Apa itu AI Generatif?

AI generatif, atau gen AI, adalah jenis AI yang dapat membuat konten dan ide baru, seperti gambar serta video, dan menggunakan kembali hal-hal yang sudah diketahui untuk menyelesaikan masalah baru.

Apa itu Gen AI?

Kecerdasan buatan generatif, juga dikenal sebagai AI generatif atau disingkat gen AI, adalah tipe kecerdasan buatan (AI) yang dapat menciptakan konten dan ide baru, termasuk percakapan, cerita, gambar, video, dan musik. Ia dapat mempelajari bahasa manusia, bahasa pemrograman, seni, kimia, biologi, atau materi pelajaran yang kompleks. Ia menggunakan kembali apa yang diketahuinya untuk memecahkan masalah baru.

Misalnya, AI generatif dapat mempelajari kosakata bahasa Inggris dan membuat puisi dari kata-kata yang diprosesnya.

Organisasi Anda dapat menggunakan AI generatif untuk berbagai tujuan, seperti chatbot, pembuatan media, pengembangan produk, dan desain.

Para pelaku bisnis muda bekerja sama dalam proyek baru

Contoh AI generatif

AI generatif memiliki beberapa kasus penggunaan di seluruh industri

Layanan keuangan

Perusahaan jasa keuangan menggunakan alat bantu AI generatif untuk melayani pelanggan mereka dengan lebih baik sekaligus mengurangi biaya:

  • Lembaga keuangan menggunakan chatbot untuk menghasilkan rekomendasi produk dan menanggapi pertanyaan pelanggan, yang meningkatkan layanan pelanggan secara keseluruhan.
  • Lembaga pemberi pinjaman mempercepat persetujuan pinjaman untuk pasar yang kurang terlayani secara finansial, terutama di negara-negara berkembang.
  • Bank dengan cepat mendeteksi penipuan dalam klaim, kartu kredit, dan pinjaman.
  • Perusahaan investasi menggunakan keunggulan AI generatif untuk memberikan saran keuangan yang aman dan dipersonalisasi kepada klien mereka dengan biaya rendah.

Baca selengkapnya tentang AI Generatif dalam Layanan Keuangan di AWS

Bagan Lingkaran Keuangan

Layanan kesehatan dan ilmu kehidupan

Salah satu kasus penggunaan AI generatif yang paling menjanjikan adalah mempercepat penemuan dan penelitian obat. AI generatif dapat membuat urutan protein baru dengan sifat tertentu untuk merancang antibodi, enzim, vaksin, dan terapi gen.

Perusahaan-perusahaan perawatan kesehatan dan ilmu hayati menggunakan alat bantu AI generatif untuk mendesain sekuens gen sintetis untuk aplikasi biologi sintetis dan rekayasa metabolik. Misalnya, mereka dapat membuat jalur biosintetik baru atau mengoptimalkan ekspresi gen untuk tujuan biomanufaktur.

Alat AI generatif juga membuat data pasien dan layanan kesehatan sintetis. Data ini dapat berguna untuk melatih model AI, mensimulasikan uji klinis, atau mempelajari penyakit langka tanpa akses ke set data dunia nyata yang besar.

Baca selengkapnya tentang AI Generatif dalam Layanan Kesehatan & Ilmu Hayati di AWS

Tangan di sekitar Globe

Otomotif dan Manufaktur

Perusahaan otomotif menggunakan teknologi AI generatif untuk berbagai tujuan, mulai dari teknik hingga pengalaman di dalam kendaraan dan layanan pelanggan. Sebagai contoh, mereka mengoptimalkan desain komponen mekanis untuk mengurangi hambatan dalam desain kendaraan atau mengadaptasi desain asisten pribadi.

Perusahaan otomotif menggunakan alat bantu AI generatif untuk memberikan layanan pelanggan yang lebih baik dengan memberikan respons cepat terhadap pertanyaan pelanggan yang paling umum. AI generatif menciptakan bahan, chip, dan desain bagian baru untuk mengoptimalkan proses manufaktur dan mengurangi biaya.

Kasus penggunaan AI generatif lainnya adalah mensintesis data untuk menguji aplikasi. Hal ini sangat membantu untuk data yang jarang disertakan dalam set data pengujian (seperti cacat atau kasus edge).

Baca selengkapnya tentang AI Generatif untuk Otomotif di AWS

Baca selengkapnya tentang AI Generatif di Manufaktur di AWS

Otomotif dan Manufaktur

Telekomunikasi

Kasus penggunaan AI generatif dalam telekomunikasi berfokus pada penemuan kembali pengalaman pelanggan yang ditentukan oleh interaksi kumulatif pelanggan di semua titik kontak perjalanan pelanggan.

Misalnya, organisasi telekomunikasi dapat menerapkan AI generatif untuk meningkatkan layanan pelanggan dengan agen percakapan seperti manusia secara langsung. Mereka menciptakan kembali hubungan pelanggan dengan asisten penjualan yang dipersonalisasi. Mereka juga mengoptimalkan performa jaringan dengan menganalisis data jaringan untuk merekomendasikan perbaikan. 

Baca selengkapnya tentang AI Generatif untuk Telekomunikasi di AWS

Telekomunikasi

Media dan hiburan

Dari animasi dan skrip hingga film berdurasi penuh, model AI generatif dapat menghasilkan konten baru dengan biaya dan waktu yang lebih sedikit dibandingkan produksi tradisional.

Kasus penggunaan AI generatif lainnya di industri ini meliputi:

  • Artis dapat menambahkan dan meningkatkan album mereka dengan musik yang dihasilkan AI untuk menciptakan pengalaman baru.
  • Organisasi media menggunakan AI generatif untuk meningkatkan pengalaman audiens mereka dengan menawarkan konten dan iklan yang dipersonalisasi untuk meningkatkan pendapatan.
  • Perusahaan game menggunakan AI generatif untuk membuat game baru dan memungkinkan pemain membangun avatar.
Media dan hiburan

Manfaat AI generatif

Menurut Goldman Sachs, AI generatif dapat mendorong peningkatan produk domestik bruto (PDB) global sebesar 7 persen (atau hampir 7 triliun dolar AS) dan meningkatkan pertumbuhan produktivitas sebesar 1,5 poin persentase dalam waktu sepuluh tahun. Selanjutnya, kami akan memaparkan beberapa manfaat AI generatif lainnya.
Algoritma AI generatif dapat mengeksplorasi dan menganalisis data kompleks dengan cara baru, memungkinkan peneliti untuk menemukan tren dan pola baru yang mungkin tidak terlihat. Algoritma ini dapat meringkas konten, menguraikan beberapa jalur solusi, melakukan brainstorming ide, dan membuat dokumentasi terperinci dari catatan penelitian. Inilah sebabnya AI generatif secara drastis meningkatkan penelitian dan inovasi. Misalnya, sistem AI generatif digunakan dalam industri farmasi untuk menghasilkan dan mengoptimalkan urutan protein dan secara signifikan mempercepat penemuan obat.
AI generatif dapat merespons percakapan manusia secara alami dan berfungsi sebagai alat untuk layanan pelanggan dan personalisasi alur kerja pelanggan. Misalnya, Anda dapat menggunakan chatbot yang ditenagai AI, bot suara, dan asisten virtual yang merespons pelanggan dengan lebih akurat untuk resolusi kontak pertama. Chatbot ini dapat meningkatkan keterlibatan pelanggan dengan menyajikan penawaran dan komunikasi yang dikuratori dengan cara yang dipersonalisasi.
Dengan AI generatif, bisnis Anda dapat mengoptimalkan proses bisnis menggunakan machine learning (ML) dan aplikasi AI di semua lini bisnis. Anda dapat menerapkan teknologi di semua lini bisnis, termasuk rekayasa, pemasaran, layanan pelanggan, keuangan, dan penjualan. Misalnya, inilah yang dapat dilakukan AI generatif untuk pengoptimalan: • Ekstrak dan rangkum data dari sumber apa pun untuk fungsi pencarian pengetahuan. • Mengevaluasi dan mengoptimalkan berbagai skenario untuk pengurangan biaya di bidang-bidang seperti pemasaran, periklanan, keuangan, dan logistik. • Hasilkan data sintetis untuk membuat data berlabel untuk pembelajaran yang diawasi dan proses ML lainnya.
Model AI generatif dapat menambah alur kerja karyawan dan bertindak sebagai asisten yang efisien untuk semua orang di organisasi Anda. Model ini dapat melakukan segalanya, mulai dari pencarian hingga penciptaan dengan cara yang mirip manusia. AI generatif dapat meningkatkan produktivitas untuk berbagai jenis pekerja: • Mendukung tugas-tugas kreatif dengan menghasilkan beberapa prototipe berdasarkan input dan kendala tertentu. Ini juga dapat mengoptimalkan desain yang ada berdasarkan umpan balik manusia dan batasan tertentu. • Hasilkan saran kode perangkat lunak baru untuk tugas pengembangan aplikasi. • Mendukung manajemen dengan menghasilkan laporan, ringkasan, dan proyeksi. • Hasilkan skrip penjualan baru, konten email, dan blog untuk tim pemasaran Anda dapat menghemat waktu, mengurangi biaya, dan meningkatkan efisiensi di seluruh organisasi Anda.

Bagaimana teknologi AI generatif berkembang?

Model generatif primitif telah digunakan selama beberapa dekade dalam statistik untuk membantu analisis data numerik. Jaringan neural dan deep learning adalah prekursor terbaru untuk AI generatif modern. Enkoder otomatis variasional yang dikembangkan pada tahun 2013 adalah model generatif mendalam pertama yang dapat menghasilkan gambar dan ucapan yang realistis.

VAE

VAE (variational autoencoders) memperkenalkan kemampuan untuk membuat variasi baru dari beberapa tipe data. Hal ini memicu pesatnya kemunculan model AI generatif lainnya, seperti generative adversarial network (GAN) dan model difusi. Inovasi ini difokuskan pada penghasilan data yang makin menyerupai data nyata, meskipun dibuat secara artifisial.

model AI generatif

Transformator

Pada tahun 2017, pergeseran lebih lanjut dalam penelitian AI terjadi dengan diperkenalkannya transformator. Transformator mengintegrasikan arsitektur enkoder dan dekoder secara lancar dengan mekanisme perhatian. Mereka menyederhanakan proses pelatihan model bahasa dengan efisiensi dan keserbagunaan yang luar biasa. Model-model terkenal seperti GPT muncul sebagai model fondasi yang mampu melakukan prapelatihan pada kumpulan teks mentah yang ekstensif dan menyempurnakan tugas yang beragam.

Transformator mengubah apa yang mungkin dilakukan dalam pemrosesan bahasa alami. Transformator memberdayakan kemampuan generatif untuk tugas-tugas mulai dari menerjemahkan dan meringkas hingga menjawab pertanyaan.

blok AI generatif

Masa depan

Banyak model AI generatif terus membuat langkah signifikan dan berhasil menemukan aplikasi lintas industri. Inovasi terbaru berfokus pada penyempurnaan model untuk bekerja dengan data eksklusif. Para peneliti juga ingin membuat teks, gambar, video, dan ucapan yang makin mirip manusia.

masa depan AI generatif

Bagaimana cara kerja AI generatif?

Seperti kecerdasan buatan lainnya, AI generatif berjalan dengan menggunakan model machine learning—yaitu model sangat besar yang telah dilatih dengan banyak data.

Model fondasi

Model fondasi (FM) adalah model machine learning yang dilatih menggunakan berbagai data umum dan tidak berlabel. Model fondasi mampu melakukan berbagai macam tugas umum.

FM adalah hasil dari kemajuan teknologi terbaru yang telah berkembang selama beberapa dekade. Secara umum, suatu FM menggunakan pola dan hubungan yang dipelajari untuk memprediksi item berikutnya secara berurutan.

Misalnya, dalam pembuatan gambar, sebuah model menganalisis gambar dan menciptakan versi yang lebih tajam dan lebih jelas dari gambar tersebut. Demikian halnya dengan teks, sebuah model memprediksi kata berikutnya dalam rangkaian teks berdasarkan kata-kata sebelumnya dan konteksnya. Lantas, FM memilih kata berikutnya menggunakan teknik distribusi probabilitas.

Model bahasa besar

Model bahasa besar (LLM) adalah salah satu kelas FM. Misalnya, model generative pre-trained transformer (GPT) dari OpenAI adalah LLM. LLM secara khusus berfokus pada tugas-tugas berbasis bahasa seperti ringkasan, pembuatan teks, klasifikasi, percakapan terbuka, dan ekstraksi informasi.

Baca tentang GPT »

Keistimewaan LLM terletak pada kemampuannya untuk menjalankan berbagai tugas. LLM mampu melakukan hal tersebut karena memiliki banyak parameter yang memungkinkannya mempelajari konsep-konsep lanjutan.

LLM seperti GPT-3 dapat mempertimbangkan miliaran parameter dan mampu menghasilkan konten dari input yang sangat sedikit. Melalui paparan pra-pelatihan terhadap data berskala internet dalam berbagai bentuk dan beragam pola, LLM belajar menerapkan pengetahuannya dalam berbagai konteks.

Bagaimana cara kerja model AI generatif?

Model machine learning tradisional bersifat diskriminatif atau berfokus pada klasifikasi titik data. Model tersebut mencoba untuk menentukan hubungan antara faktor yang diketahui dan tidak diketahui. Misalnya, saat melihat gambar, yaitu data yang diketahui, seperti susunan piksel, garis, warna, dan bentuk, model machine learning tradisional memetakannya ke kata-kata, yaitu faktor yang tidak diketahui. Secara matematis, model bekerja dengan mengidentifikasi persamaan yang secara numerik dapat memetakan faktor yang diketahui dan tidak diketahui sebagai variabel x dan y. Model generatif mengambil satu langkah lebih jauh. Alih-alih memprediksi label yang diberikan beberapa fitur, model generatif mencoba memprediksi fitur yang diberi label tertentu. Secara matematis, pemodelan generatif menghitung probabilitas x dan y yang terjadi bersamaan. Pemodelan generatif mempelajari distribusi fitur data yang berbeda dan hubungannya. Misalnya, model generatif menganalisis gambar hewan untuk merekam variabel, seperti bentuk telinga, bentuk mata, fitur ekor, dan pola kulit yang berbeda. Model generatif mempelajari fitur dan hubungannya untuk memahami seperti apa berbagai rupa hewan secara umum. Mereka kemudian dapat membuat ulang gambar hewan baru yang tidak ada dalam set pelatihan. Selanjutnya, kami memberikan beberapa kategori umum model AI generatif.

Model difusi

Model difusi membuat data baru dengan membuat perubahan acak terkontrol secara iteratif pada sampel data awal. Model difusi memulai dengan data asli dan menambahkan perubahan (noise) halus, yang secara progresif membuatnya menjadi kurang mirip dengan aslinya. Noise ini dikontrol dengan hati-hati untuk memastikan data yang dihasilkan tetap koheren dan realistis.

Setelah menambahkan noise selama beberapa iterasi, model difusi membalikkan proses. Reverse denoising secara bertahap menghilangkan noise untuk menghasilkan sampel data baru yang menyerupai aslinya.

Model difusi

Generative adversarial networks

Generative adversarial network (GAN) adalah model AI generatif lain yang dibangun berdasarkan konsep model difusi.

GAN bekerja dengan melatih dua jaringan neural secara kompetitif. Jaringan pertama, yang dikenal sebagai generator, menghasilkan sampel data palsu dengan menambahkan noise acak. Jaringan kedua, yang disebut diskriminator, mencoba membedakan antara data nyata dan data palsu yang dihasilkan oleh generator. 

Selama pelatihan, generator terus meningkatkan kemampuannya untuk membuat data yang realistis sementara diskriminator menjadi lebih baik dalam membedakan yang nyata dari yang palsu. Proses adversarial ini berlanjut sampai generator menghasilkan data yang begitu meyakinkan sehingga diskriminator tidak dapat membedakannya dari data nyata.

GAN banyak digunakan dalam menghasilkan gambar realistis, transfer gaya, dan tugas augmentasi data.

Generative adversarial networks

Variational autoencoders

Variational autoencoders (VAE) mempelajari representasi data yang ringkas, yang disebut ruang laten. Ruang laten adalah representasi matematis dari data. Anda dapat menganggapnya sebagai kode unik yang merepresentasikan data berdasarkan semua atributnya. Misalnya, jika mempelajari wajah, ruang laten berisi angka yang merepresentasikan bentuk mata, bentuk hidung, tulang pipi, dan telinga.

VAE menggunakan dua jaringan neural, yaitu enkoder dan dekoder. Jaringan neural enkoder memetakan data input ke rata-rata dan varian untuk setiap dimensi ruang laten. Jaringan neural enkoder menghasilkan sampel acak dari distribusi Gaussian (normal). Sampel ini adalah titik di ruang laten dan merepresentasikan versi data input yang dikompresi dan disederhanakan.

Jaringan neural dekoder mengambil titik sampel ini dari ruang laten dan merekonstruksinya kembali menjadi data yang menyerupai input asli. Fungsi matematika digunakan untuk mengukur seberapa cocok data yang direkonstruksi dengan data aslinya.

Variational autoencoders

Model berbasis transformator

Model AI generatif berbasis transformator dibangun di atas konsep enkoder dan dekoder VAE. Model berbasis transformator menambahkan lebih banyak lapisan ke enkoder untuk meningkatkan performa pada tugas berbasis teks, seperti pemahaman, terjemahan, dan penulisan kreatif.

Model berbasis transformator menggunakan mekanisme self-attention. Model tersebut menimbang pentingnya bagian yang berbeda dari urutan input saat memproses setiap elemen dalam urutan.

Fitur utama lainnya adalah bahwa model AI ini menerapkan penyematan kontekstual. Pengenkodean elemen urutan tidak hanya bergantung pada elemen itu sendiri, tetapi juga pada konteksnya dalam urutan.

Bagaimana model berbasis transformator bekerja

Untuk memahami cara kerja model berbasis transformator, bayangkan kalimat sebagai urutan kata.

Self-attention membantu model fokus pada kata-kata yang relevan saat memproses setiap kata. Model generatif berbasis transformator menggunakan beberapa lapisan enkoder yang disebut attention head untuk menangkap berbagai jenis hubungan antara kata. Setiap kepala belajar untuk memperhatikan bagian yang berbeda dari urutan input, memungkinkan model untuk secara bersamaan mempertimbangkan berbagai aspek data.

Setiap lapisan juga menyempurnakan penyematan kontekstual, membuatnya lebih informatif dan menangkap segala sesuatu mulai dari sintaks tata bahasa hingga makna semantik yang kompleks.

Model berbasis transformator

Pelatihan AI generatif untuk pemula

Pelatihan AI generatif dimulai dengan memahami konsep machine learning dasar. Peserta didik juga harus mengeksplorasi jaringan neural dan arsitektur AI. Pengalaman praktis dengan pustaka Python seperti TensorFlow atau PyTorch sangat penting untuk mengimplementasikan dan bereksperimen dengan model yang berbeda. Anda juga harus mempelajari evaluasi model, fine tuning dan rekayasa perintah yang cepat.

Gelar dalam kecerdasan buatan atau machine learning memberikan pelatihan mendalam. Pertimbangkan kursus singkat online dan sertifikasi untuk pengembangan profesional. atihan AI generatif di AWS mencakup sertifikasi oleh pakar AWS tentang topik-topik seperti:

 

Pelatihan AI generatif untuk pemula

Apa saja batasan dari AI generatif?

Terlepas dari kemajuannya, sistem AI generatif terkadang dapat menghasilkan informasi yang tidak akurat atau menyesatkan. Sistem tersebut bergantung pada pola dan data yang digunakan untuk melatihnya dan dapat mencerminkan bias atau ketidakakuratan yang melekat dalam data tersebut. Masalah lain terkait data pelatihan meliputi

Keamanan

Masalah privasi dan keamanan data muncul jika data eksklusif digunakan untuk menyesuaikan model AI generatif. Berbagai upaya harus dilakukan untuk memastikan bahwa alat AI generatif menghasilkan respons yang membatasi akses tidak sah ke data eksklusif. Masalah keamanan juga muncul jika tidak ada akuntabilitas dan transparansi dalam cara model AI membuat keputusan.
Pelajari pendekatan aman untuk AI generatif dengan menggunakan AWS

Kreativitas

Meskipun AI generatif dapat menghasilkan konten kreatif, sering kali konten tersebut kurang memiliki orisinalitas sesungguhnya. Kreativitas AI dibatasi oleh data yang digunakan untuk melatihnya, sehingga output-nya mungkin terasa repetitif atau tidak orisinal. Kreativitas manusia, yang melibatkan pemahaman dan resonansi emosional yang mendalam, tetap sulit untuk sepenuhnya direplikasi oleh AI.

Biaya

Melatih dan menjalankan model AI generatif membutuhkan sumber daya komputasi yang begitu besar. Model AI generatif berbasis cloud lebih mudah diakses dan terjangkau daripada mencoba membangun model baru dari awal.

Keterjelasan

Karena sifatnya yang kompleks dan samar, model AI generatif sering dianggap sebagai kotak hitam. Memahami cara model-model ini menghasilkan output tertentu adalah tantangan tersendiri. Menyempurnakan keterbacaab dan transparansi sangatlah penting untuk meningkatkan kepercayaan serta adopsi.

Apa saja praktik terbaik dalam adopsi AI generatif?

Jika organisasi Anda ingin menerapkan solusi AI generatif, pertimbangkan praktik terbaik berikut untuk meningkatkan upaya Anda.
Memulai adopsi AI generatif dengan pengembangan aplikasi internal adalah cara terbaik, yang berfokus pada optimisasi proses dan produktivitas karyawan. Anda mendapatkan lingkungan yang lebih terkontrol untuk menguji hasil sekaligus membangun keterampilan dan pemahaman teknologi. Anda dapat menguji model secara ekstensif dan bahkan menyesuaikannya pada sumber pengetahuan internal. Dengan cara ini, pelanggan Anda memiliki pengalaman yang jauh lebih baik ketika Anda akhirnya menggunakan model untuk aplikasi eksternal.
Berikan informasi yang jelas tentang semua aplikasi dan output AI generatif sehingga pengguna Anda tahu bahwa mereka berinteraksi dengan AI dan bukan manusia. Misalnya, AI dapat memperkenalkan dirinya sebagai AI, atau hasil pencarian berbasis AI dapat ditandai dan disorot. Dengan begitu, pengguna Anda dapat menggunakan konten dengan cara mereka sendiri. Mereka mungkin juga lebih proaktif dalam menangani ketidakakuratan atau bias tersembunyi yang mungkin dimiliki model yang mendasarinya karena keterbatasan data pelatihan mereka.
Terapkan pagar pembatas sehingga aplikasi AI generatif Anda tidak mengizinkan akses tidak sah yang tidak disengaja ke data sensitif. Libatkan tim keamanan sejak awal sehingga semua aspek dapat dipertimbangkan dari awal. Misalnya, Anda mungkin harus menyembunyikan data dan menghapus informasi pengenal pribadi (PII) sebelum melatih model apa pun pada data internal.
Kembangkan proses pengujian otomatis dan manual untuk memvalidasi hasil, serta uji semua tipe skenario yang mungkin dialami sistem AI generatif. Siapkan grup penguji beta yang berbeda yang menguji coba aplikasi dengan cara yang berbeda dan mendokumentasikan hasil. Model ini juga akan terus meningkat melalui pengujian, dan Anda mendapatkan kontrol lebih besar atas hasil dan respons yang diharapkan.

FAQ

Model pondasi adalah model AI generatif besar yang dilatih pada spektrum luas data teks dan gambar. Mereka mampu melakukan berbagai tugas umum seperti menjawab pertanyaan, menulis esai, dan membuat teks gambar.
AI generatif muncul pada akhir 2010-an dengan kemajuan dalam deep learning, terutama dengan model seperti Generative Adversarial Networks (GAN) dan transformator. Kemajuan dalam komputasi cloud telah membuat AI generatif layak secara komersial dan tersedia sejak 2022.
Kecerdasan buatan adalah konsep yang lebih luas untuk membuat mesin lebih mirip manusia. Ini mencakup segala hal, mulai dari asisten pintar seperti Alexa, chatbot, dan generator gambar hingga penyedot debu robotik dan mobil tanpa pengemudi. AI generatif adalah subset yang menghasilkan konten baru secara bermakna dan cerdas.