Kecerdasan Buatan (AI) sebenarnya sudah lama ada, tapi popularitasnya meroket dalam beberapa bulan terakhir, terutama sejak OpenAI merilis ChatGPT.
Penggunaan ChatGPT dan kompetitornya meningkat pesat. Sayangnya, penyalahgunaannya juga ikut naik. Banyak orang menggunakannya tanpa dasar yang jelas, hanya berdasarkan klaim, asumsi, prasangka, dan harapan yang belum teruji.
Sebagian orang terkejut dan senang karena ChatGPT membantu mereka menciptakan sesuatu yang bernilai, sementara yang lain merasa harapan mereka tidak terpenuhi.
Peluncuran ChatGPT pada November 2022 menjadi “titik balik” penting dalam dunia AI. Setelah momen itu, cara konsumen berinteraksi dengan AI berubah drastis. Antarmuka ChatGPT yang berbasis browser memudahkan siapa saja yang tertarik untuk mencoba teknologi AI ini, sehingga menarik minat yang sangat besar.
Ethan Mollick dalam artikelnya ChatGPT Is a Tipping Point for AI (hbr.org 14 Desember 2022) menyebutkan bahwa semakin kita mengamati, semakin jelas perubahan yang terjadi pada model AI ini dan mengapa ini terasa seperti momen krusial. ChatGPT, yang sekarang bisa diakses oleh siapa saja, telah melewati transisi yang penting.
Apa Itu Titik Kritis? Titik Kritis yang Terungkap
Sebelum “Titik Kritis” ini, penggunaan AI dalam bisnis atau teknologi selalu dibatasi oleh setidaknya satu (dan biasanya dua) faktor utama:
1. Pengembangan solusi perangkat lunak AI
2. Pelatihan model AI
Pada “Titik Kritis” AI, faktor-faktor ini berbalik.
Biaya Implementasi
Biaya untuk mengimplementasikan solusi AI mencakup banyak hal, misalnya:
1. Biaya pengembang: Biaya yang dikeluarkan untuk mendesain, membuat kode, dan menguji solusi. Biaya ini berbeda-beda tergantung pada platform dan lingkungan integrasi yang digunakan. Untungnya, platform dan lingkungan integrasi kini menyediakan lebih banyak fitur bawaan, sehingga kode khusus yang diperlukan jadi lebih sedikit.
2. Biaya platform: Beberapa platform bersifat open source (sumber terbuka), sementara yang lain berbayar (proprietary). Tapi, seperti yang kita tahu, open source tidak selalu berarti gratis.
3. Biaya infrastruktur: Biaya untuk infrastruktur komputasi, baik fisik maupun virtual, juga cukup besar.
4. Waktu pemasaran (time to market): Waktu juga merupakan biaya. Ini mencakup biaya overhead yang harus ditanggung selama solusi dikembangkan. Selain itu, kehilangan peluang pasar juga bisa menimbulkan kerugian yang sangat besar.
5. Pelatihan model: Biaya pelatihan model meliputi biaya lisensi data, biaya infrastruktur, dan biaya tenaga ahli.
Pelatihan Model
Semua solusi Machine Learning (ML) memerlukan pelatihan data yang relevan dengan penggunaan solusi tersebut. Sebelum “Titik Kritis,” pengembang solusi atau personel pelanggan khusus melatih model AI menggunakan data yang berhubungan langsung dengan masalah yang ingin dipecahkan oleh organisasi dengan solusi AI tersebut. Jika platform integrasi AI yang dipilih adalah sebuah produk, proses pengembangan akan melibatkan pelatihan model. Namun, ketersediaan model yang sudah dilatih tergantung pada situasinya.
OpenAI dan vendor platform GenAI lainnya melatih model mereka menggunakan data dalam jumlah besar dari berbagai sumber, tanpa mempertimbangkan kasus penggunaan aplikasi tertentu. Atau, jika mereka memiliki kasus penggunaan referensi, itu adalah kumpulan yang sangat luas.
“Pelatihan awal” model ini dilakukan oleh vendor pada platform AI sebelum dirilis. Misalnya, OpenAI mengatakan mereka melatih GPT menggunakan semua data Wikipedia, yang mencakup jutaan halaman dan ratusan ribu kategori dan tautan. Hasil dari pelatihan awal yang masif ini adalah produk tersebut siap digunakan oleh siapa saja, setidaknya secara teori. Andrew Ng memberikan penjelasan menarik tentang hal ini.
2 Comments