Modul 1 — Modul 1 — Apa Sebenarnya yang Disebut Kecerdasan Buatan

Sepekan terakhir, tiga kejadian yang tidak mirip

Dalam sepekan terakhir, kata kecerdasan buatan mungkin sudah sampai ke telingamu lewat tiga pintu yang sangat berbeda.

Pertama, seorang penjual perangkat lunak datang ke kantor. Ia menawarkan “sistem AI” yang katanya bisa merapikan data pelanggan dan menebak siapa yang akan berhenti berlangganan. Harganya tidak murah, dan atasanmu bertanya pendapatmu.

Kedua, sebuah iklan mesin cuci menyebut “teknologi AI” yang menyesuaikan putaran dengan berat cucian.

Ketiga, sebuah utas di media sosial memperingatkan bahwa AI akan mengambil alih sebagian besar pekerjaan kantoran, lengkap dengan nada panik.

Ketiganya memakai kata yang sama. Tidak satu pun menjelaskan apa yang sebenarnya ada di dalam sistem yang mereka bicarakan. Dan kamu, yang harus memberi pendapat kepada atasan, tidak punya pegangan untuk membedakan mana yang serius, mana yang sekadar tempelan pemasaran.

Ini bukan sekadar rebutan istilah

Godaan pertama saat menghadapi istilah yang kabur adalah menganggapnya urusan bahasa saja. Sayangnya tidak. Dari kaburnya istilah ini lahir keputusan yang berbiaya nyata: menyetujui atau menolak pembelian, mempercayai atau meragukan keluaran sebuah aplikasi, memilih keterampilan yang layak dipelajari tahun ini.

Tanpa definisi yang bisa dipakai bekerja, biasanya hanya tersisa dua reaksi. Reaksi pertama: menolak semuanya sebagai bualan pemasaran. Reaksi kedua: menerima semuanya sebagai keajaiban yang tidak perlu ditanya. Keduanya sama-sama berakhir di titik yang sama, yaitu berhenti bertanya. Dan berhenti bertanya adalah cara tercepat untuk membeli barang yang salah.

Yang kita bangun: definisi kerja, bukan definisi resmi

Di modul ini kita tidak akan berdebat tentang definisi mana yang paling sah. Perdebatan itu ada, sudah lama, dan tidak akan selesai di sini. Yang kita butuhkan berbeda: sebuah definisi kerja. Artinya rumusan yang gunanya bukan untuk dihafal, melainkan untuk dipakai membedah sistem yang ada di depan mata.

Bunyinya begini:

Kecerdasan buatan adalah sistem buatan yang memilih tindakan untuk mencapai tujuan di suatu lingkungan, berdasarkan apa yang berhasil ia tangkap dari lingkungan itu.

Definisi ini mungkin terasa terlalu longgar. Justru di situ kekuatannya. Ia tidak menyuruhmu menebak apakah mesin “berpikir” atau “mengerti” — dua kata yang tidak bisa diuji dan hanya memindahkan kebingungan ke tempat lain. Ia menyuruhmu menunjuk hal-hal yang konkret: mana sistemnya, di mana ia bekerja, apa yang ia terima, dan dengan ukuran apa hasilnya dinilai.

Empat pertanyaan yang akan kamu bawa terus

Sepanjang modul ini, dan sejujurnya sepanjang kelas ini, kamu akan memakai empat pertanyaan yang sama berulang-ulang:

1. Siapa agennya? Bagian mana yang kita sebut sistem, dan mana yang di luarnya?
2. Apa lingkungannya? Di dunia seperti apa sistem itu bekerja, dan apa saja yang bisa berubah di sana?
3. Apa yang benar-benar dipersepsi? Data apa yang sungguh masuk, bukan data yang kita bayangkan masuk?
4. Apa ukuran keberhasilannya, dan milik siapa ukuran itu?

Empat pertanyaan ini kelihatan sederhana. Tetapi dalam praktiknya, sebagian besar penawaran produk gugur di pertanyaan ketiga dan keempat — bukan karena teknologinya buruk, melainkan karena tidak ada seorang pun yang pernah menjawab keduanya dengan jelas.

Peta modul ini

Dua unit berikutnya adalah isi inti. Unit kedua membedah empat unsur tadi satu per satu. Unit ketiga menjawab pertanyaan yang paling sering membuat orang tersesat: apa bedanya kecerdasan buatan, pembelajaran mesin, dan otomasi biasa. Setelah itu kita mengerjakan tiga kasus sampai tuntas, membongkar salah paham yang paling sering muncul, lalu menguji apakah kamu benar-benar bisa memakainya, bukan sekadar mengingatnya.

Satu hal yang perlu kamu siapkan

Sebelum lanjut, pilih satu sistem yang kamu pakai hampir setiap hari dan yang menurutmu mungkin mengandung AI. Aplikasi peta, aplikasi belanja, penyaring pesan penipuan di ponsel, aplikasi presensi di kantor — apa saja, asal kamu memakainya sungguhan. Tulis namanya di catatanmu. Sistem itu akan menjadi bahan latihanmu sendiri, dan di unit terakhir kamu akan diminta membedahnya tanpa bantuan.

Kenapa definisi populer selalu buntu

Definisi yang paling sering beredar berbunyi kurang lebih: AI adalah mesin yang berpikir seperti manusia. Terdengar masuk akal, tetapi tidak bisa dipakai bekerja. Untuk memakainya, kamu harus lebih dulu memastikan apa artinya berpikir, dan tidak ada cara memeriksanya dari luar. Definisi itu memindahkan kebingungan, bukan menyelesaikannya.

Definisi kerja kita mengambil jalan lain: nilai sistem dari apa yang ia lakukan dan bagaimana hasilnya diukur, bukan dari bahan pembuatnya atau dari kesan yang ditimbulkannya. Sistem menerima sesuatu dari lingkungan, memilih tindakan, dan tindakan itu berakibat di lingkungan. Akibatnya dinilai dengan sebuah ukuran. Dari kalimat itu keluar empat unsur yang akan kita pakai seterusnya.

Unsur pertama: agen

Agen adalah bagian yang kita sepakati sebagai sistemnya. Perhatikan kata sepakati. Batas agen bukan fakta alam, melainkan keputusan analisis yang kamu ambil dan harus kamu sebutkan.

Ambil aplikasi penunjuk arah di ponsel. Apakah agennya hanya bagian yang memilih rute? Atau termasuk seluruh aplikasi berikut tampilan petanya? Atau termasuk juga pengendara yang memutuskan menuruti atau mengabaikan saran rute?

Tiga pilihan itu semuanya sah, tetapi menghasilkan analisis berbeda. Kalau pengendara dimasukkan ke dalam agen, kesalahan membaca layar menjadi urusan internal sistem. Kalau pengendara diletakkan di luar, kesalahan itu menjadi bagian dari lingkungan yang harus diantisipasi. Banyak perdebatan tentang “siapa yang salah ketika sistem keliru” sebenarnya adalah perdebatan tentang di mana batas agen ditarik — dan itu jauh lebih mudah diselesaikan kalau batasnya dinyatakan sejak awal.

Agen juga memiliki repertoar tindakan: daftar hal yang sanggup ia lakukan. Aplikasi penunjuk arah bisa menyarankan rute, menghitung ulang, memberi peringatan suara. Ia tidak bisa memindahkan kemacetan. Repertoar yang sempit membatasi seberapa jauh sistem bisa membantu, berapa pun canggihnya isi perutnya.

Unsur kedua: lingkungan

Lingkungan adalah segala hal di luar agen yang memengaruhi hasil, atau yang berubah karena tindakan agen. Untuk aplikasi penunjuk arah: jalanan, kepadatan kendaraan, cuaca, pengguna lain yang juga sedang diberi saran rute yang sama.

Ada tiga sifat lingkungan yang paling sering menentukan sulit atau mudahnya sebuah masalah.

Pertama, teramati sebagian. Sistem hampir tidak pernah melihat seluruh keadaan. Ada gang yang sedang ditutup hajatan dan tidak tercatat di mana pun.

Kedua, berubah sendiri. Keadaan tidak menunggu sistem selesai berpikir. Jalan yang lengang saat rute dihitung bisa padat lima menit kemudian.

Ketiga, ada pihak lain di dalamnya. Kalau ribuan pengguna dialihkan ke jalan alternatif yang sama, jalan itu berhenti menjadi alternatif. Tindakan sistem mengubah lingkungan yang ia amati.

Unsur ketiga: persepsi

Persepsi adalah data yang benar-benar masuk ke sistem. Tekankan kata benar-benar, karena di sinilah jarak terbesar antara bayangan orang dan kenyataan.

Aplikasi penunjuk arah tidak melihat jalan. Ia menerima titik koordinat, kecepatan gerak perangkat, riwayat perjalanan, dan sebagian laporan pengguna lain. Ia tidak tahu ada lubang sedalam lutut, kecuali ada yang melaporkannya. Ia tidak tahu jembatan itu tidak boleh dilewati motor, kecuali informasi itu ada di petanya.

Karena itu berlaku aturan sederhana: kemampuan sistem tidak pernah melampaui apa yang bisa ia persepsi. Ketika sebuah produk dijanjikan bisa menilai sesuatu, pertanyaan pertama bukan “seberapa canggih algoritmanya”, melainkan “dari mana ia tahu”. Kalau data yang dibutuhkan tidak pernah masuk, tidak ada teknik yang bisa menambalnya.

Unsur keempat: ukuran keberhasilan

Ukuran keberhasilan menyatakan apa yang dianggap hasil bagus. Ia tidak muncul dari dalam sistem; ia ditetapkan manusia, dan karena itu selalu bisa ditanyakan: ditetapkan oleh siapa, untuk kepentingan siapa.

Ukuran yang baik memenuhi tiga syarat. Ia bisa dihitung dari kejadian nyata. Ia mengukur akibat tindakan di lingkungan, bukan kesibukan sistem. Dan ia menyebutkan apa yang dikorbankan, karena hampir selalu ada tukar tambah.

Aplikasi penunjuk arah yang mengejar waktu tempuh tersingkat mungkin mengarahkan pengendara motor ke jalan besar yang cepat tetapi menakutkan. Ukurannya tercapai; tujuan penggunanya belum tentu. Jumlah unduhan aplikasi bukan ukuran keberhasilan sistem, itu ukuran keberhasilan pemasaran. Kecepatan server juga bukan, itu ukuran kesibukan mesin.

Cara memakai keempatnya

Ambil sistem apa pun, isi empat kotak: agen, lingkungan, persepsi, ukuran keberhasilan. Kalau ada satu kotak yang tidak bisa kamu isi dengan kalimat konkret, jangan buru-buru menganggap dirimu belum paham. Sering kali kotak kosong itu justru temuan: pihak yang menawarkan sistem pun belum pernah merumuskannya.

Satu pertanyaan yang membedakan semuanya

Orang biasa membedakan AI, pembelajaran mesin, dan otomasi biasa dengan menebak seberapa canggih tampilannya. Cara itu gagal terus. Ada sistem berpenampilan futuristik yang isinya beberapa aturan sederhana, dan ada kotak abu-abu membosankan di gudang yang isinya model hasil pelatihan.

Pembedanya satu pertanyaan: dari mana perilaku sistem berasal?

Otomasi berbasis aturan: perilaku ditulis manusia

Di sini seseorang menuliskan kondisi dan tindakannya. Jika stok kurang dari sepuluh, munculkan peringatan. Jika tagihan lewat tiga hari, kirim pengingat. Jika pesan memuat kata dari daftar terlarang, tahan pesannya.

Ciri-cirinya jelas dan sangat berguna saat menilai penawaran. Perilaku bisa ditelusuri satu per satu; kalau salah, kamu bisa menunjuk baris mana yang keliru. Perilakunya tidak berubah sampai ada orang yang mengubahnya. Dan ia hanya menangani situasi yang sudah terpikirkan saat aturan ditulis — situasi di luar daftar akan diperlakukan sembarangan atau tidak ditangani sama sekali.

Penting dicatat, otomasi berbasis aturan bukan barang rendahan. Untuk banyak kebutuhan kantor, ia lebih murah, lebih cepat, lebih mudah diperiksa, dan lebih mudah dipertanggungjawabkan. Masalahnya bukan pada aturannya, melainkan pada penjual yang menempelkan label AI di atasnya agar harganya naik.

Pembelajaran mesin: perilaku disimpulkan dari data

Di sini manusia tidak menuliskan aturan pemetaannya. Manusia menyiapkan tiga hal: kumpulan contoh, cara mengukur seberapa jauh keluaran meleset, dan prosedur yang menyesuaikan sistem agar kesalahannya mengecil. Aturan pemetaannya disusun sendiri oleh prosedur itu dari contoh yang diberikan.

Misalnya penyaring pesan penipuan di ponsel. Tidak ada yang sanggup menulis daftar lengkap ciri pesan penipuan, karena bentuknya berubah setiap bulan. Yang dilakukan adalah mengumpulkan banyak pesan yang sudah dilabeli penipuan atau bukan, lalu melatih model untuk memisahkannya.

Konsekuensinya berbeda sama sekali dengan aturan tertulis. Perilaku sistem bergantung pada data yang dipakai melatih, termasuk kesalahan dan kepincangan yang ada di data itu. Perilakunya bisa berubah setelah pelatihan ulang, tanpa seorang pun menyunting satu baris aturan. Dan tidak selalu ada penjelasan ringkas untuk satu keputusan tertentu; menelusurinya butuh usaha tersendiri.

Tiga uji pembeda yang bisa kamu pakai besok

Saat menghadapi penawaran, tiga pertanyaan ini biasanya cukup.

Pertama: adakah tahap pelatihan? Minta mereka menceritakan data apa yang dipakai melatih dan dari mana asalnya. Kalau tidak ada tahap pelatihan, kemungkinan besar itu aturan tertulis.

Kedua: apakah perilakunya berubah kalau datanya berubah, tanpa ada yang menyunting pengaturan? Kalau ya, ada komponen yang dipelajari. Hati-hati membedakannya dari sistem yang berjalan otomatis: otomatis berarti tidak perlu ditekan tombolnya, bukan berarti belajar.

Ketiga: bisakah seseorang menunjukkan aturan yang dipakai, satu per satu, dalam bahasa manusia? Kalau bisa dan daftarnya utuh, itu aturan tertulis.

Bagaimana ketiganya berhubungan

Kecerdasan buatan adalah payungnya: sistem yang memilih tindakan untuk mencapai tujuan di suatu lingkungan. Pembelajaran mesin adalah salah satu cara memperoleh perilaku itu, yaitu menyimpulkannya dari data. Otomasi berbasis aturan adalah cara lain, yaitu menuliskannya langsung.

Dua akibat yang sering mengagetkan pemula. Pertama, sistem berbasis aturan bisa termasuk AI; sistem pakar yang dibangun dari aturan buatan ahli sudah lama disebut demikian dalam bidang ini. Kedua, tidak semua pembelajaran mesin berujung pada AI dalam arti kita: model yang hanya menghasilkan ramalan angka untuk dibaca manusia, tanpa memilih tindakan apa pun, lebih tepat disebut alat analisis data.

Di lapangan, kebanyakan produk mencampur keduanya. Model memberi skor, lalu aturan tertulis menentukan ambang mana yang ditolak, mana yang diteruskan ke petugas. Karena itu jawaban yang benar untuk banyak sistem bukan salah satu, melainkan bagian mana yang mana.

Soal derajat, bukan garis tajam

Jujur saja: tidak ada garis tegas yang disepakati semua orang. Termostat yang menyalakan pendingin pada suhu tertentu memenuhi definisi kerja kita secara harfiah, tetapi menyebutnya AI terasa berlebihan.

Yang membuat sebutan itu terasa pantas biasanya tiga hal yang bertingkat: seberapa lebar ragam situasi yang bisa ditangani, seberapa besar ketidakpastian yang harus dihadapi, dan seberapa banyak keputusan yang tidak ditentukan seluruhnya sebelumnya oleh manusia. Termostat rendah pada ketiganya. Penyaring pesan penipuan tinggi pada ketiganya.

Tujuanmu bukan memberi cap benar atau salah, melainkan bisa menjelaskan letak sebuah sistem pada ketiga tingkatan itu. Orang yang bisa melakukan itu tidak bisa ditipu oleh label, dari arah mana pun labelnya datang.

Prosedur yang kita pakai

Untuk setiap sistem, kerjakan enam langkah ini berurutan. Jangan melompat; langkah yang dilewati biasanya justru yang menyimpan masalahnya.

1. Tulis ulang klaimnya apa adanya, tanpa dihaluskan.
2. Tentukan agen dan nyatakan batasnya.
3. Uraikan lingkungannya.
4. Daftar persepsi yang benar-benar masuk.
5. Rumuskan ukuran keberhasilan dan sebutkan pemiliknya.
6. Klasifikasikan asal perilakunya, lalu pisahkan klaim yang dapat diuji dari klaim promosi.

Kasus 1: alat penyiram otomatis di kebun sekolah

Langkah 1 — klaim. Sekolah memasang alat yang menyiram bedeng sayur saat tanah kering, dan brosurnya menyebut penyiraman cerdas berbasis AI.

Langkah 2 — agen. Kita tetapkan agennya adalah pengendali beserta sensor dan katup airnya. Petugas kebun kita letakkan di luar. Konsekuensinya: kalau petugas lupa membuka keran utama, itu kejadian lingkungan, bukan kegagalan sistem.

Langkah 3 — lingkungan. Bedeng sayur, kelembapan tanah, hujan, panas siang, tekanan air, dan tanaman yang tumbuh berubah kebutuhannya.

Langkah 4 — persepsi. Hanya satu: angka kelembapan dari sensor yang ditancapkan di satu titik. Alat ini tidak tahu jenis tanamannya, tidak tahu ramalan cuaca, tidak tahu bedeng sebelah lebih teduh. Satu titik mewakili seluruh kebun.

Langkah 5 — ukuran keberhasilan. Yang tersirat: kelembapan tetap di rentang tertentu. Yang sebenarnya diinginkan sekolah: sayur tumbuh baik tanpa boros air. Dua hal ini bisa berpisah. Sensor bisa terus melaporkan angka bagus di titiknya sementara ujung bedeng mengering.

Langkah 6 — klasifikasi dan klaim. Perilakunya ditulis manusia: jika angka di bawah ambang, buka katup selama beberapa menit. Tidak ada tahap pelatihan, tidak ada data historis yang mengubah ambangnya. Ini otomasi berbasis aturan. Alat ini berguna dan mungkin sepadan harganya, tetapi kata cerdas dan AI di brosurnya adalah klaim promosi. Pertanyaan uji yang layak diajukan: berapa ambangnya, siapa yang menetapkannya, dan apa yang terjadi kalau sensornya kotor.

Kasus 2: rekomendasi di aplikasi belanja

Langkah 1 — klaim. Aplikasi menampilkan deretan barang dengan judul dipilih khusus untukmu.

Langkah 2 — agen. Bagian yang menyusun urutan barang di halaman depan. Penjual dan kurir ada di luar.

Langkah 3 — lingkungan. Katalog yang berubah tiap jam, jutaan pengguna lain, penjual yang membayar promosi, tanggal gajian, musim.

Langkah 4 — persepsi. Riwayat penelusuran dan pembelianmu, lama pandanganmu tertahan di satu barang, jenis perangkat, waktu akses, serta perilaku pengguna lain yang polanya mirip denganmu. Yang tidak dipersepsi: alasanmu. Aplikasi tidak tahu bahwa kompor yang kamu cari kemarin adalah hadiah untuk orang tua, bukan kebutuhanmu sendiri. Karena itu ia menawarkan kompor selama sepekan setelahnya.

Langkah 5 — ukuran keberhasilan. Inilah bagian terpenting kasus ini. Ukuran yang dipakai umumnya berkaitan dengan seberapa sering rekomendasi diklik dan berujung pembelian. Ukuran itu milik penyelenggara aplikasi. Ukuranmu berbeda: menemukan barang yang tepat, cepat, tanpa menyesal. Dua ukuran ini sering searah, tetapi tidak selalu. Ketika berselisih, sistem akan mengikuti ukuran yang dipasang padanya, bukan ukuran yang ada di kepalamu.

Langkah 6 — klasifikasi dan klaim. Ada tahap pelatihan dari data perilaku, dan urutan berubah mengikuti data baru tanpa ada yang menyunting aturan. Ada pembelajaran mesin di dalamnya. Tetapi biasanya bercampur aturan tertulis: barang berpromosi diangkat, barang stok kosong disembunyikan. Frasa dipilih khusus untukmu dapat diuji sebagian: bandingkan halaman depan dua akun berbeda pada waktu yang sama. Kalau isinya nyaris sama, klaim itu lebih dekat ke promosi.

Kasus 3: mengaudit klaim brosur

Misalkan sebuah perusahaan air minum daerah menerima brosur asisten percakapan dengan empat klaim:

(a) melayani pelanggan dua puluh empat jam; (b) memahami bahasa alami pelanggan; (c) mengurangi beban petugas hingga separuh; (d) semakin lama semakin pintar.

Klaim (a) dapat diuji dan mudah. Kirim pertanyaan pada dini hari, catat apakah dijawab. Ini klaim ketersediaan, bukan klaim mutu.

Klaim (b) belum bisa diuji apa adanya. Kata memahami tidak terukur. Ubah menjadi perilaku yang bisa diamati: siapkan sekumpulan pertanyaan pelanggan sungguhan, termasuk yang bertele-tele dan bercampur bahasa daerah, tetapkan lebih dulu apa yang dihitung sebagai jawaban benar, lalu hitung berapa proporsi yang dijawab benar.

Klaim (c) dapat diuji tetapi paling licin. Beban petugas dibanding apa? Perlu ditetapkan sebelum uji: apa yang dihitung sebagai satu kasus, periode pembandingnya kapan, dan apakah kasus yang dilempar balik ke petugas dihitung selesai atau tidak. Tanpa itu, angka apa pun bisa dibenarkan.

Klaim (d) adalah klaim promosi sampai dibuktikan sebaliknya. Ujinya: kirim satu set pertanyaan yang sama hari ini dan beberapa pekan lagi, dengan kriteria penilaian yang sudah ditetapkan di awal, lalu bandingkan. Sekaligus tanyakan siapa yang melatih ulang, seberapa sering, dan dari data apa.

Yang perlu kamu bawa dari unit ini

Tiga kasus tadi memakai prosedur yang sama persis. Yang berubah hanya isinya. Begitu urutan enam langkah ini terpasang di kepalamu, kamu tidak lagi bergantung pada niat baik orang yang sedang menjual sesuatu kepadamu.

Salah paham di bawah ini bukan kesalahan orang bodoh. Semuanya masuk akal, dan semuanya punya sedikit kebenaran yang membuatnya bertahan lama. Karena itu tiap butir kita bahas dengan pola yang sama: apa klaimnya, kenapa terdengar benar, apa koreksinya, dan uji cepat yang bisa kamu pakai.

1. AI harus berupa robot atau sesuatu yang mirip manusia

Kenapa terdengar benar. Gambar yang menyertai berita AI hampir selalu robot berwajah manusia atau otak biru bercahaya. Kita belajar dari gambar sebanyak dari teks.

Koreksi. Bentuk fisik tidak ada hubungannya dengan definisi kerja kita. Yang menentukan adalah apakah ada sistem yang memilih tindakan untuk mencapai tujuan di suatu lingkungan. Penyaring pesan penipuan di ponselmu tidak berwajah, tidak bersuara, dan tidak berbentuk apa pun — tetapi ia memilih tindakan, yaitu meloloskan atau menahan pesan. Sebaliknya, boneka berbentuk manusia yang hanya memutar rekaman suara ketika ditekan tombolnya tidak memilih apa pun.

Uji cepat. Tutup mata terhadap bentuknya. Tanyakan: apa tindakan yang dipilih sistem ini, dan atas dasar apa?

2. Kalau berjalan otomatis, berarti itu AI

Kenapa terdengar benar. Keduanya sama-sama membebaskan manusia dari pekerjaan berulang, dan dari luar hasilnya terasa mirip.

Koreksi. Otomatis berarti berjalan tanpa perlu dipicu manusia setiap kali. Itu saja. Mesin cuci yang berhenti pada menit yang sudah diatur berjalan otomatis, tetapi tidak memilih apa pun; urutannya sudah ditentukan seluruhnya sebelum ia dinyalakan. Ukuran yang lebih berguna adalah seberapa banyak keputusan yang tidak ditentukan sebelumnya oleh manusia.

Uji cepat. Kalau situasinya berubah dengan cara yang tidak dipikirkan pembuatnya, apakah sistem masih memilih tindakan yang masuk akal, atau ia hanya meneruskan urutan yang sama?

3. AI sama saja dengan pembelajaran mesin

Kenapa terdengar benar. Hampir semua produk AI yang ramai dibicarakan belakangan memang dibangun dengan pembelajaran mesin. Jadi dalam pengalaman sehari-hari, keduanya nyaris selalu muncul bersamaan.

Koreksi. Pembelajaran mesin adalah salah satu cara memperoleh perilaku sistem, yaitu menyimpulkannya dari data. Ada sistem yang disebut AI tanpa itu: sistem pakar yang bekerja dari aturan buatan ahli sudah lama dibahas dalam bidang ini. Ada juga sebaliknya, model hasil pelatihan yang hanya menghasilkan ramalan angka untuk dibaca manusia dan tidak memilih tindakan apa pun; itu lebih tepat disebut alat analisis data.

Uji cepat. Tanyakan dua hal terpisah: apakah sistem ini memilih tindakan, dan dari mana perilakunya berasal. Jawabannya tidak selalu sepaket.

4. Sistemnya belajar sendiri terus-menerus setelah dipasang

Kenapa terdengar benar. Istilah pembelajaran mesin memang mengandung kata belajar, dan brosur gemar menulis semakin lama semakin pintar.

Koreksi. Pada sebagian besar sistem yang dipakai sehari-hari, pelatihan terjadi pada waktu tertentu, lalu hasilnya dibekukan dan itulah yang dipasang. Pembaruan adalah keputusan manusia: ada yang menyiapkan data baru, menjalankan pelatihan ulang, mengujinya, dan memutuskan menggantinya. Kalau tidak ada yang melakukan itu, sistem akan terus memakai pola lama meski dunia sudah berubah. Sistem yang benar-benar terus belajar dari masukan langsung pengguna justru butuh pengawasan lebih ketat, karena masukan yang buruk ikut terserap.

Uji cepat. Tanyakan: kapan terakhir kali dilatih ulang, siapa yang memutuskan, dan dengan data apa. Jawaban yang berputar-putar sudah cukup memberi tahu banyak hal.

5. Angka akurasi yang tinggi berarti sistemnya bagus

Kenapa terdengar benar. Angka terasa objektif, dan angka besar terasa meyakinkan.

Koreksi. Akurasi tanpa konteks bisa menipu. Andaikan sebuah sistem dipakai memeriksa transaksi, dan pada kenyataannya transaksi bermasalah sangat jarang. Sistem yang menjawab aman untuk semua transaksi, tanpa memeriksa apa pun, akan memperoleh akurasi tinggi hanya karena mayoritas kasus memang aman — padahal ia tidak menangkap satu pun kasus yang jadi alasan sistem itu dibeli. Yang perlu ditanyakan adalah jenis kesalahannya: berapa banyak kasus bermasalah yang lolos, berapa banyak kasus baik yang dituduh, dan mana yang lebih merugikan dalam konteksmu.

Uji cepat. Minta pemilahan kesalahan, bukan satu angka tunggal. Tanyakan juga akurasi itu diukur pada data seperti apa.

6. Mesin itu netral karena tidak punya perasaan

Kenapa terdengar benar. Mesin memang tidak menyimpan dendam dan tidak sedang buru-buru pulang.

Koreksi. Netral terhadap suasana hati tidak sama dengan netral terhadap kepentingan. Ukuran keberhasilan dipilih manusia, data latih dikumpulkan manusia dari kejadian di dunia yang sudah timpang, dan ambang keputusan ditetapkan manusia. Sistem menjalankan pilihan-pilihan itu dengan konsisten — dan konsistensi justru membuat keberpihakan yang tertanam di dalamnya diterapkan ke semua orang, tanpa kecuali, tanpa pengecualian yang biasanya diberikan petugas manusia.

Uji cepat. Tanyakan siapa yang menetapkan ukuran keberhasilannya, dan siapa yang paling dirugikan kalau sistem ini salah.

Apa yang diuji di sini

Empat soal berikut memakai kasus yang belum pernah muncul di unit mana pun. Itu disengaja. Kalau kasusnya sama dengan contoh yang sudah dibahas, yang teruji hanya ingatanmu terhadap jawaban, bukan kemampuanmu memakai kerangkanya pada situasi baru. Yang kita periksa adalah kemampuan itu.

Karena itu jangan mencari kalimat di materi yang mirip dengan soal. Kalimat itu tidak ada. Yang ada di materi adalah alat: definisi kerja, empat unsur, tiga uji pembeda asal perilaku, dan cara memisahkan klaim yang dapat diuji dari klaim promosi. Semua soal bisa diselesaikan dengan alat itu.

Cara mengerjakan

Kerjakan tanpa membuka catatan pada percobaan pertama. Ini bukan soal kejujuran, melainkan soal informasi: kamu perlu tahu bagian mana yang benar-benar sudah menempel dan bagian mana yang baru terasa jelas selama membaca.

Untuk tiap soal, lakukan tiga hal sebelum memilih:

1. Tentukan lebih dulu unsur mana yang sedang ditanyakan — asal perilaku, salah satu dari empat unsur, atau mutu sebuah klaim.
2. Buang opsi yang berbicara tentang hal yang tidak relevan dengan pertanyaan itu, misalnya opsi yang membahas perangkat keras ketika yang ditanya adalah asal perilaku.
3. Untuk dua opsi terakhir yang tersisa, tanyakan mana yang bisa diperiksa dengan pengamatan nyata. Opsi yang hanya bisa dipercaya, bukan diperiksa, hampir selalu bukan jawabannya.

Setiap soal punya satu jawaban yang paling tepat. Beberapa opsi lain tidak sepenuhnya salah sebagai pernyataan, tetapi tidak menjawab pertanyaan yang diajukan. Membedakan keduanya adalah bagian dari ujiannya.

Setelah selesai

Baca pembahasan seluruh soal, termasuk soal yang kamu jawab benar. Pada pilihan ganda, jawaban benar karena tebakan beruntung terlihat sama persis dengan jawaban benar karena paham. Pembahasan memuat alasan mengapa opsi lain gugur, dan bagian itu sering lebih berguna daripada alasan opsi yang benar.

Kalau ada satu soal yang meleset, kembali ke unit yang bersangkutan sebelum lanjut. Kalau ada dua atau lebih yang meleset, ulangi unit dua dan tiga secara utuh. Modul berikutnya berdiri di atas kerangka ini, dan kesalahpahaman yang dibiarkan akan menumpuk.

Waktu pengerjaan tidak dibatasi. Berpikir lambat pada soal semacam ini bukan kelemahan; kecepatan datang setelah kerangkanya kokoh.

Yang sudah kita bangun

Modul ini dimulai dari masalah yang sangat sehari-hari: satu kata dipakai untuk hal-hal yang tidak mirip, dan kamu tetap harus mengambil keputusan di tengah kekaburan itu. Jalan keluarnya bukan menghafal definisi yang lebih rumit, melainkan memakai definisi kerja yang menghasilkan pertanyaan.

Definisi kerja. Kecerdasan buatan adalah sistem buatan yang memilih tindakan untuk mencapai tujuan di suatu lingkungan, berdasarkan apa yang berhasil ia tangkap dari lingkungan itu. Definisi ini sengaja tidak menyinggung apakah mesin berpikir, karena hal itu tidak bisa diperiksa dari luar.

Empat unsur. Agen adalah bagian yang kita sepakati sebagai sistem, dan batasnya adalah keputusan analisis yang harus dinyatakan, bukan fakta alam. Lingkungan adalah tempat sistem bekerja: teramati sebagian, berubah sendiri, dan berisi pihak lain yang ikut bertindak. Persepsi adalah data yang benar-benar masuk, bukan yang kita bayangkan masuk; kemampuan sistem tidak pernah melampaui batas ini. Ukuran keberhasilan ditetapkan manusia, harus bisa dihitung dari kejadian nyata, mengukur akibat dan bukan kesibukan, serta selalu punya pemilik yang bisa ditanyakan.

Asal perilaku. Pembeda utama antara otomasi berbasis aturan dan pembelajaran mesin bukan tampilan atau harga, melainkan dari mana perilaku berasal: ditulis manusia sebagai kondisi dan tindakan, atau disimpulkan dari contoh melalui tahap pelatihan. Tiga uji pembedanya: adakah tahap pelatihan dan data latihnya, apakah perilaku berubah ketika data berubah tanpa penyuntingan, dan bisakah aturannya ditunjukkan satu per satu dalam bahasa manusia. Kecerdasan buatan adalah payung bagi sistem yang memilih tindakan; pembelajaran mesin dan aturan tertulis adalah dua cara memperoleh perilaku itu, dan kebanyakan produk nyata mencampur keduanya.

Batas yang jujur. Tidak ada garis tajam yang disepakati semua orang. Yang bisa kamu lakukan adalah menjelaskan letak sebuah sistem pada tiga tingkatan: luas ragam situasi yang ditangani, besarnya ketidakpastian, dan berapa banyak keputusan yang tidak ditentukan seluruhnya sebelumnya.

Membaca klaim. Klaim yang dapat diuji menyebutkan sesuatu yang bisa diamati, dengan kriteria yang ditetapkan sebelum pengujian dijalankan. Klaim promosi memakai kata yang terasa hebat tetapi tidak menunjuk apa pun yang bisa dihitung. Sebagian besar klaim promosi bisa diselamatkan: ubah kata kaburnya menjadi perilaku yang bisa diamati, lalu tentukan pembandingnya.

Daftar periksa mandiri

Jawab dengan jujur. Kalau ada satu saja yang belum bisa kamu lakukan tanpa membuka catatan, ulangi unit yang disebutkan di sebelahnya sebelum lanjut.

• [ ] Aku bisa menyebutkan definisi kerja AI dengan kalimatku sendiri, dan menjelaskan kenapa mesin berpikir bukan definisi yang berguna. (Unit 1 dan 2)
• [ ] Aku bisa mengambil satu sistem yang kupakai sehari-hari dan mengisi keempat unsurnya dengan kalimat konkret, bukan kalimat umum. (Unit 2)
• [ ] Aku bisa menjelaskan kenapa batas agen adalah keputusan, dan apa akibatnya kalau batas itu digeser. (Unit 2)
• [ ] Aku bisa menyebutkan tiga hal yang tidak dipersepsi oleh sistem pilihanku, dan apa akibat keterbatasan itu. (Unit 2 dan 4)
• [ ] Aku bisa menyebutkan ukuran keberhasilan sistem pilihanku beserta pemiliknya, dan menunjukkan satu keadaan ketika ukuran itu berselisih dengan kepentinganku. (Unit 2 dan 4)
• [ ] Aku bisa memakai tiga uji pembeda untuk menebak asal perilaku sebuah sistem, dan menjelaskan kenapa berjalan otomatis tidak sama dengan belajar. (Unit 3 dan 5)
• [ ] Aku bisa menyebutkan satu contoh sistem berbasis aturan yang tetap berguna dan tidak perlu diganti dengan pembelajaran mesin. (Unit 3)
• [ ] Aku bisa mengambil satu kalimat iklan berisi kata AI dan memilahnya menjadi bagian yang dapat diuji dan bagian promosi. (Unit 4)
• [ ] Aku bisa mengubah satu klaim kabur menjadi rumusan uji yang menyebutkan apa yang dihitung, kriterianya apa, dan pembandingnya apa. (Unit 4)
• [ ] Aku bisa menjelaskan kenapa satu angka akurasi tunggal bisa menyesatkan, dan pertanyaan lanjutan apa yang harus kuajukan. (Unit 5)

Latihan penutup

Ambil sistem yang kamu pilih di unit pertama. Kerjakan prosedur enam langkah dari unit contoh sampai tuntas, di kertas, tanpa membuka materi. Lalu tulis tiga pertanyaan yang akan kamu ajukan kepada pembuatnya seandainya kamu bertemu mereka besok. Simpan lembar itu. Di modul-modul berikutnya, ketika kita membahas bagaimana sistem belajar dari data dan bagaimana kinerjanya diukur, kamu akan mengeluarkannya lagi dan melihat pertanyaan mana yang ternyata sudah tepat sasaran sejak awal.

Setelah modul ini

Modul berikutnya berdiri di atas kerangka ini. Kita akan masuk ke bagian yang selama ini sengaja kita sebut sekilas: bagaimana perilaku sistem benar-benar disimpulkan dari data, apa saja yang bisa keliru di sana, dan kenapa mutu data lebih sering menentukan hasil daripada pilihan tekniknya. Kerangka empat unsur akan terus dipakai, jadi pastikan daftar periksa di atas sudah tercentang semua.