Pengantar Kecerdasan Buatan Generatif

Ringkasan Penjelasan tentang AI, Pembelajaran Mesin, Pembelajaran Mendalam, dan AI Generatif dalam Bisnis dan Pendidikan

Faisal Kalota· Education sciences· 2024· DOI 10.3390/educsci14020172

Masalah inti

Banyak pendidik dan profesional di berbagai industri mungkin belum familiar dengan konsep dasar kecerdasan buatan (AI) dan kecerdasan buatan generatif (Gen-AI). Makalah penjelasan ini mengatasi kesenjangan tersebut dengan memperkenalkan gagasan-gagasan fundamental yang membuat AI generatif dapat dipahami oleh non-spesialis. Tujuan makalah ini bukan untuk mengajukan model empiris baru, melainkan untuk menyediakan pengantar konseptual. Ini dimulai dengan konsep-konsep dasar—kecerdasan buatan, pembelajaran mesin, pembelajaran mendalam, jaringan saraf tiruan, dan model bahasa besar (LLM)—sebelum beralih ke aplikasi dan implikasi untuk bisnis dan pendidikan. Terakhir, makalah ini mengkaji tantangan-tantangan terkini yang terkait dengan AI generatif. Rasionalnya adalah bahwa literasi AI semakin diperlukan untuk pengambilan keputusan yang terinformasi, desain pedagogis, dan praktik profesional. Dengan mengurutkan definisi dan konteks, makalah ini membantu pembaca melihat bagaimana AI generatif berada dalam lanskap teknis dan sosial yang lebih luas.

Hasil dari sintesis penjelasan ini adalah konsep-konsep yang diperjelas dan implikasinya. Kecerdasan buatan adalah bidang luas sistem yang melakukan tugas-tugas yang terkait dengan kecerdasan manusia. Pembelajaran mesin adalah bagian di mana model mempelajari pola dari data daripada diprogram secara eksplisit. Pembelajaran mendalam menggunakan jaringan saraf tiruan multi-lapisan untuk mempelajari representasi hierarkis. Neuron tiruan dasar dapat direpresentasikan sebagai z = i = 1 \sum n w_{i} x_{i} + b dan a = σ (z), di mana w_{i} adalah bobot, x_{i} adalah masukan, b adalah bias, dan σ adalah fungsi aktivasi. Model bahasa besar memperluas ide-ide ini ke korpora teks masif, seringkali menggunakan arsitektur transformer dan estimasi probabilitas token berikutnya seperti P (w_{t} ∣ w_{< t}) = \frac{exp ( s _{w} )}{\sum _{w^{'}} exp ( s _{w^{'}} )} . AI generatif kemudian menggunakan model-model tersebut untuk membuat teks, gambar, kode, atau konten lainnya. Makalah ini mencatat aplikasi dan implikasi dalam bisnis dan pendidikan. Dalam bisnis, AI generatif dapat mendukung pembuatan konten, layanan pelanggan, analisis, dan otomatisasi. Dalam pendidikan, ini dapat mendukung bimbingan be

Banyak pendidik dan profesional di berbagai industri mungkin belum familiar dengan konsep dasar kecerdasan buatan (AI) dan kecerdasan buatan generatif (Gen-AI). Makalah penjelasan ini mengatasi kesenjangan tersebut dengan memperkenalkan gagasan-gagasan fundamental yang membuat AI generatif dapat dipahami oleh non-spesialis. Tujuan makalah ini bukan untuk mengajukan model empiris baru, melainkan untuk menyediakan pengantar konseptual. Ini dimulai dengan konsep-konsep dasar—kecerdasan buatan, pembelajaran mesin, pembelajaran mendalam, jaringan saraf tiruan, dan model bahasa besar (LLM)—sebelum beralih ke aplikasi dan implikasi untuk bisnis dan pendidikan. Terakhir, makalah ini mengkaji tantangan-tantangan terkini yang terkait dengan AI generatif. Rasionalnya adalah bahwa literasi AI semakin diperlukan untuk pengambilan keputusan yang terinformasi, desain pedagogis, dan praktik profesional. Dengan mengurutkan definisi dan konteks, makalah ini membantu pembaca melihat bagaimana AI generatif berada dalam lanskap teknis dan sosial yang lebih luas.

Makalah ini mengadopsi pendekatan penjelasan dan konseptual, bukan desain eksperimental atau berbasis survei. Metodenya bersifat definisional dan sintesis: pertama-tama memperkenalkan blok bangunan AI, kemudian membahas aplikasi dan implikasi, dan diakhiri dengan tantangan. Struktur ini terlihat dalam urutan yang disebutkan di abstrak: (1) konsep-konsep dasar, termasuk AI, pembelajaran mesin, pembelajaran mendalam, jaringan saraf tiruan, dan LLM; (2) aplikasi dan implikasi untuk bisnis dan pendidikan; dan (3) tantangan-tantangan terkini. Secara konseptual, hierarki dapat dinyatakan sebagai AI \supset ML \supset DL dengan AI generatif dan LLM muncul dari arsitektur pembelajaran mendalam dan jaringan saraf. Alur sederhana peta konseptual pengantar ini ditunjukkan di bawah.

Analisis dan diskusi berpusat pada tantangan dan implikasi AI generatif. Makalah ini mengidentifikasi tantangan-tantangan terkini yang menyertai penyebaran teknologi ini. Ini termasuk ketidakakuratan faktual dan halusinasi, di mana konten yang dihasilkan tampak masuk akal tetapi salah; kekhawatiran bias dan keadilan yang muncul dari data pelatihan dan desain model; risiko privasi dan keamanan ketika data sensitif dimasukkan ke dalam sistem AI; dan masalah etika seputar kepengarangan, transparansi, dan akuntabilitas. Dalam pendidikan, diskusi ini menyiratkan bahwa pendidik harus memikirkan kembali penilaian, mengajarkan literasi AI kritis, dan menetapkan kebijakan untuk penggunaan yang dapat diterima. Dalam bisnis, organisasi memerlukan tata kelola, tinjauan oleh manusia (human-in-the-loop), dan manajemen risiko daripada adopsi tanpa kritik. Sifat penjelasan makalah ini juga menunjukkan keterbatasan: sebagai pengantar, ini tidak dapat memberikan detail teknis yang lengkap atau validasi empiris, dan lanskap Gen-AI yang bergerak cepat dapat melampaui pengantar statis apa pun. Meskipun demikian, analisis ini mendukung kesimpulan utama—memahami konsep dasar AI adalah prasyarat untuk penggunaan yang bertanggung jawab. Bagi pendidik dan profesional, pelajaran praktisnya adalah membangun kefasihan konseptual, mengevaluasi aplikasi berdasarkan tujuan dan nilai lokal, dan tetap waspada terhadap risiko sosial dan teknis.

Praktisi dan peneliti ilmu komputer

Membuka konten member…