Dalam beberapa tahun terakhir, kecerdasan buatan (AI) telah mengubah lanskap teknologi dan bisnis secara dramatis. Di setiap pertemuan produk, presentasi, atau panel, istilah-istilah baru seperti LLMs, RAG, dan RLHF sering terdengar, membuat banyak orang, bahkan yang berpengalaman di dunia teknologi, merasa sedikit bingung. Untuk itu, kami menghadirkan panduan istilah AI yang berbasis pada bahasa sehari-hari, sehingga lebih mudah diakses oleh siapa saja yang tertarik untuk membangun, berinvestasi, atau sekadar mengikuti perkembangan teknologi ini.
Artificial General Intelligence (AGI) adalah istilah yang masih agak kabur. Intinya, AGI mengacu pada AI yang lebih cakap daripada manusia dalam banyak tugas. Sam Altman, CEO OpenAI, menyebut AGI sebagai “setara dengan manusia rata-rata yang bisa Anda sewa sebagai rekan kerja”. Sementara itu, Google DeepMind menganggap AGI sebagai AI yang setidaknya sebanding dengan manusia dalam sebagian besar tugas kognitif. Kebingungan seputar definisi AGI ini juga dialami oleh banyak ahli di bidang penelitian AI.
Sebuah AI agent adalah alat yang menggunakan teknologi AI untuk melakukan serangkaian tugas atas nama pengguna. Ini bisa mencakup pengelolaan pengeluaran, pemesanan tiket, atau bahkan menulis dan memelihara kode. Namun, istilah ini bisa bermakna berbeda bagi setiap orang, karena infrastrukturnya masih berkembang untuk memenuhi kemampuannya yang diharapkan. Konsep dasarnya adalah sistem otonom yang memanfaatkan beberapa sistem AI untuk menyelesaikan tugas-tugas yang terdiri dari beberapa langkah.
Selanjutnya, API endpoints bisa dianggap sebagai “tombol” di balik sebuah perangkat lunak yang dapat ditekan oleh program lain untuk menjalankan fungsi tertentu. Para pengembang menggunakan antarmuka ini untuk membangun integrasi — misalnya, agar satu aplikasi dapat menarik data dari aplikasi lain, atau memungkinkan AI agent untuk mengontrol layanan pihak ketiga tanpa campur tangan manusia. Sebagian besar perangkat pintar dan platform yang terhubung memiliki tombol tersembunyi ini, meskipun pengguna biasa tidak melihat atau berinteraksi dengan mereka. Seiring dengan meningkatnya kemampuan AI agent, mereka semakin mampu mencari dan menggunakan endpoint tersebut secara mandiri, membuka kemungkinan baru untuk otomatisasi.
Pernahkah Anda mendengar tentang chain-of-thought reasoning? Dalam konteks AI, ini berarti membagi masalah menjadi langkah-langkah kecil untuk meningkatkan kualitas hasil akhir. Meskipun biasanya memakan waktu lebih lama untuk mendapatkan jawaban, hasilnya lebih mungkin tepat, terutama dalam konteks pemrograman. Model reasoning ini mengembangkan pemikiran secara berurutan dan telah dioptimalkan melalui pembelajaran penguatan.
Coding agent adalah versi lebih spesifik dari AI agent yang diterapkan pada pengembangan perangkat lunak. Alih-alih hanya menyarankan kode untuk ditinjau manusia, coding agent dapat menulis, menguji, dan memperbaiki kode secara mandiri, mengatasi tugas iteratif yang biasanya membuang waktu pengembang. Bayangkan saja memiliki magang yang sangat cepat, tidak pernah tidur, dan tidak pernah kehilangan fokus — meski, seperti halnya magang, seorang manusia tetap perlu meninjau hasil kerjanya.
Compute merujuk pada daya komputasi penting yang memungkinkan model AI beroperasi. Istilah ini sering digunakan untuk menggambarkan jenis perangkat keras yang menyediakan daya komputasi, seperti GPU, CPU, dan TPU yang membentuk fondasi industri AI modern. Selain itu, deep learning memungkinkan algoritma AI untuk membuat korelasi yang lebih kompleks dibandingkan dengan sistem machine learning yang lebih sederhana. Berbasis pada struktur jaringan saraf buatan yang terinspirasi oleh jaringan neuron dalam otak manusia, model ini mampu mengenali ciri-ciri penting dalam data sendiri dan belajar dari kesalahan untuk meningkatkan hasilnya.
Sistem diffusion berada di jantung banyak model AI yang menghasilkan seni, musik, dan teks. Sistem ini secara perlahan “menghancurkan” struktur data dengan menambahkan kebisingan sampai tidak tersisa. Namun, sistem ini bertujuan untuk mempelajari proses “reverse diffusion” untuk memulihkan data yang rusak. Di sisi lain, distillation adalah teknik yang digunakan untuk mengekstrak pengetahuan dari model AI besar dengan pendekatan ‘guru-murid’, yang bertujuan untuk menciptakan model yang lebih kecil dan lebih efisien.
Dalam dunia AI, hallucination mengacu pada ketika model AI menghasilkan informasi yang tidak benar. Masalah ini disebabkan oleh celah dalam data pelatihan, yang mendorong pengembangan model AI yang lebih spesifik untuk mengurangi risiko disinformasi. Proses inference adalah langkah di mana model AI dibuat untuk melakukan prediksi atau menarik kesimpulan dari data yang telah dilihat sebelumnya. Setiap jenis perangkat keras dapat melakukan inference, tetapi tidak semua dapat melakukannya dengan baik.
Terakhir, large language models (LLMs) adalah model AI yang digunakan oleh asistensi AI populer, seperti ChatGPT dan Claude. Model ini memproses permintaan pengguna dengan cara yang unik, membentuk peta multidimensi dari kata-kata berdasarkan pola yang ditemukan dalam miliaran buku dan artikel. Dengan memahami banyak istilah ini, harapannya lebih banyak orang bisa ikut serta dalam revolusi yang dibawa oleh AI ini.
