Terlepas dari kenyataan bahwa kecerdasan umum buatan (AGI) yang sesungguhnya masih bertahun-tahun lagi, pengejaran AGI dapat memberikan nilai nyata bagi bisnis di masa sekarang.
Bayangkan Anda bertanya kepada agen layanan pelanggan di sebuah maskapai penerbangan, “Apakah ibu saya bisa membawa kruk ke dalam pesawat?” Sebagai manusia, kita memahami bahwa ada lebih dari sekadar pertanyaan kebijakan. Meskipun pertanyaan itu sendiri berkaitan dengan peraturan maskapai mengenai kruk dalam penerbangan, kami juga memahami bahwa pelanggan menelepon atas nama seseorang yang secara fisik tidak mampu. Hal ini dapat disebabkan oleh usia atau cedera, dan kami memahami bahwa mereka mungkin memerlukan bantuan tambahan seperti kursi roda, bantuan saat naik dan turun pesawat, atau transportasi yang mengakomodasi masalah mobilitas mereka pada saat kedatangan.
Meskipun pelatihan mungkin diperlukan untuk mempelajari cara mengatur layanan ini, mengenali kebutuhan akan layanan ini ketika kita mendengar pertanyaan tersebut tidak memerlukan pelatihan. Bahkan seorang anak berusia lima tahun pun akan memahami kebutuhan akan bantuan ketika melihat seorang pelancong yang menggunakan kruk di bandara. Sebagai manusia, kita dengan mudah menerapkan penalaran akal sehat dalam interaksi kita dengan dunia, yang memungkinkan kita untuk menavigasi situasi meskipun kita belum pernah mengalaminya. Namun, terlepas dari kemajuan dalam kecerdasan buatan, sistem AI saat ini masih belum dapat melakukan jenis inferensi ini.
Namun demikian, ketiadaan penalaran akal sehat dalam AI tidak menghalangi kita untuk menerapkan AI secara efektif di berbagai bidang. Sebagai contoh, sistem visi komputer dapat mengungguli dokter dalam mendeteksi jenis kanker tertentu dalam gambar. Meskipun sistem ini tidak dapat menjelaskan mengapa kanker berbahaya karena kurangnya penalaran akal sehat, kemampuannya untuk mengidentifikasi kanker tetaplah berharga. Banyak situasi serupa yang muncul di mana kinerja tinggi dalam tugas tertentu sangat berguna.
Namun, jika kita mengandalkan sistem AI yang sama untuk membantu pelancong yang tidak mampu, sistem ini akan gagal. Meskipun mungkin menjawab pertanyaan kebijakan tentang apakah kruk diperbolehkan di dalam pesawat, sistem ini tidak akan memahami bahwa pelanggan mungkin memerlukan bantuan tambahan untuk pengalaman perjalanan yang aman dan menyenangkan.
Inilah sebabnya mengapa ada fokus baru untuk memungkinkan penalaran akal sehat dalam sistem AI, sebuah tema penelitian yang dikenal sebagai “kecerdasan umum buatan” (artificial general intelligence, AGI). Tujuannya adalah untuk mengembangkan sistem AI dengan kompetensi yang luas dalam berbagai kemampuan kognitif, mirip dengan yang dimiliki oleh manusia dan hewan sampai batas tertentu. AGI pada dasarnya bertujuan untuk meniru kecerdasan manusia, yang merupakan tujuan awal dari bidang ini. Namun, pencapaian AGI secara penuh masih diyakini masih puluhan tahun lagi, menurut sebagian besar laporan.
Jadi, mengapa membahas sesuatu yang masih puluhan tahun lagi? Karena bahkan peningkatan bertahap dalam perjalanan menuju AGI menawarkan nilai praktis bagi bisnis saat ini. Di sinilah GPT-3 berperan.
GPT-3, sebuah model bahasa yang dikembangkan oleh OpenAI, adalah model pembelajaran mendalam yang dilatih dengan sekitar 300 miliar kata. GPT-3 memiliki kemampuan untuk “memprediksi” teks yang paling mungkin yang akan mengikuti perintah yang diberikan berdasarkan semua teks yang telah dilatih. Dengan kata lain, ia dapat memberikan jawaban.
Untuk memperjelas, GPT-3 saat ini tidak memiliki “kecerdasan umum buatan” seperti yang kita pahami. GPT-3 tidak meniru kemampuan kognitif yang luas yang terkait dengan AGI, seperti penalaran akal sehat. Sebaliknya, GPT-3 adalah alat prediksi bahasa yang sangat kuat. Namun, hasilnya dapat memberikan kesan kecerdasan.
Beberapa contoh telah muncul tentang GPT-3 yang menulis seluruh artikel surat kabar atau membuat siaran pers “palsu” yang terdengar otentik berdasarkan masukan minimal. Meskipun GPT-3 mungkin tidak memiliki penalaran akal sehat, namun alat ini merupakan langkah yang lebih dekat ke arah itu.
Jadi, bagaimana hal ini berhubungan dengan aplikasi bisnis praktis? Mari kita pertimbangkan toko kue Prancis. Dalam satu percobaan yang melibatkan GPT-3, para peneliti bertujuan untuk mengeksplorasi bagaimana GPT-3 dapat melokalisasi bagian teks tertentu, membuatnya lebih disesuaikan untuk lokasi geografis tertentu. Ini adalah persyaratan penting bagi tim pemasaran yang berusaha untuk menyesuaikan konten global mereka agar beresonansi dengan pasar lokal.
GPT-3 telah mempelajari hubungan antara lokasi, makanan khas, dan tengara melalui pelatihan ekstensifnya. Dengan memberikan petunjuk seperti “Berjalan-jalanlah di Michigan Avenue lalu berhenti untuk menikmati pizza dengan jaket yang kasual dan trendi ini,” GPT-3 dapat menghasilkan versi lokal untuk berbagai kota:
Milan: “Berjalan-jalanlah di Via Montenapoleone lalu mampirlah untuk menikmati cappuccino dengan jaket kasual dan trendi ini.”
Tokyo: “Berjalan-jalanlah di jalan kecil Tokyo, lalu mampirlah untuk menikmati semangkuk ramen dengan jaket kasual dan trendi ini.”
Buenos Aires: “Berjalan-jalan di Paseo de la Recoleta lalu berhenti untuk menikmati es krim dulce de leche dengan jaket kasual dan trendi ini.”
Paris: “Berjalan-jalan di Champs-Élysées lalu berhenti untuk menikmati macaron dengan jaket kasual dan trendi ini.”
Hasil ini sangat menarik dan mengesankan. Akan tetapi, apakah Anda menyadari kesalahannya? GPT-3 mengacaukan macaroon dengan macaron. Meskipun ini mungkin merupakan kesalahan kecil untuk model, namun hal ini dapat menjadi masalah yang signifikan bagi merek yang mencoba menarik konsumen Prancis.
Contoh ini menunjukkan kekuatan GPT-3 dan bagaimana hal tersebut dapat diterapkan untuk memberikan nilai bisnis saat ini. Namun, ini juga menyoroti keterbatasan model tersebut. Karena model bahasa secara praktis digunakan dalam bisnis, validasi manusia atau “pemeriksaan kewarasan” sering kali diperlukan untuk memastikan keakuratan hasil.
Ada banyak tantangan bisnis lainnya yang dapat dibantu oleh GPT-3, seperti mengisi grafik pengetahuan atau memperkaya metadata. Dalam situasi seperti ini, hasil model bahasa yang luas namun tidak sempurna dapat melengkapi hasil yang mendalam namun sempit yang dihasilkan oleh bentuk pembelajaran mesin lainnya. Selain itu, GPT-3 dapat berfungsi sebagai pelengkap akal sehat manusia.
Hal ini membawa kita kembali ke poin yang lebih luas tentang AGI. Meskipun model bahasa seperti GPT-3 mungkin tidak mewakili kemajuan yang signifikan terhadap mesin yang memiliki penalaran akal sehat, model bahasa ini masih dapat membuat perbedaan besar dalam berbagai skenario dunia nyata.
Sebagai contoh, pengembangan chatbot “tanpa skrip” yang dapat menarik kesimpulan dari percakapan dan memecahkan masalah yang lebih luas di luar pertanyaan spesifik yang diajukan adalah area eksplorasi. Tujuannya adalah untuk memberikan bantuan yang serupa dengan apa yang mungkin dibutuhkan oleh pelancong yang tidak mampu menggunakan kruk.
Meskipun ini bukan AGI, namun ini merupakan langkah maju yang signifikan untuk layanan pelanggan, sementara kami terus melangkah maju menuju AGI.
Fokusnya harus pada masa kini. Bisnis tidak perlu menunggu kecerdasan buatan umum yang sangat kuat untuk membuat kemajuan yang signifikan dalam aplikasi AI. Ada potensi besar dalam sistem yang melampaui pembelajaran mesin tradisional, menggabungkan lebih banyak pengetahuan dan penalaran untuk menangani berbagai kasus penggunaan yang lebih luas. Seiring dengan kemajuan penelitian AGI, kasus-kasus penggunaan ini akan terus berkembang.
Oleh karena itu, perusahaan harus mengidentifikasi masalah bisnis di mana sedikit lebih banyak pengetahuan atau penalaran dapat secara signifikan meningkatkan kemampuan sistem tertentu, bahkan jika akal sehat manusia perlu melengkapinya.
