Dunia kecerdasan buatan (AI) terus berkembang pesat. Seiring kemajuannya, muncul pula kosakata baru yang terkadang membingungkan. Mulai dari LLM, RAG, hingga RLHF, istilah-istilah ini seringkali membuat banyak orang, bahkan profesional di bidang teknologi, merasa kurang percaya diri. Untuk mengatasi kesenjangan pemahaman ini, sebuah kamus istilah AI yang komprehensif hadir. Kamus ini menyajikan definisi yang mudah dicerna untuk istilah-istilah AI yang paling sering ditemui, baik Anda pengembang, investor, maupun sekadar pembaca berita teknologi.
Mengurai Konsep AI: Dari AGI hingga Generative AI
Salah satu konsep kunci yang dibahas adalah Artificial General Intelligence (AGI). Istilah ini merujuk pada AI yang kemampuannya setara atau bahkan melampaui manusia dalam berbagai tugas. CEO OpenAI, Sam Altman, pernah menggambarkannya sebagai AI yang bisa Anda "pekerjakan sebagai rekan kerja." Namun, definisi ini bervariasi. OpenAI sendiri mendefinisikan AGI sebagai "sistem yang sangat otonom yang mengungguli manusia dalam sebagian besar pekerjaan yang bernilai ekonomi." Sementara itu, Google DeepMind melihat AGI sebagai "AI yang setidaknya setara dengan manusia dalam sebagian besar tugas kognitif." Kebingungan di kalangan pakar pun tak terhindarkan.
Konsep lain yang tak kalah penting adalah AI agent. Ini adalah alat AI yang mampu melakukan serangkaian tugas atas nama pengguna, melampaui kemampuan chatbot biasa. Tugasnya bisa meliputi pengisian formulir pengeluaran, pemesanan tiket, hingga menulis dan memelihara kode. Namun, definisi "AI agent" masih berkembang, dengan infrastruktur yang terus dibangun untuk mewujudkan potensinya. Intinya, ini adalah sistem otonom yang dapat menggunakan berbagai sistem AI untuk menyelesaikan tugas bertahap.
Tak ketinggalan, API endpoint diibaratkan sebagai "tombol" tersembunyi di balik perangkat lunak. Program lain dapat "menekan" tombol ini untuk memicu tindakan. Pengembang memanfaatkannya untuk integrasi, memungkinkan aplikasi saling bertukar data atau AI agent mengontrol layanan pihak ketiga secara langsung. Semakin canggih AI agent, semakin mampu ia menemukan dan menggunakan endpoint ini secara mandiri.
Untuk pemrosesan data yang lebih kompleks, konsep "chain of thought" menjadi krusial. Dalam AI, ini berarti memecah masalah menjadi langkah-langkah kecil yang saling terkait untuk meningkatkan kualitas hasil akhir. Meskipun memakan waktu lebih lama, akurasi jawaban menjadi lebih tinggi, terutama dalam konteks logika atau pemrograman.
Di ranah pengembangan perangkat lunak, muncul pula "coding agent." Ini adalah AI agent khusus yang dapat menulis, menguji, dan men-debug kode secara mandiri. Bayangkan seorang asisten pengembang yang sangat cepat dan fokus, namun tetap memerlukan pengawasan manusia.
Fondasi Teknologi AI: Dari Deep Learning hingga Komputasi
Di balik kemampuan AI terdapat fondasi teknologi yang kuat. Deep learning, sebagai sub-bidang machine learning, menggunakan jaringan saraf tiruan berlapis untuk membuat korelasi yang lebih kompleks. Terinspirasi dari otak manusia, model deep learning mampu mengidentifikasi fitur penting dalam data secara mandiri. Namun, proses ini membutuhkan data dalam jumlah sangat besar dan waktu pelatihan yang lebih lama.
Teknik lain yang menarik adalah "diffusion," yang menjadi inti model AI penghasil seni, musik, dan teks. Sistem ini secara perlahan "menghancurkan" struktur data dengan menambahkan noise, kemudian belajar memulihkannya. "Distillation" adalah teknik transfer pengetahuan dari model AI besar ke model yang lebih kecil dan efisien, seperti yang diduga digunakan untuk mengembangkan GPT-4 Turbo.
"Fine-tuning" adalah proses melatih ulang model AI untuk tugas yang lebih spesifik. "GAN" (Generative Adversarial Network) adalah kerangka machine learning yang menghasilkan data realistis, termasuk deepfake. Fenomena "hallucination" terjadi ketika model AI "mengarang" informasi yang salah, menjadi tantangan besar bagi kualitas AI.
Proses menjalankan model AI disebut "inference," di mana model membuat prediksi berdasarkan data yang telah dilihat. Untuk menjalankan model-model besar ini, dibutuhkan "compute," yaitu kekuatan komputasi yang dihasilkan oleh perangkat keras seperti GPU dan TPU.
Kamus ini juga menjelaskan "large language model" (LLM) yang menjadi dasar chatbot populer seperti ChatGPT. LLM adalah jaringan saraf dalam dengan miliaran parameter yang memahami hubungan antar kata. "Memory cache" digunakan untuk mempercepat proses inference dengan menyimpan hasil perhitungan sebelumnya.
Standar "Model Context Protocol" (MCP) memungkinkan AI terhubung ke alat dan data eksternal tanpa perlu konektor kustom. "Mixture of Experts" (MoE) adalah arsitektur model yang membagi jaringan saraf menjadi sub-jaringan spesialis, mengaktifkan hanya beberapa untuk tugas tertentu.
"Neural network" adalah struktur algoritmik berlapis yang mendasari deep learning. Konsep "open source" memungkinkan kode AI dibagikan secara publik, mempercepat kemajuan. "Parallelization" berarti melakukan banyak hal secara bersamaan, krusial untuk efisiensi AI.
Istilah "RAMageddon" menggambarkan kelangkaan chip RAM akibat permintaan tinggi dari industri AI, menyebabkan kenaikan harga. "Recursive self-improvement" merujuk pada kemampuan AI untuk memperbaiki dirinya sendiri tanpa campur tangan manusia. "Reinforcement learning" adalah metode pelatihan AI melalui sistem imbalan dan hukuman.
"Token" adalah unit dasar komunikasi manusia-AI, dan "token throughput" mengukur seberapa banyak AI dapat memproses dalam periode tertentu. Proses pengembangan AI dikenal sebagai "training," di mana model belajar dari data. "Transfer learning" menggunakan model yang sudah terlatih sebagai dasar model baru. "Validation loss" mengukur seberapa baik AI belajar selama pelatihan, sementara "weights" menentukan bobot pentingnya fitur dalam data pelatihan. Kamus ini akan terus diperbarui seiring evolusi AI.
