Kecerdasan buatan (AI) semakin banyak muncul dalam kehidupan kita, daripada cadangan filem yang Netflix berikan sehingga kenderaan pandu sendiri seperti yang dihasilkan oleh syarikat Waymo. Pernahkah anda tertanya-tanya bagaimana AI berfungsi? Di sebalik setiap aplikasi pintar terdapat satu proses di mana mesin dapat belajar daripada data dan membuat keputusan.

Dalam artikel ini, kita akan bersama-sama memahami dengan cara yang mudah tentang prinsip operasi AI, khususnya memberi tumpuan kepada sistem pembelajaran mesin (machine learning) yang merupakan teras kebanyakan AI moden.

AI “belajar” dan membuat keputusan berdasarkan data

Pada dasarnya, AI berfungsi berdasarkan pembelajaran daripada data. Daripada diprogramkan secara tetap untuk bertindak balas dalam setiap situasi, sistem AI (terutamanya yang menggunakan pembelajaran mesin) akan diberi jumlah data yang besar dan secara automatik mencari corak atau peraturan tersembunyi dalam data tersebut.

Kemudian, ia menggunakan apa yang telah dipelajari untuk meramalkan atau membuat keputusan apabila berhadapan dengan data baru. Proses ini serupa dengan cara manusia belajar: kita memerhati banyak contoh, mengambil pengalaman, dan kemudian menggunakan pengalaman itu dalam situasi baru.

Contohnya, jika ingin mengajar AI membezakan imej kucing dan anjing, kita akan mengumpul ribuan gambar kucing dan anjing, serta melabelkannya (contoh: gambar mana kucing, gambar mana anjing). Algoritma AI akan menganalisis pangkalan data besar ini untuk mencari ciri-ciri yang membantu membezakan kucing daripada anjing – mungkin kucing mempunyai misai, bentuk muka berbeza daripada anjing, dan sebagainya. Dalam proses pembelajaran, sistem akan menyesuaikan parameter dalaman supaya pengenalan menjadi semakin tepat.

Hasilnya, AI membentuk satu model yang mampu mengenal pasti mana gambar kucing dan mana gambar anjing. Apabila diberikan gambar baru (yang belum pernah dilihat), model akan meramalkan sama ada ia kucing atau anjing berdasarkan apa yang telah dipelajari. Jika ramalan salah, AI boleh dilaraskan (berdasarkan algoritma pembelajaran) untuk meningkatkan ketepatan pada masa akan datang.

Secara ringkas, proses AI belajar dan berfungsi biasanya melibatkan langkah-langkah utama berikut:

• Pengumpulan data (Input)

Pertama, AI memerlukan data input untuk belajar. Data boleh dalam pelbagai bentuk: nombor, teks, imej, bunyi, dan biasanya diperoleh & disediakan dengan teliti. Contohnya, untuk melatih AI mengenal kucing, kita perlu mengumpul puluhan ribu gambar kucing (dan bukan kucing) serta melabelnya dengan tepat. Kualiti dan kuantiti data pada peringkat ini sangat penting – semakin banyak dan pelbagai data, semakin baik AI belajar.

• Latihan model (Learning/Training)

Seterusnya adalah fasa mesin belajar daripada data. Data input dimasukkan ke dalam algoritma pembelajaran (machine learning algorithm). Algoritma ini akan mencari corak atau hubungan dalam data dan secara beransur-ansur menyesuaikan parameter dalaman supaya sesuai dengan data.

Dalam kes rangkaian neural tiruan (populer dalam pembelajaran mendalam), proses latihan bermaksud menyesuaikan berat (weights) sambungan antara neuron melalui banyak iterasi. AI sentiasa mencuba meramalkan berdasarkan data latihan dan memperbaiki kesilapan berdasarkan perbezaan antara ramalan dan hasil sebenar (proses ini dipanggil penyebaran balik – backpropagation – dalam rangkaian neural).

Yang penting, pada peringkat ini, AI belajar daripada pengalaman (data contoh), sama seperti pelajar yang berlatih dengan latihan: melakukan kesilapan, mengambil pengajaran dan menyesuaikan diri.

• Membuat ramalan/keputusan (Inference)

Setelah dilatih, AI mempunyai model yang telah belajar. Kini, apabila menerima data input baru (yang belum pernah dilihat), AI boleh mengaplikasikan model yang telah dipelajari untuk membuat ramalan atau keputusan.

Contohnya, selepas latihan, model AI yang membezakan kucing/anjing boleh melihat gambar baru dan meramalkan “ini kucing” dengan tahap keyakinan tertentu. Begitu juga, AI yang belajar daripada data transaksi bank boleh meramalkan transaksi baru yang mungkin penipuan; atau model yang belajar daripada data perubatan boleh mencadangkan diagnosis untuk pesakit baru. Fasa ini dipanggil inferens (inference) – AI mengaplikasikan pengetahuan yang telah dipelajari ke dalam situasi sebenar.

• Penyesuaian dan penambahbaikan (Feedback & Improvement)

Satu ciri penting AI (terutamanya sistem pembelajaran mesin) ialah keupayaan memperbaiki diri dari masa ke masa. Jika AI menghasilkan keputusan dan menerima maklum balas tentang ketepatan (contoh: manusia memberitahu sama ada ramalan itu betul atau salah), ia boleh melaraskan model supaya lebih sesuai.

Kembali kepada contoh klasifikasi kucing/anjing: jika model membuat kesilapan dalam beberapa kes (contohnya tersilap mengenal anjing sebagai kucing), jurutera boleh menambah data untuk kes-kes sukar, atau menyesuaikan struktur/hiperparameter model supaya AI belajar lebih baik. Dengan kemas kini berterusan seperti ini, AI menjadi semakin tepat dan pintar dari masa ke masa.

Langkah ini serupa dengan anda membetulkan latihan yang salah berdasarkan komen guru dan mengambil pengajaran untuk masa depan. Bagi sesetengah sistem AI khusus (seperti pembelajaran penguatan dalam permainan), penyesuaian diri berlaku secara berterusan semasa operasi: AI mencuba tindakan, jika hasilnya tidak baik ia akan mengelak pada masa depan, jika baik ia mengukuhkan tindakan tersebut.

Secara keseluruhan, sistem AI berfungsi dengan menggabungkan tiga keupayaan utama: belajar daripada data, menggunakan logik untuk membuat inferens, dan menyesuaikan diri daripada kesilapan. Dalam fasa pembelajaran, AI mengumpul dan mengekstrak maklumat daripada data (menghasilkan “pengetahuan”).

Dalam fasa inferens, AI menggunakan pengetahuan yang dipelajari untuk mengendalikan situasi baru dan menghasilkan keputusan. Melalui penyelarasan sendiri, AI sentiasa memperbaiki cara ia berfungsi untuk meningkatkan ketepatan. Gabungan pembelajaran, inferens dan penyesuaian ini membentuk kekuatan sistem AI moden.

Contoh mudah difahami tentang cara AI berfungsi

Mari kita lihat satu contoh praktikal untuk menjelaskan proses di atas: chatbot AI menjawab mesej secara automatik. Bayangkan anda ingin membina chatbot yang menyokong pelanggan dan boleh menjawab soalan dalam Bahasa Melayu secara semula jadi.

• Pengumpulan data: Anda memerlukan sejumlah besar data perbualan untuk mengajar chatbot memahami bahasa dan cara bertindak balas. Data ini boleh berupa jutaan soalan dan jawapan contoh daripada perbualan khidmat pelanggan sebelum ini, atau data daripada internet (seperti forum, media sosial) yang telah dikumpul dan dibersihkan. Setiap soalan disertakan dengan jawapan yang betul (sebagai label) supaya chatbot boleh belajar.
• Latihan chatbot: Anda memilih model AI bahasa (contohnya rangkaian neural Transformer yang besar) dan membiarkannya “membaca” keseluruhan data perbualan yang telah dikumpul. Model akan belajar mengaitkan soalan dengan jawapan yang sesuai, serta belajar menggunakan bahasa semula jadi dengan lancar. Secara beransur-ansur, chatbot meningkatkan keupayaan memahami konteks dan memberi respons yang relevan. Ia belajar bahawa apabila pelanggan bertanya “Saya terlupa kata laluan, apa yang perlu saya buat?”, jawapan harus memberi panduan pemulihan kata laluan dan bukan jawapan yang tidak berkaitan. Proses ini sangat mirip dengan seorang pekerja baru yang membaca ribuan skrip soalan-jawapan untuk menguasai tugas.
• Menjawab pengguna: Apabila chatbot dilancarkan, pelanggan memasukkan soalan baru (yang belum pernah dilihat chatbot sebelum ini). Chatbot akan menganalisis soalan, mengekstrak niat utama (contohnya: pelanggan bertanya tentang lupa kata laluan) berdasarkan apa yang telah dipelajari, kemudian menghasilkan jawapan yang sesuai berdasarkan pengetahuan yang telah dikumpul. Jika dilatih dengan baik, jawapan akan sangat semula jadi dan tepat, seolah-olah disediakan oleh manusia.
• Penambahbaikan dari masa ke masa: Selepas setiap sesi interaksi, kita boleh memberitahu chatbot sama ada ia menjawab dengan betul atau salah (berdasarkan maklum balas pelanggan atau penilaian pekerja sokongan). Jika jawapan kurang baik, data interaksi ini akan ditambah ke pangkalan data latihan untuk penambahbaikan seterusnya. Dengan cara ini, chatbot semakin lengkap dari segi pengetahuan dan cara menjawab. Ini adalah kitaran maklum balas yang membantu AI memperbaiki diri.

Contoh di atas menunjukkan dengan jelas bagaimana AI sebenar “belajar” dan berfungsi: belajar daripada data masa lalu untuk diaplikasikan dalam situasi masa depan. Sama ada untuk klasifikasi kucing/anjing atau menjawab soalan pelanggan, prinsip asasnya tetap sama.

Bagaimana AI generatif berfungsi?

Satu trend terkini dalam bidang AI ialah AI generatif (Generative AI) – sistem AI yang mampu menghasilkan kandungan baru seperti teks, imej, bunyi yang belum pernah wujud sebelum ini. Jadi, bagaimana AI generatif berfungsi dan apa yang membezakannya?

Sebenarnya, AI generatif juga berasaskan pembelajaran mendalam daripada data besar, tetapi bukannya hanya meramalkan atau mengklasifikasikan, model dilatih untuk menghasilkan output baru berdasarkan corak yang telah dipelajari.

Contohnya model bahasa besar seperti ChatGPT: Model ini dilatih dengan berbilion perkataan teks (buku, artikel, laman web) untuk mempelajari hubungan antara perkataan dan ayat. Struktur model ini adalah rangkaian neural yang sangat dalam (berbilion parameter) yang mampu meramalkan perkataan seterusnya dalam satu ayat.

Apabila digunakan, bukannya menjawab dengan perkataan yang sudah ada dalam memori, ChatGPT menghasilkan jawapan baru dengan memilih setiap perkataan seterusnya berdasarkan kebarangkalian yang telah dipelajari. Hasilnya adalah teks yang mengalir lancar, mencerminkan gaya bahasa daripada data latihan tetapi dengan kandungan yang benar-benar baru.

Dengan kata lain, sistem Generative AI seperti ChatGPT atau AI lukisan (Midjourney, DALL-E) berfungsi dengan mempelajari secara mendalam “bahasa” bidang tersebut (bahasa manusia, imej, muzik, dan lain-lain) kemudian membangunkan produk baru mengikut permintaan berdasarkan pengetahuan yang dipelajari. Mereka dilengkapi dengan model pembelajaran mendalam yang sangat besar – dipanggil model asas (foundation models) atau model bahasa besar (LLM) – yang dilatih dengan jumlah data yang sangat besar menggunakan algoritma khas (seperti Transformer dalam pemprosesan bahasa).

Ini membolehkan program seperti ChatGPT atau Midjourney menghasilkan kandungan baru (teks, imej, muzik, dan lain-lain) berdasarkan pengetahuan yang dipelajari, bukannya hanya memberi respons dengan memilih jawapan yang sudah ada. Contohnya, apabila anda meminta “tulis sebuah cerita tentang kucing yang pandai mengatur aturcara”, ChatGPT akan menggunakan pemahaman bahasa dan beribu-ribu cerita yang pernah dibaca untuk mencipta sebuah cerita baru yang lengkap mengikut tajuk.

Ciri istimewa AI generatif ialah ia bukan sahaja mengenal pasti atau menganalisis, tetapi benar-benar mencipta pada tahap tertentu. Sudah tentu, kreativiti ini masih berdasarkan apa yang AI telah pelajari – ia menggabungkan dan mengubah suai corak yang pernah dilihat untuk menghasilkan sesuatu yang baru. Namun hasilnya boleh sangat pelbagai dan kaya, menjadikan AI generatif alat yang kuat dalam penciptaan kandungan, reka bentuk, hiburan dan banyak bidang lain.

>>> Klik untuk mengetahui lebih lanjut tentang:

Sejarah Penubuhan dan Perkembangan AI

Jenis-jenis kecerdasan buatan yang popular

Kesimpulannya, AI berfungsi dengan belajar daripada pengalaman (data) seperti manusia belajar daripada pengalaman. Melalui proses latihan, mesin secara beransur-ansur menggeneralisasikan pengetahuan daripada data contoh dan membentuk model untuk digunakan kemudian.

Walaupun di bawah terdapat pelbagai algoritma – daripada pokok keputusan yang mudah hingga rangkaian neural dalam dengan berbilion parameter – matlamat utama AI tetap sama iaitu mencari peraturan tersembunyi yang membantu menyelesaikan masalah. Dengan jumlah data yang sangat besar dan kuasa pengiraan tinggi hari ini, AI telah mencapai pencapaian yang menakjubkan, daripada pengecaman imej dan suara yang tepat hingga ke keupayaan menulis teks dan melukis secara automatik.

Diharapkan dengan penjelasan di atas, anda kini mempunyai gambaran yang lebih jelas dan intuitif tentang bagaimana AI “berfikir” dan berfungsi di sebalik skrin. AI bukan lagi “kotak hitam” yang misteri – ia sebenarnya hasil daripada proses pembelajaran daripada data dan percubaan, penambahbaikan berterusan, sangat mirip dengan cara manusia memperoleh ilmu dan kemahiran.

Ikuti INVIAI untuk mendapatkan lebih banyak pengetahuan terkini tentang AI ya!