Mengapa Masa Depan Kecerdasan Buatan dalam Hibrida?

Selama beberapa minggu terakhir, banyaknya produk dan kemampuan AI generatif baru – mulai dari ChatGPT hingga Bard dan berbagai variasi dari produk dan kemampuan lainnya yang dibangun berdasarkan model bahasa besar (LLM) – telah menciptakan siklus hype yang berlebihan. Namun, banyak yang berpendapat bahwa model umum ini tidak cocok untuk digunakan di perusahaan. Sebagian besar mesin AI menunjukkan tanda-tanda kesulitan saat diberi tugas khusus niche atau domain. Mungkinkah AI hybrid menjadi jawabannya?

Apa yang Kami Maksud dengan Kecerdasan Buatan Hibrid (AI Hibrid)

AI Hibrid adalah perluasan atau penyempurnaan model AI menggunakan pembelajaran mesin, pembelajaran mendalam, dan jaringan saraf bersama dengan keahlian manusia untuk mengembangkan model AI spesifik kasus penggunaan dengan akurasi atau potensi prediksi terbesar.

Munculnya AI hibrida mengatasi banyak permasalahan yang signifikan dan sah. Lebih dari sekedar model AI yang dibangun pada kumpulan data besar diperlukan dalam berbagai skenario atau domain untuk mendapatkan manfaat maksimal atau penciptaan nilai aktual. Misalnya, ChatGPT diminta untuk menulis laporan ekonomi yang panjang dan rinci.

Mengadopsi atau menyempurnakan model dengan pengetahuan khusus domain dapat menjadi cara paling efektif untuk mencapai probabilitas perkiraan yang tinggi. AI Hibrid menggabungkan aspek terbaik dari jaringan saraf (pembentuk pola dan koneksi) dan AI simbolik (penghasil fakta dan data) untuk mencapai hal ini.

AI Simbolik: Bagian Penting dari AI Hibrid

LLM saat ini memiliki beberapa kelemahan, termasuk kinerja yang tidak memadai dalam tugas-tugas matematika, kecenderungan untuk menciptakan data, dan kegagalan untuk mengartikulasikan bagaimana model memberikan hasil. Semua masalah ini merupakan ciri khas jaringan saraf “koneksionis”, yang bergantung pada gagasan tentang cara kerja otak manusia.

Masalah-masalah ini merupakan ciri khas dari jaringan saraf “koneksionis”, yang bergantung pada gagasan tentang cara kerja otak manusia.

AI klasik juga disebut sebagai AI simbolik. Ia berupaya untuk secara jelas mengungkapkan pengetahuan manusia dalam bentuk deklaratif, seperti aturan dan fakta yang diinterpretasikan dari masukan “simbol”. Ini adalah cabang AI yang mencoba menghubungkan fakta dan peristiwa menggunakan aturan logis.

Dari pertengahan 1950-an hingga akhir 1980-an, studi tentang AI simbolik menunjukkan aktivitas yang cukup besar.

Pada tahun 1960an dan 1970an, kemajuan teknologi menginspirasi para peneliti untuk menyelidiki hubungan antara mesin dan alam. Mereka percaya bahwa teknik simbolik pada akhirnya akan menghasilkan mesin yang cerdas, yang dipandang sebagai tujuan jangka panjang disiplin ilmu mereka.

Dalam konteks ini, John Haugeland menciptakan “kecerdasan buatan kuno yang baik” atau “GOFAI” dalam bukunya tahun 1985, Artificial Intelligence: The Very Idea.

Metode GOFAI paling cocok untuk masalah inert dan jauh dari cocok untuk masalah dinamis real-time. Ia lebih menyukai definisi terbatas tentang kecerdasan sebagai penalaran abstrak, sedangkan jaringan syaraf tiruan memprioritaskan pengenalan pola. Oleh karena itu, metode “koneksionis” atau non-simbolis belakangan ini semakin menonjol.

Bagaimana Cara Kerja AI Non-Simbolis?

Asal usul kecerdasan buatan non-simbolis adalah upaya untuk mensimulasikan otak manusia dan jaringan koneksi sarafnya yang rumit.

Untuk menemukan solusi terhadap masalah, sistem AI non-simbolis menahan diri untuk tidak memanipulasi representasi simbolik. Sebaliknya, mereka melakukan perhitungan berdasarkan prinsip-prinsip yang telah terbukti secara empiris dalam memecahkan masalah tanpa terlebih dahulu memahami secara tepat bagaimana cara mencapai suatu solusi.

Jaringan saraf dan pembelajaran mendalam adalah dua contoh AI non-simbolis. AI non-simbolis juga dikenal sebagai “AI koneksionis,” beberapa aplikasi kecerdasan buatan saat ini didasarkan pada metodologi ini, termasuk mesin transisi otomatis Google (yang mencari pola) dan program pengenalan wajah Facebook.

Masukkan AI Hibrid

Dalam konteks kecerdasan buatan hibrid, AI simbolik berfungsi sebagai “pemasok” AI non-simbolis, yang menangani tugas sebenarnya. AI Simbolik menawarkan data pelatihan terkait dari sudut pandang ini ke AI non-simbolis. Pada gilirannya, informasi yang disampaikan oleh AI simbolik ini didukung oleh manusia – misalnya, para veteran industri, pakar di bidangnya, pekerja terampil, dan mereka yang memiliki pengetahuan suku yang tidak terkodekan.

Pencarian web adalah penggunaan AI hybrid yang populer. Jika pengguna memasukkan “1 GBP ke USD”, mesin pencari mendeteksi tantangan konversi mata uang (AI simbolik). Ia menggunakan widget untuk melakukan konversi sebelum menggunakan pembelajaran mesin untuk mengambil, memposisikan, dan menampilkan hasil web (AI non-simbolis). Ini adalah contoh mendasar, namun ini menggambarkan bagaimana AI hybrid akan bekerja jika diterapkan pada masalah yang lebih kompleks.

Menurut David Cox, direktur MIT-IBM Watson AI Lab, pembelajaran mendalam dan jaringan saraf berkembang pesat di tengah “kekacauan dunia”, sedangkan AI simbolis tidak. Namun, seperti disebutkan sebelumnya, jaringan saraf dan pembelajaran mendalam memiliki keterbatasan. Selain itu, mereka rentan terhadap kejadian yang tidak bersahabat, yang disebut sebagai data permusuhan, yang dapat memengaruhi perilaku model AI dengan cara yang tidak dapat diprediksi dan mungkin merusak.

Namun, jika digabungkan, AI simbolik dan jaringan saraf dapat menjadi landasan yang kokoh bagi pengembangan AI perusahaan.

Mengapa Menggunakan AI Hibrid di Lingkungan Perusahaan?

Masalah bisnis dengan data yang tidak mencukupi untuk melatih jaringan saraf yang luas atau ketika pembelajaran mesin standar tidak dapat menangani semua kasus ekstrem adalah kandidat yang tepat untuk menerapkan AI hibrid. Ketika solusi jaringan saraf dapat menyebabkan diskriminasi, kurangnya pengungkapan penuh, atau kekhawatiran terkait overfitting, AI hibrid mungkin bisa membantu (misalnya, melatih begitu banyak data sehingga AI kesulitan dalam skenario dunia nyata).

Contoh utamanya adalah inisiatif AI yang dilakukan oleh Fast Data Science, sebuah perusahaan konsultan AI. Tujuannya adalah untuk menilai potensi bahaya dari uji klinis.

Pengguna mengirimkan dokumen PDF yang merinci rencana melakukan uji klinis ke platform. Model pembelajaran mesin dapat mengidentifikasi karakteristik uji coba penting seperti lokasi, durasi, jumlah subjek, dan variabel statistik. Keluaran model pembelajaran mesin akan dimasukkan ke dalam model risiko yang dibuat secara manual. Model simbolis ini mengubah parameter tersebut menjadi nilai risiko, yang kemudian muncul sebagai lampu lalu lintas yang memberi sinyal risiko tinggi, sedang, atau rendah kepada pengguna.

Kecerdasan manusia sangat penting untuk menentukan aturan yang masuk akal dan logis untuk mengubah data protokol menjadi nilai risiko.

Ilustrasi kedua adalah mesin pencari Google. Ini adalah sistem AI yang canggih dan mencakup segalanya yang terdiri dari alat pembelajaran mendalam yang revolusioner seperti transformator dan mekanisme manipulasi simbol seperti grafik pengetahuan.

Apa Tantangannya?

Tidak ada teknik atau kombinasi teknik yang dapat menyelesaikan setiap masalah dengan baik; oleh karena itu, perlu dipahami kemampuan dan keterbatasannya. AI Hibrid bukanlah sebuah solusi ajaib, dan baik AI simbolik maupun non-simbolis akan terus menjadi teknologi yang ampuh. Fakta bahwa pemahaman ahli dan konteks dari kehidupan sehari-hari jarang dapat dibaca oleh mesin juga merupakan hambatan lain. Mengkodekan keahlian manusia ke dalam kumpulan data pelatihan AI menimbulkan masalah lain.

Sebagian besar organisasi gagal untuk sepenuhnya mengenali hambatan kognitif, komputasi, keluaran karbon, dan finansial yang muncul karena menempatkan dunia yang kita jalani ke dalam konteks yang dapat dipahami oleh AI. Oleh karena itu, jangka waktu penerapan AI dengan cara apa pun mungkin memerlukan waktu lebih lama dari yang diperkirakan.

Jalan lurus

Inisiatif AI terkenal bermasalah; hanya 1 dari 10 pilot dan prototipe yang memberikan hasil produksi yang signifikan.

Bisnis progresif sudah menyadari keterbatasan model AI mode tunggal. Mereka sangat menyadari perlunya teknologi yang serba guna, mampu menggali lebih dalam data yang tersimpan, lebih murah, dan jauh lebih mudah digunakan.

Hybrid AI memberikan solusi untuk beberapa masalah ini, meski tidak semuanya. Karena mengintegrasikan AI dan ML simbolik, pendekatan ini dapat memanfaatkan keunggulan masing-masing pendekatan secara efisien dan tetap dapat dijelaskan, yang merupakan hal penting bagi industri seperti keuangan dan layanan kesehatan.

ML mungkin berfokus pada elemen spesifik suatu masalah yang tidak memerlukan penjelasan, sedangkan AI simbolik akan mengambil keputusan menggunakan jalur yang transparan dan mudah dipahami. Pendekatan hibrida terhadap AI akan semakin lazim seiring berjalannya waktu.