Bagaimana model AI bekerja?

Secara sederhana, model AI menerima input, memprosesnya melalui pola internal yang telah dipelajari, lalu menghasilkan output. Input bisa berupa kalimat, gambar, audio, kode, baris data, atau prompt.

Output bergantung pada tugas: memprediksi kata berikutnya, mengklasifikasi gambar, merekomendasikan produk, merangkum, menerjemahkan, menulis kode, mengenali ucapan, atau membuat gambar.

Ini bukan berarti model memahami dunia seperti manusia. Model mempelajari hubungan statistik yang berguna dan menerapkannya pada input baru.

Sebelum berguna, model harus dilatih. Pelatihan berarti menunjukkan banyak contoh dan menyesuaikan sistem berulang kali agar output mendekati hasil yang diinginkan.

Model bahasa dapat belajar dari teks dan kode; model gambar dari gambar dan caption; model suara dari audio dan transkrip. Model belajar hubungan, bukan daftar jawaban tetap.

Karena itu, model terlatih bukan sekadar database yang bisa dicari. Ia dapat melakukan generalisasi, tetapi bergantung pada kualitas, keragaman, dan struktur data pelatihan.

Pengetahuan internal model direpresentasikan oleh parameter: nilai numerik yang disesuaikan selama pelatihan dan memengaruhi cara input menjadi output.

Tidak perlu memahami matematika detail. Parameter seperti pengaturan kecil dalam sistem besar. Pelatihan mengubah banyak pengaturan untuk memperbaiki model.

Model besar dapat memiliki miliaran bahkan triliunan parameter. Jumlah yang lebih besar tidak otomatis lebih baik, tetapi dapat memberi kapasitas lebih jika didukung data, pelatihan, dan evaluasi yang baik.

Setelah pelatihan, model dapat diterapkan. Inferensi adalah fase ketika model terlatih menerima input baru dan menghasilkan jawaban, prediksi, atau output.

Setiap jawaban ChatGPT, gambar AI, rekomendasi, jawaban asisten pencarian, atau transkripsi memakai inferensi. Model tidak dilatih ulang dari awal setiap kali.

Inferensi tetap membutuhkan komputasi. Model besar dapat memerlukan GPU atau akselerator AI agar merespons cepat, terutama saat jutaan pengguna mengirim prompt bersamaan.

Model bisa salah karena bekerja dari pola yang dipelajari, bukan kebenaran yang dijamin. Data yang tidak lengkap, bias, usang, atau ambigu dapat menghasilkan jawaban yang terdengar masuk akal tetapi salah.

Model bahasa dapat berhalusinasi; model klasifikasi dapat gagal pada contoh yang berbeda dari data latih; sistem rekomendasi dapat memperkuat pola lama yang tidak selalu berguna.

Karena itu evaluasi, tinjauan manusia, grounding, retrieval, uji keamanan, dan batas produk yang jelas sangat penting.

Tidak semua model AI adalah chatbot. Model bahasa bekerja dengan teks dan kode, model gambar dengan konten visual, dan model embedding mengubah data menjadi representasi numerik yang dapat dibandingkan.

Model klasifikasi memberi label, model rekomendasi memberi peringkat opsi, model multimodal menggabungkan teks, gambar, audio, atau video, dan model khusus dapat ditujukan untuk medis, keuangan, robotika, atau terjemahan.

Arsitektur dan tujuan pelatihan menentukan kekuatan model. Karena itu ekosistem AI memiliki banyak model, bukan satu sistem universal.

Memahami model membantu memahami infrastrukturnya: data, GPU, datacenter, listrik, pendinginan, evaluasi, dan inferensi yang andal.

Ini juga menunjukkan mengapa kualitas data, desain model, dan pilihan deployment penting. Untuk tugas sempit, model khusus yang lebih kecil bisa lebih murah dan lebih andal daripada model umum yang sangat besar.

Pertanyaannya bukan hanya apakah model dapat menghasilkan jawaban, tetapi apakah jawabannya berguna, andal, efisien, dan sesuai tugas. Model, pelatihan, inferensi, GPU, dan datacenter saling terkait.