan utama bagi tim infrastruktur AI, karena mempengaruhi jumlah pengguna yang dapat dilayani model secara bersamaan dan seberapa cepat masing-masing dari mereka menerima respons.
Memproduksi AI machine learning memerlukan proses yang dikenal sebagai pelatihan. Singkatnya, ini mengacu pada data yang dimasukkan agar model dapat belajar polanya dan menghasilkan output yang berguna. Ini adalah proses di mana sistem merespons karakteristik dalam data yang memungkinkannya untuk mengadaptasi output menuju tujuan yang dicari — apakah itu mengidentifikasi gambar kucing atau menghasilkan haiku saat diminta.
Pelatihan bisa mahal karena memerlukan banyak input, dan volume yang diperlukan cenderung meningkat — itulah sebabnya pendekatan hibrida, seperti fine-tuning AI berbasis aturan dengan data terarah, dapat membantu mengelola biaya tanpa memulai dari nol.
Teknik di mana model AI yang telah dilatih sebelumnya digunakan sebagai titik awal untuk mengembangkan model baru untuk tugas yang berbeda tetapi biasanya terkait — memungkinkan pengetahuan dari siklus pelatihan sebelumnya diterapkan kembali.
Pembelajaran transfer dapat menghemat efisiensi dengan memperpendek pengembangan model. Ini juga berguna ketika data untuk tugas yang sedang dikembangkan model tersebut terbatas. Namun, penting untuk dicatat bahwa pendekatan ini memiliki keterbatasan. Model yang bergantung pada pembelajaran transfer untuk mendapatkan kemampuan umum kemungkinan besar akan memerlukan pelatihan tambahan pada data lain agar berfungsi dengan baik dalam domain fokus mereka.
Bobot adalah inti dari pelatihan AI, karena mereka menentukan seberapa besar pentingnya (atau bobot) yang diberikan pada fitur (atau variabel input) yang berbeda dalam data yang digunakan untuk melatih sistem — sehingga membentuk output model AI. Dalam kata lain, bobot adalah parameter numerik yang mendefinisikan apa yang paling signifikan dalam dataset untuk tugas pelatihan yang diberikan. Model pelatihan biasanya dimulai dengan bobot yang ditugaskan secara acak, tetapi seiring berjalannya proses, bobot-bobot ini disesuaikan saat model berupaya mencapai output yang lebih sesuai dengan target yang ditentukan.
Validation loss adalah angka yang menunjukkan seberapa baik model AI belajar selama pelatihan — semakin rendah, semakin baik. Para peneliti memantau secara cermat sebagai semacam laporan sementara, menggunakannya untuk memutuskan kapan harus menghentikan pelatihan, kapan harus menyesuaikan hyperparameter, atau apakah harus menyelidiki potensi masalah. Salah satu perhatian utama yang dibantu oleh metrik ini adalah overfitting, kondisi di mana model menghafal data pelatihannya alih-alih benar-benar mempelajari pola yang bisa digeneralisasi ke situasi baru. Anggap saja perbedaan antara siswa yang benar-benar memahami materi dan yang hanya menghafal ujian tahun lalu — validation loss membantu menunjukkan model mana yang sedang berkembang ke arah mana.
Artikel ini akan diperbarui secara berkala dengan informasi terbaru.
