Sejak kemunculannya pada 30 November 2022, chatGPT mendekatkan Artificial Intelligence kepada khalayak banyak dengan fitur utamanya Generative AI. Lantas berbondong-bondong banyak orang mempelajari Artificial Intelligence, produk-produk dengan stempel AI, hingga bermunculan lebih banyaknya startup berbasis Artificial Intelligence. Tidak sedikit orang-orang “nyemplung” ke dalam dunia Artificial Intelligence yang lantas langsung mundur dikarenakan tidak berbicara “bahasa” yang sama. Tulisan ini bermaksud untuk memberikan penjelasan untuk melandaikan kurva belajar anda.
1. Artificial Intelligence
Artificial Intelligence (AI) atau yang diterjemahkan sebagai kecerdasan buatan, adalah suatu rumpun dalam ilmu komputer yang bertujuan untuk mengembangkan sistem komputer yang mampu meniru atau melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. Dengan penjelasan seperti ini anda harus pahami bahwa AI adalah suatu rumpun besar yang menaungi semua kecerdasan-kecerdasan buatan dari mesin kopi hingga chatGPT.
2. Machine Learning
Machine Learning (ML) adalah cabang dari Artificial Intelligence yang memungkinkan komputer untuk belajar dari data yang diberikan tanpa harus secara eksplisit diprogram. Jika pada pemrograman konvensional, coder berfokus pada membuat program untuk menambahkan 1 + 2 menjadi 3, Machine Learning berfokus pada memasukkan data input 1, dan 2, serta data output 3, dan meminta mesin menghasilkan luaran yaitu prosesnya yakni operasi penambahan.
3. Neural Network
Neural Network adalah model matematika yang terinspirasi oleh struktur dan fungsi jaringan saraf manusia. Jaringan saraf tiruan terdiri dari serangkaian “neuron” atau “node” yang saling terhubung dalam berbagai lapisan-lapisan. Representasi model-nya selalu dibuat minimal memasukkan tiga node yakni: Input, Hidden Layer, dan Output. Hidden layer dapat terdiri dari beberapa lapisan untuk melakukan komputasi-nya dari suatu input menjadi output.
4. Deep Learning
Deep Learning adalah neural networks dengan lebih banyak hidden layer-nya (deep) untuk mempelajari representasi data yang kompleks. Dalam deep learning, model-model ini memiliki kemampuan untuk secara otomatis belajar fitur-fitur yang relevan dari data mentah tanpa perlu di-program secara eksplisit.
5. Natural Language Processing (NLP)
Natural Language Processing (NLP) adalah cabang dari Artificial Intelligence yang berkaitan dengan interaksi antara komputer dan bahasa manusia secara alami. Tujuannya adalah untuk memungkinkan komputer untuk memahami, menganalisis, memproses, dan menghasilkan bahasa manusia secara efektif.
6. Large Language Models (LLM)
Large Language Models (LLMs) adalah bagian dari Natural Language Processing (NLP) yang dibangun menggunakan teknik-teknik Deep Learning. Karakteristik utama dari LLMs adalah jumlah parameter yang sangat besar, mencapai jutaan hingga miliaran, yang memungkinkannya untuk menangkap struktur dan pola yang sangat kompleks dalam data bahasa.
7. Generative AI
Generative Artificial Intelligence (Gen-AI) adalah jenis kecerdasan buatan yang bertujuan untuk menghasilkan output baru yang belum pernah dilihat sebelumnya, seperti gambar, musik, teks, atau bahkan video dengan cepat. Model generatif dalam AI mampu membuat data baru berdasarkan pola yang ditemukan dalam data latih.
8. Parameter
Dalam konteks Artificial Intelligence, Parameter adalah variabel-variabel yang nilainya diatur atau diubah selama proses pelatihan model. Parameter-parameter ini digunakan untuk menentukan perilaku dan kinerja dari model kecerdasan buatan. Yang termasuk ke dalam parameter antara lain: Koefisien Linear; Bobot; dan Bias.
9. Hyperparameter
Hyperparameter adalah parameter-parameter yang nilainya digunakan selama proses pelatihan, namun tidak menjadi bagian akhir dari model. Berbeda dengan parameter-parameter yang dipelajari oleh model selama proses pelatihan, hyperparameter harus ditentukan sebelum proses pelatihan dimulai dan biasanya tidak berubah selama pelatihan. Yang termasuk ke dalam hyperparameter antara lain: rasio train-test; learning rate; pilihan algoritma optimasi; pilihan activation function (Sigmoid, ReLU, dll); pilihan loss function yang digunakan.
10. Underfitting
Underfitting adalah suatu kondisi yang terjadi ketika model Artificial Intelligence gagal untuk mempelajari pola baik pada data latih, maupun data baru sehingga memiliki error rate yang tinggi. Hal ini disebabkan oleh data latih yang buruk, atau data latih yang kurang banyak. Underfitting model termasuk model gagal yang tidak dapat digunakan.
11. Overfitting
Overfitting adalah suatu kondisi yang terjadi ketika model dalam Artificial Intelligence terlalu terlatih dengan data latih. Hal ini menyebabkan model hanya dapat digunakan pada data latih saja, namun tidak dapat digunakan untuk data baru. Hal ini disebabkan oleh data latih yang terlalu homogen. Seperti underfitting, overfitting juga termasuk model gagal yang tidak dapat digunakan.
12. Objective Function
Objective function adalah sebuah metrik atau kriteria yang digunakan untuk mengevaluasi kinerja atau keberhasilan suatu model dalam Artificial Intelligence. Objective function ditulis dalam fungsi matematis untuk mengukur suatu tujuan atau masalah yang ingin diselesaikan oleh model.
