Bagian 0–4
Bagian 0–4 dari 71 bagian · Belajar 1
0.Cara membaca dokumen ini
Tujuan dokumen ini adalah menjadi peta konsep, bukan ensiklopedia seluruh riset AI. Bidang AI terlalu luas dan berubah cepat; karena itu sebuah dokumen yang disebut “lengkap” harus dipahami sebagai lengkap secara arsitektural dan terminologis untuk memahami sistem AI modern, sementara rincian matematis setiap algoritma tetap membutuhkan sumber khusus.
Setiap bagian diberi rujukan utama. Istilah yang merupakan istilah industri tetapi bukan standar formal diberi penjelasan bahwa definisinya dapat berbeda antar vendor atau framework.
Prinsip besar
Rujukan utama: Google Machine Learning (Pembelajaran Mesin) Glossary; Transformer paper; NIST AI RMF.
1.Peta besar: AI sampai AI sistem
1.1 AI (Artificial Intelligence)
AI adalah istilah payung untuk sistem komputasi yang melakukan tugas yang biasanya membutuhkan kemampuan seperti persepsi, prediksi, penalaran, bahasa, perencanaan, atau pengambilan keputusan. Tidak semua AI harus menggunakan machine pembelajaran; sistem berbasis aturan, pencarian, dan perencanaan juga termasuk tradisi AI.
Rujukan: NIST AI RMF dan literatur AI klasik.
1.2 AI Klasik / Simbolik
Pendekatan yang merepresentasikan pengetahuan secara eksplisit melalui aturan, logika, simbol, graf, pencarian, dan perencanaan.
Contoh konsep:
| Konsep | Arti |
|---|---|
| Rule-based sistem | Keputusan berdasarkan aturan eksplisit seperti IF ... THEN ... |
| Expert sistem | Sistem berbasis pengetahuan/aturan yang meniru proses keputusan suatu domain |
| pengetahuan representation | Cara merepresentasikan fakta, entitas, relasi, aturan, atau konsep |
| Search | Mencari solusi dalam ruang keadaan |
| Planning | Menentukan rangkaian aksi untuk mencapai tujuan |
| Constraint solving | Mencari assignment yang memenuhi kumpulan constraint |
| pengetahuan graph | Representasi entitas dan relasi dalam bentuk graf |
Pendekatan simbolik masih relevan pada sistem yang memiliki aturan bisnis eksplisit, constraint kuat, atau kebutuhan reasoning yang dapat diaudit.
1.3 Machine Learning (Pembelajaran Mesin)
ML membuat model belajar pola dari data sehingga model dapat melakukan prediksi atau keputusan tanpa setiap aturan harus ditulis secara manual. Google mendefinisikan supervised, unsupervised, self-supervised, dan istilah ML terkait dalam glossary resminya.
Rujukan: https://developers.google.com/machine-learning/glossary
1.4 Deep Learning (Pembelajaran Mendalam)
Deep Learning (Pembelajaran Mendalam) menggunakan jaringan saraf dengan banyak lapisan. Transformer, CNN, dan arsitektur neural lainnya termasuk keluarga deep pembelajaran.
1.5 AI Generatif
AI Generatif menghasilkan artefak baru seperti teks, gambar, audio, video, kode, atau struktur data. AI Generatif tidak identik dengan LLM: model diffusion dapat digunakan untuk gambar/video, sementara speech/audio dapat memakai keluarga model lain.
1.6 AI Application / AI sistem
Produk AI nyata bukan sekadar model. Sistem produksi biasanya terdiri dari model, data, pengambilan, alat, alur kerja/agen, keamanan, observabilitas, penerapan, evaluasi, dan tata kelola.
Rujukan: Google MLOps; Anthropic konteks rekayasa; NIST AI RMF.
2.Jenis pembelajaran Machine Learning (Pembelajaran Mesin)
2.1 Supervised Learning (Pembelajaran Terawasi)
Model dilatih dengan data yang memiliki target/label. Contoh tugas: klasifikasi spam, prediksi harga, prediksi churn, deteksi fraud.
2.2 Unsupervised Learning (Pembelajaran Tanpa Pengawasan)
Model mencari struktur/pola pada data tanpa target eksplisit. Contoh: clustering, dimensionality reduction, anomaly discovery.
2.3 Self-Supervised Learning (Pembelajaran Terawasi)
Target/label dibuat dari data itu sendiri. Banyak model bahasa dan representation pembelajaran menggunakan objective self-supervised, misalnya memprediksi token yang disembunyikan atau token berikutnya sesuai desain model.
2.4 Semi-Supervised Learning (Pembelajaran Terawasi)
Menggabungkan sebagian data berlabel dengan data yang tidak berlabel. Strateginya dapat mencakup pseudo-labeling dan consistency-based pembelajaran.
2.5 Reinforcement Learning (Pembelajaran Penguatan) (RL)
Agen berinteraksi dengan lingkungan dan menerima reward/feedback untuk mempelajari policy yang memilih aksi. RL umum pada kontrol, game, robotika, dan juga menjadi salah satu keluarga teknik yang dapat digunakan dalam post-pelatihan model.
Rujukan utama: Google ML Glossary. https://developers.google.com/machine-learning/glossary
3.tugas ML yang perlu dikenal
| tugas | Pertanyaan utama | Contoh |
|---|---|---|
| Classification | Masuk kelas mana? | fraud / non-fraud |
| Regression | Nilainya berapa? | harga / demand |
| Ranking | Mana yang harus di atas? | search / recommendation |
| Recommendation | Apa yang relevan bagi pengguna? | produk / konten |
| Clustering | Kelompok alaminya apa? | segmentasi pelanggan |
| Anomaly detection | Apa yang menyimpang? | transaksi anomali |
| Forecasting | Apa nilai masa depan? | traffic / penjualan |
| Retrieval | Dokumen/objek mana yang relevan? | search / RAG |
| Generation | Artefak apa yang perlu dibuat? | teks / gambar / audio |
| Detection | Objek/event apa yang ada? | object detection |
| Segmentation | Bagian mana milik objek/kelas tertentu? | image segmentation |
Rujukan: Google ML Glossary; Hugging Face tugas dokumenation.
4.Model: dari model klasik sampai foundation model
4.1 Model klasik / tabular
Model seperti linear/logistic regresi, pohon keputusan, random forest, gradient boosting, dan model statistik tetap penting untuk data terstruktur. Tidak setiap problem bisnis membutuhkan deep pembelajaran atau LLM.
4.2 Neural network
Neural network menggunakan parameter yang dipelajari melalui optimisasi terhadap objective/loss. Arsitekturnya dapat berupa feed-forward network, CNN, resaat ini network, Transformer, atau keluarga arsitektur lain.
4.3 CNN
Convolutional Neural Jaringan dirancang untuk memanfaatkan struktur lokal pada data seperti gambar dan telah lama menjadi arsitektur utama visi komputer.
4.4 RNN / LSTM / GRU
Resaat ini Neural Jaringan memproses data secara berurutan dan LSTM/GRU menambahkan mekanisme untuk menangani dependensi temporal. Keluarga ini penting secara historis untuk sequence modeling, meskipun Transformer menjadi arsitektur dominan pada banyak aplikasi sequence modern.
4.5 Transformer
Transformer diperkenalkan dalam paper Attention Is semua You perlu dan menggunakan attention tanpa recurrence/convolution sebagai komponen sequence utama pada arsitektur yang diperkenalkan paper tersebut. Transformer menjadi fondasi bagi banyak model bahasa dan juga digunakan pada vision serta multimodal sistem.
Rujukan: https://arxiv.org/abs/1706.03762
4.6 Encoder, decoder, encoder-decoder
| Bentuk | Intuisi | Contoh penggunaan |
|---|---|---|
| Encoder-only | Memahami/representasi masukan | classification, embedding |
| Decoder-only | Menghasilkan sequence berdasarkan konteks | autoregressive text generasi |
| Encoder-decoder | masukan dipahami lalu keluaran dihasilkan | translation, seq2seq |
4.7 Foundation Model
Foundation model adalah model dasar yang dilatih pada data berskala besar dan kemudian diadaptasi untuk banyak aplikasi. Adaptasi dapat dilakukan melalui prompting, pengambilan, fine-tuning, atau kombinasi teknik tersebut.
4.8 LLM
LLM adalah model bahasa berskala besar. Banyak LLM generatif modern bersifat autoregressive dan menghasilkan token berikutnya berdasarkan konteks sebelumnya, tetapi istilah LLM tidak berarti semua model bahasa harus memakai objective yang identik.
4.9 SLM
Small Language Model adalah label praktis untuk model bahasa dengan ukuran lebih kecil dibanding model frontier/large-scale. Keuntungan yang dicari biasanya biaya, latensi, atau kemampuan menjalankan model pada sumber daya terbatas.
4.10 VLM / Vision-Language Model
Model yang menghubungkan informasi visual dengan bahasa; dapat menerima gambar dan teks, lalu menghasilkan teks atau keluaran multimodal lain sesuai arsitektur.
4.11 Multimodal model
Model/sistem yang mengolah lebih dari satu modalitas, misalnya teks + gambar, audio + teks, atau video + audio + teks.
4.12 Embedding model
Model embedding memetakan data menjadi vektor numerik yang dapat dipakai untuk pencarian kemiripan, clustering, pengambilan, recommendation, atau representasi fitur.
Rujukan umum: Hugging Face dokumenation dan tugas dokumenation. https://huggingface.co/docs