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 menjadi tren sesaat. AI juga bukan sekadar fenomena sementara. Lebih dari 60 negara telah mengembangkan strategi AI nasional untuk memanfaatkan manfaat AI sekaligus memitigasi risikonya. Hal ini mencakup investasi besar dalam riset dan pengembangan, peninjauan serta penyesuaian standar kebijakan dan kerangka regulasi yang relevan, serta memastikan teknologi ini tidak merusak pasar tenaga kerja yang adil maupun kerja sama internasional.

Komunikasi antara manusia dan mesin kini semakin mudah, sehingga memungkinkan pengguna AI menyelesaikan lebih banyak pekerjaan dengan kecakapan dan efisiensi yang lebih tinggi. AI diproyeksikan menambah 4,4 triliun USD terhadap ekonomi global melalui eksplorasi dan optimalisasi lanjutkan.

Antara sekarang dan 2034, AI akan menjadi bagian dari berbagai aspek 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 sedang ditentukan oleh pergeseran ke arah model skala besar sumber terbuka 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, sumber terbuka model AI dengan 400 miliar parameter dan Mistral Large 2, yang dirilis untuk tujuan penelitian, menggambarkan tren mendorong kolaborasi komunitas dalam proyek AI selagi mempertahankan hak komersial. Meningkatnya minat pada model yang lebih kecil telah menyebabkan penciptaan model seperti 11 miliar parameter mini GPT 4o-mini, 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 pengembangan beberapa teknologi inti. AI berperan 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 dan memungkinkan alat terjemahan dan analisis sentimen yang lebih canggih.

AI meningkatkan analisis prediktif dan big data dengan memproses dan menginterpretasikan sejumlah besar data untuk memperkirakan tren dan menginformasikan keputusan. Dalam robotika, pengembangan mesin yang lebih otonom dan mudah beradaptasi menyederhanakan tugas-tugas seperti perakitan, eksplorasi, dan pemberian layanan. Selain itu, inovasi yang didorong oleh AI pada Internet of Things (IoT) meningkatkan konektivitas dan kecerdasan perangkat, yang mengarah pada 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 tipe data tunggal, 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 mikro yang digerakkan API akan memungkinkan bisnis untuk mengintegrasikan fungsi AI canggih ke dalam sistem mereka yang ada secara modular. Pendekatan ini akan mempercepat pengembangan aplikasi khusus tanpa memerlukan keahlian AI yang luas.

Bagi perusahaan, pembuatan model yang lebih mudah berarti siklus inovasi yang lebih cepat, dengan alat bantu AI khusus untuk setiap fungsi bisnis. Platform no-code 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 prompt.

Platform auto-ML meningkat dengan cepat, mengotomatiskan tugas-tugas seperti prapemrosesan data, pemilihan fitur, dan penyetelan hyperparameter. Selama dekade berikutnya, Auto-ML akan menjadi lebih ramah pengguna dan dapat diakses, yang memungkinkan orang untuk membuat model AI berkinerja tinggi dengan cepat tanpa keahlian khusus. Layanan AI berbasis cloud juga akan menyediakan bisnis dengan model AI bawaan yang dapat disesuaikan, diintegrasikan, dan diskalakan sesuai kebutuhan.

Bagi para pehobi, perangkat AI yang mudah diakses akan mendorong gelombang baru inovasi individual, yang 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 didorong oleh AI. Puncak dari kemudahan akses ini dapat berupa asisten virtual multimodal 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, yang memungkinkan peningkatan dan adaptasi mandiri tanpa campur tangan manusia.

Ketika 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 menyimulasikan hasil potensial, mengelola kolaborasi lintas departemen, dan menyempurnakan strategi berdasarkan pembelajaran berkelanjutan. Mitra AI ini akan memungkinkan usaha kecil untuk menskalakan lebih cepat dan beroperasi dengan efisiensi yang serupa dengan perusahaan besar.

Quantum AI, menggunakan sifat unik qubit, dapat menghancurkan keterbatasan AI klasik dengan memecahkan masalah yang sebelumnya tidak dapat dipecahkan karena kendala komputasi. Simulasi material yang kompleks, pengoptimalan rantai pasokan yang luas, dan kumpulan data yang lebih besar secara eksponensial mungkin menjadi layak secara real time. Ini mungkin mengubah bidang penelitian ilmiah, di mana AI akan mendorong batas-batas penemuan dalam fisika, biologi, dan ilmu iklim dengan memodelkan skenario yang akan membutuhkan komputer klasik ribuan tahun untuk diproses.

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. Persyaratan perangkat keras saat ini mendekati batas infrastruktur komputasi konvensional, itulah sebabnya inovasi akan difokuskan pada peningkatan perangkat keras atau penciptaan arsitektur yang sepenuhnya 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 keberadaan AI di mana-mana menjadi kenyataan. Didorong oleh kerangka kerja seperti Undang-Undang AI UE, pengembangan utama adalah penciptaan sistem manajemen risiko yang ketat, yang mengklasifikasikan AI ke dalam tingkatan risiko dan memaksakan persyaratan yang lebih ketat pada AI berisiko tinggi. Model AI, terutama yang 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 UE, yang menetapkan standar untuk sektor perawatan kesehatan, keuangan, dan infrastruktur penting.

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

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

Keuntungan utama dari AI agen 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 mengategorikan pertanyaan pelanggan, sementara agen khusus mengambil informasi akun, mendiagnosis masalah, dan merumuskan solusi secara real time.

Pada tahun 2034, sistem AI agen 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 sumber daya 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 satelit, 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 bertujuan 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, sehingga menjaga kinerja dan ketahanan etika AI.

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

Seiring dengan terus berkembangnya AI, beberapa ide “moonshot” yang ambisius muncul untuk mengatasi keterbatasan saat ini dan mendorong batas-batas hal yang dapat dicapai oleh kecerdasan buatan. Salah satu moonshot tersebut adalah komputasi pasca-Moore ¹, yang bertujuan untuk melampaui arsitektur von Neumann tradisional karena GPU dan TPU mendekati batas fisik dan praktisnya.

Dengan model AI yang menjadi semakin kompleks dan padat-data, paradigma komputasi baru banyak diperlukan. Inovasi dalam komputasi neuromorfik ², yang meniru struktur saraf otak manusia, berada di garis depan dalam transisi ini. Selain itu, komputasi optik ³, yang menggunakan cahaya alih-alih sinyal listrik untuk memproses informasi, menawarkan jalan yang menjanjikan untuk meningkatkan efisiensi dan skalabilitas komputasi.

Hal penting lainnya dari moonshot adalah pengembangan Internet of AI ⁴ terdistribusi, 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, AI federasi mendorong ekosistem AI yang lebih aman dan dapat diskalakan. 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 batasan mekanisme perhatian arsitektur transformator ⁵. Transformator mengandalkan mekanisme perhatian dengan jendela konteks untuk memproses bagian yang relevan dari data input, seperti token sebelumnya dalam percakapan. Namun, ketika jendela konteks diperluas untuk memasukkan lebih banyak data historis, kompleksitas komputasi meningkat secara kuadratik, 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 transformator 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 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, yang menyesuaikan dengan lalu lintas dan cuaca secara real-time.

Di tempat kerja, mitra AI memilah-milah tugas harian dan memberi Anda insight 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 kompleks dengan presisi, yang meningkatkan laju produksi dan mengurangi cacat. Dalam perawatan kesehatan, alat diagnostik otomatis membantu dokter dalam mengidentifikasi penyakit dengan lebih akurat dan cepat. Otomatisasi proses yang didorong oleh AI dan machine learning di bidang keuangan, logistik, dan pengalaman pelanggan dapat menyederhanakan operasi, mengurangi biaya, dan meningkatkan kualitas layanan. Dengan menangani tugas-tugas berulang, AI memungkinkan pekerja manusia untuk fokus pada upaya strategis dan kreatif, yang 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 algoritma. 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 tetapi 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, edukasi publik, dan mungkin tindakan hukum untuk meminta pertanggungjawaban pembuat deepfake yang berbahaya.

Orang-orang melakukan antropomorfisasi AI, membentuk keterikatan emosional dan dinamika sosial yang kompleks, seperti yang terlihat pada ELIZA Effect⁶ dan rekan AI lainnya. Selama dekade berikutnya, hubungan ini mungkin menjadi lebih mendalam, yang menimbulkan pertanyaan psikologis dan etika. Masyarakat harus mempromosikan interaksi yang sehat dengan mesin yang semakin mirip manusia dan membantu individu membedakan interaksi manusia asli dari 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.

Seiring dengan kemajuan AI dan pergeseran fokus ke arah 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 mengintegrasikan kemampuan AI canggih dengan fleksibilitas yang diperlukan untuk mendukung bisnis di seluruh industri, yang membantu memastikan mereka memanfaatkan kekuatan AI untuk dampak nyata dan tidak hanya menjadi tren. Dengan memprioritaskan kemudahan dan efisiensi pengguna, watsonx.ai siap menjadi aset yang sangat diperlukan bagi mereka yang ingin menggunakan AI pada dekade mendatang.