Sementara sejumlah definisi kecerdasan buatan (AI) telah muncul selama beberapa dekade terakhir, John McCarthy menawarkan definisi berikut dalam makalah tahun 2004 ini (tautan berada di luar ibm.com), " AI adalah ilmu pengetahuan dan teknik membuat mesin cerdas, terutama program komputer cerdas. Hal ini terkait dengan tugas yang sama yaitu menggunakan komputer untuk memahami kecerdasan manusia, tetapi AI tidak harus membatasi diri pada metode yang dapat diamati secara biologis."
Namun, beberapa dekade sebelum definisi ini, kelahiran percakapan tentang kecerdasan buatan ditandai dengan karya penting Alan Turing, "Computing Machinery and Intelligence"(tautan berada di luar ibm.com), yang diterbitkan pada tahun 1950. Dalam makalah ini, Turing, yang sering disebut sebagai "bapak ilmu komputer", mengajukan pertanyaan berikut, "Dapatkah mesin berpikir?" Dari sana, ia menawarkan sebuah tes, yang sekarang terkenal dengan sebutan "Turing Test", di mana seorang interogator manusia akan mencoba membedakan antara respons teks komputer dan manusia. Meskipun tes ini telah mengalami banyak pengawasan sejak diterbitkan, tes ini tetap menjadi bagian penting dari sejarah AI serta konsep yang sedang berlangsung dalam filsafat karena menggunakan ide-ide seputar linguistik.
Stuart Russell dan Peter Norvig kemudian melanjutkan untuk menerbitkan, Artificial Intelligence: A Modern Approach (tautan berada di luar ibm.com), yang menjadi salah satu buku teks terkemuka dalam studi AI. Di dalamnya, mereka mempelajari empat tujuan potensial atau definisi AI, yang membedakan sistem komputer berdasarkan rasionalitas dan pemikiran vs. tindakan:
Pendekatan manusia:
Pendekatan yang ideal:
Definisi Alan Turing akan masuk dalam kategori "sistem yang bertindak seperti manusia."
Paling sederhananya, kecerdasan buatan adalah sebuah bidang yang menggabungkan ilmu komputer dan kumpulan data yang kuat, untuk memungkinkan pemecahan masalah. Bidang ini juga mencakup sub-bidang pembelajaran mesin dan pembelajaran mendalam, yang sering disebut-sebut dalam hubungannya dengan kecerdasan buatan. Disiplin ilmu ini terdiri dari algoritme AI yang berusaha menciptakan sistem pakar yang membuat prediksi atau klasifikasi berdasarkan data masukan.
Selama bertahun-tahun, kecerdasan buatan telah melalui banyak siklus hype, tetapi bahkan untuk
skeptis, peluncuran ChatGPT dari OpenAI tampaknya menandai titik balik. Terakhir kali AI generatif menjulang sebesar ini, terobosannya ada dalam visi komputer, tetapi sekarang lompatan ke depan adalah dalam pemrosesan bahasa alami. Dan itu bukan hanya bahasa: Model generatif juga dapat mempelajari tata bahasa kode perangkat lunak, molekul, gambar alami, dan berbagai tipe data lainnya.
Aplikasi untuk teknologi ini berkembang setiap hari, dan kami baru saja mulai
mengeksplorasi berbagai kemungkinan. Namun, seiring dengan meningkatnya hype seputar penggunaan AI dalam bisnis,
percakapan seputar etika menjadi sangat penting. Untuk membaca lebih lanjut tentang di mana IBM berdiri dalam percakapan seputar etika AI, baca lebih lanjut di sini.
Lipat gandakan kekuatan AI untuk perusahaan Anda dengan platform AI dan data generasi berikutnya dari IBM
IBM watsonx Orchestrate
IBM watsonx Assistant
Jelajahi pembelajaran Gen AI untuk pengembang
AI yang lemah-juga disebut Narrow AI atau Artificial Narrow Intelligence (ANI)-adalah AI yang dilatih dan difokuskan untuk melakukan tugas-tugas tertentu. AI yang lemah mendorong sebagian besar AI yang mengelilingi kita saat ini. 'Sempit' mungkin merupakan deskripsi yang lebih akurat untuk jenis AI ini karena AI ini sama sekali tidak lemah; AI ini memungkinkan beberapa aplikasi yang sangat kuat, seperti Siri Apple, Alexa Amazon, IBM watson, dan kendaraan otonom.
AI yang kuat terdiri dari Kecerdasan Umum Buatan (AGI) dan Kecerdasan Super Buatan (ASI). Kecerdasan umum buatan (AGI), atau AI umum, adalah bentuk teoretis dari AI di mana sebuah mesin akan memiliki kecerdasan yang setara dengan manusia; mesin tersebut akan memiliki kesadaran diri yang memiliki kemampuan untuk memecahkan masalah, belajar, dan merencanakan masa depan. Artificial Super Intelligence (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.
Karena deep learning dan machine learning cenderung digunakan secara bergantian, ada baiknya untuk memperhatikan perbedaan di antara keduanya. Seperti yang telah disebutkan di atas, deep learning dan machine learning merupakan sub-bidang dari kecerdasan buatan, dan deep learning sebenarnya merupakan sub-bidang dari machine learning.
Deep learning sebenarnya terdiri dari jaringan saraf. "Deep" dalam deep learning mengacu pada jaringan saraf yang terdiri dari lebih dari tiga lapisan-yang akan mencakup input dan output-dapat dianggap sebagai algoritme deep learning. Hal ini secara umum direpresentasikan dengan menggunakan diagram di bawah ini.
Perbedaan antara deep learning dan machine learning terletak pada cara masing-masing algoritme belajar. Deep learning mengotomatiskan sebagian besar proses ekstraksi fitur, menghilangkan beberapa intervensi manual yang diperlukan dan memungkinkan penggunaan kumpulan data yang lebih besar. Anda dapat menganggap deep learning sebagai "pembelajaran mesin yang dapat diskalakan" seperti yang dikatakan Lex Fridman dalam kuliah MIT yang sama di atas. Klasik, atau "" non-dalam, pembelajaran mesin lebih bergantung pada campur tangan manusia untuk belajar. Pakar manusia menentukan hirarki fitur untuk memahami perbedaan antara input data, biasanya membutuhkan data yang lebih terstruktur untuk dipelajari.
"Deep" machine learning dapat memanfaatkan dataset berlabel, yang juga dikenal sebagai pembelajaran terawasi, untuk menginformasikan algoritmanya, tetapi tidak selalu membutuhkan dataset berlabel. Itu dapat menelan data tidak terstruktur dalam bentuk mentahnya (mis. teks, gambar), dan secara otomatis dapat menentukan hierarki fitur yang membedakan kategori data yang berbeda satu sama lain. Tidak seperti machine learning, tidak membutuhkan campur tangan manusia untuk memproses data, sehingga memungkinkan kita untuk meningkatkan machine learning dengan cara yang lebih menarik.
AI generatif mengacu pada model pembelajaran mendalam yang dapat mengambil data mentah — katakanlah, semua Wikipedia atau karya Rembrandt yang dikumpulkan — dan "belajar" untuk menghasilkan output yang mungkin secara statistik ketika diminta. Pada tingkat tinggi, model generatif menyandikan yang disederhanakan
representasi data pelatihan mereka dan ambil 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 kelas model pertama yang mencapai prestasi cross-over 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 gerbang menuju pemodelan generatif yang mendalam dengan membuat model lebih mudah untuk
lebih mudah untuk diskalakan," kata Akash Srivastava, seorang pakar AI generatif di MIT-IBM Watson AI Lab.
"Sebagian besar dari apa yang kita pikirkan saat ini sebagai AI generatif bermula dari sini."
Contoh model awal, seperti GPT-3, BERT, atau DALL-E 2, telah menunjukkan apa yang mungkin dilakukan. Masa depan adalah model yang dilatih pada serangkaian data tak berlabel yang luas yang dapat digunakan untuk tugas yang berbeda, dengan penyempurnaan minimal. Sistem yang menjalankan tugas-tugas spesifik dalam satu domain memberi jalan bagi AI yang lebih luas yang belajar secara lebih umum dan bekerja di berbagai domain dan masalah. Model dasar, yang dilatih pada set data besar yang tidak berlabel dan disesuaikan untuk berbagai aplikasi, mendorong pergeseran ini.
Dalam hal AI generatif, diprediksi bahwa model fondasi akan secara dramatis
mempercepat adopsi AI di perusahaan. Mengurangi persyaratan pelabelan akan membuatnya jauh lebih
lebih mudah bagi bisnis untuk terjun, dan otomatisasi berbasis AI yang sangat akurat dan efisien yang mereka aktifkan akan berarti bahwa lebih banyak perusahaan akan dapat menggunakan AI dalam berbagai situasi kritis yang lebih luas. Bagi IBM, harapannya adalah bahwa kekuatan model pondasi pada akhirnya dapat dibawa ke setiap perusahaan dalam lingkungan hybrid-cloud yang tanpa gesekan.
Ada banyak aplikasi dunia nyata dari sistem AI saat ini. Di bawah ini adalah beberapa kasus penggunaan yang paling umum:
Gagasan 'mesin yang berpikir' berasal dari 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 meliputi hal-hal berikut ini:
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 penting dengan menambahkan AI untuk memaksimalkan pengalaman, pengambilan keputusan, 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.
Temukan wawasan baru tentang peluang, tantangan, dan pelajaran yang dapat dipetik dari penerapan AI ke dalam bisnis.
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 kembali diakui sebagai Pemimpin dalam Gartner® Magic Quadrant™ 2023 untuk AI Percakapan Perusahaan.