Mengapa Ada Begitu Banyak Model AI?

Ketika orang membicarakan AI, mereka sering kali seolah-olah hanya ada satu sistem yang terus berkembang seiring waktu. Pada kenyataannya, ekosistem AI terdiri dari banyak keluarga model, yang masing-masing dikembangkan oleh tim yang berbeda, dilatih dengan tujuan yang berbeda, dan dirilis dalam versi yang berbeda-beda.

GPT, Llama, Mistral, Gemma, dan Qwen merupakan contoh keluarga model, bukan produk tunggal yang bersifat tetap. Setiap keluarga model dapat mencakup model dasar, model yang disesuaikan dengan instruksi, model pemrograman, model penggabungan visi-bahasa, model berukuran lebih kecil yang dijalankan di perangkat, serta titik pemeriksaan eksperimental.

Inilah sebabnya mengapa jumlah model AI berkembang begitu pesat. Satu keluarga model baru dapat menghasilkan banyak varian resmi, dan masing-masing varian tersebut nantinya dapat menjadi titik awal bagi penyempurnaan oleh komunitas, adaptasi khusus domain, serta versi penerapan yang dioptimalkan.

Model dasar adalah model serbaguna yang dilatih menggunakan data yang luas sehingga dapat mendukung berbagai penerapan lanjutan. Model ini biasanya bukanlah bentuk akhir yang digunakan dalam setiap produk. Sebaliknya, model ini berfungsi sebagai platform yang dapat diadaptasi, dievaluasi, dan disesuaikan oleh tim-tim lain.

Sebagai contoh, model bahasa umum dapat berfungsi sebagai asisten pemrograman, model ringkasan medis, pengklasifikasi dokumen hukum, model terjemahan multibahasa, atau asisten layanan pelanggan. Arsitektur dasarnya mungkin serupa, tetapi model-model yang dihasilkan berperilaku berbeda karena telah disesuaikan untuk tugas-tugas yang berbeda.

Efek ekosistem ini merupakan salah satu alasan utama tingginya jumlah model. Yang penting bukan hanya model dasar aslinya, melainkan juga berbagai versi praktis yang muncul di sekitarnya untuk bahasa, domain, kebijakan keamanan, target latensi, dan lingkungan perangkat keras tertentu.

Penyesuaian lanjutan berarti mengambil model yang sudah ada dan melatihnya lebih lanjut menggunakan contoh-contoh yang lebih spesifik. Alih-alih memulai dari nol, para pengembang memulai dengan model yang sudah memahami bahasa, kode, gambar, atau pola-pola lainnya, lalu menyesuaikannya untuk tujuan yang lebih spesifik.

LoRA dan teknik adaptor lainnya membuat proses ini lebih hemat biaya dan lebih mudah diakses. Teknik-teknik tersebut memungkinkan tim untuk menyesuaikan model guna tugas tertentu tanpa perlu melatih ulang setiap parameter dalam sistem aslinya. Hasilnya dapat dipublikasikan sebagai model baru atau sebagai adaptor yang memodifikasi model dasar.

Rumah sakit, bank, laboratorium penelitian, studio game, atau perusahaan robotika mungkin masing-masing menginginkan model yang berperilaku berbeda. Penyesuaian lanjutan memungkinkan mereka membuat versi khusus yang disesuaikan dengan kosakata, dokumen, batasan, dan alur kerja mereka. Setiap penyesuaian yang bermanfaat dapat menjadi entri baru dalam ekosistem model publik.

Platform model terbuka secara drastis mempercepat proses munculnya model-model baru. Hugging Face memudahkan pengguna untuk mempublikasikan, menemukan, dan menggunakan kembali model. GitHub memudahkan pengguna untuk berbagi kode pelatihan, skrip evaluasi, alat pemrosesan data, dan contoh penerapan.

Komunitas sumber terbuka juga mengurangi hambatan dalam melakukan eksperimen. Sebuah tim kecil dapat memulai dari model yang tersedia untuk umum, menguji kumpulan data baru, meningkatkan kinerja untuk satu bahasa, mengompresi model agar proses inferensi menjadi lebih hemat biaya, atau mengembangkan versi yang dapat dijalankan pada perangkat keras konsumen.

Hal ini tidak berarti setiap model terbuka memiliki tingkat kepentingan yang sama atau sudah siap digunakan dalam produksi. Banyak di antaranya merupakan eksperimen, tolok ukur, cabang (fork), atau penyempurnaan bertahap. Namun, ekosistem terbuka ini sangat berharga karena mengubah pengembangan model menjadi proses bersama, bukan sekadar kegiatan tertutup yang hanya berlangsung di beberapa laboratorium besar.

Jumlah model yang tinggi tidak berarti dunia ini memiliki ratusan ribu sistem yang sebanding dengan model-model terdepan terbesar. Sebagian besar model bukanlah sistem berskala GPT-4 yang dilatih dari awal dengan anggaran yang sangat besar dan infrastruktur pribadi yang sangat besar.

Banyak model publik yang berukuran lebih kecil, bersifat khusus, atau dikembangkan dari karya yang sudah ada. Beberapa di antaranya berupa model klasifikasi, model embedding, model suara, model gambar, model terjemahan, model pencarian, titik pemeriksaan penelitian, atau varian yang telah disesuaikan dari model dasar yang lebih besar.

Perbedaan ini penting diperhatikan saat menganalisis indikator AI. Daftar model mengukur aktivitas dalam ekosistem, bukan jumlah laboratorium terdepan. Daftar tersebut menunjukkan berapa banyak artefak yang dapat digunakan kembali yang dipublikasikan, diadaptasi, dan diuji di seluruh komunitas pembelajaran mesin yang lebih luas.

Model khusus sangat berguna karena setiap bidang memiliki persyaratan yang berbeda-beda. Model medis mungkin perlu memahami terminologi klinis, sedangkan model keuangan mungkin perlu memproses dokumen pelaporan, istilah-istilah terkait risiko, dan informasi pasar yang terstruktur.

Model robotika dapat menghubungkan persepsi dengan tindakan fisik. Model terjemahan mungkin berfokus pada bahasa-bahasa dengan sumber daya terbatas. Model penglihatan dapat mendeteksi cacat pada produk industri, fitur satelit, atau citra medis. Sebuah model umum tunggal memang bisa sangat mengesankan, tetapi tidak selalu menjadi alat terbaik atau termurah untuk setiap tugas.

Keragaman ini membuat ekosistem AI menjadi lebih tangguh dan praktis. Alih-alih mengandalkan satu model untuk melayani semua pengguna, banyak model dapat dioptimalkan dalam hal akurasi, kecepatan, privasi, biaya, cakupan bahasa, batasan perangkat, atau persyaratan regulasi.

Sangat mungkin bahwa jumlah model yang tersedia untuk umum akan terus bertambah. Jika pembuatan dan penyesuaian model menjadi lebih mudah, semakin banyak tim yang akan merilis versi-versi model untuk industri, bahasa, perangkat, alur kerja, dan pertanyaan penelitian tertentu.

Pertumbuhannya mungkin tidak bersifat linier. Beberapa model akan menjadi usang, beberapa akan digabungkan, dan beberapa platform mungkin akan menghapus repositori yang duplikat atau tidak aktif. Di saat yang sama, alat bantu yang lebih baik dapat membuat pembuatan model menjadi sesederhana menerbitkan paket perangkat lunak.

Pertanyaan terpenting bukanlah apakah jumlahnya mencapai ratusan ribu atau jutaan. Pertanyaan yang lebih berguna adalah berapa banyak model yang andal, didokumentasikan dengan baik, telah dievaluasi, dan sesuai untuk penggunaan nyata. Kuantitas menunjukkan aktivitas ekosistem; kualitas menentukan nilai jangka panjang.