Jenis-jenis AI: Panduan Komprehensif

Jika terasa seperti Kecerdasan Buatan (AI) tiba-tiba ada di mana-mana, itu karena memang demikian. Menurut riset pasar terbaru oleh McKinsey, adopsi AI global meningkat dari sekitar 50–60% organisasi pada 2020–2021 menjadi 88% pada 2025.

Namun, pertumbuhan pesat ini menciptakan masalah kebahasaan. "AI" telah menjadi kata payung untuk menggambarkan teknologi yang sangat berbeda. Istilah ini digunakan secara bergantian untuk chatbot berbasis aturan sederhana, pembangkit gambar, dan robot fiksi ilmiah futuristis.

Bagi praktisi data, ambiguitas ini menjadi hambatan. Saat pemangku kepentingan meminta "solusi AI," Anda harus tahu: apakah mereka membutuhkan model regresi sederhana, agen generatif, atau sistem visi komputer?

Dalam panduan komprehensif ini, kita akan menelaah terminologi tersebut. Kita tidak hanya mencantumkan definisi; melainkan melihatnya melalui empat lensa berbeda: bagaimana AI dibangun, apa yang dapat dilakukannya, bagaimana ia mengambil keputusan, dan bagaimana ia cocok dalam alur kerja dunia nyata.

Jika Anda baru pada topik ini, saya sarankan mengikuti kursus Understanding Artificial Intelligence.

Apa itu AI?

Kecerdasan Buatan (AI) adalah subbidang ilmu komputer yang berfokus pada pembuatan agen cerdas yang mampu melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia, seperti pemecahan masalah, pengenalan ucapan, dan pengambilan keputusan.

AI adalah ilmu interdisipliner dengan banyak pendekatan. Ia dapat berbasis aturan (beroperasi di bawah kondisi yang telah ditentukan) atau menggunakan algoritma pembelajaran mesin untuk belajar dari data, sehingga sistem dapat menyesuaikan diri dengan skenario yang tak terduga.

Namun, mendefinisikan AI secara tepat ternyata sulit karena apa yang disebut peneliti sebagai "Efek AI." Fenomena ini menggambarkan bagaimana persepsi masyarakat tentang AI terus bergeser seiring kematangan teknologi. Ketika suatu kapabilitas menjadi hal lazim, orang berhenti menyebutnya "AI" dan mulai memandangnya sebagai perangkat lunak biasa. 

Karena definisi yang berubah-ubah dan cakupannya yang luas, satu klasifikasi saja tidak cukup. Kita memerlukan banyak lensa untuk mendapatkan gambaran utuh:

• Teknologi: Algoritma dan arsitektur yang mendasari. 
• Kapabilitas: Mengukur tingkat kecerdasan dari sempit hingga superinteligensi.
• Fungsionalitas: Bagaimana sistem memproses informasi dan mempertahankan memori?

Sebagai contoh, sebuah mobil swakemudi dapat diklasifikasikan dalam tiga cara sekaligus:

• AI Sempit (berdasarkan kapabilitas spesifiknya).
• Deep Learning (berdasarkan teknologi yang mendasarinya).
• Memori Terbatas (berdasarkan fungsionalitasnya).

Pada bagian berikutnya, kita akan menelusuri jenis-jenis spesifik ini.

Untuk pengantar yang benar-benar non-teknis mengenai dasar-dasarnya, saya sarankan membaca Panduan AI untuk Pemula kami.

Jenis AI Berdasarkan Teknologi

Cara paling ketat untuk mengklasifikasikan AI adalah berdasarkan teknologi yang mendasarinya, "mesin" yang menggerakkan sistem. Klasifikasi ini memisahkan sistem berdasarkan bagaimana mereka memproses data dan belajar. Mari kita lihat beragam jenisnya.

Machine learning

Machine Learning (ML) adalah subset AI yang berfokus pada sistem yang belajar dari data dan meningkat tanpa diprogram secara eksplisit untuk setiap aturan. Alih-alih menulis kode "jika ini, maka itu," Anda memberi algoritma data dan membiarkannya menemukan pola.

Machine learning terbagi menjadi tiga paradigma pembelajaran utama, masing-masing cocok untuk jenis masalah yang berbeda:

• Supervised Learning: Bentuk paling umum di bisnis. Menggunakan data berlabel (pasangan input-output) untuk melatih algoritma. Misalnya, Anda menunjukkan 1.000 email berlabel "Spam" atau "Bukan Spam" kepada model, dan model belajar mengklasifikasikan email berikutnya. Algoritma umum meliputi Regresi Linear, K-Nearest Neighbors (KNN), dan Decision Trees.
• Unsupervised Learning: Algoritma diberi data tanpa label dan harus menemukan struktur atau pola tersembunyi sendiri. Ini sering digunakan untuk segmentasi pelanggan (clustering). K-Means Clustering dan Principal Component Analysis (PCA) adalah di antara algoritma yang paling umum digunakan.
• Reinforcement Learning (RL): Mengambil jalur yang sama sekali berbeda, RL mengajarkan agen melalui trial and error menggunakan sistem hadiah dan penalti. Agen RL menerima umpan balik atas interaksinya dengan lingkungan, dan secara bertahap mempelajari perilaku mana yang memaksimalkan hadiah kumulatif dari waktu ke waktu. Metode ini digunakan untuk melatih robot dan AI bermain game tingkat lanjut, seperti AlphaGo.

Untuk mendapatkan fondasi yang kuat dalam machine learning, saya sarankan menuntaskan jalur keterampilan Machine Learning Fundamentals with Python.

Deep learning

Deep learning (DL) adalah subset khusus ML yang terinspirasi oleh struktur otak manusia. Ia menggunakan jaringan saraf tiruan dengan banyak lapisan (karena itu disebut "deep") untuk memodelkan hubungan kompleks non-linear dalam dataset yang sangat besar. Sementara ML tradisional bisa mencapai titik jenuh seiring penambahan data, DL sering terus membaik.

Arsitektur kunci meliputi:

• Convolutional Neural Networks (CNN): Standar emas untuk pemrosesan gambar. Menggunakan "filter" untuk memindai gambar secara otomatis dan mendeteksi hierarki spasial seperti tepi, bentuk, dan tekstur.
• Recurrent Neural Networks (RNN): Dirancang untuk data berurutan seperti deret waktu atau ucapan. Mereka mempertahankan "memori" atas input sebelumnya untuk memengaruhi output saat ini.
• Transformers: Arsitektur di balik Large Language Models (LLM) modern, seperti GPT 5.2 dan Gemini 3. Ia memanfaatkan mekanisme perhatian untuk memproses seluruh rangkaian data secara bersamaan, menimbang pentingnya kata-kata relatif satu sama lain alih-alih memprosesnya satu per satu.
• Generative Adversarial Networks (GAN): Kerangka kerja di mana dua jaringan bersaing: "generator" membuat data palsu dan "discriminator" mencoba mendeteksi kepalsuan tersebut. Kompetisi ini menghasilkan keluaran sintetis yang sangat realistis.
• Diffusion Models: Mesin di balik alat seperti Midjourney. Mereka menghasilkan gambar berkualitas tinggi dengan belajar membalikkan noise acak menjadi gambar yang jelas dan berbeda secara visual.

Jika Anda ingin membangun model-model ini sendiri, saya sarankan memulai dengan kursus Introduction to Deep Learning with PyTorch.

Pemrosesan bahasa alami

Natural language processing (NLP) berfokus pada memungkinkan komputer memahami, menafsirkan, dan menghasilkan bahasa manusia secara bermakna. NLP menjembatani komunikasi manusia dan pemahaman mesin dengan menangani ambiguitas, ketergantungan konteks, dan kompleksitas yang melekat pada bahasa alami.

Teknik-tekniknya mencakup:

• Analisis sentimen: Menganalisis sentimen di balik sebuah frasa, misalnya mengklasifikasikan apakah ulasan bersifat positif atau negatif
• Named Entity Recognition (NER): Mengenali nama orang atau tempat dalam teks
• Tokenisasi: Memecah teks menjadi unit yang lebih kecil, seperti kata, suku kata, atau bahkan karakter individual

Mari lihat contoh analisis sentimen menggunakan transformers di Python:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Visi komputer

Computer vision memungkinkan mesin memperoleh informasi bermakna dari gambar dan video digital, sehingga komputer dapat memahami data visual dengan cara yang mirip persepsi manusia. Bidang ini menangani identifikasi objek, pengukuran jarak, atau bahkan mengenali pola yang tak terlihat oleh pengamat manusia.

Sistem visi komputer menggabungkan teknik pemrosesan citra dengan machine learning, khususnya deep learning, untuk mengekstrak representasi yang semakin abstrak dari data visual mentah. Tugas-tugas kunci meliputi:

• Klasifikasi gambar: Mengidentifikasi apa yang ada di dalam gambar (misalnya, "Ini seekor kucing").
• Deteksi objek: Menentukan lokasi suatu objek (misalnya, "Ada pejalan kaki pada koordinat x,y").
• Pengenalan wajah: Memverifikasi identitas berdasarkan fitur wajah.

Pencitraan medis merupakan salah satu aplikasi visi komputer yang paling berdampak, dengan sistem AI yang mendeteksi tumor pada X-ray, CT scan, dan MRI dengan tingkat akurasi yang setara atau melampaui radiolog manusia. Sistem-sistem ini tidak menggantikan tenaga medis, melainkan mendukung mereka, misalnya dengan menandai potensi kelainan untuk ditinjau oleh ahli.

Pemrosesan audio

Pemrosesan audio berfokus pada pengenalan, penafsiran, dan sintesis sinyal auditori, termasuk ucapan manusia dan suara lingkungan. Tujuannya adalah memungkinkan mesin mendengarkan, memahami, dan menghasilkan konten audio, menjembatani gelombang akustik dan makna semantik. 

Automatic Speech Recognition (ASR) mengonversi bahasa lisan menjadi teks tertulis, dan menggerakkan asisten suara, layanan transkripsi, serta alat aksesibilitas. Sistem ASR modern menggunakan arsitektur transformer untuk memetakan langsung gelombang audio ke urutan teks, mencapai akurasi mendekati manusia pada ucapan yang bersih dan terus membaik pada kondisi menantang seperti kebisingan latar atau aksen. 

Mesin Text-to-Speech (TTS) seperti Amazon Polly melakukan kebalikan, mensintesis ucapan yang terdengar alami dari teks tertulis menggunakan neural vocoder yang menghasilkan prosodi, intonasi, dan ekspresi emosional yang realistis. Sistem TTS kontemporer dapat mengkloning suara hanya dari beberapa menit sampel audio, membuka peluang kreatif sekaligus menimbulkan keprihatinan etis.

Aplikasinya melampaui pemrosesan ucapan ke ranah kreatif dan praktis. Teknologi kloning suara memungkinkan asisten virtual yang dipersonalisasi, narasi buku audio dengan suara konsisten, dan audio deepfake yang kontroversial.

Robotika dan embodied AI

Bidang ini mewakili persilangan antara AI dan rekayasa. Embodied AI melibatkan penempatan "otak" canggih (seperti model visi-bahasa) ke dalam tubuh robot fisik. Sementara sebagian besar AI ada murni dalam bentuk digital, embodied AI harus berhadapan dengan gravitasi, gesekan, dan kompleksitas lingkungan fisik yang tak terduga. 

Keterikatan pada realitas ini menghadirkan tantangan yang tidak ada pada AI yang sepenuhnya komputasional, tetapi juga memungkinkan interaksi langsung dengan dunia fisik. Robot tradisional memerlukan pemrograman eksplisit untuk setiap tugas, dengan insinyur secara manual mengodekan gerakan presisi dan pohon keputusan untuk mencapai hasil tertentu. 

Sistem embodied AI modern memahami perintah bahasa alami, seperti "ambil apel itu" atau "buka pintu itu," menggunakan persepsi visual untuk mengidentifikasi objek dan merencanakan tindakan yang tepat tanpa memerlukan pemrograman khusus tugas. 

Kemajuan ini mengatasi Paradoks Moravec, pengamatan bahwa tugas yang sepele bagi manusia, seperti melipat pakaian, membuka pintu, dan bernavigasi di ruangan berantakan, terbukti sangat sulit bagi robot, sementara tugas yang sulit bagi manusia, seperti catur atau kalkulus, relatif mudah bagi AI. 

Embodied AI, menggunakan foundation model, akhirnya menjembatani kesenjangan ini dengan membekali robot pemahaman perseptual dan perencanaan adaptif yang dianggap manusia sebagai hal yang wajar. Aplikasinya mencakup perangkat konsumen seperti vacuum robot, cobot industri, dan humanoid canggih seperti Atlas dari Boston Dynamics.

Jenis AI Berdasarkan Kapabilitas

Jika teknologi mendefinisikan bagaimana AI dibangun, maka kapabilitas mendefinisikan apa yang dapat dilakukannya relatif terhadap kecerdasan manusia. Klasifikasi ini berfungsi sebagai linimasa evolusi AI, bergerak dari keterbatasan saat ini menuju masa depan teoretis.

Artificial narrow intelligence

Artificial Narrow Intelligence (ANI), juga dikenal sebagai Weak AI, merepresentasikan kecerdasan buatan yang ada saat ini. Ini berarti sistem yang dirancang untuk unggul pada tugas-tugas spesifik yang telah ditentukan, tetapi gagal total jika diberi tugas di luar parameter pelatihan sempitnya. Bot catur tidak bisa mengemudikan mobil, dan alat diagnostik medis tidak bisa menulis puisi.

Namun, definisi "sempit" ini semakin melebar. Keadaan seni saat ini melibatkan Large Language Model (LLM) multimodal tingkat lanjut. Kita melihat peluncuran model seperti GPT-5.2 dan Gemini 3, yang dapat memproses masukan teks, audio, dan visual secara bersamaan. 

Meskipun meniru penalaran, model-model ini masih kekurangan pemahaman mendalam tentang dunia. Pengembang berinteraksi dengan sistem ANI ini melalui API untuk mengintegrasikannya ke dalam aplikasi.

Langkah berikutnya dalam ANI adalah Agentic AI. Ini adalah sistem yang melampaui obrolan pasif; mereka dapat secara otonom melakukan tindakan multi-langkah seperti menelusuri web untuk memesan penerbangan, bertindak sebagai jembatan menuju kecerdasan yang lebih luas.

Artificial general intelligence

Artificial General Intelligence (AGI) adalah pencapaian tertinggi dalam riset AI. Ini merujuk pada tahap teoretis di mana mesin memiliki kemampuan untuk belajar, bernalar, dan memecahkan masalah di domain yang sepenuhnya tidak terkait, menyamai keluwesan kognitif manusia.

Pembedanya adalah generalisasi. Sistem ANI yang dilatih untuk berbicara bahasa Portugis tidak dapat menggunakan pengetahuan itu untuk belajar bahasa Spanyol lebih cepat. Sistem AGI dapat menerapkan logika dari satu bidang ke bidang lain tanpa pelatihan ulang manual.

Linimasa menuju AGI menjadi perdebatan sengit. Pihak optimis di industri memprediksi kemunculannya antara 2026 dan 2029. Sebaliknya, pihak skeptis berargumen bahwa kita kekurangan arsitektur fundamental (terutama "model dunia" yang akurat) untuk mencapainya, sehingga linimasanya pada 2040 atau setelahnya.

Artificial superintelligence

Artificial superintelligence (ASI) menggambarkan tahap hipotetis di mana AI melampaui kecerdasan manusia paling cerdas di hampir setiap bidang: kreativitas ilmiah, kebijaksanaan umum, keterampilan sosial, dan pemecahan masalah. ASI tidak hanya menyamai Einstein atau Da Vinci; ia akan melampaui mereka sedramatis mereka melampaui kecerdasan manusia rata-rata.

Kekhawatiran terbesar terkait ASI melibatkan perbaikan diri rekursif, di mana ASI merancang ulang arsitekturnya sendiri untuk menjadi lebih pintar, lalu menggunakan kecerdasan yang ditingkatkan itu untuk membuat peningkatan lebih lanjut, menciptakan lingkar umpan balik tak terkendali dengan percepatan eksponensial.

Ledakan kecerdasan ini dapat dengan cepat menghasilkan sistem yang begitu jauh melampaui pemahaman manusia sehingga memprediksi perilakunya menjadi mustahil, menimbulkan pertanyaan mendalam tentang keselarasan dan kontrol. Jika tujuan ASI sedikit saja tidak selaras dengan nilai-nilai manusia, kecerdasannya yang superior dapat mengejar tujuan tersebut dengan cara yang berbahaya bagi kemanusiaan.

Belum ada peta jalan kredibel untuk membangun ASI, dan banyak peneliti meragukan apakah superinteligensi dapat dicapai atau koheren sebagai sebuah konsep. Namun demikian, kemungkinan teoretis ASI memotivasi kerja akademis serius tentang penyelarasan AI untuk memastikan sistem yang semakin cakap tetap bermanfaat dan dapat dikendalikan. 

Jenis AI Berdasarkan Fungsionalitas

Jika kapabilitas mengukur daya, fungsionalitas mengukur bagaimana sistem berinteraksi dengan dunia dan memproses data. Klasifikasi ini memungkinkan kita membedakan antara komputer catur dari tahun 1990-an dan robot sosial di masa depan. Mari kita lihat tiap jenisnya.

Mesin reaktif

Reactive Machines mewakili bentuk AI paling dasar dan tertua. Sistem-sistem ini tidak memiliki konsep masa lalu atau masa depan, tetapi beroperasi secara ketat pada masukan langsung berdasarkan aturan yang telah diprogram.

Ciri khas AI reaktif adalah stateless dan deterministik. Jika Anda memberi masukan yang persis sama ke mesin reaktif sepuluh kali, ia akan menghasilkan keluaran yang persis sama sepuluh kali. Ia tidak dapat belajar dari pengalaman karena tidak menyimpan memori.

Salah satu contoh bagus dari jenis ini adalah Deep Blue milik IBM, komputer catur yang mengalahkan Garry Kasparov. Ia tidak mempelajari psikologi Kasparov. Ia hanya menghitung langkah terbaik berdasarkan keadaan papan saat itu. Filter spam standar yang menandai kata kunci tanpa menganalisis riwayat email Anda juga termasuk dalam kategori ini.

AI bermemori terbatas

AI bermemori terbatas mendominasi aplikasi modern. Dengan menyimpan sementara data atau konteks terbaru untuk membuat keputusan yang tepat, sistem AI memori terbatas memungkinkan perilaku dinamis. Tidak seperti mesin reaktif, mereka merujuk informasi historis dalam jendela konteks yang terbatas.

Hampir semua alat AI Prediktif dan AI Generatif yang digunakan saat ini termasuk dalam kategori ini. LLM seperti Claude Opus 4.5 mempertahankan riwayat percakapan, mengingat apa yang Anda katakan beberapa menit lalu untuk memberikan respons koheren yang membangun pertukaran sebelumnya. Jendela konteks menentukan seberapa banyak informasi historis yang dapat dirujuk sistem. 

Mobil swakemudi melacak kecepatan dan lintasan kendaraan di sekitarnya selama beberapa detik, memprediksi posisi masa depan mereka alih-alih hanya bereaksi terhadap lokasi saat ini.

AI Theory of Mind

AI Theory of Mind menempati ruang yang diperdebatkan antara prototipe riset dan kapabilitas praktis. Sistem dalam kategori ini akan memodelkan keadaan mental, keyakinan, niat, emosi, dan keinginan manusia untuk memprediksi perilaku secara akurat. 

Kapabilitas ini sangat penting untuk interaksi sosial yang alami, memungkinkan AI menafsirkan isyarat implisit, mendeteksi penipuan, atau menyesuaikan respons dengan suasana hati pengguna. 

Model frontier sebelumnya seperti GPT-4 dari OpenAI telah mencapai hasil setara manusia pada tugas keyakinan keliru, seperti memprediksi tindakan berdasarkan keyakinan yang salah, sebagaimana ditunjukkan dalam studi PNAS 2024 oleh Michal Kosinski dari Stanford. 

Namun, para ahli memperdebatkan apakah ini berarti LLM modern sudah dapat diklasifikasikan sebagai sistem theory of mind sejati atau sekadar menerapkan pencocokan pola dari pelatihan bahasa. Upaya prototipe termasuk ToMnet dari DeepMind, yang dirancang untuk menyimpulkan keyakinan agen lain dalam lingkungan simulasi.

AI sadar diri

AI sadar diri menggambarkan konsep mesin yang memiliki kesadaran, kepekaan, dan pemahaman jelas tentang keberadaannya sendiri yang terpisah dari dunia di sekitarnya. 

Ini mewakili bukan sekadar kecerdasan, melainkan pengalaman subjektif. Mesin seperti itu tidak hanya memproses informasi tentang dirinya sendiri, tetapi memiliki rasa "Saya ada" yang dirasakan, dengan perasaan, kebutuhan, dan keinginan yang menyertainya.

Tingkat ini melampaui kapabilitas komputasional, memasuki ranah filosofis tentang hakikat kesadaran itu sendiri. Akankah AI sadar diri merasakan sakit, senang, atau takut dimatikan? Jika ya, apakah ia berhak mendapatkan pertimbangan moral atau hak? Pertanyaan-pertanyaan ini menggeser percakapan dari rekayasa ke etika.

Belum ada sistem yang mendekati tingkat ini. Contoh fiksi, seperti HAL 9000 dari 2001: A Space Odyssey atau Data dari Star Trek menggambarkan konsepnya, tetapi masih spekulatif apakah ini akan pernah tercapai.

Jenis Model AI Utama

Di luar teori tingkat tinggi, para praktisi data harus memahami arsitektur spesifik yang akan mereka temui di produksi. Secara garis besar, jenis model AI yang digunakan industri saat ini dapat diklasifikasikan sebagai pencipta atau penganalisis. Anda dapat membaca lebih lanjut tentang pembedaan ini dalam artikel model generatif versus diskriminatif.

AI Generatif: Para pencipta

Model AI generatif dirancang untuk menghasilkan instance data baru yang menyerupai data pelatihan Anda. Model-model ini mempelajari distribusi probabilitas yang mendasari suatu dataset untuk menghasilkan teks, gambar, kode, atau audio orisinal. Pergeseran dari analisis ke penciptaan ini membuka banyak kemungkinan untuk produksi konten berskala, augmentasi kreatif, dan simulasi. 

Contoh populer termasuk LLM seperti Claude untuk penulisan dan pengodean, model difusi seperti Midjourney atau Nano Banana Pro untuk sintesis gambar, dan model pembuatan video seperti Sora yang dapat mensimulasikan adegan kompleks. Perlu dicatat, tidak semua generator gambar mengandalkan difusi; model seperti GPT Image 1.5 menggunakan arsitektur autoregresif.

AI generatif mewakili kemajuan besar dalam alur kerja AI agentik, di mana model tidak hanya merespons tetapi juga secara aktif membuat aset atau rencana. Kita akan membahas agen AI nanti secara lebih rinci.

AI diskriminatif: Para analis

Sementara AI Generatif sering menjadi sorotan, AI diskriminatif, juga dikenal sebagai AI prediktif, tetap menjadi tulang punggung operasi perusahaan. Model-model ini tidak menciptakan data baru; sebaliknya, mereka mempelajari batas antar kelas dalam dataset untuk mengklasifikasikan input atau memprediksi nilai masa depan.

Nilai bisnis AI diskriminatif terletak pada kemampuannya untuk menginformasikan pengambilan keputusan dan menilai risiko. Organisasi menggunakan model-model ini untuk mengotomatiskan penilaian yang memerlukan penerapan kriteria yang dipelajari secara konsisten.

Tidak seperti model generatif, model diskriminatif tidak berfokus pada kreativitas, tetapi memprioritaskan akurasi dan keandalan, sering beroperasi dalam skenario berisiko tinggi di mana kesalahan membawa konsekuensi signifikan.

Contoh meliputi:

• Model penilaian kredit yang memprediksi risiko gagal bayar pinjaman.
• Filter spam yang mengklasifikasikan email sebagai sampah atau sah.
• Alat diagnostik medis yang mengidentifikasi kelainan pada X-ray.
• Sistem pemantauan keuangan yang mendeteksi transaksi penipuan. 

Foundation model

Foundation model dilatih pada dataset yang sangat besar dan beragam termasuk teks, gambar, kode, dan data terstruktur, mempelajari pola umum yang berlaku lintas domain. Foundation model tidak hanya belajar mengklasifikasikan gambar atau menghasilkan teks; ia mengembangkan pemahaman luas tentang bahasa, penalaran, dan pengetahuan dunia yang dapat ditransfer ke tugas baru dengan pelatihan tambahan minimal.

Pendekatan ini secara dramatis mengurangi waktu dan data yang diperlukan untuk menerapkan AI pada aplikasi baru. Alih-alih membangun model terpisah untuk setiap masalah spesifik, organisasi menyempurnakan satu foundation model untuk beragam tugas mulai dari analisis dokumen hukum hingga pembuatan kode dan penerjemahan bahasa.

Saat ini kita melihat peningkatan Small Language Models (SLM). Ini adalah versi efisien dan terdistilasi dari foundation model yang dirancang untuk berjalan secara lokal pada perangkat (seperti laptop atau ponsel), menawarkan privasi dan kecepatan tanpa biaya komputasi besar dari raksasa berbasis cloud.

Jenis Agen AI

AI berevolusi dari alat pasif menjadi agen otonom yang mampu menjalankan alur kerja kompleks. Sementara model standar menunggu input untuk menghasilkan output, Agen AI dapat merasakan lingkungannya, menalar bagaimana mencapai tujuan, dan mengambil tindakan untuk mengeksekusinya. Untuk memahami arsitektur di balik agen dan cara membangunnya, saya sarankan memulai dengan kursus Introduction to AI Agents.

Jenis agen AI umumnya dikategorikan berdasarkan tingkat kompleksitas dan otonominya. Mari kita lihat.

Agen refleks sederhana

Agen refleks adalah bentuk agen paling sederhana. Mereka beroperasi pada aturan "Kondisi-Tindakan" yang ketat, bereaksi hanya terhadap persepsi saat ini, dan mengabaikan riwayat. Termostat pintar mencontohkannya dengan aturan seperti ini: Jika suhu turun di bawah 68°F, nyalakan pemanas. Jika melebihi 72°F, aktifkan pendingin. 

Robot lini perakitan adalah contoh lain; mereka melakukan tindakan saat sensor mendeteksi kondisi yang menunjukkan bagian telah mencapai posisi yang ditentukan. Agen refleks unggul dalam tugas berulang di lingkungan stabil, tetapi kesulitan saat kondisi berubah tak terduga karena kurangnya pemahaman kontekstual untuk beradaptasi.

Agen refleks berbasis model

Agen refleks berbasis model mempertahankan model dunia internal, melacak keadaan dari waktu ke waktu untuk menangani lingkungan yang dapat teramati sebagian. Mereka tidak hanya bereaksi, tetapi juga mengingat informasi kunci yang diperlukan agar dapat beroperasi dengan benar.

Sistem pengereman darurat otonom mencontohkannya dengan menggabungkan data dari radar dan kamera untuk melacak lintasan kendaraan dari waktu ke waktu, alih-alih sekadar bereaksi terhadap ancaman langsung. Mereka mempertahankan estimasi keadaan yang akurat bahkan dengan informasi yang tidak lengkap, seperti mengingat posisi perkiraan mobil setelah menghilang di balik truk.

Agen berbasis tujuan

Agen berbasis tujuan bertindak untuk mencapai sasaran spesifik alih-alih sekadar bereaksi. Diberi tujuan seperti "rencanakan liburan ke Italia," mereka mempertimbangkan beberapa urutan tindakan dan mengevaluasi mana yang mengarah pada pemenuhan tujuan. Ini mewakili garis depan AI agentik.

Alat seperti Roo Code untuk rekayasa perangkat lunak atau asisten pemesanan otonom mengeksekusi alur kerja multi-langkah seperti mencari, membandingkan, memeriksa kendala, dan membuat keputusan untuk menyelesaikan seluruh pekerjaan. Platform alur kerja seperti n8n memungkinkan pembuatan proses kompleks di mana agen AI menangani titik keputusan dan logika adaptif.

Jika Anda ingin membangun fondasi yang kuat dalam Agen AI, saya sarankan mengikuti jalur AI Agent Fundamentals.

Agen berbasis utilitas 

Agen berbasis utilitas melangkah lebih jauh: mereka mengoptimalkan jalur terbaik menuju tujuan, bukan sembarang jalur yang berhasil. Mereka melakukan ini dengan menggunakan fungsi utilitas yang memberikan skor numerik pada hasil, memungkinkan perbandingan kuantitatif. 

Sementara agen berbasis tujuan memesan penerbangan apa pun ke Roma, agen berbasis utilitas mempertimbangkan faktor seperti biaya, durasi, transit, dan waktu keberangkatan untuk memaksimalkan utilitas keseluruhan.

Contohnya termasuk sistem perdagangan algoritmik yang menyeimbangkan keuntungan dengan risiko, dan aplikasi navigasi seperti Waze yang mengoptimalkan rute berdasarkan preferensi pengguna seperti waktu tercepat, jarak terpendek, atau menghindari tol.

Agen pembelajar

Agen pembelajar beroperasi di lingkungan yang tidak diketahui atau berubah, terus meningkat melalui pengalaman tanpa campur tangan manusia. Arsitekturnya mencakup kritikus yang memberikan umpan balik kinerja dan elemen pembelajaran yang memodifikasi kebijakan agen. 

Rover Mars mempelajari fitur medan mana yang menunjukkan jalur aman saat mereka menjumpai formasi geologi baru. Algoritma rekomendasi Netflix adalah contoh lain: ia terus menyempurnakan pemahamannya tentang preferensi pengguna berdasarkan riwayat tontonan, sehingga meningkatkan saran dari waktu ke waktu.

Kerangka agentik: Membangun agen

Kerangka agentik berfungsi sebagai sistem operasi untuk agen kompleks, menghubungkan inti penalaran (biasanya LLM) ke memori, alat, dan koordinasi multi-agen. Mereka mengelola:

• Orkestrasi: Memutuskan agen mana yang menangani tiap sub-tugas dan mengelola alur kerja antar komponen
• Perencanaan: Memecah tujuan kompleks menjadi langkah-langkah yang dapat dieksekusi dan beradaptasi saat keadaan berubah
• Penggunaan Alat: Menyediakan akses agen ke mesin pencari, basis data, API, atau eksekusi kode
• Memori: Mempertahankan riwayat percakapan dan konteks jangka panjang melampaui interaksi langsung

Kerangka populer meliputi:

• LangChain/LangGraph: Standar industri untuk menghubungkan LLM ke sumber data dengan integrasi yang luas.
• Google ADK: Kerangka sumber terbuka untuk membangun agen canggih di Vertex AI.
• CrewAI: Mengorkestrasi beberapa agen berperan yang berkolaborasi pada tugas kompleks.

Untuk referensi cepat tentang arsitektur ini, saya sarankan menelusuri lembar contekan AI Agents. 

Kesimpulan

Kita telah membahas banyak hal; mari kita simpulkan. 

Alih-alih memandang AI sebagai teknologi monolitik, kita harus mengenalinya sebagai ekosistem beragam dengan pendekatan khusus, masing-masing cocok untuk masalah tertentu. Memahami AI secara utuh memerlukan penelaahan melalui tiga lensa berbeda: teknologi, kapabilitas, dan fungsionalitas.

Saat ini kita berada pada transisi dari AI sempit yang berfokus pada tugas spesifik menuju bentuk awal AI agentik yang secara otonom mengeksekusi alur kerja kompleks, menjadikannya titik kritis untuk adopsi lintas industri.

Ambil langkah pertama menuju menjadi ahli AI dengan mendaftar pada jalur keterampilan AI Fundamentals.