.jpg "Blogger Sulawesi")
Pertanyaan tersebut semakin menarik karena jawaban AI sering kali terasa seperti hasil seseorang yang sedang membuka banyak buku sekaligus. Ketika kita bertanya mengenai suatu topik, AI dapat menjelaskan pengertian, memberikan contoh, membandingkan beberapa konsep, menyusun poin-poin penting, bahkan menghubungkan suatu informasi dengan informasi lainnya. Padahal, pengguna biasanya hanya memberikan satu kalimat pertanyaan.
Di sinilah terdapat kesalahpahaman yang cukup sering terjadi. AI tidak selalu bekerja seperti mesin pencari yang setiap kali mendapat pertanyaan langsung membuka internet, menemukan sebuah halaman, kemudian menyalin jawabannya. Pada model AI generatif, sebagian besar kemampuan menjawab berasal dari proses pelatihan sebelumnya, ketika model mempelajari pola dari data dalam jumlah sangat besar.
Namun, cerita sebenarnya tidak sesederhana itu. Ada model yang dapat menjawab berdasarkan pengetahuan yang diperoleh saat pelatihan, ada pula sistem AI yang dapat menggunakan mesin pencari atau sumber eksternal ketika menjawab pertanyaan. Karena itu, memahami dari mana informasi AI berasal menjadi penting agar kita tidak salah menganggap setiap jawaban AI sebagai informasi yang baru saja ditemukan dari internet.
AI Tidak Menyimpan Internet Seperti Sebuah Perpustakaan Digital
Ketika mendengar bahwa AI dilatih menggunakan data dalam jumlah sangat besar, sebagian orang membayangkan sebuah gudang digital yang menyimpan seluruh artikel, buku, gambar, dan halaman internet yang kemudian bisa dibuka kembali kapan pun pengguna mengajukan pertanyaan. Gambaran tersebut sebenarnya terlalu sederhana. Model bahasa tidak bekerja seperti perpustakaan digital yang mempunyai satu rak khusus untuk setiap pertanyaan dan satu dokumen khusus untuk setiap jawaban.
Dalam proses pelatihan, model belajar mengenali pola dari data yang digunakan. Misalnya, ketika model menemukan ribuan contoh kalimat mengenai ekonomi, model tidak hanya menyimpan setiap kalimat sebagai salinan utuh, tetapi melakukan pembelajaran terhadap hubungan antara kata, konsep, struktur bahasa, dan berbagai pola yang terdapat dalam data tersebut. Hasil pembelajaran kemudian tercermin dalam parameter model yang jumlahnya dapat mencapai skala yang sangat besar.
Andrej Karpathy, peneliti AI kelahiran Slovakia dan salah satu tokoh yang banyak menjelaskan cara kerja large language model, sering menggambarkan model bahasa sebagai sistem yang belajar memprediksi token berikutnya berdasarkan konteks. Penjelasan ini penting karena memperlihatkan bahwa kemampuan model bukan sekadar menyimpan dan mengambil dokumen seperti mesin pencari. Model membangun representasi matematis yang kemudian digunakan untuk menghasilkan respons baru.
Karena itu, ketika seseorang bertanya, "Apa penyebab inflasi?", AI tidak harus memiliki sebuah file bernama jawaban-penyebab-inflasi.txt yang dibuka secara otomatis. Model menggunakan pola yang telah dipelajarinya mengenai inflasi, harga, permintaan, penawaran, kebijakan moneter, biaya produksi, dan berbagai konsep terkait untuk menyusun jawaban. Hasil akhirnya merupakan keluaran baru yang dibentuk berdasarkan hubungan informasi yang dipelajari model.
Dari Mana Data Pelatihan AI Berasal?
Lalu muncul pertanyaan yang lebih mendasar: jika AI belajar dari data, dari mana data tersebut berasal? Secara umum, model AI dapat dilatih menggunakan berbagai jenis data, tergantung pada model dan proses pelatihan yang dilakukan. Data tersebut dapat mencakup teks, kode, gambar, audio, video, dokumen, dan sumber lain yang digunakan secara sah sesuai dengan proses dan ketentuan pengembangan model.
Untuk model bahasa, data pelatihan dapat membantu sistem mempelajari struktur bahasa manusia dalam berbagai bentuk. Model dapat menemukan pola mengenai bagaimana sebuah kata digunakan dalam kalimat, bagaimana suatu konsep biasanya dijelaskan, bagaimana pertanyaan dijawab, bagaimana kode pemrograman disusun, hingga bagaimana berbagai topik saling berhubungan dalam teks.
Sam Altman, CEO OpenAI dari Amerika Serikat, telah berkali-kali membahas pentingnya data, komputasi, dan kemampuan model dalam perkembangan AI generatif. Perkembangan large language model menunjukkan bahwa kualitas model tidak hanya ditentukan oleh seberapa banyak data yang digunakan, tetapi juga bagaimana data diproses, bagaimana model dilatih, arsitektur yang digunakan, serta teknik penyelarasan yang diterapkan setelah pelatihan dasar.
Perlu dipahami pula bahwa tidak semua informasi yang ada di internet otomatis diketahui oleh sebuah model AI. Sebuah halaman web yang baru diterbitkan hari ini tidak serta-merta berarti model yang telah dilatih sebelumnya langsung mengetahui isinya. Ada perbedaan antara pengetahuan yang diperoleh saat pelatihan dan informasi yang diperoleh secara langsung melalui akses ke sumber eksternal.
Apa Bedanya AI dengan Google atau Mesin Pencari?
Perbedaan antara AI generatif dan mesin pencari menjadi penting untuk memahami asal informasi. Mesin pencari seperti Google pada dasarnya dirancang untuk menemukan dan mengurutkan halaman atau sumber informasi yang tersedia di web. Ketika seseorang mengetik kata kunci, mesin pencari mencari halaman yang dianggap relevan lalu menampilkan daftar hasil yang dapat dibuka pengguna.
AI generatif memiliki mekanisme yang berbeda. Ketika pengguna bertanya kepada model bahasa, sistem dapat menghasilkan jawaban secara langsung berdasarkan pola yang telah dipelajarinya. Dengan kata lain, mesin pencari terutama berfokus pada menemukan informasi, sedangkan model generatif berfokus pada menghasilkan respons berdasarkan konteks dan kemampuan model.
Prabhakar Raghavan, ilmuwan komputer asal India yang lama berkarier di bidang teknologi pencarian dan pernah memimpin organisasi pencarian di Google, merupakan salah satu tokoh yang banyak terlibat dalam perkembangan sistem pencarian informasi. Perkembangan mesin pencari dan AI generatif menunjukkan bahwa keduanya memiliki pendekatan berbeda terhadap informasi, meskipun sekarang batas antara keduanya semakin sering bertemu.
AI modern juga dapat dikombinasikan dengan mesin pencari atau alat eksternal. Dalam situasi tersebut, sistem dapat memperoleh informasi terbaru dari sumber luar terlebih dahulu, kemudian menggunakan kemampuan model bahasa untuk membantu memahami dan menyajikan informasi tersebut kepada pengguna. Inilah alasan mengapa penting menanyakan apakah suatu AI sedang menjawab berdasarkan pengetahuan model atau menggunakan sumber eksternal dalam proses jawabannya.
Bagaimana AI Bisa Menjawab Pertanyaan yang Belum Pernah Kita Ajukan?
Salah satu kemampuan yang membuat AI terlihat sangat pintar adalah kemampuannya menjawab pertanyaan yang mungkin belum pernah ditanyakan pengguna lain dengan susunan kalimat yang persis sama. Misalnya, seseorang dapat menggabungkan beberapa konsep sekaligus dalam satu pertanyaan yang sangat spesifik. Meskipun model mungkin tidak pernah melihat kalimat pertanyaan tersebut secara persis, model tetap dapat menghasilkan jawaban yang relevan.
Hal ini terjadi karena model tidak hanya belajar menghafal pertanyaan dan jawaban. Selama proses pelatihan, model mempelajari hubungan statistik yang kompleks antara berbagai unsur bahasa dan konsep. Ketika mendapatkan pertanyaan baru, model dapat menggunakan representasi yang sudah dimilikinya untuk menggabungkan berbagai pola yang relevan.
Bayangkan seseorang yang telah membaca ribuan buku mengenai berbagai bidang. Orang tersebut mungkin belum pernah mendapatkan pertanyaan tertentu, tetapi karena memahami konsep dasarnya, ia dapat mencoba menjawab pertanyaan baru dengan menghubungkan pengetahuan yang sudah dimiliki. AI bekerja secara berbeda dari manusia, tetapi analogi tersebut dapat membantu menggambarkan mengapa model mampu menghasilkan respons untuk pertanyaan baru.
Yoshua Bengio, ilmuwan komputer asal Kanada dan salah satu tokoh penting dalam perkembangan deep learning, telah lama meneliti bagaimana jaringan saraf dapat mempelajari representasi dari data. Perkembangan deep learning menunjukkan bahwa model dapat memperoleh kemampuan yang tidak selalu berupa satu aturan eksplisit yang ditulis programmer. Kemampuan tersebut muncul dari proses pembelajaran terhadap pola yang sangat kompleks.
Karena itu, jawaban AI tidak harus berasal dari satu sumber tunggal. Sebuah respons dapat merupakan hasil kombinasi dari berbagai pola yang dipelajari selama pelatihan. Hal ini pula yang membuat jawaban AI terkadang sulit dilacak ke satu artikel atau satu buku tertentu, terutama jika model tidak menyediakan sumber secara eksplisit.
Mengapa AI Bisa Menjelaskan Topik yang Sangat Berbeda?
Hari ini pengguna dapat bertanya mengenai astronomi, kemudian beralih ke hukum, setelah itu meminta bantuan matematika, lalu meminta penjelasan mengenai sejarah. Model yang sama dapat merespons berbagai topik tersebut. Kemampuan lintas bidang ini menjadi salah satu alasan mengapa AI generatif terasa seperti memiliki ensiklopedia yang sangat luas di dalamnya.
Sebenarnya, model tidak memiliki seorang ahli hukum, dokter, ekonom, sejarawan, dan programmer yang duduk secara bersamaan di belakang layar untuk menjawab pertanyaan pengguna. Semua kemampuan tersebut muncul dari model yang telah mempelajari pola dari data multidisiplin. Model kemudian menggunakan representasi tersebut untuk menghasilkan respons sesuai dengan konteks yang diberikan.
Geoffrey Hinton, ilmuwan komputer kelahiran Inggris dan penerima Turing Award, merupakan salah satu tokoh penting dalam perkembangan jaringan saraf. Penelitian mengenai neural network menunjukkan bahwa jaringan buatan dapat mempelajari representasi yang kompleks dari data. Perkembangan inilah yang memungkinkan satu model memiliki kemampuan menangani berbagai macam tugas yang sebelumnya membutuhkan sistem khusus untuk setiap bidang.
Meski demikian, kemampuan lintas bidang bukan berarti AI memiliki keahlian profesional yang setara dengan manusia di setiap bidang. Model dapat menjelaskan konsep hukum dengan sangat lancar, tetapi itu tidak otomatis menjadikannya advokat. AI dapat menjelaskan konsep medis, tetapi itu tidak berarti AI menjadi dokter yang dapat memeriksa pasien. Perbedaan antara kemampuan menghasilkan penjelasan dan keahlian profesional yang bertanggung jawab atas keputusan harus tetap dipahami.
Apakah AI Mengingat Semua Informasi yang Pernah Dibacanya?
Pertanyaan berikutnya adalah apakah AI "mengingat" semua informasi seperti manusia mengingat buku yang pernah dibacanya. Jawabannya tidak sesederhana ya atau tidak. Model memang memiliki parameter yang menyimpan hasil pembelajaran dari proses pelatihan, tetapi parameter tersebut bukanlah arsip literal yang dapat dibuka seperti folder komputer.
Bayangkan sebuah model dilatih menggunakan jutaan contoh kalimat. Setelah proses pelatihan selesai, model memiliki parameter yang mencerminkan pola yang ditemukan selama pembelajaran. Ketika menerima pertanyaan, model menggunakan parameter tersebut untuk menghitung respons yang paling sesuai dengan konteks, bukan membuka kembali seluruh data pelatihan dan membaca ulang setiap dokumen.
Ilya Sutskever, ilmuwan komputer kelahiran Uni Soviet yang kemudian berkarier di Kanada dan Amerika Serikat, merupakan salah satu tokoh utama dalam perkembangan deep learning dan neural network modern. Penelitian dan pengembangan model berskala besar memperlihatkan betapa kompleksnya hubungan antara data pelatihan dan kemampuan yang muncul setelah model selesai dilatih.
Namun, ada fenomena yang disebut memorization, ketika model dapat mengingat atau mereproduksi bagian tertentu dari data pelatihan, terutama dalam kondisi tertentu. Hal tersebut menjadi salah satu alasan mengapa persoalan hak cipta, privasi, data pribadi, dan penggunaan data untuk melatih AI menjadi topik penting dalam diskusi teknologi di berbagai negara.
Bagaimana AI Mengetahui Informasi Terbaru?
Di sinilah perbedaan antara model yang hanya mengandalkan pengetahuan hasil pelatihan dan AI yang memiliki akses ke sumber eksternal menjadi sangat penting. Jika model tidak memiliki akses terhadap informasi baru, maka pengetahuannya tidak otomatis bertambah setiap kali sebuah artikel baru muncul di internet. Model memerlukan proses pembaruan atau mekanisme lain untuk mendapatkan informasi yang lebih baru.
Misalnya, jika terjadi sebuah peristiwa besar pagi ini, model yang tidak memiliki akses ke sumber informasi terbaru tidak secara otomatis mengetahui peristiwa tersebut hanya karena pengguna bertanya pada siang hari. Sebaliknya, sistem AI yang dilengkapi kemampuan pencarian web atau koneksi ke database tertentu dapat mengambil informasi dari sumber eksternal sebelum menyusun jawaban.
Demis Hassabis, CEO Google DeepMind asal Inggris, merupakan salah satu tokoh yang banyak membahas perkembangan AI menuju sistem yang semakin mampu berinteraksi dengan berbagai jenis informasi dan alat. Perkembangan AI modern menunjukkan bahwa model bahasa tidak harus bekerja sendirian. Model dapat menjadi bagian dari sistem yang lebih besar dan berinteraksi dengan mesin pencari, database, perangkat lunak, atau alat lainnya.
Karena itu, ketika menggunakan AI untuk mencari informasi aktual, pengguna sebaiknya mengetahui apakah sistem tersebut memiliki akses ke informasi terkini. Untuk pertanyaan seperti harga saham hari ini, hasil pertandingan terbaru, perubahan peraturan, berita yang baru terjadi, atau jadwal acara, sumber aktual tetap diperlukan. Jangan menganggap bahwa semua informasi yang disampaikan dengan bahasa sangat meyakinkan otomatis merupakan informasi terbaru.
Mengapa AI Kadang Memberikan Jawaban yang Salah?
Jika AI memiliki kemampuan memproses begitu banyak informasi, mengapa masih bisa salah? Salah satu jawabannya adalah karena model bahasa tidak dirancang sebagai mesin kebenaran absolut. Model menghasilkan respons berdasarkan pola dan probabilitas, sehingga jawaban yang terdengar sangat masuk akal belum tentu benar secara faktual.
Fenomena ketika AI menghasilkan informasi yang salah tetapi disampaikan dengan cara yang meyakinkan sering disebut hallucination. Model dapat menciptakan nama buku yang tidak pernah diterbitkan, mencantumkan sumber yang tidak ada, salah mengingat tanggal, menggabungkan dua fakta yang berbeda, atau menarik kesimpulan yang sebenarnya tidak didukung oleh data.
Emily M. Bender, profesor linguistik asal Amerika Serikat, merupakan salah satu akademisi yang banyak mengingatkan bahwa kemampuan model bahasa menghasilkan teks yang fasih tidak boleh disamakan begitu saja dengan pemahaman dunia secara menyeluruh. Kritik tersebut penting karena manusia cenderung mempercayai sesuatu yang disampaikan dengan struktur bahasa yang rapi dan penuh keyakinan.
Masalah ini menjadi semakin serius ketika AI digunakan untuk bidang yang memiliki konsekuensi nyata. Informasi mengenai hukum, kesehatan, keuangan, akademik, dan kebijakan publik membutuhkan verifikasi dari sumber resmi atau profesional yang kompeten. AI dapat membantu mempercepat proses memahami informasi, tetapi tanggung jawab untuk memastikan kebenarannya tetap tidak boleh sepenuhnya diserahkan kepada mesin.
Jadi, Apakah AI Benar-Benar "Tahu" Jawabannya?
Kata "tahu" sebenarnya perlu digunakan dengan hati-hati. Ketika manusia mengatakan "saya tahu jawabannya", biasanya terdapat proses pemahaman, pengalaman, ingatan, dan keyakinan yang mendasari pernyataan tersebut. Pada AI, istilah "tahu" lebih tepat dipahami sebagai kemampuan model menghasilkan respons berdasarkan pola dan representasi yang diperoleh melalui proses pembelajaran.
AI tidak harus memiliki sebuah daftar fakta yang dibuka satu per satu untuk dapat memberikan jawaban. Model dapat mengombinasikan berbagai pola yang telah dipelajarinya dan menghasilkan kalimat yang sesuai dengan pertanyaan. Inilah yang membuat respons AI sering terasa seperti hasil seseorang yang memiliki pengetahuan sangat luas.
Stuart Russell, profesor ilmu komputer asal Inggris di University of California, Berkeley, menekankan pentingnya memahami kecerdasan buatan berdasarkan tujuan, kemampuan, dan perilakunya, bukan sekadar memberikan sifat manusia kepada mesin. Perspektif ini membantu kita melihat AI secara lebih realistis: AI dapat sangat kompeten dalam tugas tertentu tanpa harus memiliki pengalaman batin seperti manusia.
Dengan demikian, ketika AI memberikan jawaban, lebih tepat jika kita mengatakan bahwa model menghasilkan jawaban berdasarkan informasi dan pola yang telah dipelajarinya atau sumber yang dapat diaksesnya, bukan membayangkan bahwa sebuah "pikiran digital" sedang membuka buku di dalam kepalanya. Perbedaan kecil dalam cara memahami hal tersebut sebenarnya sangat penting karena menentukan seberapa jauh kita mempercayai dan menggunakan AI.
Masa Depan: AI Tidak Hanya Menjawab, tetapi Bisa Mencari dan Mengolah Informasi
Perkembangan AI bergerak menuju sistem yang tidak hanya menghasilkan teks berdasarkan pengetahuan internal, tetapi juga mampu berinteraksi dengan berbagai sumber dan alat. AI dapat diarahkan untuk mencari informasi, membaca dokumen, menganalisis data, menjalankan kode, menggunakan aplikasi, atau menggabungkan beberapa sumber sebelum menghasilkan jawaban.
Perubahan tersebut membuat AI semakin menyerupai asisten digital yang dapat melakukan beberapa tahap pekerjaan sekaligus. Pengguna tidak selalu harus mencari sumber satu per satu, membaca seluruh dokumen, kemudian membuat ringkasan secara manual. Dalam sistem tertentu, AI dapat membantu menemukan informasi, menyusun poin penting, membandingkan data, lalu menyajikannya dalam format yang lebih mudah dipahami.
Fei-Fei Li, ilmuwan komputer asal Tiongkok-Amerika Serikat yang dikenal luas melalui kontribusinya dalam computer vision dan AI, telah lama menekankan pentingnya data dan pemahaman dunia nyata dalam pengembangan kecerdasan buatan. Perkembangan AI ke depan tidak hanya bergantung pada kemampuan bahasa, tetapi juga pada kemampuan memahami lingkungan, informasi visual, dan berbagai bentuk data lainnya.
Namun, semakin banyak kemampuan yang diberikan kepada AI, semakin besar pula kebutuhan terhadap pengawasan. AI yang dapat mencari informasi dan mengambil tindakan membutuhkan sistem keamanan, batas kewenangan, verifikasi, serta mekanisme untuk mencegah kesalahan. Masa depan AI kemungkinan bukan sekadar tentang "seberapa pintar AI menjawab", tetapi juga seberapa aman AI memperoleh informasi, menggunakannya, dan mengambil tindakan berdasarkan informasi tersebut.
Kesimpulan Penulis
Jadi, dari mana sebenarnya AI mendapatkan informasi?
Jawabannya bergantung pada jenis sistem AI yang digunakan. Sebagian besar kemampuan model bahasa berasal dari proses pelatihan menggunakan data dalam jumlah besar, yang memungkinkan model mempelajari pola bahasa, konsep, hubungan antar-informasi, dan berbagai bentuk representasi. Setelah dilatih, model menggunakan parameter tersebut untuk menghasilkan respons ketika pengguna memberikan pertanyaan.
Namun, AI tidak selalu memiliki informasi terbaru. Jika sebuah sistem memiliki akses ke mesin pencari, database, dokumen, atau sumber eksternal lainnya, AI dapat menggunakan informasi tersebut untuk memperkaya jawabannya. Karena itu, sangat penting membedakan antara pengetahuan yang tersimpan sebagai hasil pembelajaran model dan informasi yang diambil secara langsung dari sumber eksternal.
Yang juga perlu diingat adalah AI bukan mesin pencari yang selalu mengambil satu jawaban paling benar dari internet. AI generatif menyusun respons berdasarkan proses komputasi yang kompleks, sehingga jawaban yang terdengar meyakinkan tetap dapat mengandung kesalahan.
Pada akhirnya, kecanggihan AI bukan terletak pada kemampuannya "mengetahui segalanya", melainkan pada kemampuannya mempelajari pola dalam skala sangat besar dan menggunakan pola tersebut untuk menghasilkan respons yang relevan dengan pertanyaan manusia. Semakin canggih teknologi ini, semakin penting pula bagi pengguna untuk memahami dari mana informasi berasal, apakah informasi tersebut mutakhir, dan apakah jawaban yang diberikan sudah diverifikasi.
Dengan pemahaman tersebut, AI dapat digunakan secara lebih bijak: bukan sebagai pengganti kemampuan manusia untuk memeriksa kebenaran, tetapi sebagai alat yang membantu manusia menemukan, memahami, mengolah, dan menggunakan informasi dengan jauh lebih cepat.
Penulis : Rahmatia Aulia
Referensi : Sipudeceng - Info Teknologi