Diterbitkan: 22 Maret 2024
Kontributor: Cole Stryker, Mark Scapicchio
AI generatif, terkadang disebut gen AI, adalah kecerdasan buatan (AI) yang dapat membuat konten orisinal, seperti teks, gambar, video, audio, atau kode perangkat lunak, sebagai tanggapan atas prompt atau permintaan pengguna.
AI generatif bergantung pada model machine learning canggih yang disebut model pembelajaran mendalam, yaitu algoritma yang menyimulasikan proses pembelajaran dan pengambilan keputusan otak manusia. Model-model ini bekerja dengan mengidentifikasi dan menyandikan pola dan hubungan dalam sejumlah besar data, dan kemudian menggunakan informasi itu untuk memahami permintaan atau pertanyaan dalam bahasa alami pengguna dan merespons dengan konten baru yang relevan.
AI telah menjadi topik teknologi yang hangat selama dekade terakhir, tetapi AI generatif, dan khususnya kehadiran ChatGPT pada tahun 2022, telah mendorong AI menjadi berita utama di seluruh dunia dan meluncurkan lonjakan inovasi dan adopsi AI yang belum pernah terjadi sebelumnya. AI Generatif menawarkan manfaat produktivitas yang sangat besar bagi individu dan organisasi, dan meskipun AI juga menghadirkan tantangan dan risiko yang sangat nyata, bisnis terus maju, mengeksplorasi cara teknologi ini dapat meningkatkan alur kerja internal dan memperkaya produk dan layanan mereka. Menurut penelitian yang dilakukan oleh perusahaan konsultan manajemen McKinsey, sepertiga organisasi sudah menggunakan AI generatif secara rutin dalam setidaknya satu fungsi bisnis.¹ Analis industri Gartner memproyeksikan lebih dari 80% organisasi akan menggunakan aplikasi AI generatif atau menggunakan antarmuka pemrograman aplikasi (API) AI generatif pada tahun 2026.2
Pelajari cara menggabungkan AI generatif dan machine learning dengan percaya diri ke dalam bisnis Anda.
Daftar untuk mendapatkan panduan tentang model dasar
Pada umumnya, AI generatif beroperasi dalam tiga fase:
- Pelatihan, untuk membuat model dasar yang dapat berfungsi sebagai dasar dari beberapa aplikasi gen AI.
- Penyetelan, untuk menyesuaikan model dasar dengan aplikasi gen AI tertentu.
- Pembuatan, evaluasi, dan penyetelan ulang, untuk menilai output aplikasi AI dan terus meningkatkan kualitas dan akurasinya.
AI generatif dimulai dengan model dasar, yaitu 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), yang dibuat untuk aplikasi pembuatan teks, tetapi ada juga model dasar untuk pembuatan gambar, pembuatan video, dan pembuatan suara dan musik, serta model dasar multimoda yang dapat mendukung beberapa jenis pembuatan konten.
Untuk membuat model dasar, para praktisi melatih algoritma pembelajaran mendalam data mentah, tidak terstruktur, dan tidak berlabel dengan volume yang besar, seperti data berukuran terabyte yang diambil dari internet atau sumber data besar lainnya. Selama pelatihan, algoritma melakukan dan mengevaluasi jutaan latihan 'mengisi bagian yang kosong', mencoba memprediksi elemen berikutnya dalam suatu urutan, seperti kata berikutnya dalam sebuah kalimat, elemen berikutnya dalam sebuah gambar, perintah berikutnya dalam sebuah baris kode. Algoritma ini terus menyesuaikan diri untuk meminimalkan perbedaan antara prediksi dan data aktual (atau hasil yang 'benar').
Hasil dari pelatihan ini adalah jaringan neural dari parameter, yaitu representasi yang dikodekan dari entitas, pola, dan hubungan dalam data, yang dapat menghasilkan konten secara mandiri sebagai respons terhadap input, atau prompt.
Proses pelatihan ini sangat intensif dalam hal komputasi, memakan waktu, dan mahal: proses ini membutuhkan ribuan unit pemrosesan grafis (GPU) dalam kluster dan pemrosesan selama berminggu-minggu, yang semuanya menghabiskan jutaan dolar. Proyek model dasar sumber terbuka, seperti Llama-2 Meta, memungkinkan pengembang gen AI untuk menghindari langkah ini dan biayanya.
Secara metaforis, model dasar adalah seorang generalis: Model ini mengetahui banyak hal tentang banyak jenis konten, tetapi sering kali tidak dapat menghasilkan jenis output tertentu dengan akurasi atau ketepatan yang diinginkan. Untuk itu, model harus disetel ke tugas pembuatan konten tertentu. Penyetelan ini dapat dilakukan dengan berbagai cara.
Penyesuaian melibatkan pemberian data berlabel ke model yang spesifik untuk aplikasi pembuatan konten, seperti pertanyaan atau prompt yang mungkin diterima aplikasi, dan jawaban yang benar dan relevan dalam format yang diinginkan. Misalnya, jika tim pengembang mencoba membuat chatbot layanan pelanggan, tim tersebut akan membuat ratusan atau ribuan dokumen yang berisi pertanyaan layanan pelanggan berlabel dan jawaban yang benar, lalu memasukkan dokumen tersebut ke dalam model.
Penyetelah halus membutuhkan banyak tenaga kerja. Pengembang sering mengalihdayakan tugas ke perusahaan yang memiliki tenaga kerja pelabelan data dalam jumlah besar.
Dalam RLHF, pengguna manusia merespons konten yang dihasilkan dengan evaluasi yang dapat digunakan model untuk memperbarui model untuk meningkatkan akurasi atau relevansi. Seringkali, RLHF melibatkan orang yang 'menilai' output yang berbeda sebagai respons terhadap prompt yang sama. Namun, ini juga bisa sesederhana meminta orang mengetik atau berbicara dengan chatbot atau asisten virtual, untuk memperbaiki output-nya.
Pengembang dan pengguna secara terus menerus menilai hasil dari aplikasi AI generatif mereka, dan menyempurnakan model lebih lanjut, bahkan sesering seminggu sekali, untuk akurasi atau relevansi yang lebih baik. (Sebaliknya, model dasar itu sendiri lebih jarang diperbarui, mungkin sekali setiap tahun atau 18 bulan.)
Opsi lain untuk meningkatkan kinerja aplikasi AI adalah retrieval augmented generation (RAG). RAG adalah kerangka kerja untuk memperluas model dasar dengan menggunakan sumber-sumber yang relevan di luar data pelatihan, untuk menambah dan menyempurnakan parameter atau representasi dalam model asli. RAG dapat memastikan bahwa aplikasi AI generatif selalu memiliki akses ke informasi terkini. Sebagai bonus, sumber tambahan yang diakses melalui RAG bersifat transparan bagi pengguna, tidak seperti pengetahuan dalam model dasar aslinya.
Model AI yang benar-benar generatif, yaitu model pembelajaran mendalam yang dapat membuat konten secara mandiri sesuai permintaan, telah berkembang selama belasan tahun terakhir ini. Pencapaian arsitektur model selama periode tersebut meliputi
Variational autoencoders (VAE), yang mendorong terobosan dalam pengenalan gambar, pemrosesan bahasa alami, dan deteksi anomali.
Generative adversarial networks (GAN) dan model difusi, yang meningkatkan akurasi aplikasi sebelumnya dan memungkinkan beberapa solusi AI pertama untuk pembuatan gambar foto-realistis.
Transformers, arsitektur model pembelajaran mendalam yang ada di balik model dasar dan solusi AI generatif terdepan saat ini.
Autoencoder adalah model pembelajaran mendalam yang terdiri dari dua jaringan neural yang terhubung: Satu yang mengkodekan (atau mengompresi) sejumlah besar data pelatihan yang tidak terstruktur dan tidak berlabel ke dalam parameter, dan satu lagi yang memecahkan kode parameter tersebut untuk merekonstruksi konten. Secara teknis, autoencoder dapat menghasilkan konten baru, tetapi lebih berguna untuk mengompresi data untuk penyimpanan atau transfer, dan mendekompresi data tersebut untuk digunakan, daripada menghasilkan konten berkualitas tinggi.
Diperkenalkan pada tahun 2013, variational autoencoders (VAE) dapat menyandikan data seperti halnya autoencoder, tetapi dapat mendekodekan beberapa variasi baru dari konten. Dengan melatih VAE untuk menghasilkan variasi untuk tujuan tertentu, VAE dapat 'memusatkan perhatian' pada konten yang lebih akurat dan memiliki fidelitas yang lebih tinggi dari waktu ke waktu. Aplikasi VAE awal menyertakan deteksi anomali (misalnya, analisis citra medis) dan pembuatan bahasa alami.
GAN, yang diperkenalkan pada tahun 2014, juga terdiri dari dua jaringan neural: Generator, yang menghasilkan konten baru, dan diskriminator, yang mengevaluasi keakuratan dan kualitas data yang dihasilkan. Algoritma yang berlawanan ini mendorong model untuk menghasilkan output yang makin berkualitas tinggi.
GAN biasanya digunakan untuk pembuatan gambar dan video, tetapi dapat menghasilkan konten realistis berkualitas tinggi di berbagai domain. Jaringan ini telah terbukti sangat berhasil dalam tugas-tugas seperti transfer gaya (mengubah gaya gambar, misalnya dari foto menjadi sketsa pensil) dan augmentasi data (membuat data sintetis baru untuk meningkatkan ukuran dan keberagaman kumpulan data pelatihan).
Juga diperkenalkan pada tahun 2014, model difusi bekerja dengan pertama-tama menambahkan noise ke data pelatihan sampai data menjadi acak dan tidak dapat dikenali, dan kemudian melatih algoritma untuk secara berulang kali mendifusikan noise untuk menunjukkan output yang diinginkan.
Model difusi memerlukan lebih banyak waktu untuk pelatihan daripada VAE atau GAN, tetapi pada akhirnya menawarkan kontrol yang lebih baik atas output, khususnya untuk alat pembuat gambar berkualitas tinggi. DALL-E, alat pembuatan gambar Open AI, dijalankan oleh model difusi.
Pertama kali didokumentasikan dalam makalah tahun 2017 yang diterbitkan oleh Ashish Vaswani dan lainnya, transformer mengembangkan paradigma encoder-decoder untuk memungkinkan langkah besar ke depan dalam hal pelatihan model dasar, dan dalam kualitas dan jenis konten yang dapat mereka hasilkan. Model-model ini merupakan inti dari sebagian besar alat AI generatif yang populer saat ini, termasuk ChatGPT dan GPT-4, Copilot, BERT, Bard, dan Midjourney.
Transformer menggunakan konsep yang disebut perhatian, yaitu menentukan dan memfokuskan pada apa yang paling penting tentang data dalam suatu urutan, untuk
memproses seluruh urutan data, misalnya kalimat, dan bukan kata per kata, secara bersamaan;
menangkap konteks data dalam urutan;
menyandikan data pelatihan ke dalam penyematan (juga disebut hyperparameter) yang mewakili data dan konteksnya.
Selain memungkinkan pelatihan yang lebih cepat, transformers unggul dalam pemrosesan bahasa alami (NLP) dan pemahaman bahasa alami (NLU), dan dapat menghasilkan urutan data yang lebih panjang, misalnya, tidak hanya jawaban atas pertanyaan, tetapi juga puisi, artikel, atau makalah, dengan akurasi yang lebih besar dan kualitas yang lebih tinggi daripada model AI generatif mendalam lainnya. Model transformer juga dapat dilatih atau disetel untuk menggunakan alat bantu, misalnya, aplikasi spreadsheet, HTML, program menggambar, untuk menampilkan konten dalam format tertentu.
AI generatif dapat membuat banyak jenis konten di banyak domain yang berbeda.
Model generatif, terutama yang berbasis transformer, dapat menghasilkan teks yang koheren dan relevan secara kontekstual, mulai dari instruksi dan dokumentasi hingga brosur, email, salinan situs web, blog, artikel, laporan, makalah, dan bahkan penulisan kreatif. Model tersebut juga dapat melakukan tugas menulis yang berulang atau membosankan (misalnya, seperti menyusun ringkasan dokumen atau deskripsi meta halaman web), sehingga memberikan waktu bagi penulis untuk melakukan pekerjaan yang lebih kreatif dan bernilai lebih tinggi.
Pembuatan gambar seperti DALL-E, Midjourney dan Stable Diffusion dapat menciptakan gambar realistis atau seni orisinal, dan dapat melakukan transfer gaya, penerjemahan gambar-ke-gambar, serta pengeditan gambar atau penyempurnaan gambar lainnya. Alat video AI generatif yang kini berkembang dapat membuat animasi dari prompt teks, dan dapat menerapkan efek khusus pada video yang ada dengan lebih cepat dan hemat biaya dibandingkan metode lainnya.
Model generatif dapat menyintesis konten audio dan ucapan yang terdengar alami untuk chatbot AI dan asisten digital yang mendukung suara, narasi buku audio, dan aplikasi lainnya. Teknologi yang sama dapat menghasilkan musik orisinal yang meniru struktur dan suara komposisi profesional.
Gen AI dapat menghasilkan kode asli, melengkapi otomatis potongan kode, menerjemahkan antar-bahasa pemrograman, dan meringkas fungsionalitas kode. Alat ini memungkinkan pengembang untuk membuat prototipe, memfaktorkan ulang, dan melakukan debug aplikasi dengan cepat sambil menawarkan antarmuka bahasa alami untuk tugas-tugas pengkodean.
Model AI generatif dapat menghasilkan karya seni dan desain yang unik, atau membantu dalam desain grafis. Penerapannya mencakup pembuatan lingkungan, karakter atau avatar yang dinamis, dan efek khusus untuk simulasi virtual dan video game.
Model AI generatif dapat dilatih untuk menghasilkan data sintetis, atau struktur sintetis berdasarkan data nyata atau sintetis. Sebagai contoh, AI generatif digunakan dalam penemuan obat untuk menghasilkan struktur molekul dengan sifat yang diinginkan, sehingga membantu dalam desain senyawa farmasi baru.
Manfaat AI generatif yang jelas dan nyata adalah efisiensiyang lebih besar. Karena dapat menghasilkan konten dan jawaban sesuai permintaan, gen AI memiliki potensi untuk mempercepat atau mengotomatiskan tugas-tugas yang membutuhkan banyak tenaga kerja, memangkas biaya, dan memberikan waktu kepada karyawan untuk pekerjaan yang bernilai lebih tinggi.
Namun, AI generatif menawarkan beberapa manfaat lain bagi individu dan organisasi.
Alat Gen AI dapat menginspirasi kreativitas melalui brainstorming otomatis untuk menghasilkan beberapa versi konten baru. Variasi ini juga dapat berfungsi sebagai titik awal atau referensi yang membantu penulis, seniman, desainer, dan kreator lainnya untuk mengatasi hambatan kreatif.
AI Generatif unggul dalam menganalisis kumpulan data yang besar, mengidentifikasi pola, dan mengekstraksi insight yang bermakna, lalu menghasilkan hipotesis dan rekomendasi berdasarkan insight tersebut untuk mendukung para eksekutif, analis, peneliti, dan profesional lainnya dalam membuat keputusan yang lebih cerdas dan berbasis data.
Dalam aplikasi seperti sistem rekomendasi dan pembuatan konten, AI generatif dapat menganalisis preferensi dan riwayat pengguna serta menghasilkan konten yang dipersonalisasi secara real time, sehingga menghasilkan pengalaman pengguna yang lebih disesuaikan dan menarik.
AI generatif beroperasi terus menerus tanpa mengenal lelah, tersedia sepanjang waktu untuk tugas-tugas seperti chatbot dukungan pelanggan dan respons otomatis.
Berikut ini hanyalah segelintir contoh penggunaan gen AI untuk perusahaan. Seiring perkembangan teknologi dan penanaman alat-alat ini ke dalam alur kerja organisasi, akan ada lebih banyak lagi contoh penggunaan.
Organisasi pemasaran dapat menghemat waktu dan meningkatkan produksi konten mereka dengan menggunakan alat bantu gen AI untuk membuat draf naskah untuk blog, halaman web, materi iklan, email, dan lainnya. Selain itu, solusi AI generatif juga dapat menghasilkan teks dan aset visual pemasaran yang sangat personal secara real time berdasarkan waktu, tempat, dan sasaran penayangan iklan tersebut. Solusi ini akan mendukung chatbot generasi berikutnya dan agen virtual yang dapat memberikan respons yang personal dan bahkan melakukan tindakan atas nama pelanggan. Hal ini merupakan kemajuan yang signifikan dibandingkan dengan generasi sebelumnya, yaitu model AI percakapan yang dilatih dengan data yang lebih terbatas untuk tugas-tugas yang sangat spesifik.
Alat pembuatan kode dapat mengotomatiskan dan mempercepat proses penulisan kode baru. Pembuatan kode juga memiliki potensi untuk secara dramatis mempercepat modernisasi aplikasi dengan mengotomatiskan sebagian besar pengkodean berulang yang diperlukan untuk memodernisasi aplikasi lama untuk lingkungan hybrid cloud.
AI Generatif dapat dengan cepat membuat atau merevisi kontrak, faktur, tagihan, dan 'kertas kerja' digital atau fisik lainnya sehingga karyawan yang menggunakan atau mengelolanya dapat fokus pada tugas-tugas yang lebih tinggi. Hal ini dapat mempercepat alur kerja di hampir setiap area perusahaan termasuk sumber daya manusia, hukum, pengadaan, dan keuangan.
Model AI generatif dapat membantu para ilmuwan dan insinyur mengusulkan solusi baru untuk masalah yang kompleks. Dalam bidang kesehatan, misalnya, model generatif dapat diterapkan untuk menyintesis citra medis untuk melatih dan menguji sistem pencitraan medis.
AI generatif telah membuat langkah luar biasa dalam waktu yang relatif singkat, tetapi masih menghadirkan tantangan dan risiko yang signifikan bagi para pengembang, pengguna, dan masyarakat luas. Di bawah ini adalah beberapa masalah yang paling serius, dan cara menanganinya saat ini.
Halusinasi AI adalah output AI generatif yang tidak masuk akal atau sama sekali tidak akurat, tetapi lebih sering terlihat masuk akal. Contoh klasiknya adalah saat seorang pengacara menggunakan alat gen AI untuk penelitian dalam persiapan untuk sebuah kasus penting, dan alat tersebut 'menghasilkan' beberapa contoh kasus, lengkap dengan kutipan dan atribusi, yang sepenuhnya fiksi (tautan berada di luar ibm.com).
Sebagian praktisi memandang halusinasi sebagai konsekuensi yang tidak dapat dihindari dalam menyeimbangkan keakuratan model dan kemampuan kreatifnya. Namun, pengembang dapat menerapkan langkah-langkah pencegahan, yang disebut batasan, yang membatasi model pada sumber data yang relevan atau tepercaya. Evaluasi dan penyetelan terus-menerus juga dapat membantu mengurangi halusinasi dan ketidakakuratan.
Karena sifat variasional atau probabilistik dari model gen AI, input yang sama dapat menghasilkan output yang sedikit atau jauh berbeda. Hal ini bisa jadi tidak diinginkan pada aplikasi tertentu, seperti chatbot layanan pelanggan, yang mengharapkan atau menginginkan output yang konsisten. Melalui rekayasa prompt, yaitu penyempurnaan atau penambahan prompt secara berulang, pengguna bisa mendapatkan prompt yang secara konsisten memberikan hasil yang mereka inginkan dari aplikasi AI generatif mereka.
Model generatif dapat mempelajari bias sosial yang ada dalam data pelatihan, atau dalam data berlabel, sumber data eksternal, atau evaluator manusia yang digunakan untuk menyetel model, dan menghasilkan konten yang bias, tidak adil, atau menyinggung. Untuk mencegah output yang bias dari model mereka, pengembang harus memastikan data pelatihan yang beragam, membuat panduan untuk mencegah bias selama pelatihan dan penyetelan, dan terus mengevaluasi output model terhadap bias serta akurasi.
Banyak model AI generatif adalah model 'kotak hitam', yang berarti proses pengambilan keputusannya sulit atau tidak mungkin untuk dipahami; bahkan para insinyur atau ilmuwan data yang membuat algoritma yang mendasarinya tidak dapat memahami atau menjelaskan apa yang sebenarnya terjadi di dalamnya dan bagaimana algoritma tersebut mencapai hasil tertentu. Praktik dan teknik AI yang dapat dijelaskan dapat membantu praktisi dan pengguna memahami dan mempercayai proses dan output model generatif.
Menilai dan membandingkan kualitas konten yang dihasilkan juga bisa menjadi tantangan. Metrik evaluasi tradisional mungkin tidak menangkap aspek kreativitas, koherensi, atau relevansi. Mengembangkan metode evaluasi yang kuat dan andal untuk AI generatif tetap menjadi bidang penelitian yang aktif.
Model AI generatif dapat dieksploitasi untuk menghasilkan email phishing yang meyakinkan, identitas palsu, atau konten berbahaya lainnya yang dapat menipu pengguna agar mengambil tindakan yang membahayakan keamanan dan privasi data. Pengembang dan pengguna harus berhati-hati agar data yang dimasukkan ke dalam model (selama penyetelan, atau sebagai bagian dari prompt) tidak mengekspos kekayaan intelektual (IP) mereka sendiri atau informasi apa pun yang dilindungi sebagai IP oleh organisasi lain. Selain itu, mereka perlu memantau output untuk konten baru yang mengekspos IP mereka sendiri atau melanggar perlindungan IP orang lain.
Deepfake adalah gambar, video, atau audio yang dihasilkan atau dimanipulasi oleh AI yang dibuat untuk meyakinkan orang bahwa mereka melihat, menonton, atau mendengar seseorang melakukan atau mengatakan sesuatu yang tidak pernah mereka lakukan atau katakan. Teknologi ini adalah salah satu contoh paling mengerikan tentang bagaimana kekuatan AI generatif dapat digunakan dengan niat jahat.
Kebanyakan orang mengetahui deepfake yang dibuat untuk merusak reputasi atau menyebarkan informasi yang salah. Baru-baru ini, penjahat siber telah menggunakan deepfake sebagai bagian dari serangan siber (misalnya, suara palsu dalam penipuan phishing suara) atau skema penipuan keuangan.
Para peneliti bekerja keras membuat model AI yang dapat mendeteksi deepfake dengan akurasi yang lebih baik. Sementara itu, edukasi pengguna dan praktik terbaik (misalnya, tidak membagikan materi kontroversial yang belum diverifikasi atau belum diperiksa) dapat membantu membatasi kerusakan yang dapat ditimbulkan oleh deepfake.
Istilah "AI generatif" mulai dikenal oleh publik pada tahun 2020-an, tetapi gen AI telah menjadi bagian dari kehidupan kita selama beberapa dekade, dan teknologi AI generatif saat ini memanfaatkan terobosan machine learning sejak awal abad ke-20. Sejarah representatif yang tidak lengkap tentang AI generatif dapat mencakup beberapa tanggal berikut
1964: Ilmuwan komputer MIT, Joseph Weizenbaum mengembangkan ELIZA, sebuah aplikasi pemrosesan bahasa alami berbasis teks. ELIZA pada dasarnya adalah chatbot pertama (disebut 'chatterbot' pada saat itu) yang menggunakan skrip pencocokan pola untuk merespons input bahasa alami yang diketikkan dengan respons teks yang berempati.
1999: Nvidia mengeluarkan GeoForce, unit pemrosesan grafis pertama. Awalnya dikembangkan untuk menghadirkan gambar bergerak yang mulus untuk video game, GPU telah menjadi platform defacto untuk mengembangkan model AI dan menambang mata uang kripto.
2004: Autocomplete Google pertama kali muncul, menghasilkan kata atau frasa potensial berikutnya saat pengguna memasukkan istilah pencarian mereka. Contoh AI generatif yang relatif modern didasarkan pada Markov Chain, sebuah model matematika yang dikembangkan pada tahun 1906.
2013: Variational autoencoders (VAE) pertama muncul.
2014: Generative adversarial networks (GAN) dan model difusi pertama muncul.
2017: Ashish Vaswani, tim di Google Brain, dan kelompok dari University of Toronto menerbitkan "Attention is All You Need," sebuah makalah yang mendokumentasikan prinsip-prinsip model transformer, yang secara luas diakui sebagai prinsip yang memungkinkan pengembangan model dasar dan alat AI generatif paling ampuh saat ini.
2019-2020: OpenAI meluncurkan model bahasa besar GPT (Generative Pretrained Transformer), GPT-2, dan GPT-3.
2022: OpenAI memperkenalkan ChatGPT, sebuah front-end untuk GPT-3 yang menghasilkan kalimat yang kompleks, koheren, dan kontekstual, serta konten bentuk panjang sebagai respons terhadap prompt pengguna akhir.
Dengan ketenaran dan popularitas ChatGPT yang secara efektif membuka pintu gerbang, pengembangan AI generatif dan peluncuran produk terjadi dengan sangat cepat, termasuk rilis Google Bard (sekarang Gemini), Microsoft Copilot, IBM watsonx.ai, dan model bahasa besar Llama-2 sumber terbuka dari Meta.
Anda dapat melatih, memvalidasi, menyetel, dan menerapkan kemampuan AI generatif, model dasar, dan machine learning dengan mudah serta membangun aplikasi AI dalam waktu yang singkat dengan data yang sedikit. IBM watsonx.ai menyatukan kemampuan AI generatif baru, yang didukung oleh model dasar dan machine learning tradisional, ke dalam sebuah studio yang tangguh yang mencakup siklus hidup AI.
Menghadirkan pengalaman yang luar biasa kepada pelanggan di setiap interaksi, agen pusat panggilan yang membutuhkan bantuan, dan bahkan karyawan yang membutuhkan informasi. Menskalakan jawaban dalam bahasa alami yang didasarkan pada konten bisnis untuk mendorong interaksi yang berorientasi pada hasil dan respons yang cepat dan akurat.
Membangun masa depan bisnis Anda dengan solusi AI tepercaya Dengan pengalaman yang tak tertandingi dalam memecahkan masalah bisnis terbesar di dunia, IBM dapat membantu Anda di mana pun Anda saat ini berada dalam perjalanan AI Anda.
Pengalaman edukasi AI untuk bisnis unggulan kami yang baru, Akademi AI membantu para pemimpin bisnis mendapatkan pengetahuan untuk memprioritaskan investasi AI yang dapat mendorong pertumbuhan.
Penelitian berbasis data kami mengidentifikasi bagaimana bisnis dapat menemukan dan mengeksploitasi peluang di bidang AI generatif yang terus berkembang.
Bagaimana CEO dapat menyeimbangkan antara nilai yang dapat diciptakan AI generatif dengan investasi yang dibutuhkan dan risiko yang ditimbulkan.
Pelajari konsep dasar dan bangun keterampilan Anda dengan laboratorium praktik langsung, kursus, proyek terpandu, uji coba, dan banyak lagi.
Memilih model yang salah dapat berdampak buruk pada bisnis Anda. Pelajari cara menentukan ukuran model yang paling sesuai untuk contoh penggunaan Anda.
Pembelajaran mendalam memungkinkan sistem untuk mengelompokkan data dan membuat prediksi dengan akurasi yang luar biasa.
Catatan kaki
1 The state of AI in 2023: Generative AI’s breakout year (tautan berada di luar ibm.com), McKinsey, 1 Agustus 2023
2 Gartner Says More Than 80% of Enterprises Will Have Used Generative AI APIs or Deployed Generative AI-Enabled Applications by 2026 (tautan ada di luar ibm.com), Gartner, 11 Oktober 2023