AI (Artificial Intelligence)

• Pembelajaran. Bagian ini mencakup pengambilan data dan pembuatan aturan—yang disebut algoritma—untuk mengubah data itu jadi informasi yang bisa digunakan. Algoritma ini memberi perangkat komputasi instruksi langkah demi langkah untuk menyelesaikan tugas tertentu.
• Penalaran. Bagian ini berkaitan dengan memilih algoritma yang tepat untuk mencapai hasil yang diinginkan.
• Perbaikan diri. Di sini, algoritma secara terus menerus belajar dan menyempurnakan diri untuk memberikan hasil yang seakurat mungkin.
• Kreativitas. Bagian ini menggunakan jaringan saraf, sistem berbasis aturan, metode statistik, dan teknik AI lainnya untuk menciptakan gambar, teks, musik, ide, dan sebagainya.

Perbedaan antara AI, machine learning, dan deep learning

Istilah AI, machine learning, dan deep learning sering dipakai secara bergantian, terutama dalam materi pemasaran perusahaan, tapi sebenarnya punya makna yang berbeda. Singkatnya, AI adalah konsep umum tentang mesin yang meniru kecerdasan manusia, sedangkan machine learning dan deep learning adalah teknik-teknik khusus dalam bidang ini.

Istilah AI muncul di tahun 1950-an, mencakup berbagai teknologi yang terus berkembang dan bertujuan meniru kecerdasan manusia, termasuk machine learning dan deep learning. Machine learning memungkinkan perangkat lunak untuk secara mandiri belajar dari pola dan memprediksi hasil dengan menggunakan data historis sebagai input. Metode ini jadi makin efektif seiring tersedianya set data pelatihan dalam jumlah besar. Deep learning adalah cabang dari machine learning yang meniru struktur otak manusia melalui jaringan saraf berlapis. Teknologi ini jadi dasar banyak terobosan besar dalam AI modern, seperti kendaraan otonom dan ChatGPT.

Kenapa AI itu penting?

AI penting karena punya potensi besar untuk mengubah cara kita hidup, bekerja, dan bersantai. Di dunia bisnis, AI telah digunakan untuk mengotomatisasi berbagai tugas yang dulunya dilakukan manusia, seperti layanan pelanggan, pencarian prospek, deteksi penipuan, dan kontrol kualitas.

Dalam beberapa hal, AI bisa menyelesaikan tugas dengan lebih efisien dan akurat dibanding manusia. AI sangat berguna untuk pekerjaan berulang dan penuh detail, seperti menganalisis ribuan dokumen hukum untuk memastikan semua kolom terisi dengan benar. Kemampuan AI untuk mengolah data besar memungkinkan perusahaan mendapatkan wawasan yang mungkin sebelumnya nggak kelihatan. Sekarang juga muncul banyak alat AI generatif yang dipakai di berbagai bidang, dari pendidikan sampai desain produk.

Perkembangan teknik AI nggak cuma meningkatkan efisiensi, tapi juga membuka peluang bisnis baru—terutama buat perusahaan besar. Sebelum era AI, misalnya, sulit membayangkan software yang bisa menghubungkan penumpang dengan taksi secara real time. Tapi sekarang, Uber jadi perusahaan Fortune 500 karena berhasil melakukannya.

AI sekarang jadi bagian penting dari banyak perusahaan besar seperti Alphabet, Apple, Microsoft, dan Meta. Mereka pakai AI buat meningkatkan operasional dan mengalahkan pesaing. Di anak perusahaan Alphabet, Google, AI jadi inti dari mesin pencari mereka. Perusahaan mobil otonom Waymo juga awalnya berasal dari Alphabet. Google Brain, lab riset AI mereka, juga menciptakan arsitektur transformer yang jadi dasar kemajuan NLP seperti ChatGPT dari OpenAI.

Apa kelebihan dan kekurangan AI?

Teknologi AI, terutama deep learning seperti jaringan saraf tiruan, mampu memproses data dalam jumlah besar jauh lebih cepat dan akurat dibanding manusia. Volume data harian yang sangat besar bisa membuat peneliti manusia kewalahan, tapi aplikasi AI dengan machine learning bisa langsung mengubah data itu jadi informasi yang bisa digunakan.

Kekurangan utama AI adalah mahalnya proses data dalam jumlah besar. Seiring makin banyaknya produk dan layanan yang mengadopsi AI, organisasi juga harus waspada terhadap potensi bias dan diskriminasi dalam sistem AI, baik disengaja maupun tidak.

Kelebihan AI

Berikut ini beberapa kelebihan AI:

• Unggul dalam pekerjaan yang penuh detail. AI cocok untuk tugas yang butuh ketelitian dan analisis pola yang rumit. Misalnya di bidang onkologi, sistem AI terbukti akurat mendeteksi kanker stadium awal seperti kanker payudara dan melanoma, dengan menandai area yang mencurigakan untuk diperiksa lebih lanjut oleh tenaga medis.
• Efisien dalam tugas berbasis data. Sistem AI dan alat otomatisasi bisa menghemat waktu dalam pemrosesan data. Ini sangat berguna di sektor keuangan, asuransi, dan kesehatan yang banyak mengandalkan analisis dan entri data. Contohnya di perbankan, model AI prediktif bisa menganalisis tren pasar dan risiko investasi.
• Hemat waktu dan tingkatkan produktivitas. AI dan robotika nggak cuma bisa mengotomatisasi pekerjaan, tapi juga meningkatkan keamanan dan efisiensi. Di dunia manufaktur, robot berbasis AI kini dipakai untuk tugas-tugas berbahaya atau berulang sebagai bagian dari otomatisasi gudang.
• Konsisten dalam hasil. Alat analitik berbasis AI bisa memproses data secara konsisten dan belajar terus-menerus untuk menyesuaikan diri dengan informasi baru. Misalnya, AI telah terbukti andal dalam review dokumen hukum dan penerjemahan bahasa.
• Kustomisasi dan personalisasi. Sistem AI bisa meningkatkan pengalaman pengguna dengan menyajikan konten yang disesuaikan. Di e-commerce, misalnya, AI menganalisis perilaku pengguna buat merekomendasikan produk yang sesuai dengan preferensi masing-masing.
• Tersedia 24/7. Program AI nggak perlu istirahat. Contohnya, asisten virtual berbasis AI bisa memberi layanan pelanggan non-stop, bahkan saat volume interaksi sedang tinggi.
• Skalabilitas. Sistem AI bisa ditingkatkan untuk menangani beban kerja dan data yang semakin besar, cocok buat skenario seperti pencarian internet dan analitik bisnis.
• Percepatan riset dan pengembangan. AI mempercepat proses R&D, misalnya dalam farmasi dan sains material. Dengan mensimulasikan berbagai skenario secara cepat, AI membantu ilmuwan menemukan obat atau bahan baru lebih cepat.
• Keberlanjutan dan konservasi. AI dan machine learning digunakan untuk memantau perubahan lingkungan, memprediksi cuaca, dan mengelola konservasi. Model ML bisa menganalisis citra satelit untuk mendeteksi risiko kebakaran hutan, tingkat polusi, hingga populasi hewan langka.
• Optimasi proses. AI digunakan untuk menyederhanakan dan mengotomatisasi proses di berbagai industri. Misalnya, model AI bisa mengidentifikasi inefisiensi di jalur produksi atau memprediksi permintaan listrik di sektor energi.

Kekurangan AI

Berikut ini beberapa kekurangan dari AI:

• Biaya tinggi. Mengembangkan AI bisa sangat mahal. Membangun model AI memerlukan investasi awal yang besar untuk infrastruktur, sumber daya komputasi, dan perangkat lunak guna melatih model dan menyimpan data pelatihannya. Setelah pelatihan awal, masih ada biaya berkelanjutan untuk inferensi model dan pelatihan ulang. Akibatnya, biayanya bisa cepat membengkak, terutama untuk sistem kompleks seperti aplikasi generatif AI. CEO OpenAI, Sam Altman, bahkan mengungkapkan bahwa pelatihan model GPT-4 milik perusahaannya menghabiskan biaya lebih dari 100 juta dolar.
• Kompleksitas teknis. Mengembangkan, mengoperasikan, dan memperbaiki sistem AI — terutama di lingkungan produksi nyata — butuh pengetahuan teknis yang sangat mendalam. Dalam banyak kasus, pengetahuan ini berbeda dengan membangun perangkat lunak non-AI. Misalnya, membangun dan menerapkan aplikasi machine learning melibatkan proses multi-tahap yang rumit, mulai dari persiapan data, pemilihan algoritma, penyesuaian parameter, hingga pengujian model.
• Kekurangan talenta. Memperburuk masalah kompleksitas teknis, ada kekurangan signifikan tenaga profesional yang terlatih dalam AI dan machine learning jika dibandingkan dengan kebutuhan yang terus meningkat. Kesenjangan antara pasokan dan permintaan talenta AI ini berarti meskipun minat terhadap AI terus tumbuh, banyak organisasi kesulitan menemukan tenaga kerja yang memenuhi syarat untuk mendukung inisiatif AI mereka.
• Bias algoritmik. Algoritma AI dan machine learning mencerminkan bias yang ada dalam data pelatihannya — dan ketika AI digunakan dalam skala besar, bias tersebut juga ikut menyebar. Dalam beberapa kasus, sistem AI bahkan bisa memperkuat bias halus dalam data pelatihannya dengan mengubahnya menjadi pola yang seolah-olah objektif. Salah satu contoh yang terkenal adalah ketika Amazon mengembangkan alat perekrutan berbasis AI yang tanpa sengaja memihak kandidat laki-laki, mencerminkan ketimpangan gender yang lebih luas di industri teknologi.
• Kesulitan dalam generalisasi. Model AI sering sangat unggul dalam tugas spesifik yang telah dilatih, tapi bisa kesulitan saat dihadapkan pada situasi baru. Kurangnya fleksibilitas ini bisa membatasi kegunaan AI, karena tugas baru mungkin memerlukan pengembangan model baru dari nol. Sebagai contoh, model NLP yang dilatih dengan teks berbahasa Inggris mungkin akan berkinerja buruk saat digunakan pada teks dalam bahasa lain tanpa pelatihan tambahan yang signifikan. Meski sudah ada upaya untuk meningkatkan kemampuan generalisasi model — dikenal sebagai domain adaptation atau transfer learning — ini masih jadi tantangan penelitian yang sedang berlangsung.

• Penggantian pekerjaan. AI bisa menyebabkan pengurangan pekerjaan jika organisasi menggantikan pekerja manusia dengan mesin — ini jadi kekhawatiran yang makin besar seiring berkembangnya kemampuan model AI dan makin banyaknya perusahaan yang ingin mengotomatisasi alur kerja mereka. Misalnya, beberapa copywriter mengaku sudah digantikan oleh model bahasa besar (LLM) seperti ChatGPT. Meski adopsi AI secara luas mungkin juga menciptakan jenis pekerjaan baru, tapi pekerjaan tersebut belum tentu cocok bagi mereka yang kehilangan pekerjaan lama, sehingga menimbulkan kekhawatiran akan ketimpangan ekonomi dan kebutuhan pelatihan ulang.
• Kerentanan keamanan. Sistem AI rentan terhadap berbagai ancaman siber, termasuk data poisoning dan adversarial machine learning. Peretas bisa mengekstrak data pelatihan yang sensitif dari model AI atau menipu sistem AI agar menghasilkan output yang salah dan membahayakan. Ini sangat mengkhawatirkan di sektor-sektor sensitif seperti layanan keuangan dan pemerintahan.
• Dampak lingkungan. Pusat data dan infrastruktur jaringan yang menopang operasi model AI mengonsumsi banyak energi dan air. Karena itu, pelatihan dan penggunaan model AI punya dampak besar terhadap iklim. Jejak karbon AI jadi perhatian khusus untuk model generatif berskala besar, yang butuh sumber daya komputasi sangat besar untuk pelatihan dan penggunaan terus-menerus.
• Masalah hukum. AI menimbulkan pertanyaan kompleks seputar privasi dan tanggung jawab hukum, apalagi dengan regulasi AI yang terus berkembang dan berbeda-beda di tiap wilayah. Menggunakan AI untuk menganalisis dan membuat keputusan berbasis data pribadi punya implikasi serius terhadap privasi, dan masih belum jelas bagaimana pengadilan akan memandang kepemilikan karya yang dihasilkan oleh LLM yang dilatih dari materi berhak cipta.

AI Kuat vs AI Lemah

Secara umum, AI bisa dikategorikan menjadi dua jenis: AI sempit (narrow/atau lemah) dan AI umum (general/atau AI kuat).

• AI sempit. Ini adalah AI yang dirancang untuk melakukan tugas-tugas tertentu. AI sempit hanya bisa bekerja dalam konteks tugas yang diprogramkan, tanpa kemampuan untuk belajar atau beradaptasi di luar tugas awalnya. Contohnya termasuk asisten virtual seperti Siri dari Apple dan Alexa dari Amazon, serta mesin rekomendasi seperti yang ada di Spotify dan Netflix.
• AI umum. Jenis AI ini, yang saat ini belum ada, sering disebut sebagai kecerdasan buatan umum (AGI). Kalau berhasil dibuat, AGI akan mampu melakukan tugas intelektual apa pun yang bisa dilakukan manusia. Untuk itu, AGI harus punya kemampuan untuk bernalar di berbagai bidang, memahami masalah kompleks yang belum pernah diprogramkan, dan ini butuh sesuatu yang dikenal sebagai logika fuzzy: pendekatan yang mengakomodasi area abu-abu dan ketidakpastian, bukan hasil yang hitam-putih.

Yang penting, apakah AGI bisa diciptakan — dan apa konsekuensinya — masih menjadi perdebatan panas di kalangan ahli AI. Bahkan teknologi AI tercanggih saat ini, seperti ChatGPT dan LLM lainnya, belum menunjukkan kemampuan kognitif setara manusia dan tidak bisa melakukan generalisasi lintas berbagai situasi. Misalnya, ChatGPT dirancang khusus untuk menghasilkan teks dalam bahasa alami, tapi tidak mampu keluar dari batas pemrogramannya untuk menyelesaikan tugas-tugas seperti penalaran matematika yang kompleks.

4 Jenis AI

AI dapat dikategorikan dalam empat jenis, mulai dari sistem cerdas spesifik tugas yang saat ini sudah umum digunakan hingga sistem yang punya kesadaran, yang masih bersifat teoretis.

Kategori tersebut adalah:

• Tipe 1: Mesin reaktif. Sistem AI ini tidak memiliki memori dan hanya untuk tugas tertentu. Contohnya adalah Deep Blue, program catur milik IBM yang mengalahkan grandmaster Rusia Garry Kasparov di tahun 1990-an. Deep Blue bisa mengenali bidak catur dan membuat prediksi, tapi karena tidak punya memori, ia tidak bisa belajar dari pengalaman masa lalu.
• Tipe 2: Memori terbatas. Sistem AI ini memiliki memori, sehingga bisa menggunakan pengalaman masa lalu untuk membantu pengambilan keputusan ke depan. Beberapa fungsi pengambilan keputusan pada mobil tanpa pengemudi didesain dengan cara ini.
• Tipe 3: Teori pikiran. Teori pikiran adalah istilah dalam psikologi. Dalam konteks AI, ini merujuk pada sistem yang bisa memahami emosi. Jenis AI ini dapat menafsirkan niat manusia dan memprediksi perilaku, yang penting agar AI bisa menjadi anggota tim manusia.
• Tipe 4: Kesadaran diri. Di kategori ini, sistem AI punya kesadaran diri, atau memiliki “kesadaran”. Mesin yang punya kesadaran diri bisa memahami kondisi dirinya saat ini. Jenis AI ini masih belum ada.

Apa saja contoh teknologi AI, dan bagaimana penggunaannya saat ini?

Teknologi AI bisa meningkatkan fungsi dari alat yang sudah ada dan mengotomatisasi berbagai tugas dan proses, memengaruhi banyak aspek kehidupan sehari-hari. Berikut ini beberapa contoh AI yang paling menonjol.

Otomatisasi

AI memperluas kemampuan teknologi otomatisasi dengan menambah cakupan, kompleksitas, dan jumlah tugas yang bisa diotomatisasi. Salah satu contohnya adalah *robotic process automation* (RPA), yang mengotomatisasi tugas-tugas pemrosesan data berulang berbasis aturan yang sebelumnya dilakukan oleh manusia. Karena AI membantu bot RPA beradaptasi dengan data baru dan merespons perubahan proses secara dinamis, penggabungan kemampuan AI dan *machine learning* memungkinkan RPA menangani alur kerja yang lebih kompleks.

Machine learning

*Machine learning* adalah ilmu mengajarkan komputer untuk belajar dari data dan membuat keputusan tanpa diprogram secara eksplisit. *Deep learning*, yang merupakan subbagian dari *machine learning*, menggunakan jaringan saraf canggih untuk melakukan analisis prediktif tingkat lanjut.

Algoritma *machine learning* secara umum terbagi ke dalam tiga kategori: *supervised learning*, *unsupervised learning*, dan *reinforcement learning*.

• Supervised learning melatih model dengan data berlabel, sehingga model bisa mengenali pola, memprediksi hasil, atau mengklasifikasikan data baru dengan akurat.
• Unsupervised learning melatih model untuk menyaring data yang tidak berlabel guna menemukan hubungan tersembunyi atau pengelompokan dalam data.
• Reinforcement learning memakai pendekatan berbeda, di mana model belajar mengambil keputusan dengan bertindak sebagai agen dan menerima umpan balik atas tindakannya.

Ada juga metode *semi-supervised learning*, yang menggabungkan pendekatan *supervised* dan *unsupervised*. Teknik ini menggunakan sebagian kecil data berlabel dan lebih banyak data tak berlabel, sehingga bisa meningkatkan akurasi pembelajaran tanpa perlu banyak data berlabel yang biasanya mahal dan memakan waktu untuk didapatkan.

Computer vision

*Computer vision* adalah bidang AI yang fokus pada cara mengajarkan mesin untuk memahami dunia visual. Dengan menganalisis informasi visual seperti gambar dari kamera dan video menggunakan model *deep learning*, sistem *computer vision* bisa belajar mengidentifikasi dan mengklasifikasikan objek serta membuat keputusan berdasarkan hasil analisis tersebut.

Tujuan utama dari *computer vision* adalah meniru atau bahkan melampaui sistem penglihatan manusia menggunakan algoritma AI. Teknologi ini digunakan dalam banyak aplikasi, mulai dari identifikasi tanda tangan hingga analisis gambar medis dan kendaraan otonom. Istilah *machine vision*, yang sering disamakan dengan *computer vision*, secara khusus mengacu pada penggunaan *computer vision* untuk menganalisis data dari kamera atau video dalam konteks otomasi industri, misalnya pada proses produksi di pabrik.

Natural language processing

*Natural language processing* (NLP) adalah pemrosesan bahasa manusia oleh program komputer. Algoritma NLP bisa memahami dan berinteraksi dengan bahasa manusia, serta melakukan tugas-tugas seperti terjemahan, pengenalan suara, dan analisis sentimen. Salah satu contoh tertua dan paling dikenal dari NLP adalah pendeteksi spam, yang membaca subjek dan isi email untuk menentukan apakah email tersebut sampah. Aplikasi NLP yang lebih canggih mencakup model LLM seperti ChatGPT dan Claude dari Anthropic.

Robotika

Robotika adalah bidang rekayasa yang berfokus pada desain, pembuatan, dan pengoperasian robot: mesin otomatis yang meniru dan menggantikan tindakan manusia, khususnya untuk tugas-tugas yang sulit, berbahaya, atau membosankan bagi manusia. Contoh penggunaan robotika termasuk di bidang manufaktur, di mana robot melakukan tugas-tugas perakitan berulang atau berisiko tinggi, dan misi eksplorasi di tempat-tempat terpencil seperti luar angkasa atau laut dalam.

Integrasi AI dan *machine learning* secara signifikan memperluas kemampuan robot dengan memungkinkan mereka membuat keputusan otonom yang lebih baik dan beradaptasi dengan situasi atau data baru. Misalnya, robot dengan kemampuan *machine vision* bisa belajar menyortir objek di jalur produksi berdasarkan bentuk dan warna.

Kendaraan otonom

Kendaraan otonom, atau yang lebih dikenal sebagai mobil tanpa pengemudi (*self-driving cars*), dapat merasakan dan menavigasi lingkungan sekitar dengan sedikit atau tanpa bantuan manusia. Kendaraan ini menggunakan kombinasi teknologi seperti radar, GPS, dan berbagai algoritma AI serta *machine learning*, seperti pengenalan gambar.

Algoritma tersebut belajar dari data dunia nyata seperti pola lalu lintas dan peta untuk membuat keputusan seperti kapan harus mengerem, berbelok, mempercepat, tetap di jalur, dan menghindari hambatan tak terduga, termasuk pejalan kaki. Meskipun teknologinya telah berkembang pesat dalam beberapa tahun terakhir, tujuan akhir kendaraan otonom yang benar-benar bisa menggantikan pengemudi manusia masih belum tercapai.

Generative AI

*Generative AI* mengacu pada sistem *machine learning* yang bisa menghasilkan data baru dari perintah teks — biasanya berupa teks dan gambar, tapi juga bisa mencakup audio, video, kode program, bahkan urutan genetik dan struktur protein. Melalui pelatihan pada kumpulan data besar, algoritma ini secara bertahap mempelajari pola dari jenis media yang akan mereka hasilkan, sehingga nantinya bisa menciptakan konten baru yang menyerupai data latihannya.

*Generative AI* mengalami lonjakan popularitas yang pesat sejak munculnya generator teks dan gambar yang tersedia secara luas pada tahun 2022, seperti ChatGPT, Dall-E, dan Midjourney, serta kini semakin banyak digunakan dalam dunia bisnis. Meskipun kemampuannya cukup mengesankan, alat-alat *generative AI* juga menimbulkan kekhawatiran terkait hak cipta, penggunaan wajar (*fair use*), dan keamanan — isu-isu yang masih terus menjadi perdebatan terbuka di dunia teknologi.

Apa saja aplikasi AI?

AI kini digunakan di berbagai sektor industri dan bidang penelitian. Berikut ini beberapa contoh paling menonjol.

AI dalam dunia kesehatan

AI digunakan untuk berbagai tugas di bidang layanan kesehatan, dengan tujuan utama meningkatkan hasil pasien dan menekan biaya sistem secara keseluruhan. Salah satu aplikasi utamanya adalah penggunaan model *machine learning* yang dilatih dengan data medis dalam jumlah besar untuk membantu tenaga medis membuat diagnosis yang lebih baik dan lebih cepat. Misalnya, perangkat lunak berbasis AI bisa menganalisis hasil CT scan dan memberi tahu ahli saraf tentang kemungkinan stroke.

Di sisi pasien, asisten kesehatan virtual dan chatbot online bisa memberikan informasi medis umum, menjadwalkan janji temu, menjelaskan proses tagihan, dan menyelesaikan berbagai tugas administratif lainnya. Algoritma AI untuk pemodelan prediktif juga dapat digunakan untuk memerangi penyebaran pandemi seperti COVID-19.

AI dalam bisnis

AI semakin banyak diterapkan di berbagai fungsi bisnis dan industri, dengan tujuan meningkatkan efisiensi, pengalaman pelanggan, perencanaan strategis, dan pengambilan keputusan. Misalnya, model *machine learning* mendukung banyak platform analitik data dan manajemen hubungan pelanggan (CRM) saat ini, membantu perusahaan memahami bagaimana cara terbaik melayani pelanggan melalui penawaran yang dipersonalisasi dan pemasaran yang lebih tepat sasaran.

Asisten virtual dan chatbot juga digunakan di situs web perusahaan dan aplikasi seluler untuk memberikan layanan pelanggan 24 jam dan menjawab pertanyaan umum. Selain itu, semakin banyak perusahaan yang mengeksplorasi kemampuan alat *generative AI* seperti ChatGPT untuk mengotomatisasi tugas-tugas seperti penyusunan dan peringkasan dokumen, desain produk dan ideasi, serta pemrograman komputer.

Kecerdasan Buatan di Dunia Pendidikan

AI punya banyak potensi dalam teknologi pendidikan. AI bisa mengotomatiskan proses penilaian, ngasih lebih banyak waktu buat para pendidik ngerjain hal lain. Alat-alat berbasis AI juga bisa menilai performa siswa dan menyesuaikan pendekatan sesuai kebutuhan masing-masing, bikin pengalaman belajar jadi lebih personal dan fleksibel. Tutor AI juga bisa bantu siswa biar tetap on track. Teknologi ini juga mungkin bakal ngubah cara dan tempat belajar, bahkan mungkin ngubah peran tradisional para pendidik.

Seiring makin canggihnya LLM seperti ChatGPT dan Google Gemini, alat-alat ini bisa bantu guru bikin materi pembelajaran dan ngajak siswa belajar dengan cara-cara baru. Tapi, kehadiran alat-alat ini juga bikin guru harus mikir ulang soal PR dan sistem ujian, serta revisi kebijakan plagiarisme—apalagi alat deteksi AI dan watermarking AI saat ini belum bisa diandalkan.

Kecerdasan Buatan di Dunia Keuangan dan Perbankan

Bank dan lembaga keuangan lainnya udah pakai AI buat ningkatin pengambilan keputusan, kayak dalam ngasih pinjaman, nentuin limit kredit, sampai nyari peluang investasi. Selain itu, perdagangan algoritmik yang digerakkan AI udah ngubah pasar finansial, dengan kecepatan dan efisiensi yang nggak bisa ditandingi manusia.

AI juga masuk ke dunia keuangan konsumen. Misalnya, bank pakai chatbot AI buat ngasih info ke nasabah soal layanan mereka dan nangani transaksi atau pertanyaan yang nggak perlu ditangani manusia. Contohnya, Intuit menambahkan fitur AI generatif di TurboTax buat ngasih saran pribadi berdasarkan profil pajak pengguna dan aturan pajak setempat.

Kecerdasan Buatan di Dunia Hukum

AI mulai ngubah sektor hukum dengan mengotomatisasi tugas-tugas yang memakan waktu, seperti review dokumen dan menjawab permintaan penemuan (discovery), yang biasanya bikin pengacara dan asisten hukum pusing. Sekarang banyak firma hukum pakai AI buat analitik, AI prediktif buat analisis data dan hukum kasus, computer vision buat klasifikasi dokumen, dan NLP buat menjawab permintaan discovery.

Selain bikin kerjaan lebih efisien, AI bikin para profesional hukum bisa lebih fokus ke klien dan tugas strategis yang lebih kreatif. Seiring makin berkembangnya AI generatif dalam hukum, banyak firma juga mulai pakai LLM buat nyusun dokumen standar seperti kontrak template.

Kecerdasan Buatan di Dunia Hiburan dan Media

Industri hiburan dan media pakai AI buat iklan tertarget, rekomendasi konten, distribusi, dan deteksi penipuan. Teknologi ini bantu personalisasi pengalaman penonton dan ningkatin efisiensi distribusi konten.

AI generatif juga lagi naik daun di dunia pembuatan konten. Orang iklan udah pakai alat ini buat bikin materi pemasaran dan ngedit gambar iklan. Tapi, penggunaannya di dunia film, nulis skrip, dan efek visual masih kontroversial karena bisa ngancem pekerjaan kreatif manusia.

Kecerdasan Buatan di Dunia Jurnalisme

Dalam dunia jurnalisme, AI bisa mempercepat kerja dengan mengotomatisasi tugas-tugas rutin kayak entri data dan proofreading. Jurnalis investigasi dan data juga pakai AI buat nyari dan neliti cerita dengan nganalisa data besar pake model machine learning, yang bisa ungkap pola dan keterkaitan tersembunyi yang susah ditemukan manual. Contohnya, lima finalis Pulitzer 2024 mengungkap bahwa mereka pakai AI buat nganalisa data besar kayak catatan polisi. Tapi, pakai AI generatif buat nulis berita masih dipertanyakan karena menyangkut keakuratan dan etika.

Kecerdasan Buatan dalam Pengembangan Perangkat Lunak dan IT

AI sekarang udah dipakai buat ngotomatisasi banyak proses di pengembangan software, DevOps dan IT. Contohnya, alat AIOps bisa memprediksi gangguan sistem sebelum terjadi dengan menganalisis data sistem, dan alat pemantauan berbasis AI bisa deteksi anomali real-time berdasarkan data historis. Alat AI generatif kayak GitHub Copilot dan Tabnine juga makin populer buat bantu nulis kode dari perintah bahasa alami. Walaupun belum bisa gantiin developer sepenuhnya, alat ini bisa jadi asisten kerja yang keren.

Kecerdasan Buatan di Dunia Keamanan

AI dan machine learning emang jadi istilah yang sering banget dipakai vendor keamanan, jadi pembeli harus tetap waspada. Tapi nyatanya, AI cukup berguna dalam berbagai aspek keamanan siber, kayak deteksi anomali, ngurangin false positive, dan analitik perilaku ancaman. Misalnya, organisasi pakai machine learning dalam software SIEM buat deteksi aktivitas mencurigakan dan potensi ancaman lebih cepat dari manusia.

Kecerdasan Buatan dalam Dunia Manufaktur

Industri manufaktur udah lama jadi pelopor dalam penggunaan robot, dan sekarang fokusnya ke robot kolaboratif alias cobots. Nggak kayak robot industri tradisional yang cuma ngerjain satu tugas dan nggak bisa kerja bareng manusia, cobots lebih kecil, fleksibel, dan bisa kerja bareng manusia. Mereka bisa bantu di lini produksi, pengemasan, sampai quality control. Intinya, cobots bikin kerja lebih aman dan efisien.

Kecerdasan Buatan dalam Transportasi

Selain ngendalikan kendaraan otonom, AI juga dipakai dalam manajemen lalu lintas, ngurangin kemacetan, dan ningkatin keselamatan jalan. Di dunia penerbangan, AI bisa prediksi keterlambatan dengan nganalisis cuaca dan kondisi lalu lintas udara. Di pelayaran internasional, AI bisa bantu optimalkan rute dan monitor kondisi kapal secara otomatis.

Dalam rantai pasok, AI mulai gantiin cara lama dalam meramal permintaan dan ningkatin akurasi prediksi gangguan. Pandemi COVID-19 nunjukin pentingnya kemampuan ini karena banyak perusahaan kaget waktu pasokan dan permintaan barang terganggu.

Kecerdasan Buatan vs. Kecerdasan yang Ditambahin

Istilah kecerdasan buatan sering dikaitkan sama budaya pop, yang bisa bikin ekspektasi orang awam jadi nggak realistis soal dampak AI di kehidupan. Makanya, istilah alternatif augmented intelligence alias kecerdasan yang ditambahin muncul buat bedain antara sistem mesin yang bantu manusia dan sistem otonom penuh kayak HAL 9000 atau Skynet.

Dua istilah ini bisa dijelasin gini:

• Kecerdasan yang ditambahin (augmented intelligence). Istilah ini lebih netral, ngasih kesan bahwa kebanyakan implementasi AI itu tujuannya buat ningkatin kemampuan manusia, bukan ngegantiin. Sistem AI ini biasanya fokus ke tugas tertentu buat ningkatin produk atau layanan. Contohnya, bantu nampilin data penting di laporan business intelligence atau nandain informasi penting di dokumen hukum. Penggunaan ChatGPT dan Gemini yang cepat di berbagai industri nunjukin kalau AI makin diterima buat bantu pengambilan keputusan manusia.
• Kecerdasan buatan (AI). Di sini, istilah AI sebaiknya cuma dipakai buat AI umum (AGI), biar ekspektasi publik lebih realistis. Konsep AGI sering dikaitin sama singularitas teknologi, yaitu masa depan ketika superintelligence buatan ngalahin kecerdasan manusia dan ngubah dunia secara radikal. Meskipun masih sebatas fiksi ilmiah, beberapa pengembang AI sekarang serius ngejar AGI.

Sejarah AI

Konsep tentang benda mati yang memiliki kecerdasan sudah ada sejak zaman kuno. Dewa Yunani Hephaestus digambarkan dalam mitos sedang menempa pelayan mirip robot dari emas, sementara insinyur di Mesir kuno membuat patung-patung dewa yang bisa bergerak, digerakkan oleh mekanisme tersembunyi yang dioperasikan oleh para pendeta.

Selama berabad-abad, para pemikir seperti filsuf Yunani Aristoteles, teolog Spanyol abad ke-13 Ramon Llull, matematikawan René Descartes, dan ahli statistik Thomas Bayes menggunakan alat dan logika pada masanya untuk menggambarkan proses berpikir manusia dalam bentuk simbol. Karya-karya mereka menjadi fondasi untuk konsep AI seperti representasi pengetahuan umum dan penalaran logis.

Akhir abad ke-19 dan awal abad ke-20 membawa terobosan dasar yang menjadi cikal bakal komputer modern. Pada tahun 1836, matematikawan dari Universitas Cambridge Charles Babbage dan Augusta Ada King, Countess of Lovelace, merancang desain pertama untuk mesin yang bisa diprogram, yang dikenal sebagai Analytical Engine. Babbage membuat desain komputer mekanik pertama, sementara Lovelace — yang sering disebut sebagai programmer komputer pertama — membayangkan bahwa mesin itu dapat melakukan lebih dari sekadar perhitungan matematika, tapi juga menjalankan operasi apa pun yang bisa dijabarkan secara algoritmik.

Memasuki abad ke-20, perkembangan penting dalam komputasi mulai membentuk bidang yang kemudian dikenal sebagai AI. Pada tahun 1930-an, matematikawan Inggris dan pemecah kode Perang Dunia II, Alan Turing, memperkenalkan konsep mesin universal yang bisa meniru mesin lain. Teorinya sangat penting untuk perkembangan komputer digital dan akhirnya AI.

1940-an

Matematikawan Princeton, John Von Neumann, mencetuskan arsitektur komputer dengan program yang disimpan — ide bahwa program dan data yang diproses bisa disimpan di dalam memori komputer. Warren McCulloch dan Walter Pitts mengusulkan model matematika dari neuron buatan, yang menjadi dasar untuk jaringan saraf buatan dan berbagai pengembangan AI lainnya di masa depan.

1950-an

Dengan hadirnya komputer modern, para ilmuwan mulai menguji gagasan tentang kecerdasan mesin. Pada tahun 1950, Turing menciptakan metode untuk menentukan apakah komputer memiliki kecerdasan, yang ia sebut imitation game dan kini lebih dikenal sebagai uji Turing. Tes ini mengevaluasi kemampuan komputer dalam meyakinkan penanya bahwa jawabannya berasal dari manusia.

Bidang AI modern secara umum dianggap dimulai pada tahun 1956 lewat konferensi musim panas di Dartmouth College. Disponsori oleh Defense Advanced Research Projects Agency (DARPA), konferensi ini dihadiri oleh 10 tokoh penting di bidang AI, termasuk pionir seperti Marvin Minsky, Oliver Selfridge, dan John McCarthy, yang dikenal sebagai pencetus istilah “kecerdasan buatan.” Hadir pula Allen Newell (ilmuwan komputer) dan Herbert A. Simon (ekonom, ilmuwan politik, dan psikolog kognitif).

Dua tokoh terakhir ini mempresentasikan program revolusioner mereka, Logic Theorist, sebuah program komputer yang bisa membuktikan beberapa teorema matematika — sering dianggap sebagai program AI pertama. Setahun kemudian, pada 1957, mereka membuat algoritme General Problem Solver yang meskipun gagal menyelesaikan masalah kompleks, menjadi dasar bagi pengembangan arsitektur kognitif yang lebih canggih.

1960-an

Setelah konferensi Dartmouth, para pemimpin di bidang AI yang baru berkembang memperkirakan bahwa kecerdasan buatan setara otak manusia akan segera terwujud, yang mendorong dukungan besar dari pemerintah dan industri. Selama hampir dua dekade, riset dasar yang didanai dengan baik menghasilkan kemajuan besar. McCarthy mengembangkan Lisp, bahasa pemrograman yang dirancang khusus untuk AI dan masih digunakan hingga kini. Pada pertengahan 1960-an, profesor MIT Joseph Weizenbaum menciptakan Eliza, program NLP awal yang menjadi fondasi chatbot zaman sekarang.

1970-an

Pada dekade 1970-an, pencapaian AGI (Artificial General Intelligence) masih jauh dari harapan, karena keterbatasan daya pemrosesan komputer, memori, dan kompleksitas masalah. Akibatnya, dukungan dari pemerintah dan korporasi menurun drastis, menyebabkan periode vakum dari 1974 hingga 1980 yang dikenal sebagai AI winter pertama. Selama periode ini, bidang AI mengalami penurunan drastis dalam pendanaan dan minat.

1980-an

Penelitian tentang teknik deep learning dan adopsi sistem pakar (expert systems) oleh industri kembali membangkitkan semangat terhadap AI. Sistem pakar, yang menggunakan program berbasis aturan untuk meniru pengambilan keputusan manusia, diterapkan pada tugas seperti analisis keuangan dan diagnosis klinis. Namun, karena biaya tinggi dan keterbatasan kemampuan, minat terhadap AI kembali menurun, menyebabkan AI winter kedua yang berlangsung hingga pertengahan 1990-an.

1990-an

Peningkatan daya komputasi dan ledakan data memicu kebangkitan AI di pertengahan hingga akhir 1990-an, membuka jalan bagi kemajuan luar biasa di bidang NLP, visi komputer, robotika, machine learning, dan deep learning. Salah satu tonggak penting terjadi pada tahun 1997 ketika Deep Blue mengalahkan Kasparov, menjadi program komputer pertama yang menaklukkan juara catur dunia.

2000-an

Kemajuan lebih lanjut dalam machine learning, deep learning, NLP, pengenalan suara dan visi komputer melahirkan produk dan layanan yang memengaruhi hidup kita sehari-hari. Beberapa perkembangan penting: peluncuran mesin pencari Google (2000), sistem rekomendasi Amazon (2001), sistem rekomendasi film Netflix, pengenalan wajah oleh Facebook, serta sistem transkripsi suara Microsoft. IBM meluncurkan Watson, sistem tanya-jawab canggih, dan Google memulai proyek mobil otonom, Waymo.

2010-an

Dekade antara 2010 dan 2020 diwarnai banyak perkembangan AI, seperti peluncuran asisten suara Siri (Apple) dan Alexa (Amazon), kemenangan IBM Watson di Jeopardy, fitur self-driving pada mobil, dan penggunaan AI untuk deteksi kanker dengan akurasi tinggi. Generative adversarial network pertama dikembangkan, dan Google merilis TensorFlow, framework open source untuk machine learning yang banyak dipakai dalam pengembangan AI.

Tonggak penting terjadi tahun 2012 dengan munculnya AlexNet, sebuah convolutional neural network yang sangat memajukan pengenalan gambar dan mempopulerkan penggunaan GPU dalam pelatihan model AI. Pada 2016, AlphaGo dari Google DeepMind mengalahkan juara dunia Go, Lee Sedol, membuktikan bahwa AI mampu menguasai permainan strategi kompleks. Tahun sebelumnya, laboratorium riset OpenAI didirikan dan kemudian membuat terobosan penting dalam reinforcement learning dan NLP.

2020-an

Dekade ini sejauh ini didominasi oleh kemunculan AI generatif, yang bisa membuat konten baru berdasarkan perintah pengguna. Perintah ini bisa berupa teks, gambar, video, desain, musik, atau input lain yang dapat diproses oleh sistem AI. Hasilnya bisa berupa esai, penjelasan solusi, atau gambar realistis dari foto seseorang.

Pada 2020, OpenAI merilis GPT-3, tapi teknologi ini baru dikenal luas setelah 2022. Tahun itu, gelombang AI generatif dimulai dengan peluncuran DALL·E 2 dan Midjourney masing-masing pada April dan Juli. Hype-nya memuncak saat ChatGPT dirilis secara umum pada November.

Para pesaing OpenAI pun merespons cepat dengan meluncurkan chatbot LLM saingan seperti Claude dari Anthropic dan Gemini dari Google. Generator audio dan video seperti ElevenLabs dan Runway muncul di 2023 dan 2024.

Meskipun teknologi ini masih dalam tahap awal — terlihat dari kemampuannya yang masih suka “mengarang” dan tantangan aplikasi praktis yang efisien — perkembangan ini sudah membawa AI ke tengah percakapan publik secara luas, menimbulkan rasa antusias sekaligus kekhawatiran.

Perkembangan alat dan layanan AI: Evolusi dan ekosistem

Alat dan layanan AI berkembang sangat cepat. Inovasi saat ini dapat ditelusuri kembali ke jaringan saraf AlexNet tahun 2012 yang menandai era baru AI berkinerja tinggi berbasis GPU dan data besar. Terobosan utamanya adalah ditemukannya bahwa jaringan saraf bisa dilatih dengan data dalam jumlah besar menggunakan beberapa GPU secara paralel, menjadikan proses pelatihan lebih bisa diskalakan.

Di abad ke-21, hubungan simbiosis berkembang antara kemajuan algoritmik di perusahaan seperti Google, Microsoft, dan OpenAI dengan inovasi perangkat keras dari penyedia infrastruktur seperti Nvidia. Perkembangan ini memungkinkan model AI berukuran besar dijalankan pada GPU yang saling terhubung, menghasilkan peningkatan performa dan skalabilitas yang luar biasa. Kolaborasi antar pemain besar ini sangat penting bagi kesuksesan ChatGPT dan puluhan layanan AI terobosan lainnya. Berikut ini beberapa inovasi yang mendorong evolusi alat dan layanan AI.

Transformers

Google memelopori proses pelatihan AI yang efisien di klaster besar PC komoditas dengan GPU. Hal ini membuka jalan bagi penemuan transformers, yang mengotomatiskan banyak aspek pelatihan AI pada data tanpa label. Lewat makalah “Attention Is All You Need” tahun 2017, peneliti Google memperkenalkan arsitektur baru yang menggunakan self-attention untuk meningkatkan performa model pada tugas NLP seperti penerjemahan, pembuatan teks, dan ringkasan. Arsitektur transformer inilah yang jadi dasar LLM modern seperti ChatGPT.

Optimasi perangkat keras

Perangkat keras sama pentingnya dengan arsitektur algoritmik untuk mengembangkan AI yang efisien dan bisa diskalakan. GPU yang awalnya dirancang untuk grafis kini jadi kunci untuk memproses data besar. Tensor Processing Units dan Neural Processing Units yang dirancang khusus untuk deep learning mempercepat pelatihan model AI kompleks. Vendor seperti Nvidia mengoptimalkan microcode agar bisa berjalan di banyak inti GPU secara paralel. Para pembuat chip juga bekerja sama dengan penyedia cloud untuk membuat kemampuan ini lebih mudah diakses lewat layanan seperti AIaaS dalam model IaaS, SaaS, dan PaaS.

GPT dan fine-tuning

Tumpukan teknologi AI berkembang pesat dalam beberapa tahun terakhir. Dulu, perusahaan harus melatih model AI dari nol. Kini, vendor seperti OpenAI, Nvidia, Microsoft, dan Google menyediakan generative pre-trained transformers (GPT) yang bisa di-fine-tune untuk tugas tertentu dengan biaya, tenaga ahli, dan waktu yang jauh lebih hemat.

Layanan AI cloud dan AutoML

Salah satu hambatan besar untuk menerapkan AI secara efektif adalah kompleksitas data engineering dan data science untuk mengintegrasikan AI ke aplikasi baru atau yang sudah ada. Semua penyedia cloud utama kini meluncurkan layanan AIaaS untuk mempermudah persiapan data, pengembangan model, dan penerapan aplikasi. Contoh teratas meliputi Amazon AI, Google AI, Microsoft Azure AI dan Azure ML, IBM Watson, serta fitur AI dari Oracle Cloud.

Begitu juga, penyedia cloud besar dan vendor lainnya menawarkan platform automated machine learning (AutoML) yang mengotomatiskan banyak langkah dalam pengembangan ML dan AI. AutoML membantu memperluas akses ke AI dan meningkatkan efisiensi implementasinya.

Model AI canggih sebagai layanan

Pengembang model AI terkemuka juga menawarkan model-model tercanggih di atas layanan cloud ini. OpenAI punya banyak LLM yang dioptimalkan untuk chat, NLP, multimodalitas, dan pembuatan kode, semuanya disediakan lewat Azure. Nvidia mengambil pendekatan lebih netral dengan menjual infrastruktur AI dan model dasar yang dioptimalkan untuk teks, gambar, dan data medis di semua penyedia cloud. Banyak juga pemain kecil yang menawarkan model yang disesuaikan untuk industri dan kebutuhan tertentu.