Kecerdasan buatan, atau AI, adalah teknologi yang memungkinkan komputer dan mesin untuk mensimulasikan kecerdasan manusia dan kemampuan memecahkan masalah.
Dengan sendirinya atau dikombinasikan dengan teknologi lain (misalnya, sensor, geolokasi, robotika), AI dapat melakukan tugas-tugas yang biasanya membutuhkan kecerdasan atau intervensi manusia. Asisten digital, panduan GPS, kendaraan otonom, dan alat AI generatif (seperti ChatGPT milik OpenAI) hanyalah beberapa contoh AI dalam berita harian dan kehidupan kita sehari-hari.
Sebagai bidang ilmu komputer, kecerdasan buatan mencakup (dan sering disebutkan bersama-sama dengan) machine learning dan pembelajaran mendalam. Disiplin ilmu ini melibatkan pengembangan algoritma AI, yang dimodelkan berdasarkan proses pengambilan keputusan otak manusia, yang dapat 'belajar' dari data yang tersedia dan membuat klasifikasi atau prediksi yang semakin akurat dari waktu ke waktu.
Kecerdasan buatan telah melalui banyak siklus kehebohan, tetapi bahkan bagi mereka yang skeptis, peluncuran ChatGPT tampaknya menandai titik balik. Terakhir kali AI generatif tampil sedemikian besar, terobosannya adalah pada visi komputer, tetapi sekarang lompatan ke depan ada pada pemrosesan bahasa alami (NLP). Saat ini, AI generatif tidak hanya dapat mempelajari dan mensintesis bahasa manusia, tetapi juga tipe data lainnya, termasuk gambar, video, kode perangkat lunak, dan bahkan struktur molekul.
Aplikasi untuk AI berkembang setiap hari. Namun seiring dengan maraknya penggunaan alat AI dalam bisnis, percakapan seputar etika AI dan AI yang bertanggung jawab menjadi sangat penting. Untuk mengetahui lebih lanjut tentang posisi IBM dalam masalah ini, silakan baca Membangun kepercayaan terhadap AI.
Pelajari tentang hambatan adopsi AI, terutama kurangnya tata kelola AI dan solusi manajemen risiko.
Daftar untuk mendapatkan panduan tentang model dasar
AI yang lemah—juga disebut AI sempit atau kecerdasan sempit buatan (ANI)—adalah AI yang dilatih dan difokuskan untuk melakukan tugas-tugas tertentu. AI yang lemah menggerakkan sebagian besar AI yang ada di sekitar kita saat ini. "Sempit" mungkin merupakan deskriptor yang lebih tepat untuk jenis AI ini karena AI ini sama sekali tidak lemah: AI ini mendukung beberapa aplikasi yang sangat andal, seperti Siri dari Apple, Alexa dari Amazon, IBM watsonx, dan kendaraan tanpa pengemudi.
AI yang kuat terdiri dari kecerdasan umum buatan (AGI) dan kecerdasan super buatan (ASI). AGI, atau AI umum, adalah bentuk teoritis dari AI ketika sebuah mesin memiliki kecerdasan yang setara dengan manusia; mesin tersebut akan menyadari dirinya sendiri dengan kesadaran yang memiliki kemampuan untuk memecahkan masalah, belajar, dan merencanakan masa depan. ASI—juga dikenal sebagai kecerdasan super—akan melampaui kecerdasan dan kemampuan otak manusia. Meskipun AI yang kuat masih sepenuhnya bersifat teoretis tanpa contoh praktis yang digunakan saat ini, bukan berarti para peneliti AI tidak mengeksplorasi pengembangannya. Sementara itu, contoh terbaik ASI mungkin berasal dari fiksi ilmiah, seperti HAL, asisten komputer yang sangat kuat dan nakal dalam 2001: A Space Odyssey.
Machine learning dan pembelajaran mendalam adalah sub-disiplin AI, dan pembelajaran mendalam adalah sub-disiplin machine learning.
Baik machine learning dan algoritma pembelajaran mendalam menggunakan neural networks untuk 'belajar' dari sejumlah besar data. Neural networks ini adalah struktur terprogram yang dimodelkan mengikuti proses pengambilan keputusan otak manusia. Mereka terdiri dari lapisan-lapisan node yang saling terhubung yang mengekstrak fitur dari data dan membuat prediksi tentang apa yang diwakili oleh data tersebut.
Machine learning dan pembelajaran mendalam berbeda dalam jenis neural networks yang digunakan, dan jumlah intervensi manusia yang terlibat. Algoritma machine learning klasik menggunakan neural networks dengan lapisan input, satu atau dua lapisan 'tersembunyi', dan lapisan output. Biasanya, algoritma ini terbatas pada pembelajaran yang diawasi: data perlu disusun atau diberi label oleh pakar manusia agar algoritma dapat mengekstrak fitur dari data.
Algoritma pembelajaran mendalam menggunakan neural networks dalam—jaringan yang terdiri dari lapisan input, tiga atau lebih (biasanya ratusan) lapisan tersembunyi, dan tata letak output. Beberapa lapisan ini memungkinkan pembelajaran tanpa pengawasan: mereka mengotomatiskan ekstraksi fitur dari kumpulan data besar, tidak berlabel, dan tidak terstruktur. Karena tidak memerlukan intervensi manusia, pembelajaran mendalam pada dasarnya memungkinkan machine learning dalam skala besar.
AI generatif mengacu pada model pembelajaran mendalam yang dapat mengambil data mentah—katakanlah, semua halaman Wikipedia atau karya Rembrandt yang dikumpulkan—dan "belajar" untuk menghasilkan output yang probabilitasnya tinggi secara statistik ketika diperintahkan. Pada tingkat tinggi, model generatif menyandikan representasi data pelatihan mereka yang disederhanakan dan mengambil darinya untuk membuat karya baru yang serupa, tetapi tidak identik, dengan data asli.
Model generatif telah digunakan selama bertahun-tahun dalam statistik untuk menganalisis data numerik. Namun, munculnya pembelajaran mendalam memungkinkan untuk memperluasnya ke gambar, ucapan, dan tipe data kompleks lainnya. Di antara model AI kelas pertama yang mencapai prestasi persilangan ini adalah Variational Autoencoder, atau VAE, yang diperkenalkan pada tahun 2013. VAE adalah model pembelajaran mendalam pertama yang digunakan secara luas untuk menghasilkan gambar dan ucapan yang realistis.
“VAE membuka pintu masuk untuk pemodelan generatif yang mendalam dengan membuat model lebih mudah untuk diskalakan,” kata Akash Srivastava, pakar AI generatif di MIT-IBM Watson AI Lab. “Banyak dari apa yang kita pikirkan hari ini sebagai AI generatif dimulai di sini.”
Contoh awal model, termasuk GPT-3, BERT, atau DALL-E 2, telah menunjukkan apa yang mungkin. Di masa depan, model akan dilatih pada serangkaian data tanpa label yang dapat digunakan untuk berbagai tugas, dengan sedikit penyesuaian. Sistem yang menjalankan tugas-tugas spesifik dalam satu domain memberi jalan kepada sistem AI yang luas yang belajar secara lebih umum dan bekerja di berbagai domain dan masalah. Model dasar, yang dilatih pada kumpulan data besar yang tidak berlabel dan disesuaikan untuk berbagai aplikasi, mendorong pergeseran ini.
Mengenai masa depan AI, dalam hal AI generatif, diprediksi bahwa model dasar akan secara dramatis mempercepat adopsi AI di perusahaan. Mengurangi persyaratan pelabelan akan membuatnya jauh lebih lebih mudah bagi bisnis untuk masuk, dan otomatisasi yang didorong oleh AI yang sangat akurat dan efisien yang mereka dorong akan berarti bahwa lebih banyak perusahaan akan dapat menerapkan AI dalam berbagai situasi sangat penting yang lebih luas. Bagi IBM, harapannya adalah bahwa kekuatan komputasi model dasar pada akhirnya dapat dibawa ke setiap perusahaan dalam lingkungan hybrid-cloud yang tanpa gesekan.
Jelajahi model dasar di watsonx.AI
Ada banyak aplikasi dunia nyata dari sistem AI saat ini. Di bawah ini adalah beberapa kasus penggunaan yang paling umum:
Juga dikenal sebagai pengenalan suara otomatis (ASR), pengenalan suara komputer, atau speech-to-text, pengenalan suara menggunakan NLP untuk memproses ucapan manusia ke dalam format tertulis. Banyak perangkat seluler yang menggabungkan pengenalan suara ke dalam sistem mereka untuk melakukan pencarian suara—Siri, misalnya—atau menyediakan aksesibilitas lebih besar untuk mengirim pesan dalam bahasa Inggris atau bahasa lain yang banyak digunakan. Lihat bagaimana Don Johnston menggunakan IBM Watson Text to Speech untuk meningkatkan aksesibilitas di kelas dengan studi kasus kami.
Agen virtual online dan chatbot mulai menggantikan agen manusia di dalam perjalanan pelanggan. Mereka menjawab pertanyaan yang sering diajukan seputar topik-topik, seperti pengiriman, atau memberikan saran yang dipersonalisasi, produk penjualan silang, atau menyarankan ukuran untuk pengguna, mengubah cara kita berpikir tentang interaksi pelanggan di seluruh situs web dan platform media sosial. Contohnya termasuk bot pesan di situs e-commerce dengan agen virtual, aplikasi perpesanan, seperti Slack dan Facebook Messenger, dan tugas yang biasanya dilakukan oleh asisten virtual dan asisten suara. Lihat bagaimana Autodesk Inc. menggunakan IBM watsonx Assistant untuk mempercepat waktu respons pelanggan hingga 99% dengan studi kasus kami.
Teknologi AI ini memungkinkan komputer dan sistem untuk mendapatkan informasi yang berarti dari gambar digital, video dan input visual lainnya, dan berdasarkan input tersebut, komputer dapat mengambil tindakan. Kemampuan untuk memberikan rekomendasi inilah yang membedakannya dari tugas pengenalan gambar. Didukung oleh neural networks konvolusi, visi komputer memiliki aplikasi dalam penandaan foto di media sosial, pencitraan radiologi di bidang kesehatan, dan mobil tanpa pengemudi dalam industri otomotif. Lihat bagaimana ProMare menggunakan IBM Maximo untuk menetapkan arah baru untuk penelitian laut dengan studi kasus kami.
Robotika adaptif bekerja berdasarkan informasi perangkat Internet of Things (IoT), serta data terstruktur dan tidak terstruktur untuk mengambil keputusan secara otonom. Alat NLP dapat memahami ucapan manusia dan bereaksi terhadap apa yang dikatakan kepada mereka. Analisis prediktif diterapkan untuk responsif terhadap permintaan, inventaris dan pengoptimalan jaringan, pemeliharaan preventif, dan manufaktur digital. Algoritma pencarian dan pengenalan pola—yang tidak lagi hanya bersifat prediktif, tetapi juga hirarkis—menganalisis data real-time, membantu rantai pasokan bereaksi terhadap kecerdasan tambahan yang dihasilkan oleh mesin, sekaligus memberikan visibilitas dan transparansi secara instan. Lihat bagaimana Hendrickson menggunakan IBM Sterling untuk mendorong transaksi real-time dengan studi kasus kami.
Model cuaca yang diandalkan penyiar untuk membuat prakiraan yang akurat terdiri dari algoritma yang rumit yang dijalankan pada superkomputer. Teknik machine learning menyempurnakan model-model ini dengan membuatnya lebih aplikatif dan tepat. Lihat bagaimana Emnotion menggunakan IBM Cloud untuk memberdayakan perusahaan yang peka terhadap cuaca agar dapat mengambil keputusan yang lebih proaktif dan berbasis data melalui studi kasus kami.
Model AI dapat menyisir data dalam jumlah besar dan menemukan titik data yang tidak lazim dalam kumpulan data. Anomali ini dapat meningkatkan kesadaran akan kerusakan peralatan, kesalahan manusia, atau pelanggaran keamanan. Lihat bagaimana Netox menggunakan IBM QRadar untuk melindungi bisnis digital dari ancaman siber dengan studi kasus kami.
Gagasan tentang "mesin yang berpikir" sudah ada sejak zaman Yunani kuno. Namun, sejak munculnya komputasi elektronik (dan terkait dengan beberapa topik yang dibahas dalam artikel ini), peristiwa dan pencapaian penting dalam evolusi kecerdasan buatan antara lain sebagai berikut:
Gunakan AI di bisnis Anda dalam perpaduan antara keahlian AI terdepan di industri dari IBM dan portofolio solusi Anda.
Temukan kembali alur kerja dan operasi yang penting dengan menambahkan AI untuk memaksimalkan pengalaman, pengambilan keputusan secara real-time, dan nilai bisnis.
AI mengubah permainan keamanan siber, menganalisis data risiko dalam jumlah besar untuk mempercepat waktu respons dan meningkatkan operasi keamanan dengan sumber daya yang terbatas.
Pelajari cara menggunakan kerangka kerja pemilihan model untuk memilih model dasar untuk kebutuhan bisnis Anda.
Akses katalog lengkap kami yang berisi lebih dari 100 kursus online dengan membeli langganan pembelajaran digital perorangan atau multi-pengguna hari ini yang memungkinkan Anda untuk mengembangkan keterampilan Anda di berbagai produk kami dengan satu harga murah.
IBM watsonx Assistant diakui sebagai Pilihan Pelanggan dalam laporan Gartner Peer Insights Voice of the Customer report for Enterprise Conversational AI platforms 2023.
Temukan bagaimana machine learning dapat memprediksi permintaan dan memangkas biaya.