Menyang kontèn

Kacerdhasan gawéyan

Saka Wikipédia Jawa, bauwarna mardika basa Jawa
Robot ASIMO ngginakaken sensor lan algoritma kacerdhasan gawéyan nalika nedahaken anak tangga sarta ngindhari penghalang.

Kacerdhasan gawéan (basa Inggris: artificial intelligence utawa AI) punika sistem komputer ingkang dipundamel saged nggarap tugas-tugas ingkang asring dipunbutuhaken kemampuan intelektual manungsa, kados ta sinau, pangertosan basa, pamikiran, lan pangraosan. AI dipunwiwiti kaliyan program komputer ingkang saged sinau lan adaptasi, nggunakaken algoritma lan data ingkang akeh kangge ningkataken pangertosanipun. AI dipuntembang-tembangaken kaliyan bidang kados ta machine learning, deep learning, lan neural networks, ingkang sami gadhah peran penting ing kemajengan teknologi AI.

Téknologi AI amba pisan dipun-ginakaken ing sakupénging industri, pamarentahan, miwah ilmu pengetahuan. Sawetawis pamirsa ingkang kathah dipun-remeni inggih punika: mesin pamilarian wéb ingkang canggih (kados ta Google Search), sistem rekomendasi (dipun-ginakaken déning YouTube, Amazon, miwah Netflix), pangertosan basa manungsa (kados ta Google Assistant, Siri, lan Alexa), montor mandiri (kados ta Waymo), piranti kreatif lan generatif ingkang migunakaken kecerdasan buatan (ChatGPT lan seni AI), lan ugi pamainan miwah analisis ingkang luar biasa ing game strategi (kados ta catur lan Go).[1]

Machine Learning

[besut | besut sumber]

Machine learning minangka salah satunggaling aspek penting saking AI, punika proses ingkang dadosaken komputer saged sinau saking data tanpa dipunprogram sacara spesifik. Ing bab punika, komputer migunakaken data ingkang akeh lan algoritma kangge nemtokaken pola lan nggadhahi pangertosan ingkang luwih sae. Proses sinau machine learning dipunwiwiti kaliyan ngumpulaken lan nyiapaken data. Data punika dipunanalisis lan dipunolah ngginakaken algoritma sinau mesin, ingkang saged sinau saking conto-conto lan pengalaman sadèrèngipun. Algoritma punika nganalisis data lan nggadhahi model prediktif utawi deskriptif. Ana rong jinis sinau ing machine learning, inggih punika:

  1. Supervised Learning: Dipunlampahi kanthi ngginakaken data ingkang sampun dipunlabeli, tegesipun sampun wonten jawaban utawi klasifikasi kangge saben conto data. Model sinau mesin sinau nggenepi pola saking data latihan lan saged nggawe prediksi utawi klasifikasi kangge data anyar.
  2. Unsupervised Learning: Proses sinau ingkang ngginakaken data ingkang boten dipunlabeli, lan model sinau mesin kudu nemtokaken struktur utawi pola ingkang tersembunyi saking data kasebut.

Saliyanipun, wonten ugi teknik sinau mesin liyane kados ta reinforcement learning lan semi-supervised learning, ingkang ugi gadhah peranan penting ing pengembangan AI. Teknologi machine learning punika kawentar amargi panggunaanipun ing macem-macem aplikasi, saking pengenal wajah ngantos sistem rekomendasi online.

Model Basa Ageng

[besut | besut sumber]

Model Basa Ageng (LLM) punika model basa skala ageng ingkang kawentar amargi kagunanipun kanggé mangertosi lan ngasilaken basa kanthi umum. LLM dipunwastani gadhah kagunan punika kanthi ngginakaken data ingkang ageng sanget kanggé sinau paramèter ingkang jumlahipun milyaran sajeroning latihan lan ngginakaken sumber daya komputasi ingkang ageng sajeroning latihan lan operasinipun.[2] LLM punika jaringan saraf buatan (utaminipun transformer[3]) lan dipunlatih ngginakaken pembelajaran mandiri lan pembelajaran semi-mandiri. Minangka model basa autoregresif, LLM damel kanthi njupuk teks input lan terus-terusan mbrediksi token utawi tembung sabanjuré.[4] Ngantos taun 2020, finetuning namung cara siji supados model saged diadaptasi kanggé saged nglakoni tugas-tugas tartamtu. Nanging, model kanthi ukuran ageng, kados GPT-3, saged ugi dipun-prompt engineering kanggé nggayuh asil-asil ingkang padha.[5] Pikiripun LLM saged njupuk kawruh babagan sintaksis, semantik, lan "ontologi" ingkang lumrah wonten ing korpora basa manungsa, nanging ugi kaluputan lan prasangka ingkang wonten ing korpora punika.[6]

Pirsani uga

[besut | besut sumber]

Sitiran

[besut | besut sumber]
  1. Google (2016).
  2. "Better Language Models and Their Implications". OpenAI. 2019-02-14. Diarsip saka asliné ing 2020-12-19. Dibukak ing 2019-08-25.
  3. Merritt, Rick (2022-03-25). "What Is a Transformer Model?". NVIDIA Blog (ing basa Inggris Amérika Sarékat). Dibukak ing 2023-07-25.
  4. Bowman, Samuel R. (2023). "Eight Things to Know about Large Language Models". arXiv:2304.00612 [cs.CL].
  5. Brown, Tom B.; Mann, Benjamin; Ryder, Nick; Subbiah, Melanie; Kaplan, Jared; Dhariwal, Prafulla; Neelakantan, Arvind; Shyam, Pranav; Sastry, Girish; Askell, Amanda; Agarwal, Sandhini; Herbert-Voss, Ariel; Krueger, Gretchen; Henighan, Tom; Child, Rewon; Ramesh, Aditya; Ziegler, Daniel M.; Wu, Jeffrey; Winter, Clemens; Hesse, Christopher; Chen, Mark; Sigler, Eric; Litwin, Mateusz; Gray, Scott; Chess, Benjamin; Clark, Jack; Berner, Christopher; McCandlish, Sam; Radford, Alec; Sutskever, Ilya; Amodei, Dario (Dec 2020). Larochelle, H.; Ranzato, M.; Hadsell, R.; Balcan, M.F.; Lin, H. (èd.). "Language Models are Few-Shot Learners" (PDF). Advances in Neural Information Processing Systems. Curran Associates, Inc. 33: 1877–1901.
  6. Manning, Christopher D. (2022). "Human Language Understanding & Reasoning". Daedalus. 151 (2): 127–138. doi:10.1162/daed_a_01905. S2CID 248377870.