Istilah Artificial Intelligence, Machine Learning, Deep Learning, dan Generative AI sering muncul dalam berita, media sosial, seminar, serta percakapan di tempat kerja. Masalahnya, keempat istilah tersebut kerap dipakai seolah-olah memiliki arti yang sama. Padahal, masing-masing mempunyai cakupan, cara kerja, dan tujuan yang berbeda. Memahami perbedaannya penting agar kita tidak hanya mengikuti tren, tetapi juga mampu menggunakan teknologi tersebut secara tepat.
Cara paling mudah memahami hubungan keempat istilah itu adalah dengan membayangkan sebuah lingkaran besar yang berisi beberapa lingkaran lebih kecil. Artificial Intelligence atau AI merupakan lingkaran paling besar. Di dalam AI terdapat Machine Learning. Di dalam Machine Learning terdapat Deep Learning. Sementara itu, banyak sistem Generative AI modern dibangun menggunakan Deep Learning. Artinya, teknologi-teknologi tersebut saling berhubungan, tetapi tidak identik.
Artificial Intelligence atau kecerdasan buatan adalah bidang teknologi yang bertujuan membuat mesin mampu melakukan tugas yang biasanya memerlukan kecerdasan manusia. Tugas tersebut dapat berupa memahami bahasa, mengenali gambar, merencanakan tindakan, memecahkan masalah, memberikan rekomendasi, dan mengambil keputusan berdasarkan informasi yang tersedia. AI adalah istilah umum yang mencakup berbagai pendekatan dan metode.
Meskipun disebut kecerdasan buatan, AI tidak memiliki kecerdasan seperti manusia. AI tidak mempunyai kesadaran, perasaan, pengalaman hidup, atau pertimbangan moral. Sistem AI bekerja dengan mengikuti aturan, melakukan perhitungan, atau mempelajari pola dari data. Ketika AI memberikan jawaban yang terlihat cerdas, hasil tersebut muncul dari proses komputasi, bukan dari pemahaman dan kesadaran seperti yang dimiliki manusia.
Tidak semua sistem AI harus belajar dari data. Pada masa awal perkembangannya, banyak AI dibuat menggunakan aturan yang ditulis langsung oleh manusia. Contohnya adalah sistem pakar yang menggunakan pola “jika kondisi tertentu terjadi, lakukan tindakan tertentu”. Program permainan catur klasik juga dapat menggunakan aturan dan strategi yang telah dirancang sebelumnya. Sistem semacam ini termasuk AI, tetapi belum tentu menggunakan Machine Learning.
Machine Learning atau pembelajaran mesin adalah bagian dari AI yang memungkinkan komputer mempelajari pola dari data. Dalam pemrograman biasa, manusia menuliskan aturan secara rinci agar komputer mengetahui apa yang harus dilakukan. Dalam Machine Learning, manusia memberikan data dan tujuan, lalu sistem mencari pola yang dapat digunakan untuk menghasilkan prediksi atau keputusan.
Hubungan antara AI dan Machine Learning dapat dipahami melalui perumpamaan kendaraan dan mobil. Kendaraan adalah kategori besar, sedangkan mobil adalah salah satu jenis kendaraan. Demikian pula, AI adalah bidang yang luas, sedangkan Machine Learning merupakan salah satu cara untuk membangun AI. Semua Machine Learning termasuk AI, tetapi tidak semua AI menggunakan Machine Learning.
Bayangkan kita ingin membuat sistem yang dapat membedakan email biasa dan email spam. Dalam pendekatan tradisional, programmer harus menuliskan aturan, misalnya email yang mengandung kata tertentu atau terlalu banyak tautan dianggap spam. Dalam Machine Learning, sistem diberikan ribuan contoh email yang sudah diberi label. Sistem kemudian mempelajari pola yang sering muncul pada email spam dan menggunakan pola tersebut untuk menilai email baru.
Karena Machine Learning belajar dari data, kualitas data menjadi sangat penting. Data yang salah, tidak lengkap, atau berat sebelah dapat menghasilkan model yang buruk. Jumlah data yang besar juga tidak selalu menjamin hasil yang baik. Dalam praktik, data yang relevan, bersih, beragam, dan mewakili kondisi nyata jauh lebih berharga daripada sekadar data dalam jumlah banyak.
Salah satu pendekatan dalam Machine Learning adalah supervised learning atau pembelajaran terawasi. Pada pendekatan ini, sistem belajar dari data yang sudah memiliki jawaban. Misalnya, data rumah dilengkapi dengan informasi harga jualnya. Model mempelajari hubungan antara luas rumah, lokasi, jumlah kamar, dan harga, lalu digunakan untuk memperkirakan harga rumah lain.
Pendekatan lainnya adalah unsupervised learning atau pembelajaran tanpa pengawasan. Dalam metode ini, data tidak dilengkapi dengan jawaban yang telah ditentukan. Sistem diminta mencari pola atau kelompok secara mandiri. Contohnya, perusahaan dapat menggunakan metode ini untuk mengelompokkan pelanggan berdasarkan kebiasaan belanja tanpa menentukan kelompok tersebut sejak awal.
Ada pula reinforcement learning atau pembelajaran penguatan. Dalam pendekatan ini, sistem belajar melalui proses mencoba, menerima hasil, lalu memperbaiki tindakannya. Sistem memperoleh penghargaan ketika melakukan tindakan yang benar dan menerima hukuman atau nilai rendah ketika melakukan kesalahan. Metode ini sering digunakan dalam permainan, robotika, pengendalian mesin, dan optimasi keputusan.
Deep Learning atau pembelajaran mendalam adalah bagian dari Machine Learning yang menggunakan jaringan saraf tiruan dengan banyak lapisan. Kata “deep” mengacu pada banyaknya lapisan pemrosesan di dalam jaringan tersebut. Setiap lapisan membantu sistem mengenali pola dari tingkat sederhana hingga tingkat yang lebih kompleks.
Jaringan saraf tiruan terinspirasi secara sederhana dari cara sel saraf pada otak saling terhubung. Namun, jaringan saraf buatan tidak sama dengan otak manusia. Sistem ini terdiri atas unit-unit matematis yang menerima masukan, melakukan perhitungan, dan mengirimkan hasil ke bagian berikutnya. Melalui proses pelatihan, hubungan antarunit tersebut disesuaikan agar kesalahan model semakin kecil.
Kekuatan Deep Learning terlihat pada pengolahan data yang kompleks, seperti gambar, suara, video, dan bahasa. Dalam pengenalan gambar, lapisan awal dapat mempelajari garis dan warna. Lapisan berikutnya dapat mengenali bentuk, tekstur, atau bagian objek. Lapisan yang lebih dalam kemudian dapat mengenali objek secara keseluruhan, seperti wajah, kendaraan, hewan, atau bangunan.
Perbedaan praktis antara Machine Learning biasa dan Deep Learning terletak pada cara sistem mengenali ciri penting. Pada banyak metode Machine Learning tradisional, manusia perlu menentukan ciri yang akan digunakan, misalnya usia, pendapatan, atau jumlah transaksi. Dalam Deep Learning, sistem dapat mempelajari sendiri ciri-ciri penting dari data mentah. Kemampuan ini sangat membantu ketika pola di dalam data terlalu rumit untuk dirancang secara manual.
Namun, Deep Learning juga memiliki kebutuhan yang lebih besar. Modelnya biasanya memerlukan banyak data, komputer dengan kemampuan tinggi, waktu pelatihan yang panjang, dan energi yang lebih banyak. Selain itu, hasil keputusan model Deep Learning sering lebih sulit dijelaskan. Oleh karena itu, Deep Learning bukan selalu pilihan terbaik untuk setiap masalah.
Generative AI atau AI generatif adalah teknologi yang dapat menghasilkan konten baru. Konten tersebut dapat berupa teks, gambar, musik, suara, video, presentasi, desain, atau kode program. Berbeda dari sistem yang hanya mengelompokkan atau memprediksi, Generative AI membuat keluaran baru berdasarkan pola yang telah dipelajari dari data pelatihan.
Hubungan Generative AI dengan istilah sebelumnya dapat dijelaskan secara bertingkat. Generative AI merupakan salah satu bentuk aplikasi AI. Banyak Generative AI dikembangkan menggunakan Machine Learning. Sebagian besar sistem Generative AI modern menggunakan Deep Learning karena teknologi ini mampu mempelajari pola yang sangat kompleks dalam teks, gambar, suara, dan bentuk data lainnya.
Pada model bahasa generatif, teks dipecah menjadi bagian-bagian kecil yang disebut token. Model mempelajari hubungan antar-token dari banyak contoh teks. Ketika pengguna memberikan pertanyaan, model memperkirakan token yang paling sesuai untuk muncul berikutnya. Proses tersebut dilakukan berulang kali hingga terbentuk kalimat, paragraf, atau jawaban yang lengkap.
Pada sistem pembuat gambar, model mempelajari hubungan antara teks, bentuk, warna, objek, dan komposisi visual. Ketika pengguna memberikan perintah, sistem membuat gambar berdasarkan pola yang telah dipelajari. Prinsip serupa digunakan dalam pembuatan musik, suara, animasi, dan video. Sistem tidak berimajinasi seperti manusia, tetapi menyusun keluaran berdasarkan representasi matematis.
Perbedaan utama antara AI prediktif dan Generative AI terletak pada jenis keluarannya. AI prediktif biasanya memberikan kelas, skor, atau perkiraan, seperti “transaksi ini berisiko”, “pelanggan ini kemungkinan membeli”, atau “gambar ini berisi kucing”. Generative AI menghasilkan konten, seperti laporan, ilustrasi, rangkuman, dialog, desain, atau kode program.
Dalam sebuah perusahaan, keempat teknologi tersebut dapat digunakan secara bersamaan. AI menjadi konsep besar untuk meningkatkan proses bisnis. Machine Learning digunakan untuk memprediksi pelanggan yang berpotensi berhenti berlangganan. Deep Learning digunakan untuk menganalisis percakapan pelanggan dalam jumlah besar. Generative AI kemudian membantu menyusun rancangan jawaban yang dapat diperiksa oleh petugas layanan pelanggan.
Dari sudut pandang praktisi, teknologi harus dipilih berdasarkan masalah yang ingin diselesaikan, bukan berdasarkan popularitasnya. Jika aturan masalah sudah jelas dan jarang berubah, program berbasis aturan mungkin sudah cukup. Jika tersedia data terstruktur dan dibutuhkan prediksi, Machine Learning dapat menjadi pilihan. Jika datanya kompleks, seperti gambar atau suara, Deep Learning mungkin lebih sesuai. Jika dibutuhkan pembuatan konten, Generative AI dapat dipertimbangkan.
Dalam bidang pendidikan, AI dapat digunakan untuk mengatur sistem pembelajaran digital. Machine Learning dapat memperkirakan siswa yang membutuhkan bantuan tambahan. Deep Learning dapat membantu mengenali tulisan tangan atau memproses rekaman suara. Generative AI dapat membuat contoh soal, ringkasan materi, dan simulasi percakapan. Namun, guru tetap perlu memeriksa kualitas, ketepatan, dan kesesuaian hasilnya.
Kesalahan umum yang sering terjadi adalah menganggap semua AI sebagai chatbot. Chatbot generatif memang menjadi salah satu bentuk AI yang populer, tetapi AI jauh lebih luas. Sistem navigasi, deteksi penipuan, rekomendasi film, pengenalan wajah, analisis citra medis, dan pengaturan mesin produksi juga menggunakan AI dengan cara yang berbeda-beda.
Semua sistem tersebut memiliki keterbatasan. Machine Learning dapat menghasilkan keputusan yang tidak tepat jika datanya buruk. Deep Learning dapat sulit dijelaskan dan memerlukan sumber daya besar. Generative AI dapat menghasilkan informasi yang terdengar meyakinkan tetapi sebenarnya keliru. Kesalahan pada Generative AI ini sering disebut halusinasi, sehingga hasilnya tidak boleh langsung dianggap sebagai fakta.
Karena itu, peran manusia tetap sangat penting. Manusia menentukan masalah, memilih data, menetapkan tujuan, mengevaluasi hasil, dan mempertanggungjawabkan dampak penggunaannya. Dalam pekerjaan yang menyangkut kesehatan, hukum, pendidikan, keuangan, dan keselamatan, hasil AI harus diperiksa oleh orang yang memiliki pengetahuan dan kewenangan.
Bagi pemula, proses belajar sebaiknya dimulai dari pemahaman konsep AI secara umum. Setelah itu, pelajari cara kerja data dan Machine Learning, kemudian pahami jaringan saraf dan Deep Learning. Generative AI dapat dipelajari melalui praktik menyusun prompt, mengevaluasi jawaban, memeriksa fakta, dan memahami etika penggunaannya. Pemahaman bertahap lebih bermanfaat daripada sekadar menghafal istilah.
Kesimpulannya, AI adalah bidang besar yang bertujuan membuat mesin melakukan tugas cerdas. Machine Learning adalah bagian dari AI yang belajar dari data. Deep Learning adalah bagian dari Machine Learning yang menggunakan jaringan saraf berlapis. Generative AI adalah teknologi yang menghasilkan konten baru dan umumnya dibangun menggunakan Deep Learning. Dengan memahami hubungan ini, kita dapat melihat teknologi secara lebih jernih, memilih alat yang tepat, dan memanfaatkannya dengan lebih bijak.