Apa itu Kecerdasan Buatan (AI)?
AI, yang juga dikenal sebagai kecerdasan buatan, adalah teknologi yang memiliki kemampuan pemecahan masalah layaknya manusia. Dalam praktiknya, AI akan menyimulasikan kecerdasan manusia—teknologi ini dapat mengenali gambar, menulis puisi, dan membuat prediksi berbasis data.
Organisasi modern mengumpulkan data dalam jumlah besar dari beragam sumber, seperti sensor pintar, konten buatan manusia, alat pemantauan, dan log sistem. Teknologi kecerdasan buatan menganalisis data dan menggunakannya untuk membantu operasi bisnis secara efektif. Misalnya, teknologi AI dapat merespons percakapan manusia dalam dukungan pelanggan, membuat gambar dan teks orisinal untuk pemasaran, serta membuat saran cerdas untuk analitik.
Pada akhirnya, kecerdasan buatan adalah tentang membuat perangkat lunak menjadi lebih pintar untuk interaksi pengguna yang dikustom dan pemecahan masalah yang kompleks.
Apa saja jenis teknologi AI?
Aplikasi dan teknologi AI telah meningkat secara eksponensial dalam beberapa tahun terakhir. Di bawah ini adalah beberapa contoh teknologi AI umum yang mungkin Anda temui.
Sejarah AI
Dalam makalahnya pada tahun 1950, “Computing Machinery and Intelligence,” Alan Turing mempertimbangkan apakah mesin dapat berpikir. Dalam makalah ini, Turing pertama kali menciptakan istilah kecerdasan buatan dan menyajikannya sebagai konsep teoretis dan filosofis. Namun, AI, seperti yang kita kenal sekarang, adalah hasil dari upaya kolektif banyak ilmuwan dan rekayasawan selama beberapa dekade.
1940-1980
Pada tahun 1943, Warren McCulloch dan Walter Pitts mengusulkan model neuron buatan yang meletakkan dasar untuk jaringan neural, teknologi inti dalam AI.
Segera setelah itu, pada tahun 1950, Alan Turing menerbitkan “Computing Machinery and Intelligence,” memperkenalkan konsep Tes Turing untuk menilai kecerdasan mesin.
Hal ini mendorong mahasiswa pascasarjana Marvin Minsky dan Dean Edmonds, membangun mesin jaring neural pertama yang dikenal sebagai SNARC, Frank Rosenblatt mengembangkan Perceptron yang merupakan salah satu model paling awal dari jaringan neural, dan Joseph Weizenbaum menciptakan ELIZA, salah satu chatbot pertama untuk mensimulasikan psikoterapis Rogerian antara tahun 1951 dan 1969.
Dari tahun 1969 hingga 1979, Marvin Minsky menunjukkan keterbatasan jaringan neural, yang mengakibatkan penurunan sementara dalam penelitian jaringan neural. “Musim dingin AI” pertama terjadi karena berkurangnya pendanaan dan keterbatasan perangkat keras dan komputasi.
1980-2006
Pada tahun 1980-an, terdapat minat baru dan pendanaan pemerintah untuk penelitian AI terutama dalam penerjemahan dan transkripsi. Selama waktu ini, sistem ahli, seperti MYCIN, menjadi populer karena mereka mensimulasikan proses pengambilan keputusan manusia dalam domain tertentu, seperti kedokteran. Dengan kebangkitan jaringan neural pada tahun 1980-an, David Rumelhart dan John Hopfield menerbitkan makalah tentang teknik deep learning yang menunjukkan bahwa komputer dapat belajar dari pengalaman
Dari tahun 1987-1997, karena faktor sosial ekonomi lainnya dan ledakan dot-com, musim dingin AI kedua muncul. Penelitian AI menjadi lebih terfragmentasi, dengan tim yang memecahkan masalah khusus domain di berbagai kasus penggunaan.
Mulai tahun 1997 hingga sekitar tahun 2006, kami melihat perubahan signifikan dalam AI, termasuk perangkat lunak catur Deep Blue IBM mengalahkan juara catur dunia, Garry Kasparov. Selain itu, Judea Pearl menerbitkan sebuah buku yang memasukkan teori probabilitas dan keputusan dalam penelitian AI dan Geoffrey Hinton serta yang lainnya mempopulerkan deep learning, yang mengarah pada kebangkitan jaringan neural. Namun, minat komersial tetap terbatas.
2007-Sekarang
Dari tahun 2007 hingga 2018, kemajuan dalam komputasi cloud membuat daya komputasi dan infrastruktur AI lebih mudah diakses. Hal ini menyebabkan peningkatan adopsi, inovasi, dan kemajuan dalam machine learning. Kemajuan ini meliputi arsitektur jaringan neural konvolusi (CNN) yang disebut AlexNet, dikembangkan oleh Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton, yang memenangkan kompetisi ImageNet, menunjukkan kekuatan deep learning dalam pengenalan gambar dan AlphaZero Google yang menguasai permainan catur, shogi, dan Go tanpa data manusia, dengan mengandalkan permainan sendiri.
Pada tahun 2022, chatbot yang menggunakan kecerdasan buatan (AI) dan pemrosesan bahasa alami (NLP) untuk melakukan percakapan mirip manusia dan menyelesaikan tugas, seperti ChatGPT OpenAI, menjadi terkenal karena kemampuannya berkomunikasi, yang memperbarui minat dan pengembangan dalam AI.
AI di masa depan
Teknologi kecerdasan buatan saat ini semuanya berfungsi dalam satu set parameter yang telah ditentukan sebelumnya. Misalnya, model AI yang dilatih dalam pengenalan dan pembuatan gambar tidak dapat membangun situs web.
Artificial General Intelligence (AGI) adalah bidang penelitian AI teoretis yang mencoba membuat perangkat lunak dengan kecerdasan mirip manusia dan kemampuan untuk belajar sendiri. Tujuannya adalah agar perangkat lunak dapat melakukan tugas-tugas yang belum tentu dilatih atau dikembangkan.
AGI adalah upaya teoritis untuk mengembangkan sistem AI dengan kontrol diri otonom, pemahaman diri yang wajar, dan kemampuan untuk mempelajari keterampilan baru. Ini dapat memecahkan masalah yang kompleks dalam pengaturan dan konteks yang tidak diajarkan pada saat pembuatannya. AGI dengan kemampuan manusia tetap menjadi konsep teoretis dan tujuan penelitian. Ini adalah salah satu kemungkinan masa depan AI.
Bagaimana AI digunakan saat ini?
Saat ini, AI ada di mana-mana, bekerja di balik layar untuk mendukung aplikasi-aplikasi favorit Anda.
Contoh kecerdasan buatan untuk bisnis
Kecerdasan buatan memiliki berbagai aplikasi. Meskipun bukan daftar yang lengkap, berikut adalah beberapa contoh yang menyoroti beragam kasus penggunaan AI untuk organisasi.
Chatbot dan asisten cerdas
Chatbot dan asisten cerdas yang didukung AI terlibat dalam percakapan yang lebih canggih dan mirip manusia. Keduanya dapat memahami konteks dan menghasilkan respons yang koheren untuk bahasa alami yang kompleks dan pertanyaan pelanggan. Keduanya unggul dalam dukungan pelanggan, bantuan virtual, dan pembuatan konten untuk menyediakan interaksi yang dipersonalisasi. Kemampuan pembelajaran berkelanjutan model ini memungkinkan keduanya beradaptasi dan meningkatkan performanya seiring waktu, sehingga meningkatkan pengalaman dan efisiensi pengguna.
Misalnya, Deriv, salah satu broker online terbesar di dunia, menghadapi tantangan dalam mengakses sejumlah besar data yang terdistribusi di berbagai platform. Broker ini mengimplementasikan asisten yang didukung AI untuk mengambil dan memproses data dari berbagai sumber di seluruh dukungan pelanggan, pemasaran, dan perekrutan. Dengan AI, Deriv mengurangi waktu yang dibutuhkan untuk menerima karyawan baru sebesar 45 persen dan meminimalkan waktu tugas perekrutan sebesar 50 persen.
Pemrosesan dokumen cerdas
Pemrosesan dokumen cerdas (IDP) menerjemahkan format dokumen yang tidak terstruktur menjadi data yang dapat digunakan. Misalnya, mengubah dokumen bisnis, seperti email, gambar, dan PDF menjadi informasi terstruktur. IDP menggunakan teknologi AI, seperti pemrosesan bahasa alami (NLP), deep learning, dan penglihatan komputer untuk mengekstraksi, mengklasifikasikan, dan memvalidasi data.
Misalnya, HM Land Registry (HMLR) menangani sertifikat properti untuk lebih dari 87 persen wilayah Inggris dan Wales. Para pekerja kasus HMLR membandingkan dan meninjau dokumen-dokumen hukum yang kompleks yang terkait dengan transaksi properti. Organisasi ini melakukan deployment aplikasi AI untuk mengotomatiskan perbandingan dokumen, yang memangkas waktu peninjauan hingga 50 persen, dan mempercepat proses persetujuan transfer properti. Untuk informasi selengkapnya, baca bagaimana HMLR menggunakan Amazon Textract.
Pelajari selengkapnya tentang Pemrosesan Dokumen Cerdas (IDP) »
Pemantauan performa aplikasi
Pemantauan performa aplikasi (APM) adalah proses penggunaan alat perangkat lunak dan data telemetri untuk memantau performa aplikasi yang penting bagi bisnis. Alat APM berbasis AI menggunakan data historis untuk memprediksi masalah sebelum terjadi. Alat-alat tersebut juga dapat menyelesaikan masalah dalam waktu nyata dengan menyarankan solusi praktis untuk developer Anda. Strategi ini membuat aplikasi berjalan secara efektif dan mengatasi kemacetan.
Misalnya, Atlassian membuat produk untuk menyederhanakan kerja tim dan organisasi. Atlassian menggunakan alat AI APM untuk terus memantau aplikasi, mendeteksi potensi masalah, dan memprioritaskan tingkat keparahan. Dengan fungsi ini, tim dapat dengan cepat merespons rekomendasi yang ditenagai ML dan mengatasi penurunan performa.
Pemeliharaan prediktif
Pemeliharaan prediktif yang ditingkatkan AI menggunakan volume data yang besar untuk mengidentifikasi masalah yang dapat menyebabkan waktu henti dalam operasi, sistem, atau layanan. Pemeliharaan prediktif memungkinkan bisnis mengatasi potensi masalah sebelum terjadi, sehingga mengurangi waktu henti dan mencegah gangguan.
Misalnya, Baxter menggunakan 70 lokasi manufaktur di seluruh dunia dan beroperasi 24/7 untuk menghadirkan teknologi medis. Baxter menggunakan pemeliharaan prediktif untuk mendeteksi kondisi abnormal pada peralatan industri secara otomatis. Pengguna dapat menerapkan solusi efektif sebelumnya untuk mengurangi waktu henti dan meningkatkan efisiensi operasional. Untuk mempelajari selengkapnya, baca bagaimana Baxter menggunakan Amazon Monitron.
Penelitian medis
Penelitian medis menggunakan AI untuk menyederhanakan proses, mengotomatiskan tugas repetitif, dan memproses data dalam jumlah besar. Anda dapat menggunakan teknologi AI dalam penelitian medis untuk memfasilitasi penemuan dan pengembangan farmasi menyeluruh, menyalin catatan medis, dan meningkatkan waktu ke pasar untuk produk baru.
Sebagai contoh dunia nyata, C2i Genomics menggunakan kecerdasan buatan untuk menjalankan alur genomika skala tinggi yang dapat disesuaikan serta pemeriksaan klinis. Peneliti dapat fokus pada performa klinis dan pengembangan metode dengan mencakup solusi komputasi. Tim rekayasa juga menggunakan AI untuk mengurangi permintaan sumber daya, pemeliharaan rekayasa, dan biaya NRE. Untuk detail selengkapnya, baca bagaimana C2i Genomics menggunakan AWS HealthOmics.
Manfaat kecerdasan buatan untuk bisnis
Organisasi Anda dapat mengintegrasikan kemampuan kecerdasan buatan untuk mengoptimalkan proses bisnis, meningkatkan pengalaman pelanggan, dan mempercepat inovasi.
Apa perbedaan antara machine learning, deep learning, dan kecerdasan buatan?
Kecerdasan buatan (AI) adalah istilah payung untuk strategi dan teknik yang berbeda untuk membuat mesin menjadi lebih mirip manusia. Ini mencakup segala hal mulai dari mobil otonom hingga penyedot debu robotik dan asisten pintar seperti Alexa. Meskipun machine learning dan deep learning berada di bawah payung AI, tidak semua aktivitas AI merupakan machine learning dan deep learning. Misalnya, AI generatif menunjukkan kemampuan kreatif seperti manusia dan merupakan bentuk deep learning yang sangat canggih.
Machine learning
Meskipun Anda mungkin melihat istilah kecerdasan buatan dan machine learning digunakan secara bergantian di banyak tempat, machine learning secara teknis adalah salah satu dari banyak cabang kecerdasan buatan lainnya. Ini adalah ilmu yang mengembangkan algoritma dan model statistik untuk menghubungkan data. Sistem komputer menggunakan algoritme machine learning untuk memproses data historis berjumlah besar dan mengidentifikasi pola data. Dalam konteks saat ini, machine learning mengacu pada serangkaian teknik statistik yang disebut model machine learning yang dapat Anda gunakan secara independen atau untuk mendukung teknik AI lain yang lebih kompleks.
Deep learning
Deep learning membawa machine learning selangkah lebih maju. Model deep learning menggunakan jaringan neural yang bekerja sama untuk mempelajari dan memproses informasi. Jaringan tersebut terdiri dari jutaan komponen perangkat lunak yang melakukan operasi mikromatematika pada unit data kecil untuk memecahkan masalah yang lebih besar. Misalnya, jaringan tersebut memproses piksel individual dalam suatu gambar untuk mengklasifikasikan gambar tersebut. Sistem AI modern sering kali menggabungkan beberapa jaringan neural dalam untuk melakukan tugas kompleks seperti menulis puisi atau membuat gambar dari perintah teks.
Bagaimana cara kerja kecerdasan buatan?
Sistem kecerdasan buatan menggunakan berbagai teknologi untuk berfungsi. Spesifiknya berbeda-beda, tetapi prinsip intinya tetap sama: mereka mengubah semua tipe data, seperti teks, gambar, video, dan audio, menjadi representasi numerik dan secara matematis mengidentifikasi pola dan hubungan di antara tipe data tersebut. Oleh karena itu, teknologi kecerdasan buatan memerlukan pelatihan - teknologi tersebut dihadapkan pada set data yang ada dalam jumlah besar untuk "belajar" — serupa dengan manusia yang belajar dari arsip pengetahuan yang ada. Beberapa teknologi yang membuat kecerdasan buatan berfungsi diberikan di bawah ini.
Jaringan neural
Jaringan neural buatan membentuk inti dari teknologi kecerdasan buatan. Jaringan tersebut mencerminkan proses yang terjadi di dalam otak manusia. Otak mengandung jutaan neuron yang memproses dan menganalisis informasi. Jaringan neural buatan menggunakan neuron buatan yang memproses informasi bersama-sama. Setiap neuron buatan, atau simpul, menggunakan perhitungan matematis untuk memproses informasi dan memecahkan masalah yang kompleks.
Pemrosesan bahasa alami
Pemrosesan bahasa alami (NLP) menggunakan jaringan neural untuk menafsirkan, memahami, dan mengumpulkan makna dari data teks. Pemrosesan ini menggunakan berbagai teknik komputasi yang berspesialisasi dalam memecahkan kode dan memahami bahasa manusia. Teknik ini memungkinkan mesin memproses kata, sintaksis tata bahasa, dan kombinasi kata untuk memproses teks manusia dan bahkan menghasilkan teks baru. Pemrosesan bahasa alami sangat penting dalam meringkas dokumen, chatbot, dan melakukan analisis sentimen.
Penglihatan komputer
Penglihatan komputer menggunakan teknik deep learning untuk mengekstraksi informasi dan wawasan dari video dan gambar. Anda dapat menggunakannya untuk memantau konten online untuk mencari gambar yang tidak pantas, mengenali wajah, dan mengklasifikasikan detail gambar. Pemantauan lingkungan dan pengambilan keputusan sepersekian detik merupakan kemampuan yang sangat penting dalam mobil dan truk otonom.
Pengenalan suara
Perangkat lunak pengenalan ucapan menggunakan model deep learning untuk menafsirkan ucapan manusia, mengidentifikasi kata-kata, dan mendeteksi makna. Jaringan neural dapat mentranskripsikan ucapan ke teks dan menunjukkan sentimen vokal. Anda dapat menggunakan pengenalan suara dalam teknologi, seperti asisten virtual dan perangkat lunak pusat panggilan untuk mengidentifikasi makna dan melakukan tugas terkait.
AI Generatif
AI Generatif mengacu pada sistem kecerdasan buatan yang membuat konten dan artefak baru seperti gambar, video, teks, dan audio dari prompt teks sederhana. Tidak seperti AI, yang sebelumnya yang terbatas pada analisis data, AI generatif memanfaatkan deep learning dan set data yang sangat besar untuk menghasilkan output kreatif berkualitas tinggi seperti buatan manusia. Meski mendukung aplikasi kreatif yang menarik, tetapi ada kekhawatiran seputar bias, konten berbahaya, dan kekayaan intelektual. Secara keseluruhan, AI generatif mewakili evolusi besar dalam kemampuan AI untuk menghasilkan bahasa manusia serta konten dan artefak baru dengan cara yang mirip manusia.
Apa saja komponen utama dari arsitektur aplikasi AI?
Arsitektur kecerdasan buatan terdiri dari tiga lapisan inti. Semua lapisan berjalan pada infrastruktur TI yang menyediakan sumber daya komputasi dan memori yang diperlukan untuk AI.
Opsi pelatihan AI untuk pemula
Pelatihan AI biasanya dimulai dengan dasar-dasar pemrograman dan ilmu komputer. Anda harus mempelajari bahasa seperti Python, bersama dengan matematika, statistik, dan aljabar linear.
Lalu, Anda dapat melanjutkan ke pelatihan spesialisasi. Ambil gelar master dalam kecerdasan buatan, machine learning, atau ilmu data untuk mendapatkan pemahaman yang lebih mendalam dan pengalaman langsung. Program ini biasanya melibatkan topik-topik, seperti jaringan neural, pemrosesan bahasa alami, dan penglihatan komputer secara mendalam.
Namun, pendidikan formal bukanlah satu-satunya jalan. Anda dapat menggunakan kursus online untuk belajar sesuai dengan ritme Anda sendiri dan menguasai keterampilan tertentu. Misalnya, pelatihan AI generatif di AWS mencakup sertifikasi oleh para ahli AWS pada topik-topik seperti:
Apa saja tantangan dalam implementasi kecerdasan buatan?
Beberapa tantangan mempersulit implementasi dan penggunaan AI. Hambatan berikut adalah beberapa tantangan yang paling umum.
Tata kelola AI
Kebijakan tata kelola data harus mematuhi batasan peraturan dan undang-undang privasi. Untuk menerapkan AI, Anda harus mengelola kualitas data, privasi, dan keamanan. Anda bertanggung jawab atas perlindungan data dan privasi pelanggan. Untuk mengelola keamanan data, organisasi Anda harus memahami cara model AI menggunakan dan berinteraksi dengan data pelanggan di setiap lapisan.
Keterbatasan data
Anda perlu memasukkan sejumlah besar data untuk melatih sistem AI yang tidak bias. Anda harus memiliki kapasitas penyimpanan yang cukup untuk menangani dan memproses data pelatihan. Selain itu, Anda juga harus memiliki proses manajemen dan kualitas data yang efektif untuk memastikan keakuratan data yang Anda gunakan untuk pelatihan.
AI yang Bertanggung Jawab
AI yang bertanggung jawab adalah pengembangan AI yang mempertimbangkan dampak sosial dan lingkungan dari sistem AI dalam skala besar. Seperti halnya teknologi baru lainnya, sistem kecerdasan buatan memiliki efek transformatif terhadap pengguna, masyarakat, dan lingkungan. AI yang bertanggung jawab memerlukan peningkatan dampak positif dan memprioritaskan keadilan serta transparansi mengenai cara AI dikembangkan dan digunakan. Hal ini memastikan bahwa inovasi AI dan keputusan berbasis data tidak melanggar kebebasan sipil dan hak asasi manusia. Organisasi merasa bahwa membangun AI yang bertanggung jawab merupakan sebuah tantangan, tetapi tetap kompetitif di bidang AI yang berkembang pesat.
Kesulitan teknis
Pelatihan AI dengan machine learning menghabiskan banyak sumber daya. Ambang batas daya pemrosesan yang tinggi sangat penting agar teknologi deep learning dapat berfungsi. Anda harus memiliki infrastruktur komputasi yang kuat untuk menjalankan aplikasi AI dan melatih model Anda. Daya pemrosesan bisa jadi mahal dan membatasi skalabilitas sistem AI Anda.
Bagaimana AWS dapat mendukung kebutuhan kecerdasan buatan Anda?
AWS membuat AI dapat diakses oleh lebih banyak orang, mulai dari pembangun dan ilmuwan data hingga analis bisnis dan mahasiswa. Dengan rangkaian layanan, alat, dan sumber daya AI yang paling komprehensif, AWS menghadirkan keahlian mendalam kepada lebih dari 100.000 pelanggan untuk memenuhi tuntutan bisnis mereka dan membuka nilai data mereka. Pelanggan dapat membangun dan menskalakan dengan AWS berdasarkan privasi, keamanan end-to-end, dan tata kelola AI untuk melakukan transformasi pada tingkat yang belum pernah dicapai sebelumnya. AI di AWS mencakup layanan AI yang dilatih sebelumnya untuk kecerdasan siap pakai dan infrastruktur AI untuk memaksimalkan performa dan menurunkan biaya.