bytedaily - Perkembangan kecerdasan buatan (AI) yang pesat turut melahirkan kosakata baru yang terkadang membingungkan. Istilah-istilah seperti LLM, RAG, dan RLHF seringkali muncul dalam diskusi AI, namun tidak semua orang memahaminya. Dilansir dari techcrunch.com, panduan ini bertujuan untuk mengklarifikasi beberapa istilah kunci dalam dunia AI agar lebih mudah dipahami.
Artificial General Intelligence (AGI) merujuk pada AI yang kemampuannya setara atau melampaui manusia dalam berbagai tugas. CEO OpenAI, Sam Altman, pernah menggambarkannya sebagai 'setara dengan manusia rata-rata yang bisa Anda pekerjakan sebagai rekan kerja'. Sementara itu, piagam OpenAI mendefinisikan AGI sebagai 'sistem yang sangat otonom yang mengungguli manusia dalam sebagian besar pekerjaan yang bernilai secara ekonomi'. Google DeepMind memiliki pandangan sedikit berbeda, yaitu AGI sebagai 'AI yang setidaknya sama mampunya dengan manusia dalam sebagian besar tugas kognitif'. Kebingungan mengenai definisi AGI bahkan dialami oleh para ahli di bidang riset AI.
AI Agent adalah alat yang memanfaatkan teknologi AI untuk melakukan serangkaian tugas atas nama pengguna, melampaui kemampuan chatbot AI dasar. Contohnya termasuk mengajukan klaim pengeluaran, memesan tiket, atau bahkan menulis dan memelihara kode. Konsep ini melibatkan sistem otonom yang mungkin menggunakan beberapa sistem AI untuk menyelesaikan tugas bertahap. Namun, definisi 'AI agent' dapat bervariasi antar individu karena ruang lingkupnya yang masih berkembang dan infrastruktur yang terus dibangun.
API Endpoints dapat diibaratkan sebagai 'tombol' pada sebuah perangkat lunak yang dapat ditekan oleh program lain untuk memicu tindakan. Pengembang menggunakan antarmuka ini untuk membuat integrasi, misalnya memungkinkan satu aplikasi mengambil data dari aplikasi lain, atau memungkinkan AI agent mengontrol layanan pihak ketiga secara langsung tanpa intervensi manual. Seiring dengan meningkatnya kapabilitas AI agent, mereka semakin mampu menemukan dan menggunakan API endpoints ini secara mandiri, membuka potensi otomatisasi yang kuat.
Chain-of-Thought Reasoning dalam konteks Large Language Models (LLM) adalah metode pemecahan masalah dengan menguraikannya menjadi langkah-langkah perantara yang lebih kecil. Pendekatan ini, mirip dengan cara manusia menggunakan pena dan kertas untuk menyelesaikan soal matematika yang kompleks, bertujuan untuk meningkatkan kualitas hasil akhir. Meskipun membutuhkan waktu lebih lama untuk mendapatkan jawaban, akurasi jawaban cenderung lebih tinggi, terutama dalam konteks logika atau pemrograman. Model penalaran ini dikembangkan dari LLM tradisional dan dioptimalkan untuk pemikiran 'chain-of-thought' melalui pembelajaran penguatan (reinforcement learning).
Sumber asli: Artikel ini disadur dari publikasi techcrunch.com.
