AI Intelligence

1. Perbedaan antara AI, AGI, dan AIGC

• PromptPerintah atau pertanyaan yang kita berikan ke AI. Contoh: instruksi ke Deepseek, ChatGPT, atau chatbot lain. Cara kita berkomunikasi dengan model.
• TokenizerAlat yang memecah teks input menjadi potongan-potongan kecil (token) sebelum diproses model.
• TokenUnit terkecil yang diproses model besar — bisa berupa kata, potongan kata, atau karakter. Model membaca dan menghasilkan teks token demi token.
• Token IDSetiap token dipetakan ke sebuah angka (ID numerik) agar bisa diolah secara matematis oleh model.

• Attention Is All You NeedMekanisme self-attention — model menimbang hubungan antar-token dalam konteks, memahami keterkaitan sebelum & sesudah sebuah kata.
• Embedding & VektorSetiap token diubah jadi vektor angka. Token dengan makna serupa memiliki vektor yang berdekatan, sehingga model bisa "mengukur" kemiripan makna.
• RAG — Retrieval-Augmented GenerationModel mengambil informasi dari sumber eksternal (basis pengetahuan) lalu menyisipkannya ke konteks, sehingga jawaban lebih akurat dan terkini.
• Parameter"Bobot" internal yang dipelajari model saat training. Contoh: GPT-3 punya 175 miliar parameter. Semakin banyak parameter, umumnya makin besar kapasitas model.
• Dense ModelSeluruh parameter aktif untuk setiap perhitungan. Semua "otak" model bekerja penuh di tiap langkah.
• MoE — Mixture of Experts / Sparse ModelModel dibagi jadi banyak "ahli" (experts); hanya sebagian yang diaktifkan per input. Lebih hemat komputasi. Dipakai antara lain oleh Deepseek.

• User PromptInput dari pengguna saat itu — pertanyaan, instruksi, atau tugas spesifik yang ingin dikerjakan. Sifatnya dinamis, berubah tiap percakapan.
• System PromptInstruksi tingkat atas yang menetapkan peran, aturan, batasan, dan gaya jawaban model untuk seluruh sesi. Ibarat "kepribadian" dan rambu-rambu yang tidak bisa ditimpa oleh user prompt biasa.
• AssistantPeran yang mewakili jawaban model. Bersama system dan user, ketiganya membentuk struktur pesan (messages) yang dikirim ke LLM.

Berbeda dari chatbot yang hanya membalas prompt, AI Agent adalah sistem yang memakai LLM sebagai "otak" untuk memahami tujuan, memecah masalah jadi langkah-langkah, memanggil alat (tool), lalu bertindak secara mandiri sampai tugas selesai — dengan pengawasan manusia seminimal mungkin.

• Loop kerja agentPola umumnya: rencanakan → panggil tool → amati hasil → rencanakan ulang, berulang sampai tujuan tercapai. Agent hanya menyerahkan kendali ke manusia bila benar-benar butuh keputusan.
• ToolKemampuan eksternal yang bisa dipanggil agent — pencarian web, kalkulator, query database, kirim email, jalankan kode. Tool memperluas AI dari sekadar "tahu" menjadi bisa "bertindak".
• MemoryAgent menyimpan konteks lintas langkah agar tetap konsisten selama menyelesaikan tugas yang panjang.

Function Calling adalah kemampuan level-model: aplikasi memberi model "daftar menu" fungsi beserta skema parameternya. Model memilih fungsi yang cocok dan mengembalikan argumen dalam bentuk terstruktur (JSON), lalu aplikasi kita yang benar-benar menjalankan fungsinya dan mengembalikan hasilnya ke model.

• Alur singkatUser bertanya → model memutuskan perlu tool → model mengembalikan nama fungsi + argumen → app menjalankan → hasil dikirim balik → model menyusun jawaban akhir.
• KeterbatasanDefinisi fungsi biasanya spesifik per model & per aplikasi, sehingga integrasi cenderung tightly coupled — sulit dipakai ulang lintas sistem tanpa menulis kode baru tiap kali.

MCP adalah standar terbuka (diperkenalkan Anthropic akhir 2024) yang menyeragamkan cara LLM & agent terhubung ke tool, data, dan layanan eksternal. Kalau function calling adalah "kemampuan menjalankan", MCP adalah "standar koneksi"-nya.

• Masalah yang dipecahkanTanpa MCP, tiap aplikasi harus menulis integrasi khusus untuk tiap sistem — banyak "silo" data. MCP menawarkan koneksi plug-and-play: sebuah layanan cukup diekspos sekali sebagai MCP server, lalu client MCP mana pun bisa memakainya.
• Host, Client, ServerHost (aplikasi AI) memakai Client untuk menemukan & memanggil tool/resource yang diekspos Server. Koneksinya dua-arah dan transport-agnostic.
• Hubungan dengan Function CallingKeduanya tidak bersaing, tapi bekerja di lapisan berbeda: function calling = kemampuan model memanggil aksi; MCP = standar cara tool ditemukan, diekspos, dan dipanggil secara konsisten.

1. 1 User mengirim prompt dalam bingkai system prompt yang sudah diset.
2. 2 Agent (ditenagai LLM) memahami tujuan dan menyusun rencana langkah.
3. 3 Saat perlu data/aksi, model memakai function calling untuk memilih tool + argumen.
4. 4 Tool itu diakses lewat MCP secara standar, lalu hasilnya dikembalikan ke model.
5. 5 Agent mengamati hasil, merencanakan ulang bila perlu, dan menyusun jawaban akhir untuk user.

Inti algoritmanya tetap sama — LLM berjalan dalam loop memanggil tool. Bedanya, deep agent menambahkan empat komponen kunci berikut:

• 1. System Prompt yang detailInstruksi panjang dan spesifik tentang cara memakai tool, lengkap dengan contoh (few-shot) perilaku pada situasi tertentu. Tanpa ini, agent tidak akan "dalam". Prompting tetap sangat menentukan.
• 2. Planning ToolAlat perencanaan seperti "todo list" (contohnya di Claude Code). Menariknya, tool ini sering bersifat no-op — tidak benar-benar mengerjakan apa pun — tapi berfungsi sebagai strategi context engineering agar agent tetap fokus pada rencana.
• 3. Sub AgentsAgent utama bisa memunculkan sub-agent untuk memecah tugas. Tiap sub-agent fokus mendalami satu tugas spesifik, sekaligus membantu manajemen konteks dan menghemat "ruang" prompt agent utama.
• 4. File SystemAkses ke sistem berkas dipakai untuk menyimpan catatan dan sebagai "memori" jangka panjang. Berfungsi juga sebagai ruang kerja bersama antar-agent selama tugas berjalan lama dan menumpuk banyak konteks.

LangChain merilis paket open-source deepagents (pip install deepagents) yang mengemas keempat komponen di atas: system prompt ala Claude Code (versi lebih umum), planning tool no-op, kemampuan spawn sub-agent, dan virtual file system berbasis state LangGraph. Bisa dikustomisasi dengan prompt, tool, dan sub-agent buatan sendiri — misalnya untuk membuat agent "deep research".

1. 01Model Parameters (Parameter Model)
   Menentukan batas atas kemampuan model. Semakin banyak parameter, umumnya makin tinggi potensi performa — tapi perangkat keras (hardware) menentukan apakah model bisa benar-benar dijalankan.
2. 02Context Length (Panjang Konteks)
   Menentukan "daya ingat" AI dalam satu sesi. Makin panjang konteks, makin banyak percakapan & teks yang bisa diproses sekaligus tanpa kehilangan informasi awal.
3. 03Chain of Thought (Rantai Berpikir)
   Membuat model "membuat coret-coretan" — bernalar langkah demi langkah sebelum menjawab. Meningkatkan akurasi dan keandalan jawaban pada soal yang rumit.
4. 04Output Length (Panjang Output)
   Menentukan berapa banyak teks yang dihasilkan dalam satu kali generate. Output panjang biasanya dicapai lewat pemenggalan/dialog bertahap.
5. 05Quantization (Kuantisasi)
   Teknik mengecilkan ukuran model agar hemat ruang penyimpanan dan lebih cepat dimuat — dengan konsekuensi sedikit penurunan presisi/akurasi.
6. 06Model Distillation (Distilasi Model)
   Model kecil "berdiri di atas bahu raksasa" — belajar dari model besar untuk meniru kemampuannya. Hasilnya lebih cepat dan murah dijalankan.
7. 07Token
   Unit bahasa dasar bagi model besar. Input dan output umumnya dihitung (dan ditagih) berdasarkan jumlah token.
8. 08MoE Architecture (Arsitektur MoE)
   Mixture of Experts — bekerja seperti tim ahli: hanya mengaktifkan "ahli" yang relevan sesuai kebutuhan input, sehingga lebih efisien secara komputasi.
9. 09RAG — Retrieval-Augmented Generation
   Mengatasi masalah pengetahuan yang usang — model menggabungkan pencarian data/dokumen eksternal saat menyusun jawaban, sehingga lebih akurat dan terkini.
10. 10Agent (Intelligent Agent)
    Langkah kunci menuju otonomi: AI bergeser dari sekadar menjawab pertanyaan menjadi mengeksekusi tugas secara mandiri.
11. 11AGI, AIGC & Agent
    Tiga arah berbeda: AGI adalah tujuan akhir (kecerdasan umum), AIGC fokus pada pembuatan konten, dan Agent bertugas mengeksekusi pekerjaan.
12. 12Embodied Intelligence (Kecerdasan Terwujud)
    Membuat AI merasakan dunia lewat "tubuh" fisik (robot/sensor) — berubah dari sekadar berpikir menjadi "pelaku" yang bertindak di dunia nyata.

Jawaban 30 Detik

• Harness Engineering — membangun "mesin" di sekitar modelSemua kode, tool, memori, sandbox, dan kontrol yang jadi environment tempat model bekerja.
• Loop Engineering — mendesain siklus kerja & umpan balikBagaimana kerja diulang, diperiksa, dan dilanjutkan berdasarkan bukti (feedback).
• Graph Engineering — membuat topologi alur eksplisitNode, cabang, join, transisi state, dan siklus yang terkendali (flow).

Menurut LangChain, agent = model + harness. Harness adalah kode, konfigurasi, dan logika eksekusi di luar model. Dua tim bisa memakai model dasar yang sama tapi hasilnya jauh berbeda: satu memberi model tool bersih, workspace stabil, izin terbatas, dan state yang bisa diamati; satu lagi memberi prompt kabur dan wrapper API yang rapuh. Kecerdasannya mirip, kondisi kerjanya tidak. Tip praktis: hapus model dari diagram arsitektur — sisanya kemungkinan besar adalah harness.

• Context injectionInstruksi, fakta hasil retrieval, state percakapan, skill, dan kebijakan khusus tugas.
• Action surfacesAPI, browser, shell, code interpreter, database, dan tool yang kompatibel MCP.
• PersistenceFile, checkpoint, sesi, log progres, riwayat git, dan memori jangka panjang.
• Execution controlTimeout, retry, budget, model routing, spawning sub-agent, dan approval gate.
• Safety & governanceIzin, isolasi, allow-list, penanganan secret, dan otorisasi manusia.
• ObservabilityTrace, input/output tool, transisi state, biaya, latensi, dan hasil evaluasi.

Setiap agent yang memakai tool sudah punya loop kecil: panggil model → lihat hasil → jalankan tool → masukkan observasi ke model → ulang sampai jawaban final. Loop engineering dimulai saat kita sengaja menumpuk siklus baru di sekitarnya — bukan satu while ajaib, melainkan "tumpukan loop". Prinsip kunci: jangan loop pada rasa percaya diri, tapi pada bukti. "Agent bilang selesai" bukan kondisi berhenti; "tes lulus, link valid, schema tervalidasi, reviewer setuju" barulah kondisi berhenti.

• Anatomi loop yang baikTrigger (pemicu siklus) → Goal (state konkret, bukan "terus perbaiki") → State/Memory → Action policy → Evidence (tes, validasi, metrik, review) → Feedback (ringkas & actionable) → Stopping rule (sukses, batas budget, timeout, eskalasi).
• Contoh loopVerification loop (buat artefak → cek deterministik/grader → ulang bila ada bukti error), event-driven loop (dibangunkan oleh jadwal/webhook/dokumen baru), dan improvement loop (analisis trace & kegagalan → ubah instruksi/tool → uji versi baru).
• TradeoffTiap grader/reviewer/retry menambah panggilan model atau tool → biaya & latensi naik. Tambahkan loop hanya bila biaya kegagalan lebih tinggi dari biaya verifikasi.

Graph engineering menjawab pertanyaan berbeda: bukan sekadar apa yang dilakukan agent, tapi komponen mana yang boleh berjalan berikutnya. Langkah = node, transisi yang diizinkan = edge (urutan, percabangan kondisional, fan-out paralel, join, loop, interupsi manusia). State menelusuri graph, sehingga alur kendali bisa diperiksa. Gunakan graph saat butuh kontrol urutan yang presisi, percabangan deterministik, atau proses multi-langkah kompleks dengan siklus (LangGraph, AutoGen GraphFlow).

• Yang diputuskan graph engineerBatas node (fungsi deterministik / panggilan LLM / agent spesialis / review manusia), skema state, kondisi routing, konkurensi (paralel & join), siklus & exit yang legal, serta durabilitas (checkpoint & resume).
• Kapan graph layakSaat proses punya cabang berarti, kerja paralel, approval, jalur pemulihan, atau banyak agent spesialis. Kurang berguna bila tugasnya cuma "beri satu agent tiga tool lalu biarkan bekerja". Memaksa semua jalur ke diagram bisa membuat sistem rapuh bila rencana harus dibuat dinamis oleh model.
• CatatanIni workflow graph (kontrol & transisi state), berbeda dari knowledge graph (entitas & relasi data).

Dalam satu sistem nyata, ketiganya bersarang: graph berjalan di dalam harness; satu atau lebih loop hidup di dalam graph; dan harness menyediakan state, tool, serta evaluator yang dibutuhkan loop itu. Lapisannya tumpang tindih karena lapisan software memang tumpang tindih — tapi tiap lapisan memberi tuas berbeda saat sistem gagal.

Pilih Lapisan Berdasarkan Gejala Kegagalan

Kesalahan Mahal yang Sering Terjadi

• Membuat graph sebelum memahami pekerjaannyaMulai dari trace harness sederhana, baru formalkan jalur yang stabil jadi graph.
• Model yang sama menulis & menilai tanpa pengamanRentan blind spot bersama. Utamakan cek deterministik, konteks reviewer terpisah, dan approval manusia untuk aksi berdampak tinggi.
• Memakai "terus coba" sebagai spesifikasi loopRetry tak terbatas = kebocoran biaya. Tiap loop butuh tujuan terukur, bukti baru, batas percobaan, dan jalur eskalasi.
• Menjadikan harness "tempat sampah"Terlalu banyak tool & memori bukan otomatis lebih baik — menaikkan error pemilihan tool, kebisingan konteks, dan risiko izin.
• Menyalahkan model atas kegagalan orkestrasiModel tak bisa menutupi state basi, skema tool ambigu, API rusak, atau exit condition yang hilang. Perbaiki lapisan yang memiliki kegagalan itu.

• AI — Artificial IntelligenceDiperkenalkan pada Konferensi Dartmouth tahun 1956. Memiliki kemampuan belajar dan bernalar secara mandiri, serta bisa menyesuaikan & meningkatkan diri untuk menangani tugas yang makin kompleks.
• ML — Machine LearningCabang dari AI. Sejarah riset AI bergerak dari fokus pada "penalaran" → "pengetahuan" → "pembelajaran". ML adalah salah satu cara mewujudkan AI, yaitu memakai pembelajaran dari data sebagai sarana menyelesaikan masalah.
• DL — Deep LearningCabang dari Machine Learning yang memakai jaringan saraf tiruan (neural network) sebagai arsitektur untuk melakukan representation learning pada data. Kata "deep" merujuk pada penggunaan banyak lapisan (layer) dalam jaringan.
• GAI — Generative AIMenghasilkan teks, gambar, dan video baru berdasarkan pola dari data pelatihan. Berbeda dari discriminative AI, yang dilatih dari jutaan contoh untuk memprediksi/mengklasifikasi — misalnya menebak apakah sebuah rontgen menunjukkan tumor atau apakah peminjam berpotensi gagal bayar.
• LLM — Large Language ModelModel bahasa berbasis neural network dengan sangat banyak parameter (umumnya miliaran bobot atau lebih), dilatih pada teks tak berlabel dalam jumlah besar memakai self-supervised atau semi-supervised learning.
• AGI — Artificial General IntelligenceDikenal juga sebagai strong AI. Merujuk pada AI yang kecerdasannya setara atau melampaui manusia, dan mampu melakukan semua perilaku cerdas yang bisa dilakukan manusia normal.
• ANI — Artificial Narrow IntelligenceKecerdasan buatan dalam arti sempit — fokus pada satu hal saja, misalnya AlphaGo yang bermain Go. Dikenal juga sebagai weak AI.
• Supervised LearningMemakai data berlabel untuk belajar dari contoh masa lalu dan memprediksi nilai di masa depan.
• Unsupervised LearningBerfokus menemukan pola dalam sumber data asli tanpa label. Model Machine Learning bisa bersifat supervised maupun unsupervised.
• Semi-supervised LearningParadigma di antara supervised dan unsupervised learning. Cocok untuk skenario dengan data tak berlabel yang banyak dan data berlabel yang sedikit.
• RL — Reinforcement LearningBidang dalam Machine Learning yang menekankan cara bertindak berdasarkan lingkungan (environment) untuk mencapai manfaat/reward yang diharapkan semaksimal mungkin.
• System 1 / System 2System 1 adalah mode berpikir perseptual yang cepat, tanpa usaha, dan sering dipakai — terbentuk dari pengalaman, pengetahuan yang ada, dan bias. System 2 adalah mode berpikir yang lebih rasional, butuh usaha, dan jarang dipakai. Konsep dari buku "Thinking, Fast and Slow".

• Training Data (Data Pelatihan)Kumpulan data (dataset) yang dipakai untuk melatih model Machine Learning.
• Parameters (Parameter)Variabel internal yang dipakai model untuk membuat prediksi. Dipelajari dari data pelatihan selama proses training. Contoh: pada neural network, weights (bobot) dan bias adalah parameter.
• TokenUnit terkecil yang diterima model saat memproses & menganalisis teks — bisa berupa kata, tanda baca, huruf, atau kode khusus, tergantung cara teks diproses. Tiap token punya representasi encoding (biasanya bilangan bulat) yang mengubah teks jadi bentuk numerik yang bisa diolah model. Model & tool berbeda bisa mendefinisikan token secara berbeda.
• Estimasi jumlah token 5 byte ≈ 1 token (1MB = 1024KB, 1KB = 1024 byte). 1 halaman web ≈ 0,1MB; 1 buku ≈ 0,8MB. WikiText-103 ≈ 0,5GB; BookCorpus ≈ 5GB (GPT-1); WebText ≈ 40GB (GPT-2); Pile ≈ 800GB; BigPython ≈ 200GB; Common Crawl ≈ 0,4PT; indeks Google ≈ 8PT. Sepanjang hidup, manusia melihat/mendengar ≈ 1 miliar token.
• Tool token Formula konversi & hitung token: OpenAI Tokenizer · GPT for Work Pricing Calculator.
• EmbeddingBayangkan game "tebak kata": kamu menjelaskan sebuah kata dengan kata-kata lain yang berkaitan. Di ilmu komputer, embedding adalah teknik memetakan objek (kata, pengguna, produk) menjadi vektor numerik yang menangkap kemiripan & hubungan antar-objek. Intinya: mengubah data berdimensi tinggi (sering tak terstruktur) menjadi vektor berdimensi rendah yang terstruktur, agar mesin bisa memahami & memprosesnya. Contoh: pada sistem rekomendasi, tiap produk diubah jadi vektor — produk mirip punya vektor berdekatan, sehingga bisa merekomendasikan produk terdekat dengan yang disukai pengguna.
• Vector (Vektor)Dalam matematika, vektor merepresentasikan besaran dengan magnitudo & arah (seperti anak panah: panjang = besar, arah = arah). Dalam Machine Learning, vektor jadi lebih abstrak — dipakai merepresentasikan informasi kompleks seperti makna kata, makna kalimat, bahkan tema keseluruhan artikel. Tiap dimensi bisa dianggap fitur yang bersama-sama menggambarkan sebuah data point. Informasi ini tidak tertulis langsung, melainkan tersirat lewat posisi & arah vektor di ruang berdimensi tinggi — ibarat "sandi" yang butuh alat khusus untuk dibaca.
• Vektor bersifat language-independentMenariknya, vektor tidak terikat bahasa. Misalnya dataset berbahasa Inggris diubah jadi vektor dan disimpan di vector database; saat pengguna bertanya dalam bahasa Indonesia, sistem tetap bisa mencocokkan & menjawab. Ini semacam multilingualisme tak langsung — banyak proyek open-source memvektorkan manual bantuan mereka agar bisa ditanya dalam bahasa apa pun.
• Expert Systems (Sistem Pakar)Penerapan teknologi AI untuk memberi solusi atas masalah kompleks di bidang tertentu yang spesifik.
• RAG — Retrieval-Augmented GenerationMemperluas "memori eksternal" AI. Baik memori internal maupun eksternal sama-sama perlu ditingkatkan — mirip hubungan antara RAM dan ROM.
• AgentsModel bahasa besar yang diberi tujuan/tugas dan bisa berjalan secara iteratif. Berbeda dari pemakaian LLM "biasa" seperti di ChatGPT (tanya → jawab). Agent punya alur kerja kompleks: model pada dasarnya bisa "berbicara dengan dirinya sendiri" tanpa perlu manusia mendorong tiap bagian interaksi.
• Alignment (Penyelarasan)Mengarahkan perilaku sistem AI agar selaras dengan kepentingan & tujuan yang diharapkan perancangnya. AI yang aligned berkembang ke arah yang diinginkan; AI yang unaligned mungkin punya tujuan sendiri yang tidak sesuai harapan perancang.
• Attention (Atensi)Dalam neural network, mekanisme atensi membantu model berfokus pada bagian input yang relevan saat menghasilkan output.
• Forward Propagation (Propagasi Maju)Proses saat data input dimasukkan ke jaringan dan melewati tiap lapisan (dari input layer → hidden layer → output layer) untuk menghasilkan output. Jaringan menerapkan weights & bias pada input dan memakai fungsi aktivasi untuk membentuk output akhir.
• Backpropagation (Propagasi Balik)Singkatan dari "Error Backpropagation". Metode umum (dipakai bersama optimizer seperti gradient descent) untuk melatih neural network: menghitung kontribusi tiap bobot terhadap loss function, lalu mengumpankannya balik ke optimizer untuk memperbarui bobot demi meminimalkan loss.
• BiasFenomena tidak normal pada output algoritma Machine Learning, yang disebabkan asumsi bias saat pengembangan algoritma atau bias pada data pelatihan.
• CoT — Chain of Thought (Rantai Berpikir)Meningkatkan kemampuan bernalar LLM dengan mendorongnya menghasilkan serangkaian langkah antara menuju jawaban akhir pada soal multi-langkah.
• Compute (Komputasi)Sumber daya komputasi (misalnya waktu CPU atau GPU) yang dipakai untuk melatih atau menjalankan model AI.
• Diffusion Models (Model Difusi)Jenis latent variable model — sebuah rantai Markov yang dilatih dengan estimasi variasional. Di Computer Vision, model belajar proses difusi terbalik untuk membersihkan (denoise) gambar yang diberi noise Gaussian. Ini model dasar di balik DALL-E, Stable Diffusion, dan Midjourney.
• Double DescentFenomena di ML di mana performa model naik seiring kompleksitas, lalu memburuk, kemudian membaik lagi.
• Emergence (Kemunculan)Saat parameter model menembus skala tertentu, performanya melonjak signifikan dan memunculkan kemampuan mengejutkan yang tak dimiliki model kecil — seperti pemahaman bahasa, kemampuan generatif, dan penalaran logis. Umumnya kemampuan ini muncul pada rentang 10–100 miliar parameter.
• End-to-End LearningModel ML yang tidak perlu perancangan fitur manual — model cukup diberi sumber data asli dan diharapkan belajar langsung dari input tersebut.
• Few-Shot LearningDisebut juga low-shot learning — belajar cara menyelesaikan masalah dari sedikit contoh saja. Konsep terkait: zero-shot learning.
• Zero-Shot Learning (ZSL)Memakai model deep learning terlatih untuk mengeneralisasi ke kategori baru — mengenali/menghasilkan data dari kategori yang belum pernah dilihat. Idenya: mentransfer pengetahuan dari data latih ke tugas mengklasifikasi instance uji lewat lapisan semantik/atribut perantara. Set latih & uji pada ZSL bersifat disjoint. Analogi: seorang anak yang belum pernah melihat zebra tetap bisa menemukannya di kebun binatang setelah diberi tahu "zebra berbentuk seperti kuda, bergaris seperti harimau, dan hitam-putih seperti panda".
• FittingProses memakai model untuk menggambarkan atau memprediksi data seakurat mungkin. Fit yang ideal: model menangkap struktur & pola dasar data dengan baik, sekaligus mampu menoleransi sebagian noise acak yang tak terprediksi.
• UnderfittingModel terlalu sederhana untuk menangkap struktur & pola dasar data — performanya buruk baik pada data latih maupun data baru. Contoh: memaksakan garis lurus (model linear) untuk data berpola non-linear. Untuk mencegahnya: pakai model lebih kompleks atau tambah fitur.
• OverfittingModel terlalu kompleks sehingga "menghafal" noise acak pada data latih, bukan sekadar menangkap pola dasarnya. Akibatnya sangat akurat di data latih tapi menurun tajam di data baru. Untuk mencegahnya: cross-validation, regularization, early stopping, serta menyelaraskan kompleksitas model dengan kompleksitas data. Model ideal menyeimbangkan antara underfitting & overfitting.
• Foundation ModelModel AI besar yang dilatih pada data sangat luas, dirancang untuk bisa diadaptasi ke berbagai tugas spesifik.
• Pre-trainingTahap awal pelatihan model ML — model mempelajari fitur, pola, dan representasi umum dari data tanpa pengetahuan spesifik tugas yang akan datang. Proses unsupervised/semi-supervised ini memberi model pemahaman dasar distribusi data, yang lalu bisa dipakai untuk fine-tuning tugas spesifik.
• Fine-tuningTeknik umum dalam transfer learning: model target menyalin seluruh desain & parameter model sumber (kecuali output layer), lalu menyetel ulang parameter itu berdasarkan dataset target. Umum di NLP — LLM seperti GPT bisa di-fine-tune pada tugas NLP turunan agar hasilnya lebih baik daripada model pra-latih biasa.
• Prompt EngineeringKonsep di AI (khususnya NLP) di mana deskripsi tugas disematkan langsung ke dalam input. Cara kerja umumnya: mengubah satu atau beberapa tugas menjadi dataset berbasis prompt, lalu melatih model bahasa lewat "prompt-based learning".
• RLHF — Reinforcement Learning from Human FeedbackModel bahasa konvensional memakai generasi autoregressive (kata demi kata) dan dilatih dengan cross-entropy untuk menebak kata berikutnya — tapi loss tingkat-token ini tidak mengukur kualitas output secara keseluruhan, dan model tak "melihat" preferensi manusia saat training. RLHF mengatasinya dengan memakai preferensi/umpan balik manusia untuk menghitung reward atas keseluruhan output. Tiga langkah intinya: (1) model bahasa pra-latih (LM); (2) kumpulkan data & latih reward model; (3) fine-tune LM lewat reinforcement learning.
• Instruction TuningMetode pra-pelatihan model bahasa untuk tugas generasi instruksi — meningkatkan performa dengan membuat model mempelajari hubungan antara instruksi dan input yang bersesuaian.
• TemperatureParameter pada model generatif untuk mengontrol tingkat keacakan proses generasi. Temperature rendah → hasil lebih deterministik; temperature tinggi → hasil lebih acak/bervariasi.
• Top-pStrategi distribusi probabilitas pada model generatif untuk mengontrol keragaman kosakata — dengan mempertahankan elemen berperingkat probabilitas tertinggi hingga akumulasi mencapai ambang p.
• Generalization Ability (Kemampuan Generalisasi)Kemampuan model bekerja baik pada data baru yang belum pernah dilihat — apakah pengetahuan yang dipelajari dari data latih tetap berperforma bagus di data uji. Menentukan efektivitas & keandalan model dalam aplikasi nyata.
• Gradient DescentMetode optimasi yang menyesuaikan parameter model secara bertahap berdasarkan arah penurunan loss function. Contoh: pada regresi linear, gradient descent meminimalkan error prediksi dengan terus memperbaiki kemiringan & intercept garis untuk menemukan garis terbaik.
• Hallucinate (Halusinasi)Fenomena saat konten yang dihasilkan model tidak berdasarkan data nyata atau berbeda jauh dari kenyataan.
• Hidden Layer (Lapisan Tersembunyi)Lapisan sel saraf tiruan di neural network yang tidak terhubung langsung ke input maupun output.
• Inference (Inferensi)Proses membuat prediksi memakai model Machine Learning yang sudah terlatih.
• Knowledge / Data DistillationMenyaring & menghasilkan dataset kecil dari dataset besar asli, sehingga model yang dilatih pada dataset kecil itu berperforma mirip dengan yang dilatih pada dataset asli. Banyak dipakai di deep learning untuk kompresi & deployment model — membuat model kompleks jadi lebih ringan, mendukung transfer & integrasi model, serta meningkatkan robustness & generalisasi.
• Latent Space (Ruang Laten)Representasi data yang terkompresi, dibuat oleh model (misalnya neural network). Data point yang mirip berada lebih berdekatan di latent space.
• Loss Function (Fungsi Kerugian)Disebut juga cost function — fungsi yang berusaha diminimalkan model selama training. Mengukur jarak antara prediksi model dan nilai sebenarnya.
• MultimodalModel yang bisa memahami & menghasilkan informasi dari beberapa jenis data sekaligus, misalnya teks dan gambar.
• GAN — Generative Adversarial NetworkModel ML untuk menghasilkan data baru yang mirip data yang sudah ada. Mengadu dua neural network: satu generator menciptakan data baru, satu discriminator mencoba membedakan data buatan dari data asli.
• NeRF — Neural Radiance FieldsMetode membuat adegan 3D dari gambar-gambar 2D memakai neural network. Berguna untuk rendering realistis, sintesis sudut pandang (view synthesis), dan sejenisnya.
• Neural Network (Jaringan Saraf Tiruan)Model AI yang terinspirasi otak manusia. Terdiri dari unit/node (sel saraf) yang tersusun berlapis: tiap node menerima input, melakukan perhitungan, lalu menghasilkan output.
• CNN — Convolutional Neural NetworkModel deep learning yang memproses data bertopologi grid (misalnya gambar) dengan menerapkan serangkaian filter. Umum dipakai untuk tugas pengenalan gambar.
• RNN — Recurrent Neural NetworkJenis neural network untuk data berurutan. RNN sederhana sulit menangani ledakan/hilangnya bobot akibat rekursi, sehingga susah menangkap korelasi temporal jangka panjang — masalah ini teratasi dengan baik lewat LSTM.
• LSTM — Long Short-Term MemoryJenis RNN (jaringan berulang berbasis waktu), pertama dipublikasikan 1997. Berkat struktur desainnya yang khas, LSTM cocok memproses & memprediksi peristiwa penting dengan interval & jeda yang sangat panjang pada data deret waktu.
• TransformerModel deep learning yang memakai mekanisme self-attention untuk memberi bobot berbeda sesuai tingkat kepentingan tiap bagian data input. Kekuatannya: paralelisme tinggi & kemampuan menangkap dependensi jarak jauh, berkat mekanisme atensi. Self-attention berfokus pada bagaimana elemen dalam satu urutan saling berhubungan — mirip manusia yang lebih memperhatikan bagian relevan saat memproses informasi.
• NLP — Natural Language ProcessingCabang AI & linguistik yang mempelajari cara memproses & menerapkan bahasa alami. Mencakup banyak aspek & tahap, pada dasarnya meliputi kognisi, pemahaman, dan generasi bahasa.
• Objective Function (Fungsi Objektif)Fungsi yang berusaha dimaksimalkan atau diminimalkan model ML selama proses training.
• Transfer LearningMetode di ML yang memanfaatkan model pra-latih untuk menyelesaikan masalah/tugas baru.
• Turing Test (Tes Turing)Eksperimen pikiran yang diusulkan ilmuwan komputer asal Inggris, Alan Turing, pada 1950. Bertujuan menguji apakah mesin bisa menunjukkan tingkat kecerdasan setara manusia. Dalam tes, penguji mengetik teks lewat keyboard dan menerima keluaran teks di layar.
• Validation Data (Data Validasi)Subset dataset yang terpisah dari data latih & data uji. Dipakai untuk menyetel hyperparameter model (yaitu arsitektur, bukan bobotnya).
• Accelerator (Akselerator)Kelas mikroprosesor yang dirancang khusus untuk mempercepat aplikasi AI.
• GPU — Graphics Processing UnitMikroprosesor khusus yang awalnya untuk merender gambar ke layar dengan cepat. GPU juga sangat efisien melakukan perhitungan yang dibutuhkan untuk melatih & menjalankan neural network.
• TPU — Tensor Processing UnitMikroprosesor buatan Google yang dirancang khusus untuk mempercepat beban kerja Machine Learning.
• Cross-modal GeneralizationKemampuan generalisasi lintas modalitas — menghasilkan sistem AI yang lebih kuat & fleksibel, yang bisa memahami & memproses data dunia nyata yang kompleks dengan lebih baik.
• Data AugmentationProses memperbanyak jumlah & keragaman data pelatihan dengan menambahkan salinan data yang sudah ada namun sedikit dimodifikasi.
• Hyperparameter TuningProses memilih nilai yang tepat untuk hyperparameter sebuah model ML — yaitu parameter yang tidak dipelajari dari data.
• Mixture of Experts (MoE)Teknik ML di mana beberapa sub-model khusus ("experts") dilatih, lalu prediksinya digabungkan secara bergantung pada input.
• Regularization (Regularisasi)Teknik mencegah overfitting dengan menambahkan penalty term pada loss function model. Penalti ini menekan kecenderungan model terlalu mengandalkan pola kompleks di data latih, sehingga menghasilkan model yang lebih general & tidak mudah overfit.
• Vector Database (Basis Data Vektor)Menyimpan data berdasarkan algoritma cerdas dan mengubahnya menjadi nilai multi-dimensi dengan definisi ukuran, deskripsi fitur, dan posisi spasial untuk penyimpanan tervektorisasi — sehingga konten tidak hanya bisa disimpan, tapi juga diambil (retrieve) & dianalisis secara cerdas.

• ChatGPTRobot percakapan yang ditenagai model bahasa besar. Menghasilkan jawaban berdasarkan pola statistik yang dipelajari saat pra-pelatihan. Dikembangkan OpenAI, dirilis 30 November 2022.
• TensorFlowPlatform Machine Learning open-source buatan Google untuk membangun & melatih model Machine Learning.

• DeepMindPerusahaan AI berbasis di Inggris, didirikan 2010 dan diakuisisi Google pada 2014. Mulai mengembangkan software Go bertenaga AI, AlphaGo, pada 2014. Maret 2016, AlphaGo mengalahkan Lee Sedol (9 dan) dan mengejutkan dunia.
• OpenAILaboratorium riset AI di AS, terdiri dari organisasi nirlaba OpenAI Inc dan anak usaha komersialnya OpenAI LP. Tujuan risetnya: mempromosikan & mengembangkan AI yang ramah demi manfaat seluruh umat manusia. CEO saat ini: Sam Altman.
• Hugging Face"GitHub-nya Machine Learning". Awalnya startup chatbot yang berkantor di New York; mereka meng-open-source library Transformers di GitHub. Meski bisnis chatbot-nya tak melejit, library-nya cepat populer di komunitas ML. Kini telah membagikan 100.000+ model pra-latih dan 10.000+ dataset.
• LangChainFramework open-source dengan dua fungsi inti: (1) memungkinkan developer AI menggabungkan LLM seperti GPT-4 dengan sumber komputasi & data eksternal; (2) memungkinkan interaksi antara model LLM dan environment lewat tool melalui Agent. Tersedia sebagai paket Python atau JavaScript. Contoh: menghubungkan GPT-4 dengan data/file pribadimu (buku, PDF, database), bahkan membantu melakukan aksi seperti mengirim email.
• AnthropicPerusahaan riset AI asal AS yang berfokus pada keamanan (AI safety), didirikan oleh mantan anggota OpenAI. Membuat keluarga model Claude dan memperkenalkan standar MCP (Model Context Protocol).
• Google DeepMindDivisi AI Google (gabungan DeepMind & Google Brain) yang mengembangkan keluarga model Gemini, serta terobosan riset seperti AlphaGo dan AlphaFold.
• Meta AILab AI milik Meta yang merilis keluarga model open-weight Llama — salah satu fondasi paling berpengaruh di ekosistem model terbuka.
• Mistral AIPerusahaan AI asal Prancis yang dikenal dengan model open-weight yang efisien (mis. Mistral & Mixtral berbasis MoE).
• xAIPerusahaan AI milik Elon Musk, pembuat keluarga model Grok yang terintegrasi dengan platform X.
• DeepSeekPerusahaan AI asal Tiongkok yang terkenal lewat model open-weight berperforma tinggi & hemat biaya (mis. seri DeepSeek-V dan model penalaran DeepSeek-R1), banyak memakai arsitektur MoE.
• Moonshot AI (Kimi)Perusahaan AI asal Tiongkok pembuat asisten Kimi, dikenal dengan dukungan konteks sangat panjang (long-context).
• Alibaba (Qwen)Raksasa teknologi Tiongkok yang merilis keluarga model Qwen (Tongyi Qianwen) — mencakup varian teks, multimodal, dan coding, banyak di antaranya open-weight.
• ByteDance (Doubao)Perusahaan induk TikTok, mengembangkan keluarga model & asisten AI Doubao serta layanan AI melalui platform Volcano Engine.
• ElevenLabsPerusahaan AI yang berfokus pada suara — text-to-speech, voice cloning, dan dubbing berkualitas tinggi.
• KiroAgentic IDE dari AWS yang memakai alur berbasis spec (requirements → design → tasks) untuk membangun perangkat lunak bersama AI.

• AIGC — AI Generated ContentNama lengkapnya "AI Generated Content", dikenal juga sebagai generative AI — artinya konten yang dihasilkan oleh kecerdasan buatan. Contoh penerapannya: penerusan teks oleh AI, konversi teks ke gambar, AI host/presenter, dan sebagainya.
• Paradigm (Paradigma)Merujuk pada suatu sistem atau kerangka teoretis.
• Singularity (Singularitas)Dalam konteks AI, singularitas (disebut juga technological singularity) merujuk pada titik hipotetis di masa depan saat pertumbuhan teknologi menjadi tak terkendali dan tak bisa dibalikkan, memicu perubahan tak terduga pada peradaban manusia.

Durasi ± 4,5 jam · 35 pelajaran singkat

Kursus untuk memahami AI secara makro/menyeluruh. Cocok sebagai fondasi awal.

• Konsep dasar AIHubungan antara Machine Learning, Deep Learning, neural network, dll., termasuk area penerapan & studi kasus nyata AI.
• Analisis proyek AIStudi kasus praktis untuk memahami proses pengembangan proyek AI — termasuk cara mentransformasi perusahaan & membangun tim AI.
• Dampak sosial AIBias yang dibawa teknologi AI, dampaknya pada pertumbuhan ekonomi & lapangan kerja, dan sebagainya.

Durasi ± 3,5 jam

Kursus lengkap yang membedah LLM secara menyeluruh — dari pre-training, supervised fine-tuning, hingga reinforcement learning. Intinya menjelaskan teknik kompleks model seperti ChatGPT dengan cara yang bisa dipahami audiens umum.

• Pre-trainingCara mengumpulkan & memproses data internet berskala masif untuk membangun dataset.
• Supervised Fine-tuningFine-tuning model memakai dataset dialog agar cocok untuk tugas percakapan. Sekaligus membahas karakteristik halusinasi model, cadangan pengetahuan, kesadaran diri, serta masalah model yang bergantung pada "berpikir per-token" sehingga rawan salah pada tugas seperti mengeja.
• Reinforcement LearningPrinsip RL untuk meningkatkan performa model lewat latihan, dengan fokus pada teknologi RLHF yang membantu model membentuk chain of thought & meningkatkan kemampuan bernalar.
• Konten lainRangkuman status teknologi LLM secara keseluruhan agar audiens umum memahami logika inti LLM, sekaligus memantik pemikiran tentang arah perkembangannya ke depan.

Dirilis Air Street Capital (VC asal Inggris) — laporan tahunan yang rutin terbit sejak 2018 dan jadi salah satu rangkuman paling otoritatif tentang riset & kebijakan industri AI global. Menggabungkan data dari akademia, industri, dan lembaga kebijakan untuk menganalisis tren utama AI dalam 12 bulan terakhir. Laporan ini menyoroti pergeseran riset AI global dari "general intelligence" menuju "super intelligence".

Video penjelasan ± 20 menit

Paper tonggak sejarah di bidang AI yang diterbitkan tim Google tahun 2017. Meninggalkan arsitektur RNN/CNN tradisional dan mengusulkan model Transformer dengan mekanisme self-attention sebagai inti. Lewat desain seperti multi-head attention dan positional encoding, ia mencapai komputasi paralel yang efisien dan menangkap dependensi jarak jauh — meletakkan fondasi bagi model besar seperti BERT & seri GPT, serta menjadi kerangka teknis inti NLP dan AI multimodal. Video menjelaskan latar belakang & dampak publikasinya, plus kisah lahirnya model Transformer.

Paper ini mengusulkan teknik "MBTI-in-Thoughts" — menambahkan perintah sederhana di awal prompt seperti "Jawablah dari sudut pandang seorang INTJ" dapat meningkatkan performa model secara signifikan. Riset menemukan bahwa AI dengan kepribadian MBTI berbeda berperilaku berbeda saat menangani tugas yang sama. Metode ini pada dasarnya adalah "kompresi maksimal" konsep kepribadian — memungkinkan AI seketika membongkar sum statistik pola pikir, logika perilaku, dan gaya bahasa manusia, sehingga bisa dipakai membentuk "tim AI" berkepribadian komplementer untuk berbagai kebutuhan tugas.