Masa depan AI: tren yang membentuk 10 tahun ke depan

Sejak awal, AI generatif (gen AI) telah berevolusi. Kami telah melihat pengembang seperti OpenAI dan Meta pindah dari model besar ke model yang lebih kecil dan lebih murah, meningkatkan model AI untuk melakukan hal yang sama atau lebih banyak dengan menggunakan lebih sedikit sumber daya. Rekayasa prompt berubah karena model seperti ChatGPT menjadi lebih cerdas dan lebih mampu memahami nuansa bahasa manusia. Karena LLM dilatih pada informasi yang lebih spesifik, mereka dapat memberikan keahlian mendalam untuk industri khusus, menjadi agen yang selalu siap membantu menyelesaikan tugas.

AI bukanlah teknologi yang hanya muncul sesaat. Ini bukan fase yang tidak pasti. Lebih dari 60 negara telah mengembangkan Strategi AI nasional untuk memanfaatkan manfaat AI sekaligus mengurangi risiko. Ini berarti investasi besar dalam penelitian dan pengembangan, meninjauan dan menyesuaikan standar kebijakan dan kerangka kerja yang relevan, serta memastikan teknologi tersebut tidak merusak pasar tenaga kerja yang adil dan kerja sama internasional.

Semakin mudah bagi manusia dan mesin untuk berkomunikasi, memungkinkan pengguna AI untuk mencapai lebih banyak hal dengan kemahiran yang lebih tinggi. AI diproyeksikan akan menambah USD 4,4 triliun pada ekonomi global melalui Lanjutkan eksplorasi dan optimalisasi.

Antara sekarang dan 2034, AI akan menjadi bagian dari kehidupan pribadi dan bisnis kita. Model AI generatif seperti GPT-4 telah menunjukkan harapan yang sangat besar dalam waktu singkat setelah tersedia untuk konsumsi publik, tetapi keterbatasannya juga telah diketahui. Akibatnya, masa depan AI ditentukan oleh pergeseran ke arah model sumber terbuka berskala besar untuk eksperimen dan pengembangan model yang lebih kecil dan lebih efisien untuk memacu kemudahan penggunaan dan memfasilitasi biaya yang lebih rendah.

Inisiatif seperti Llama 3.1, sebuah model AI sumber terbuka dengan 400 miliar parameter dan Mistral Large 2, yang dirilis untuk tujuan penelitian, menggambarkan tren untuk mendorong kolaborasi komunitas dalam proyek-proyek AI sementara mempertahankan hak-hak komersial. Meningkatnya minat terhadap model yang lebih kecil telah mendorong terciptanya model-model seperti mini GPT 4o dengan 11 miliar parameter yang cepat dan hemat biaya. Tidak lama lagi, akan ada model yang cocok untuk disematkan pada perangkat seperti ponsel, terutama karena biayanya terus menurun.

Pergerakan ini mencerminkan transisi dari model yang besar dan tertutup secara eksklusif ke solusi AI yang lebih mudah diakses dan serbaguna. Meskipun model yang lebih kecil menawarkan keterjangkauan dan efisiensi, tetap ada permintaan publik untuk sistem AI yang lebih kuat, yang mengindikasikan bahwa kemungkinan besar akan ada pendekatan yang seimbang dalam pengembangan AI untuk memprioritaskan skalabilitas dan aksesibilitas. Model-model baru ini memberikan presisi yang lebih besar dengan sumber daya yang lebih sedikit, sehingga ideal untuk perusahaan yang membutuhkan pembuatan konten yang dipesan lebih dahulu atau kemampuan pemecahan masalah yang kompleks.

AI telah memengaruhi perkembangan beberapa teknologi inti. AI memainkan peran penting dalam memajukan visi komputer dengan memungkinkan analisis gambar dan video yang lebih akurat, yang sangat penting untuk teknologi seperti kendaraan otonom dan diagnostik medis. Dalam pemrosesan bahasa alami (NLP), AI meningkatkan kemampuan mesin untuk memahami dan menghasilkan bahasa manusia, meningkatkan antarmuka komunikasi, serta memungkinkan alat penerjemahan dan analisis sentimen yang lebih canggih.

AI meningkatkan analitik big data dan prediktif dengan memproses dan menginterpretasikan sejumlah besar data untuk memperkirakan tren dan menginformasikan keputusan. Dalam robotik, pengembangan mesin yang lebih otonom dan adaptif menyederhanakan tugas-tugas seperti perakitan, eksplorasi, dan pengiriman layanan. Selain itu, inovasi yang digerakkan oleh AI di Internet of Things (IoT) meningkatkan konektivitas dan kecerdasan perangkat, yang mengarah ke rumah, kota, dan sistem industri yang lebih cerdas.

Berikut adalah beberapa kemajuan dalam AI yang harus kita lihat dalam sepuluh tahun:

Bidang AI multimodal yang masih baru akan diuji dan disempurnakan secara menyeluruh pada tahun 2034. AI unimodal berfokus pada satu jenis data, seperti NLP atau visi komputer. Sebaliknya, AI multimodal lebih mirip dengan cara manusia berkomunikasi dengan memahami data melalui visual, suara, ekspresi wajah, dan infleksi vokal. Teknologi ini akan mengintegrasikan teks, suara, gambar, video, dan data lainnya untuk menciptakan interaksi yang lebih intuitif antara manusia dan sistem komputer. Teknologi ini memiliki potensi untuk mendukung asisten virtual dan chatbot canggih yang memahami pertanyaan yang kompleks dan dapat memberikan teks, alat bantu visual, atau tutorial video yang dapat dipesan lebih dahulu sebagai tanggapan.

AI akan menjadi lebih terintegrasi ke dalam ranah pribadi dan profesional, didorong oleh platform yang mudah digunakan yang memungkinkan mereka yang bukan ahli untuk menggunakan AI untuk bisnis, tugas-tugas individu, penelitian, dan proyek-proyek kreatif. Platform ini, yang mirip dengan pembuat situs web saat ini, akan memungkinkan wirausahawan, pendidik, dan usaha kecil untuk mengembangkan solusi AI khusus tanpa memerlukan keahlian teknis yang mendalam.

AI dan layanan mikroyang digerakkan oleh APIakan memungkinkan bisnis untuk mengintegrasikan fungsi-fungsi AI tingkat lanjut ke dalam sistem mereka yang sudah ada secara modular. Pendekatan ini akan mempercepat pengembangan aplikasi khusus tanpa memerlukan keahlian AI yang ekstensif.

Bagi perusahaan, pembuatan model yang lebih mudah berarti siklus inovasi yang lebih cepat, dengan alat bantu AI khusus untuk setiap fungsi bisnis. Platform tanpa kode dan kode rendah akan memungkinkan pengguna non-teknis untuk membuat model AI dengan menggunakan komponen seret-dan-lepas, modul plug-and-play, atau alur kerja yang dipandu. Karena banyak dari platform ini akan berbasis LLM, pengguna juga dapat menanyakan model AI menggunakan petunjuk.

PlatformAuto-ML berkembang pesat, mengotomatiskan tugas-tugas seperti prapemrosesan data, pemilihan fitur, dan penyetelan hiperparameter. Selama dekade berikutnya, Auto-ML akan menjadi lebih ramah pengguna dan mudah diakses, sehingga memungkinkan orang untuk membuat model AI berkinerja tinggi dengan cepat tanpa keahlian khusus. Layanan AI berbasis cloud juga akan menyediakan model AI siap pakai bagi bisnis yang dapat disesuaikan, diintegrasikan, dan diskalakan sesuai kebutuhan.

Untuk penghobi, alat AI yang dapat diakses akan mendorong gelombang baru inovasi individu, memungkinkan mereka mengembangkan aplikasi AI untuk proyek pribadi atau bisnis sampingan.

Pengembangan sumber terbuka dapat mendorong transparansi, sementara tata kelola yang cermat dan pedoman etika dapat membantu mempertahankan standar keamanan tinggi dan membangun kepercayaan dalam proses yang digerakkan oleh AI. Puncak dari kemudahan akses ini dapat berupa asisten virtual multimoda yang sepenuhnya dikendalikan suara yang mampu membuat aset visual, teks, audio, atau visual sesuai permintaan.

Meskipun sangat spekulatif, jika sistem Artificial General Intelligence (AGI) muncul pada tahun 2034, kita mungkin akan melihat awal dari sistem AI yang dapat secara mandiri menghasilkan, mengkurasi, dan menyempurnakan kumpulan data mereka sendiri, memungkinkan peningkatan dan adaptasi mandiri tanpa campur tangan manusia.

Karena AI generatif menjadi lebih terpusat dalam organisasi, perusahaan mungkin mulai menawarkan "asuransi halusinasi AI." Meskipun telah menjalani pelatihan ekstensif, model AI dapat memberikan hasil yang salah atau menyesatkan. Kesalahan ini sering kali berasal dari data pelatihan yang tidak memadai, asumsi yang salah, atau bias dalam data pelatihan.

Asuransi semacam itu akan melindungi lembaga keuangan, industri medis, industri hukum, dan lainnya terhadap hasil AI yang tidak terduga, tidak akurat atau berbahaya. Penanggung mungkin menanggung risiko keuangan dan reputasi yang terkait dengan kesalahan ini, mirip dengan cara mereka menangani penipuan keuangan dan pelanggaran data.

Pengambilan keputusan dan pemodelan prediksi AI akan berkembang hingga ke titik di mana sistem AI berfungsi sebagai mitra bisnis, membantu para eksekutif mengambil keputusan yang tepat dan mengotomatisasi tugas-tugas yang kompleks. Sistem AI ini akan mengintegrasikan analisis data waktu nyata, kesadaran, dan insight yang dipersonalisasi untuk menawarkan rekomendasi khusus, seperti perencanaan keuangan dan penjangkauan pelanggan, yang selaras dengan tujuan bisnis.

NLP yang ditingkatkan memungkinkan AI untuk berpartisipasi dalam percakapan dengan pimpinan, menawarkan saran berdasarkan pemodelan prediktif dan perencanaan skenario. Bisnis akan mengandalkan AI untuk mensimulasikan hasil potensial, mengelola kolaborasi lintas departemen, dan menyempurnakan strategi berdasarkan pembelajaran berkelanjutan. Mitra AI ini akan memungkinkan usaha kecil untuk untuk menskalakan lebih cepat dan beroperasi dengan efisiensi yang serupa dengan perusahaan besar.

Quantum AI, menggunakan sifat unik dari qubit, dapat mendobrak batasan AI klasik dengan memecahkan masalah yang sebelumnya tidak dapat dipecahkan karena kendala komputasi. Simulasi material yang kompleks, optimasi rantai pasokan yang luas, dan dataset yang jauh lebih besar secara eksponensial dapat dilakukan secara real time. Hal ini dapat mengubah bidang penelitian ilmiah, di mana AI akan mendorong batas-batas penemuan dalam fisika, biologi, dan ilmu iklim dengan memodelkan skenario yang membutuhkan waktu ribuan tahun untuk diproses oleh komputer klasik.

Rintangan utama dalam kemajuan AI adalah waktu, energi, dan biaya yang sangat besar yang terlibat dalam melatih model besar, seperti model bahasa besar (LLM) dan neural networks. Kebutuhan perangkat keras saat ini mendekati batas infrastruktur komputasi konvensional, oleh karena itu inovasi akan berfokus pada peningkatan perangkat keras atau menciptakan arsitektur yang sama sekali baru. Quantum computing menawarkan jalan yang menjanjikan untuk inovasi AI, karena dapat secara drastis mengurangi waktu dan Sumber daya yang dibutuhkan untuk melatih dan menjalankan model AI yang besar.

Model Bitnet menggunakan parameter terner, sistem basis-3 dengan 3 digit untuk merepresentasikan informasi. Pendekatan ini mengatasi masalah energi dengan memungkinkan AI memproses informasi secara lebih efisien, dengan mengandalkan beberapa status daripada data biner (0 dan 1). Hal ini dapat menghasilkan komputasi yang lebih cepat dengan konsumsi daya yang lebih sedikit.

Perusahaan rintisan yang didukung Y Combinator dan perusahaan lain berinvestasi dalam perangkat keras silikon khusus yang dirancang untuk model bitnet, yang dapat secara dramatis mempercepat waktu pelatihan AI dan mengurangi biaya operasional. Tren ini menunjukkan bahwa sistem AI di masa depan akan menggabungkan komputasi quantum, model bitnet, dan perangkat keras khusus untuk mengatasi batasan komputasi.

Peraturan dan standar etika AI harus berkembang secara signifikan agar AI di mana-mana dapat menjadi kenyataan. Didorong oleh kerangka kerja seperti Undang-Undang AI Uni Eropa, perkembangan utama adalah penciptaan sistem manajemen risiko yang ketat, mengelompokkan AI ke dalam tingkatan risiko dan memberlakukan persyaratan yang lebih ketat pada AI berisiko tinggi. Model AI, terutama yang bersifat generatif dan berskala besar, mungkin perlu memenuhi standar transparansi, ketahanan, dan keamanan siber. Kerangka kerja ini kemungkinan akan berkembang secara global, mengikuti Undang-Undang AI Uni Eropa, yang menetapkan standar untuk sektor perawatan kesehatan, keuangan, dan infrastruktur penting.

Pertimbanganetis akan membentuk peraturan, termasuk larangan terhadap sistem yang menimbulkan risiko yang tidak dapat diterima, seperti penilaian sosial dan identifikasi biometrik jarak jauh di ruang publik. Sistem AI akan diminta untuk menyertakan pengawasan manusia, melindungi hak-hak dasar, mengatasi masalah seperti bias dan keadilan, serta menjamin penerapan yang bertanggung jawab.

AI yang secara proaktif mengantisipasi kebutuhan dan membuat keputusan secara otonom kemungkinan besar akan menjadi bagian inti dari kehidupan pribadi dan bisnis. Agentic AI mengacu pada sistem yang terdiri dari agen khusus yang beroperasi secara independen, masing-masing menangani tugas-tugas tertentu. Agen-agen ini berinteraksi dengan data, sistem, dan orang-orang untuk menyelesaikan alur kerja multi-langkah, sehingga memungkinkan bisnis untuk mengotomatiskan proses yang kompleks seperti dukungan pelanggan atau diagnostik jaringan. Tidak seperti model bahasa besar monolitik (LLM), Agentic AI beradaptasi dengan lingkungan waktu nyata, menggunakan algoritma pengambilan keputusan yang lebih sederhana dan loop masukan untuk belajar dan berkembang.

Keuntungan utama dari Agentic AI adalah pembagian kerja antara LLM, yang menangani tugas-tugas umum dan agen khusus domain, yang memberikan keahlian mendalam. Pembagian ini membantu mengurangi keterbatasan LLM. Sebagai contoh, di perusahaan telekomunikasi, LLM dapat mengkategorikan pertanyaan pelanggan, sementara agen khusus mengambil informasi akun, mendiagnosis masalah, dan merumuskan solusi secara real time.

Pada tahun 2034, sistem Agentic AI ini mungkin menjadi pusat untuk mengelola segala sesuatu, mulai dari alur kerja bisnis hingga rumah pintar. Kemampuan mereka untuk mengantisipasi kebutuhan secara mandiri, membuat keputusan, dan belajar dari lingkungannya dapat membuat mereka lebih efisien dan hemat biaya, melengkapi kemampuan umum LLM dan meningkatkan aksesibilitas AI di seluruh industri.

Ketika data yang dihasilkan manusia menjadi langka, perusahaan sudah beralih ke data sintetis-kumpulan data buatan yang meniru pola dunia nyata tanpa keterbatasan Resources atau masalah etika yang sama. Pendekatan ini akan menjadi standar untuk melatih AI, meningkatkan akurasi model sekaligus mempromosikan keberagaman data. Data pelatihan AI akan mencakup citra satellite, data biometrik, catatan audio, dan data sensor IoT.

Munculnya model yang disesuaikan akan menjadi tren AI utama, dengan organisasi menggunakan kumpulan data eksklusif untuk melatih AI yang disesuaikan dengan kebutuhan spesifik mereka. Model-model ini, yang dirancang untuk pembuatan konten, interaksi pelanggan, dan pengoptimalan proses, dapat mengungguli LLM tujuan umum dengan menyelaraskannya secara dekat dengan data dan konteks organisasi yang unik. Perusahaan akan berinvestasi dalam jaminan kualitas data sehingga data nyata dan data sintetis memenuhi standar kinerja, akurasi, dan keberagaman yang tinggi, menjaga AI dan ketahanan etika.

Tantangan dari "shadow AI"- alat AI yang tidak sah yang digunakan oleh karyawan - akan mendorong organisasi untuk menerapkan tata kelola data yang lebih ketat, menjamin bahwa hanya sistem AI yang disetujui yang dapat mengakses data sensitif dan hak milik.

Seiring dengan terus berkembangnya AI, beberapa ide ambisius "moonshot" bermunculan untuk mengatasi keterbatasan saat ini dan mendorong batasan dari apa yang dapat dicapai oleh kecerdasan buatan. Salah satu moonshot tersebut adalah komputasi pasca-Moore¹, yang bertujuan untuk bergerak melampaui arsitektur von Neumann tradisional karena GPU dan TPU mendekati batas fisik dan praktisnya.

Dengan model AI menjadi semakin kompleks dan intensif data, paradigma komputasi baru diperlukan. Inovasi dalam komputasi neuromorfik², yang meniru struktur saraf otak manusia, berada di garis depan transisi ini. Selain itu, komputasi optik³, yang menggunakan cahaya alih-alih sinyal listrik untuk memproses informasi, menawarkan jalan yang menjanjikan untuk meningkatkan efisiensi dan skalabilitas komputasi

Hal penting lainnya adalah pengembangan Internet terdistribusi^AI4, atau AI federasi, yang membayangkan infrastruktur AI yang terdistribusi dan terdesentralisasi. Tidak seperti model AI terpusat tradisional yang mengandalkan pusat data yang luas, AI federasi beroperasi di berbagai perangkat dan lokasi, memproses data secara lokal untuk meningkatkan privasi dan mengurangi latensi.

Dengan memungkinkan node ponsel, gadget IoT, dan komputasi edge untuk berkolaborasi dan berbagi insight tanpa mengirimkan data mentah, federated AI mendorong ekosistem AI yang lebih aman dan scalable. Penelitian saat ini berfokus pada pengembangan algoritma dan protokol yang efisien untuk kolaborasi tanpa batas di antara model-model terdistribusi, memfasilitasi pembelajaran secara real-time dengan tetap menjaga integritas data dan standar privasi yang tinggi.

Bidang eksperimen penting lainnya membahas keterbatasan inheren mekanisme perhatian arsitektur transformer⁵. Transformer mengandalkan mekanisme perhatian dengan jendela konteks untuk memproses bagian-bagian relevan dari data masukan, seperti token sebelumnya dalam percakapan. Namun, saat jendela konteks meluas untuk memasukkan lebih banyak data historis, kompleksitas komputasi meningkat secara kuadrat, sehingga menjadi tidak efisien dan mahal.

Untuk mengatasi tantangan ini, para peneliti mengeksplorasi pendekatan seperti melinearisasi mekanisme perhatian atau memperkenalkan teknik windowing yang lebih efisien, yang memungkinkan transformer menangani jendela konteks yang lebih besar tanpa peningkatan sumber daya komputasi secara eksponensial. Kemajuan ini akan memungkinkan model AI untuk lebih memahami dan menggabungkan interaksi masa lalu yang luas, yang mengarah pada respons yang lebih koheren dan relevan secara kontekstual.

Bayangkan memulai hari Anda di tahun 2034. Sebuah asisten cerdas yang dikendalikan oleh suara, yang terhubung dengan setiap aspek kehidupan Anda, akan menyapa Anda dengan rencana makan keluarga Anda untuk minggu ini, yang disesuaikan dengan preferensi setiap orang. Asisten ini akan memberi tahu Anda tentang kondisi dapur Anda saat ini, dan memesan bahan makanan bila diperlukan. Perjalanan Anda menjadi otomatis karena sopir virtual Anda menavigasi rute yang paling efisien ke tempat kerja, menyesuaikan dengan lalu lintas dan cuaca secara real-time.

Di tempat kerja, mitra AI memilah-milah tugas harian dan memberi Anda wawasan yang dapat ditindaklanjuti, membantu dengan tugas-tugas rutin, dan bertindak sebagai basis data pengetahuan yang dinamis dan proaktif. Pada tingkat pribadi, teknologi yang disematkan AI dapat membuat hiburan yang dipesan lebih dahulu, menghasilkan cerita, musik, atau seni visual yang disesuaikan dengan selera Anda. Jika Anda ingin mempelajari sesuatu, AI dapat memberikan tutorial video yang disesuaikan dengan gaya belajar Anda, dengan mengintegrasikan teks, gambar, dan suara.

Seiring meluasnya adopsi AI dan berkembangnya teknologi, dampaknya terhadap operasi global akan sangat besar. Berikut ini beberapa implikasi utama dari teknologi AI tingkat lanjut:

AI akan memainkan peran ganda dalam aksi iklim dengan secara bersamaan berkontribusi pada peningkatan permintaan energi dan berfungsi sebagai alat untuk mitigasi. Sumber daya komputasi yang diperlukan untuk melatih dan menerapkan model AI yang besar secara signifikan meningkatkan konsumsi energi, sehingga memperburuk emisi karbon jika sumber energinya tidak berkelanjutan. Sebagai alternatif, AI dapat meningkatkan inisiatif iklim dengan mengoptimalkan penggunaan energi di berbagai sektor, meningkatkan pemodelan dan prediksi iklim, serta memungkinkan solusi inovatif untuk energi terbarukan, penangkapan karbon, dan pemantauan lingkungan.

Di bidang manufaktur, robot yang didukung AI dapat melakukan tugas perakitan yang rumit dengan presisi, meningkatkan laju produksi dan mengurangi cacat. Dalam bidang kesehatan, alat diagnostik otomatis membantu dokter dalam mengidentifikasi penyakit secara lebih akurat dan cepat. Otomatisasi proses yang didorong oleh AI dan machine learning di bidang keuangan, logistik, dan pengalaman pelanggan dapat merampingkan operasi, mengurangi biaya, dan meningkatkan kualitas layanan. Dengan menangani tugas-tugas yang berulang, AI memungkinkan pekerja manusia untuk fokus pada upaya strategis dan kreatif, mendorong inovasi dan produktivitas.

Munculnya otomatisasi yang didorong oleh AI hampir pasti akan menggeser jenis pekerjaan tertentu, terutama di industri yang bergantung pada berbagai tugas berulang dan manual. Pekerjaan seperti entri data, lini perakitan, dan layanan pelanggan rutin kemungkinan besar akan berkurang karena fungsi-fungsi ini diambil alih oleh mesin dan algoritme. Namun, transformasi ini juga menciptakan peluang baru dalam bidang pengembangan AI, analisis data, dan keamanan siber. Selain itu, meningkatnya kebutuhan akan pemeliharaan, pengawasan, dan pengelolaan AI secara etis akan mendorong permintaan untuk pelatihan ulang tenaga kerja dan keterampilan baru.

Gen AI telah mempermudah pembuatan deepfake - audio, video, dan gambar yang realistis namun palsu - yang digunakan untuk menyebarkan informasi palsu dan memanipulasi opini publik. Hal ini menimbulkan tantangan bagi integritas informasi dan kepercayaan media. Untuk mengatasinya, diperlukan alat deteksi yang canggih, Pendidikan publik, dan mungkin tindakan hukum untuk meminta pertanggungjawaban pembuat deepfake yang berbahaya.

Orang-orang mengantropomorfisasi AI, membentuk keterikatan emosional dan dinamika sosial yang kompleks, seperti yang terlihat pada ELIZA^Effect6 dan teman AI lainnya. Dalam dekade mendatang, hubungan ini mungkin akan menjadi lebih mendalam, sehingga menimbulkan pertanyaan-pertanyaan psikologis dan etis. Masyarakat harus mempromosikan interaksi yang sehat dengan mesin yang semakin mirip manusia dan membantu individu untuk membedakan interaksi manusia yang tulus dengan interaksi yang Didorong oleh AI.

Karena konten yang dihasilkan AI mendominasi internet-diperkirakan terdiri dari sekitar 50% materi online-ketersediaan data yang dihasilkan manusia akan berkurang. Para peneliti memperkirakan bahwa pada tahun 2026, data publik untuk melatih model AI yang besar akan habis. Untuk mengatasi hal ini, komunitas AI mengeksplorasi Strategi pembuatan data sintetis dan sumber data baru, seperti perangkat IoT dan simulasi, untuk mendiversifikasi input pelatihan AI. Strategi ini sangat penting untuk mempertahankan kemajuan AI dan memastikan bahwa model tetap mampu dalam lingkungan digital yang semakin jenuh dengan data.

Karena AI lanjutkan berkembang dan fokus beralih ke model yang lebih hemat biaya yang memungkinkan solusi khusus untuk individu dan perusahaan, kepercayaan dan keamanan harus tetap menjadi yang utama.

watsonx.ai™ IBM adalah portofolio produk AI untuk mengembangkan, menerapkan, dan mengelola solusi AI yang selaras dengan tren saat ini menuju alat AI yang lebih aman, lebih mudah diakses, dan serbaguna.

Watsonx.ai memadukan kemampuan AI tingkat lanjut dengan fleksibilitas yang dibutuhkan untuk mendukung bisnis di berbagai industri, membantu memastikan mereka memanfaatkan kekuatan AI untuk dampak nyata dan bukan sekadar mengikuti tren. Dengan memprioritaskan kemudahan penggunaan dan efisiensi, Watsonx.ai siap menjadi aset yang sangat diperlukan bagi mereka yang ingin menggunakan AI dalam dekade mendatang.