Kecerdasan buatan (AI) adalah teknologi yang memungkinkan komputer dan mesin untuk mensimulasikan pembelajaran, pemahaman, pemecahan masalah, pengambilan keputusan, kreativitas, dan otonomi manusia.
Aplikasi dan perangkat yang dilengkapi dengan AI dapat melihat dan mengidentifikasi objek. Mereka dapat memahami dan menanggapi bahasa manusia. Mereka dapat belajar dari informasi dan pengalaman baru. Mereka dapat memberikan rekomendasi terperinci kepada pengguna dan pakar. Mereka dapat bertindak secara mandiri, menggantikan kebutuhan akan kecerdasan atau campur tangan manusia (contoh klasiknya adalah mobil swakemudi).
Namun pada tahun 2024, sebagian besar peneliti dan praktisi AI dan berita utama terkait AI berfokus pada terobosan dalam AI generatif (gen AI), sebuah teknologi yang dapat menciptakan teks, gambar, video, dan konten orisinal lainnya. Untuk memahami AI generatif sepenuhnya, penting untuk terlebih dahulu memahami teknologi tempat pembuatan alat AI generatif: machine learning (ML) dan pembelajaran mendalam.
Cara sederhana untuk berpikir tentang AI adalah sebagai serangkaian konsep bersarang atau turunan yang telah muncul lebih dari 70 tahun:
Bagaimana kecerdasan buatan, machine learning, pembelajaran mendalam, dan AI generatif terkait.
Tepat di bawah AI, kita memiliki machine learning, yang melibatkan pembuatan model dengan melatih algoritma untuk membuat prediksi atau keputusan berdasarkan data. Ini mencakup berbagai teknik yang memungkinkan komputer untuk belajar dari dan membuat kesimpulan berdasarkan data tanpa secara eksplisit diprogram untuk tugas-tugas tertentu.
Ada banyak jenis teknik atau algoritma machine learning, termasuk regresi linier, regresi logistik, decision trees, hutan acak, mesin vektor dukungan (SVM), k-nearest neighbor (KNN), clustering, dan banyak lagi. Masing-masing pendekatan ini cocok untuk jenis-jenis masalah dan data yang berbeda.
Namun, salah satu jenis algoritma machine learning yang paling populer disebut Neural Networks (atau neural networks buatan). Model neural networks dibuat mengikuti struktur dan fungsi otak manusia. Neural networks terdiri dari lapisan-lapisan node yang saling terhubung (analog dengan neuron) yang bekerja bersama untuk memproses dan menganalisis data yang kompleks. Neural networks sangat cocok untuk tugas-tugas yang melibatkan identifikasi pola dan hubungan yang kompleks dalam data dalam jumlah besar.
Bentuk paling sederhana dari machine learning disebut pembelajaran yang diawasi, yang melibatkan penggunaan kumpulan data berlabel untuk melatih algoritma untuk mengklasifikasikan data atau memprediksi hasil secara akurat. Dalam pembelajaran yang diawasi, manusia memasangkan setiap contoh pelatihan dengan label output. Tujuannya adalah agar model dapat mempelajari pemetaan antara input dan output pada data pelatihan, sehingga dapat memprediksi label dari data baru yang belum pernah dilihat sebelumnya.
Dapatkan informasi terbaru tentang tren industri yang paling penting—dan menarik—tentang AI, otomatisasi, data, dan seterusnya dengan Buletin Think, yang disampaikan dua kali seminggu. Lihat Pernyataan Privasi IBM®.
Pembelajaran mendalam adalah bagian dari machine learning yang menggunakan neural networks berlapis, yang disebut neural networks mendalam, yang mensimulasikan lebih dekat kekuatan pengambilan keputusan kompleks dari otak manusia.
Neural networks dalam mencakup lapisan input, setidaknya tiga tetapi biasanya ratusan lapisan tersembunyi, dan lapisan output, tidak seperti neural networks yang digunakan dalam model machine learning klasik, yang biasanya hanya memiliki satu atau dua lapisan tersembunyi.
Beberapa lapisan ini memungkinkan pembelajaran tanpa pengawasan: mereka dapat mengotomatiskan ekstraksi fitur dari kumpulan big data, tidak berlabel, dan tidak terstruktur, dan membuat prediksi mereka sendiri tentang apa yang diwakili oleh data tersebut.
Karena pembelajaran mendalam tidak memerlukan campur tangan manusia, ini memungkinkan machine learning dalam skala yang sangat besar. Ini sangat cocok untuk pemrosesan bahasa alami (NLP), visi komputer, dan tugas-tugas lain yang melibatkan pola dan hubungan kompleks identifikasi yang cepat dan akurat dalam sejumlah besar data. Beberapa bentuk pembelajaran mendalam mendukung sebagian besar aplikasi kecerdasan buatan (AI) dalam kehidupan kita saat ini.
Dalam neural networks yang dalam, beberapa lapisan node dapat mengekstrak makna dan hubungan dari sejumlah besar data yang tidak terstruktur dan tidak berlabel.
Pembelajaran mendalam juga memungkinkan:
AI Generatif, terkadang disebut "gen AI", mengacu pada model pembelajaran mendalam yang dapat membuat konten orisinal yang kompleks seperti teks panjang, gambar berkualitas tinggi, video atau audio realistis, dan banyak lagi, sebagai respons terhadap prompt atau permintaan pengguna.
Pada tingkat tinggi, model generatif mengkodekan representasi yang disederhanakan dari data pelatihan mereka, dan kemudian mengacu pada representasi tersebut 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 selama dekade terakhir, model ini berevolusi untuk menganalisis dan menghasilkan tipe data yang lebih kompleks. Evolusi ini bertepatan dengan munculnya tiga jenis model pembelajaran mendalam yang canggih:
Secara umum, AI generatif beroperasi dalam tiga fase:
AI generatif dimulai dengan "model dasar"; model pembelajaran mendalam yang berfungsi sebagai dasar untuk berbagai jenis aplikasi AI generatif.
Model dasar yang paling umum saat ini adalah model bahasa besar (LLM), dibuat untuk aplikasi pembuatan teks. Namun, ada juga model dasar untuk pembuatan gambar, video, suara atau musik, dan model dasar multimodal yang mendukung beberapa jenis konten.
Untuk membuat model dasar, para praktisi melatih algoritma pembelajaran mendalam pada volume besar data mentah yang relevan, tidak terstruktur, dan tidak berlabel, seperti teks atau gambar atau video data berukuran terabyte atau petabyte dari internet. Pelatihan ini menghasilkan neural networks dengan miliaran parameter representasi yang dikodekan dari entitas, pola, dan hubungan dalam data, yang dapat menghasilkan konten secara mandiri sebagai respons terhadap prompt. Ini adalah model dasarnya.
Proses pelatihan ini membutuhkan komputasi intensif, memakan waktu dan mahal. Proses ini membutuhkan ribuan unit pemrosesan grafis (GPU) yang terkluster dan pemrosesan selama berminggu-minggu, yang semuanya biasanya menghabiskan biaya jutaan dolar. Proyek model dasar sumber terbuka, seperti Llama-2 Meta, memungkinkan pengembang gen AI untuk menghindari langkah ini dan biayanya.
Selanjutnya, model harus disetel ke tugas pembuatan konten tertentu. Ini dapat dilakukan dengan berbagai cara, termasuk:
Pengembang dan pengguna secara berkala menilai output dari aplikasi AI generatif mereka dan melakukan tuning lebih lanjut pada model, yang bisa mencapai seminggu sekali, untuk mendapatkan akurasi atau relevansi yang lebih baik. Sebaliknya, model dasar itu sendiri jauh lebih jarang diperbarui, mungkin setiap tahun atau 18 bulan sekali.
Opsi lain untuk meningkatkan kinerja aplikasi gen AI adalah retrieval augmented generation (RAG), sebuah teknik untuk memperluas model dasar untuk menggunakan sumber yang relevan di luar data pelatihan guna menyempurnakan parameter untuk akurasi atau relevansi yang lebih besar.
Agen AI adalah program AI otonom, dapat melakukan tugas dan mencapai tujuan atas nama pengguna atau sistem lain tanpa campur tangan manusia, dengan merancang alur kerjanya sendiri dan menggunakan alat yang tersedia (aplikasi atau layanan lain).
AI Agen adalah sistem dari beberapa agen AI, yang upayanya dikoordinasikan atau diatur, untuk menyelesaikan tugas yang lebih kompleks atau tujuan yang lebih besar daripada yang dapat dicapai oleh agen tunggal mana pun dalam sistem.
Tidak seperti chatbot dan model AI lainnya yang beroperasi dalam batasan yang telah ditentukan dan memerlukan intervensi manusia, agen AI dan AI agen menunjukkan otonomi, perilaku berbasis tujuan, dan kemampuan beradaptasi terhadap keadaan yang berubah. Istilah "agen" dan "agentik" mengacu pada agensi model ini, atau kapasitas mereka untuk bertindak secara independen dan berarah.
Salah satu cara untuk menggambarkan agen adalah sebagai langkah selanjutnya yang alami setelah AI generatif. Model gen AI berfokus pada pembuatan konten berdasarkan pola yang dipelajari; agen menggunakan konten tersebut untuk berinteraksi satu sama lain dan alat lain untuk membuat keputusan, memecahkan masalah, dan menyelesaikan tugas. Misalnya, aplikasi gen AI mungkin dapat memberi tahu Anda waktu terbaik untuk mendaki Gunung Everest mengingat jadwal kerja Anda, tetapi agen dapat memberi tahu Anda hal ini lalu menggunakan layanan perjalanan online untuk memesankan Anda penerbangan terbaik dan memesan kamar di hotel paling nyaman di Nepal.
AI menawarkan banyak manfaat di berbagai industri dan aplikasi. Beberapa manfaat yang paling sering dikutip meliputi:
AI dapat mengotomatiskan berbagai tugas rutin, berulang, dan sering kali membosankan, termasuk tugas digital seperti pengumpulan, pemasukan, dan pemrosesan awal data, serta tugas fisik seperti pengambilan stok di gudang dan proses manufaktur. Otomatisasi ini membebaskan pekerja untuk mengerjakan pekerjaan yang bernilai lebih tinggi dan lebih kreatif.
Baik digunakan untuk dukungan keputusan atau untuk pengambilan keputusan yang sepenuhnya otomatis, AI memungkinkan dilakukannya prediksi yang lebih cepat, lebih akurat, serta keputusan berbasis data yang dapat diandalkan. Dikombinasikan dengan otomatisasi, AI memungkinkan bisnis untuk bertindak berdasarkan peluang dan merespons krisis yang muncul, secara real time dan tanpa campur tangan manusia.
AI dapat mengurangi kesalahan manusia dengan berbagai cara, mulai dari memandu orang melalui langkah-langkah proses yang tepat, hingga menandai potensi kesalahan sebelum terjadi, dan sepenuhnya mengotomatiskan proses tanpa campur tangan manusia. Ini sangat penting dalam industri seperti perawatan kesehatan di mana, misalnya, robotika bedah yang dipandu AI memungkinkan presisi yang konsisten.
Algoritma machine learning dapat terus meningkatkan keakuratannya dan makin mengurangi kesalahan karena terpapar dengan lebih banyak data dan "belajar" dari pengalaman.
AI selalu aktif, tersedia sepanjang waktu, dan memberikan kinerja yang konsisten setiap saat. Alat bantu seperti chatbot AI atau asisten virtual dapat meringankan tuntutan kebutuhan staf untuk layanan atau dukungan pelanggan. Dalam aplikasi lain seperti pemrosesan bahan atau lini produksi, AI dapat membantu menjaga kualitas kerja dan tingkat output yang konsisten ketika digunakan untuk menyelesaikan tugas yang berulang atau membosankan.
Dengan mengotomatiskan pekerjaan berbahaya seperti pengendalian hewan, penanganan bahan peledak, pelaksanaan tugas di air laut dalam, ketinggian tinggi, atau di luar angkasa, AI dapat menghilangkan kebutuhan untuk menempatkan pekerja manusia pada risiko cedera atau yang lebih buruk. Meski belum disempurnakan, mobil dan kendaraan lain yang dapat mengemudi sendiri menawarkan potensi untuk mengurangi risiko cedera pada penumpang.
Aplikasi AI di dunia nyata sangatlah banyak. Berikut ini hanya contoh kecil contoh penggunaan di berbagai industri untuk menggambarkan potensinya:
Perusahaan dapat menerapkan chatbot dan asisten virtual yang didukung AI untuk menangani pertanyaan pelanggan, tiket dukungan, dan banyak lagi. Alat-alat ini menggunakan pemrosesan bahasa alami (NLP) dan kemampuan AI generatif untuk memahami dan menanggapi pertanyaan pelanggan tentang status pesanan, detail produk, dan kebijakan pengembalian.
Chatbot dan asisten virtual memungkinkan dukungan yang selalu aktif, memberikan jawaban yang lebih cepat untuk pertanyaan yang sering diajukan, membebaskan agen manusia untuk berfokus pada tugas-tugas yang lebih penting, dan memberikan layanan yang lebih cepat dan lebih konsisten kepada pelanggan.
Algoritma machine learning dan pembelajaran mendalam dapat menganalisis pola transaksi dan menandai anomali, seperti pengeluaran yang tidak biasa atau lokasi masuk, yang mengindikasikan transaksi penipuan. Hal ini memungkinkan organisasi untuk merespons lebih cepat terhadap potensi penipuan dan membatasi dampaknya, sehingga memberikan ketenangan bagi mereka dan pelanggan.
Peritel, bank, dan perusahaan yang berhubungan langsung dengan pelanggan dapat menggunakan AI untuk menciptakan pengalaman pelanggan yang dipersonalisasi dan kampanye pemasaran yang menyenangkan pelanggan, meningkatkan penjualan, dan mencegah perpindahan pelanggan. Berdasarkan data dari riwayat pembelian dan perilaku pelanggan, algoritma pembelajaran mendalam dapat merekomendasikan produk dan layanan yang mungkin diinginkan pelanggan, dan bahkan menghasilkan teks yang dipersonalisasi serta penawaran khusus untuk setiap pelanggan secara real-time.
Platform rekrutmen yang didorong oleh AI AI dapat menyederhanakan perekrutan dengan menyaring resume, mencocokkan kandidat dengan deskripsi pekerjaan, dan bahkan melakukan wawancara awal menggunakan analisis video. Alat-alat ini dan alat lainnya dapat secara dramatis mengurangi tumpukan dokumen administratif yang terkait dengan proses perekrutan kandidat dalam jumlah besar. Hal ini juga dapat mengurangi waktu respons dan waktu untuk merekrut, meningkatkan pengalaman bagi para kandidat, terlepas dari mereka mendapatkan pekerjaannya atau tidak.
Alat bantu pembuatan kode AI generatif dan alat bantu otomatisasi dapat merampingkan tugas-tugas pengkodean berulang yang terkait dengan pengembangan aplikasi, serta mempercepat migrasi dan modernisasi (memformat ulang dan membuat ulang platform) aplikasi lama dalam skala besar. Alat-alat ini dapat mempercepat tugas, membantu memastikan konsistensi kode, dan mengurangi kesalahan.
Model machine learning dapat menganalisis data dari sensor, perangkat Internet of Things (IoT), dan teknologi operasional (OT) untuk melakukan forecasting kapan pemeliharaan diperlukan dan memprediksi kegagalan peralatan sebelum terjadi. Pemeliharaan preventif yang didukung AI membantu mencegah waktu henti dan memungkinkan Anda untuk tetap berada di depan dalam mengatasi masalah rantai pasokan sebelum masalah tersebut memengaruhi keuangan perusahaan.
Organisasi berebut untuk memanfaatkan teknologi AI terbaru dan mendapatkan banyak manfaat AI. Adopsi cepat ini diperlukan, tetapi mengadopsi dan memelihara alur kerja AI akan mempunyai tantangan dan risikonya sendiri.
Sistem AI mengandalkan kumpulan data yang mungkin rentan terhadap keracunan data, perusakan data, bias data, atau serangan siber yang dapat menyebabkan pelanggaran data. Organisasi dapat mengurangi risiko ini dengan melindungi integritas data dan menerapkan keamanan dan ketersediaan di seluruh siklus hidup AI, mulai dari pengembangan hingga pelatihan dan penerapan serta pascapenerapan.
Pelaku kejahatan dapat menargetkan model AI untuk pencurian, rekayasa balik, atau manipulasi yang tidak sah. Penyerang dapat membahayakan integritas model dengan merusak arsitektur, bobot, atau parameternya; komponen-komponen inti yang menentukan perilaku, akurasi, dan kinerja model.
Seperti semua teknologi, model rentan terhadap risiko operasional seperti penyimpangan model, bias, dan kerusakan dalam struktur tata kelola. Jika tidak ditangani, risiko ini dapat menyebabkan kegagalan sistem dan kerentanan keamanan siber yang dapat dimanfaatkan oleh pelaku ancaman.
Jika organisasi tidak memprioritaskan keamanan dan etika saat mengembangkan dan menerapkan sistem AI, mereka berisiko melakukan pelanggaran privasi dan menghasilkan hasil yang bias. Misalnya, data pelatihan yang bias yang digunakan untuk keputusan perekrutan dapat memperkuat stereotip gender atau ras dan membuat model AI yang lebih menyukai kelompok demografis tertentu daripada yang lain.
Etika AI adalah bidang multidisiplin yang mempelajari cara mengoptimalkan dampak menguntungkan dari AI sekaligus mengurangi risiko dan hasil yang merugikan. Prinsip-prinsip etika AI diterapkan melalui sistem tata kelola AI yang terdiri dari serangkaian aturan yang membantu memastikan bahwa alat dan sistem AI tetap aman dan etis.
Tata kelola AI mencakup mekanisme pengawasan yang menangani risiko. Pendekatan etis terhadap tata kelola AI membutuhkan keterlibatan berbagai pemangku kepentingan, termasuk pengembang, pengguna, pembuat kebijakan, dan ahli etika, yang membantu memastikan bahwa sistem terkait AI dikembangkan dan digunakan untuk menyelaraskan dengan nilai-nilai masyarakat.
Berikut adalah nilai-nilai umum yang terkait dengan etika AI dan AI yang bertanggung jawab:
Saat AI menjadi lebih canggih, manusia ditantang untuk memahami dan menelusuri kembali bagaimana algoritma tersebut mencapai hasilnya. AI yang dapat dijelaskan adalah seperangkat proses dan metode yang memungkinkan pengguna manusia untuk menafsirkan, memahami, dan mempercayai hasil dan output yang dibuat oleh algoritma.
Meskipun machine learning pada dasarnya adalah bentuk diskriminasi statistik, diskriminasi menjadi tidak dapat diterima ketika menempatkan kelompok-kelompok yang memiliki hak istimewa pada keuntungan sistematis dan kelompok-kelompok tertentu yang tidak memiliki hak istimewa pada kerugian sistematis, yang berpotensi menyebabkan berbagai kerugian. Untuk mendorong keadilan, para praktisi dapat mencoba meminimalkan bias algoritmik dalam pengumpulan data dan desain model, serta membangun tim yang lebih beragam dan inklusif.
AI yang tangguh secara efektif menangani kondisi luar biasa, seperti kelainan pada input atau serangan berbahaya, tanpa menyebabkan kerugian yang tidak disengaja. Alat ini juga dibuat untuk bertahan dari gangguan yang disengaja dan tidak disengaja dengan melindungi dari kerentanan yang terpapar.
Organisasi harus menerapkan tanggung jawab yang jelas dan struktur tata kelola untuk pengembangan, penerapan, dan hasil dari sistem AI.Selain itu, pengguna harus dapat melihat bagaimana sebuah layanan AI bekerja, mengevaluasi fungsinya, dan memahami kekuatan dan keterbatasannya. Transparansi yang meningkat memberikan informasi bagi konsumen AI untuk lebih memahami bagaimana model atau layanan AI dibuat.
Banyak kerangka kerja peraturan, termasuk GDPR, mengamanatkan organisasi untuk mematuhi prinsip-prinsip privasi tertentu saat memproses informasi pribadi. Sangat penting untuk dapat melindungi model AI yang mungkin berisi informasi pribadi, mengontrol data apa saja yang masuk ke dalam model, dan membangun sistem yang mudah beradaptasi yang dapat menyesuaikan diri dengan perubahan regulasi dan sikap seputar etika AI.
Untuk mengontekstualisasikan penggunaan AI pada berbagai tingkat kerumitan dan kecanggihan, para peneliti telah mendefinisikan beberapa jenis AI yang mengacu pada tingkat kecanggihannya:
AI Lemah: Dikenal juga sebagai “AI sempit”, mendefinisikan sistem AI yang dirancang untuk melakukan tugas tertentu atau serangkaian tugas. Contohnya mungkin termasuk aplikasi asisten suara 'pintar', seperti Alexa milik Amazon, Siri milik Apple, chatbot media sosial, atau kendaraan otonom yang dijanjikan oleh Tesla.
AI yang kuat: Juga dikenal sebagai "kecerdasan umum buatan" (AGI) atau "AI umum", memiliki kemampuan untuk memahami, mempelajari, dan menerapkan pengetahuan di berbagai tugas pada tingkat yang sama dengan atau melampaui kecerdasan manusia. Tingkat AI ini saat ini bersifat teoretis dan tidak ada sistem AI yang diketahui saat ini yang mendekati tingkat kecanggihan ini. Para peneliti berpendapat bahwa jika AGI dimungkinkan, AI seperti ini membutuhkan peningkatan besar dalam daya komputasi. Meskipun ada kemajuan terbaru dalam pengembangan AI, sistem AI yang memiliki kesadaran diri seperti dalam fiksi ilmiah masih sebatas fiksi semata.
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 AI antara lain sebagai berikut:
1950
Alan Turing menerbitkan Computing Machinery and Intelligence. Dalam makalah ini, Turing yang terkenal karena memecahkan kode ENIGMA Jerman selama Perang Dunia II dan sering disebut sebagai "bapak ilmu komputer" mengajukan pertanyaan berikut: "Dapatkah mesin berpikir?"
Dari sana, ia menawarkan sebuah tes, yang sekarang terkenal dengan sebutan "Tes Turing", yang mana seorang interogator manusia akan mencoba membedakan antara respons teks komputer dan manusia. Meskipun tes ini telah mengalami banyak pengujian sejak diterbitkan, tes ini tetap menjadi bagian penting dari sejarah AI, dan merupakan konsep yang terus bertahan dalam filosofi karena menggunakan ide-ide seputar linguistik.
1956
John McCarthy menciptakan istilah 'kecerdasan buatan' pada konferensi AI pertama di Dartmouth College. (McCarthy kemudian menciptakan bahasa Lisp.) Di tahun yang sama, Allen Newell, J.C. Shaw, dan Herbert Simon menciptakan Logic Theorist, program komputer AI pertama yang dapat berjalan.
1967
Frank Rosenblatt membangun Mark 1 Perceptron, komputer pertama yang didasarkan pada neural networks yang 'belajar' melalui coba-coba. Setahun kemudian, Marvin Minsky dan Seymour Papert menerbitkan sebuah buku berjudul Perceptrons, yang menjadi karya penting dalam neural networks dan, setidaknya untuk beberapa lama, menjadi argumen untuk menentang inisiatif penelitian neural networks di masa depan.
1980
Neural networks, yang menggunakan algoritma backpropagation untuk melatih dirinya sendiri, menjadi banyak digunakan dalam aplikasi AI.
1995
Stuart Russell dan Peter Norvig menerbitkan Artificial Intelligence: A Modern Approach, yang menjadi salah satu buku pedoman terkemuka dalam studi AI. Di dalamnya, mereka mendalami empat tujuan atau definisi potensial AI, yang membedakan sistem komputer berdasarkan rasionalitas dan pemikiran versus tindakan.
1997
Deep Blue IBM mengalahkan juara catur dunia Garry Kasparov, dalam pertandingan catur (dan pertandingan ulangnya).
2004
John McCarthy menulis sebuah makalah, What Is Artificial Intelligence?, dan mengusulkan definisi AI yang sering dikutip. Pada saat itu, era big data dan komputasi cloud mulai berlangsung, sehingga memungkinkan organisasi untuk mengelola data yang makin besar, yang suatu saat kemudian digunakan untuk melatih model AI.
2011
IBM Watson mengalahkan juara Ken Jennings dan Brad Rutter di acara kuis Jeopardy! Selain itu, pada periode ini, ilmu data mulai muncul sebagai disiplin ilmu yang populer.
2015
Superkomputer Minwa milik Baidu menggunakan neural networks konvolusional untuk mengidentifikasi dan mengategorikan gambar dengan tingkat akurasi yang lebih tinggi daripada rata-rata manusia.
2016
Program AlphaGo dari DeepMind, yang didukung oleh neural networks dalam, mengalahkan Lee Sodol, juara dunia Go, dalam pertandingan lima permainan. Kemenangan ini sangat penting karena banyaknya langkah yang mungkin diambil saat permainan berjalan (lebih dari 14,5 triliun setelah hanya empat langkah). Kemudian, Google membeli DeepMind dengan harga 400 juta dolar AS.
2022
Kebangkitan model bahasa besar atau LLM, seperti ChatGPT dari OpenAI, menciptakan perubahan besar dalam kinerja AI dan potensinya untuk mendorong nilai perusahaan. Dengan praktik AI generatif baru ini, model pembelajaran mendalam dapat dilatih terlebih dulu pada sejumlah besar data.
2024
Tren AI terkini menunjukkan kebangkitan AI yang berkelanjutan. Model multimodal yang dapat mengambil beberapa jenis data sebagai input memberikan pengalaman yang lebih kaya dan mumpuni. Model-model ini menggabungkan kemampuan pengenalan gambar visi komputer dan pengenalan ucapan NLP. Model yang lebih kecil juga membuat langkah maju di era yang tidak lagi tertarik dengan model yang masif dengan jumlah parameter yang besar.