Narrow AI, juga dikenal sebagai Weak AI, mengacu pada sistem kecerdasan buatan yang dirancang untuk menjalankan tugas tertentu dan beroperasi dalam serangkaian batasan yang terbatas.
Penjelasan Narrow AI
Narrow AI menjalankan tugas-tugas spesifik, seperti pengenalan suara atau analisis gambar. Ini adalah jenis AI yang paling umum kita temui dalam kehidupan sehari-hari. Contohnya termasuk asisten suara di ponsel kita seperti Siri dan Google Assistant, algoritma rekomendasi yang digunakan oleh Netflix dan Amazon, serta AI yang menjalankan kendaraan otonom.
Narrow AI dirancang untuk melakukan tugas yang biasanya memerlukan kecerdasan manusia, namun beroperasi dalam batasan yang terbatas dan spesifik pada tugas. Sistem ini tidak memiliki pemahaman atau kesadaran; alih-alih, ia mengikuti aturan yang telah diprogram sebelumnya atau mempelajari pola dari data. Misalnya, Narrow AI yang dirancang untuk pengenalan gambar dapat mengidentifikasi objek dalam gambar karena telah dilatih pada himpunan data gambar dengan objek berlabel, bukan karena memahami apa itu objek.
Istilah "Narrow AI" digunakan untuk membedakan jenis AI ini dari Artificial General Intelligence (AGI), juga dikenal sebagai Strong AI. AGI mengacu pada jenis AI yang memiliki kemampuan untuk memahami, belajar, dan menerapkan pengetahuan di beragam tugas, mirip seperti manusia. Sebaliknya, Narrow AI dirancang untuk tugas-tugas spesifik dan tidak memiliki kemampuan untuk melakukan tugas di luar cakupan yang dirancang.
Narrow AI digunakan karena dapat menjalankan tugas-tugas tertentu dengan lebih efisien dan akurat dibanding manusia. Sistem ini dapat bekerja 24/7 tanpa jeda, tidak memerlukan gaji, dan dapat memproses sejumlah besar data dengan cepat. Narrow AI sangat berguna untuk tugas-tugas yang repetitif, memakan waktu, atau berbahaya bagi manusia.
Contoh Penerapan Narrow AI di Dunia Nyata
Narrow AI digunakan di banyak bidang, misalnya:
- Asisten suara. Siri, Alexa, dan Google Assistant adalah contoh Narrow AI yang dirancang untuk memahami dan menanggapi perintah suara, melakukan tugas seperti menyetel alarm, melakukan panggilan telepon, dan menjawab pertanyaan.
- Sistem rekomendasi. Algoritma rekomendasi yang digunakan oleh platform seperti Netflix, Amazon, dan Spotify adalah contoh Narrow AI. Algoritma ini menganalisis perilaku dan preferensi pengguna untuk merekomendasikan film, produk, atau lagu.
- Penyaringan email. Layanan email seperti Gmail menggunakan Narrow AI untuk menyaring email spam dan mengategorikan email masuk ke folder yang berbeda.
- Perkiraan cuaca. Memprediksi suhu, curah hujan, dan kondisi lainnya berdasarkan data iklim
Apa Manfaat Narrow AI?
Narrow AI menawarkan beberapa keunggulan:
- Efisiensi. Sistem Narrow AI dapat menjalankan tugas-tugas spesifik dengan lebih efisien dan akurat dibanding manusia, sehingga mengurangi waktu dan upaya yang diperlukan untuk menyelesaikannya.
- Ketersediaan. Berbeda dengan manusia, sistem Narrow AI dapat bekerja 24/7 tanpa jeda, memberikan layanan secara terus-menerus. Sistem ini juga mudah diskalakan naik atau turun untuk menyesuaikan permintaan atas suatu tugas.
- Pengurangan kesalahan manusia. Dengan mengotomatisasi tugas, Narrow AI dapat membantu mengurangi kemungkinan terjadinya kesalahan manusia.
- Peningkatan keselamatan. Di industri tertentu, seperti manufaktur atau transportasi, Narrow AI dapat membantu meningkatkan keselamatan dengan mengambil alih tugas-tugas berbahaya atau repetitif yang dapat membahayakan pekerja manusia.
Apa Keterbatasan Narrow AI?
Terlepas dari manfaatnya, Narrow AI memiliki sejumlah keterbatasan:
- Kurangnya fleksibilitas. Sistem Narrow AI dirancang untuk tugas-tugas spesifik dan tidak dapat menjalankan tugas di luar cakupan yang dirancang. Salah satu contohnya terlihat pada sistem pengenalan ucapan. Sistem ini dirancang untuk mengenali dan mentranskripsikan ucapan manusia, tetapi dapat kesulitan dengan aksen atau dialek yang berada di luar cakupan yang dirancang. Misalnya, sistem pengenalan ucapan yang dirancang untuk bahasa Inggris Amerika mungkin kesulitan mentranskripsikan dengan akurat aksen Skotlandia, sehingga menimbulkan kesalahan transkripsi.
- Bergantung pada data. Kinerja sistem Narrow AI sangat bergantung pada kualitas dan kuantitas data yang digunakan untuk pelatihan. Misalnya, dalam ranah pengenalan wajah, jika sistem AI dilatih pada himpunan data yang kurang beragam, sistem tersebut dapat kesulitan mengenali wajah individu dari ras atau etnis tertentu secara akurat. Hal ini dapat menyebabkan hasil yang bias atau tidak akurat, yang dapat berdampak serius di bidang seperti penegakan hukum dan keamanan.
- Ketiadaan pemahaman. Sistem Narrow AI sebenarnya tidak memahami tugas yang dilakukannya. Sistem hanya mengikuti instruksi yang telah diprogram atau pola yang dipelajari dari data. Dalam bidang diagnosis medis, sistem AI mungkin dilatih pada himpunan data besar berisi citra medis dan mampu mengidentifikasi pola atau kelainan tertentu dengan akurat. Namun, sistem tersebut mungkin tidak benar-benar memahami mekanisme biologis mendasar atau konteks klinis di balik pola-pola tersebut, yang dapat menyebabkan salah diagnosis atau rekomendasi pengobatan yang tidak tepat. Hal ini menyoroti pentingnya memastikan bahwa sistem AI dikembangkan dan diuji bersama pakar medis yang dapat memberikan konteks yang diperlukan dan menafsirkan hasilnya.
Masa Depan Narrow AI dan Risikonya
Narrow AI ada di mana-mana: di ponsel, mobil, dan tempat kerja kita. Kita menjadi bergantung padanya karena memudahkan hidup kita. Selain itu, Narrow AI terus berkembang, membawa kita ke ambang kecerdasan umum artifisial.
Saya mengembangkan aplikasi Narrow AI hampir setiap minggu untuk blog dan tujuan penelitian saya. Model klasifikasi tabular adalah model Narrow AI yang paling dikenal. Selain itu, saya telah mengerjakan peramalan deret waktu, klasterisasi, visi komputer, Natural Language Processing, dan model pengenalan ucapan. Jika Anda ingin mempelajari lebih lanjut tentang Klasifikasi dalam Machine Learning, Anda dapat memperoleh pengalaman langsung membangun model Narrow AI.
Model bahasa besar seperti GPT-3.5 Turbo dan GPT-4, yang lebih cakap memahami konteks manusia, telah mentransformasi lingkungan kerja kita. Perusahaan kini mengintegrasikan teknologi ini di tempat kerja, membuat karyawan lebih efisien.
Meski Narrow AI memiliki potensi manfaat, ada juga risiko besar terkait bias, kurangnya keterjelasan model, keandalan, keselamatan, dan dampak pada pekerjaan. Penilaian risiko yang komprehensif dan praktik AI yang bertanggung jawab akan menjadi kunci untuk mengurangi bahaya ini seiring Narrow AI semakin meresap ke dalam kehidupan dan tempat kerja kita.
Model Narrow AI ini kini bertransisi menjadi sistem multimodal yang dapat memahami dan memproses berbagai jenis masukan. Hal ini membantu mengatasi keterbatasan mendasarnya dan membuatnya lebih cerdas serta bernilai. Pelajari teknologi multimodal dengan membaca Kabar Terbaru tentang OpenAI, Google AI, dan Implikasinya bagi Data Science.
Ingin mempelajari lebih lanjut tentang AI dan machine learning? Lihat sumber berikut:
FAQ
Apa perbedaan antara Narrow AI dan Artificial General Intelligence (AGI)?
Sementara Narrow AI dirancang untuk menjalankan tugas-tugas spesifik, AGI mengacu pada sistem AI yang memiliki kemampuan untuk memahami, belajar, dan menerapkan pengetahuan di berbagai macam tugas, mirip seperti manusia.
Dapatkah Narrow AI menjadi AGI?
Saat ini, belum. Walaupun Narrow AI mengalami kemajuan signifikan, pengembangan AGI, yaitu AI dengan kemampuan kognitif luas yang mirip manusia, tetap menjadi tantangan kompleks dan topik penelitian yang terus berlangsung.
Apa saja contoh Narrow AI?
Narrow AI ada di mana-mana dalam kehidupan sehari-hari. Contohnya termasuk asisten suara seperti Siri dan Alexa, sistem rekomendasi yang digunakan oleh Netflix dan Amazon, serta sistem penyaringan email yang digunakan oleh Gmail.
Sebagai data scientist tersertifikasi, saya bersemangat memanfaatkan teknologi mutakhir untuk menciptakan aplikasi machine learning yang inovatif. Dengan latar belakang kuat di pengenalan ucapan, analisis dan pelaporan data, MLOps, conversational AI, dan NLP, saya mengasah keterampilan dalam mengembangkan sistem cerdas yang berdampak nyata. Selain keahlian teknis, saya juga komunikator andal yang mampu menyederhanakan konsep kompleks menjadi bahasa yang jelas dan ringkas. Karena itu, saya menjadi blogger yang dicari di bidang data science, membagikan wawasan dan pengalaman kepada komunitas profesional data yang terus berkembang. Saat ini, saya berfokus pada pembuatan dan penyuntingan konten, bekerja dengan large language model untuk mengembangkan konten yang kuat dan menarik agar membantu bisnis dan individu memaksimalkan data mereka.
