Apa itu Google Gemini? Semua yang Perlu Anda Ketahui tentang Penantang ChatGPT dari Google

Google baru-baru ini merilis model AI Generatif terbarunya, Gemini. Ini adalah hasil kolaborasi berbagai tim di Google, termasuk anggota Google Research.

Model ini, yang disebut Google sebagai AI paling andal dan serbaguna yang pernah mereka kembangkan sejauh ini, dirancang bersifat multimodal. Artinya, Gemini dapat memahami berbagai jenis data seperti teks, audio, gambar, video, dan kode.

Pada sisa artikel ini, kami akan membahas:

• Apa itu Gemini?
• Apa saja versi Gemini?
• Bagaimana cara mengakses Gemini?
• Mengelola Tolok Ukur Gemini
• Gemini vs. GPT-4
• Contoh Penggunaan Gemini

Apa itu Google Gemini?

Pada 6 Desember 2023, Google DeepMind mengumumkan Gemini 1.0. Saat dirilis, Google menggambarkannya sebagai kumpulan Model Bahasa Besar (LLM) mereka yang paling canggih, sehingga menggantikan Pathways Langauge Model (PaLM 2) yang memulai debutnya pada Mei di tahun yang sama.

Gemini mendefinisikan keluarga LLM multimodal yang mampu memahami teks, gambar, video, dan audio. Disebutkan juga mampu melakukan tugas kompleks dalam matematika dan fisika, serta menghasilkan kode berkualitas tinggi dalam sejumlah bahasa pemrograman.

Fakta menarik: Sergey Brin, salah satu pendiri Google, tercatat sebagai salah satu kontributor model Gemini.

Hingga saat ini, prosedur standar untuk mengembangkan model multimodal terdiri dari melatih komponen individual untuk berbagai modalitas dan kemudian menyusunnya agar meniru sebagian fungsionalitas. Model seperti itu kadang unggul dalam tugas tertentu, seperti mendeskripsikan gambar, tetapi kesulitan dalam penalaran yang lebih canggih dan kompleks.

Gemini dirancang secara native multimodal; karenanya, ia dipra-latih pada beberapa modalitas sejak awal. Untuk menyempurnakan efektivitasnya, Google melakukan fine-tuning dengan data multimodal tambahan.

Akibatnya, menurut Sundar Pichai, CEO Google dan Alphabet, serta Demis Hassabis, CEO dan salah satu pendiri Google DeepMind, Gemini jauh lebih andal daripada model multimodal yang ada dalam memahami dan menalar berbagai masukan sejak dari awal. Mereka juga menyatakan bahwa kemampuan Gemini adalah “terkini di hampir setiap domain.”

Fitur Utama Google Gemini

Fitur utama model Gemini mencakup:

1. Memahami teks, gambar, audio, dan lainnya

AI multimodal adalah paradigma AI baru yang tengah berkembang, di mana berbagai jenis data digabungkan dengan beragam algoritma untuk mencapai kinerja yang lebih tinggi. Gemini memanfaatkan paradigma ini, artinya ia terintegrasi baik dengan berbagai tipe data. Anda dapat memasukkan gambar, audio, teks, dan tipe data lainnya, menghasilkan interaksi AI yang lebih alami.

2. Keandalan, skalabilitas, dan efisiensi

Gemini memanfaatkan chip TPUv5 milik Google, sehingga dikabarkan lima kali lebih kuat daripada GPT-4. Pemrosesan yang lebih cepat membuat Gemini mampu menangani tugas kompleks dengan relatif mudah dan menangani banyak permintaan secara bersamaan.

3. Penalaran canggih

Gemini dilatih pada kumpulan data teks dan kode yang sangat besar. Ini memastikan model dapat mengakses informasi terbaru serta memberikan respons yang akurat dan andal terhadap pertanyaan Anda. Menurut Google, model ini melampaui OpenAI GPT-4 dan manusia tingkat “ahli” dalam berbagai tes kecerdasan (misalnya tolok ukur MMLU).

4. Kemampuan coding tingkat lanjut

Gemini 1.0 dapat memahami, menjelaskan, dan menghasilkan kode berkualitas tinggi dalam bahasa pemrograman yang paling banyak digunakan, seperti Python, Java, C++, dan Go – menjadikannya salah satu model fondasi terdepan untuk coding secara global.

Model ini juga unggul dalam sejumlah tolok ukur pemrograman, termasuk HumanEval, standar industri yang sangat dihargai untuk mengevaluasi kinerja pada tugas pengkodean; model ini juga tampil baik pada dataset internal Google yang ditahan, yang memanfaatkan kode buatan penulis alih-alih informasi dari web.

5. Tanggung jawab dan keamanan

Perlindungan baru ditambahkan ke Prinsip AI dan kebijakan Google untuk mengakomodasi kemampuan multimodal Gemini. Google mengatakan, “Gemini memiliki evaluasi keamanan paling komprehensif dari semua model AI Google hingga saat ini, termasuk untuk bias dan toksisitas.” Mereka juga mengatakan telah “melakukan riset baru tentang area risiko potensial seperti serangan siber, persuasi, dan otonomi, serta menerapkan teknik pengujian adversarial terbaik dari Google Research untuk membantu mengidentifikasi isu-isu keselamatan kritis sebelum penerapan Gemini.”

Apa Saja Versi Gemini?

Google mengatakan Gemini, penerus LaMDA dan PaLM 2, adalah “model paling fleksibel sejauh ini — mampu berjalan secara efisien mulai dari pusat data hingga perangkat seluler.” Mereka juga meyakini kemampuan terkini Gemini akan meningkatkan cara pengembang dan klien bisnis membangun dan menskalakan dengan AI.

Versi pertama Gemini, yang tak mengherankan bernama Gemini 1.0, dirilis dalam tiga ukuran berbeda:

• Gemini Nano — Gemini Nano adalah model paling efisien untuk tugas di perangkat yang memerlukan pemrosesan AI efisien tanpa terhubung ke server eksternal. Dengan kata lain, ini dirancang untuk berjalan di smartphone, khususnya Google Pixel 8.
• Gemini Pro — Gemini Pro adalah model optimal untuk penskalaan di berbagai tugas. Ini dirancang untuk menjalankan Bard, chatbot AI terbaru Google; sehingga dapat memahami kueri kompleks dan merespons dengan cepat.
• Gemini Ultra — Gemini Ultra adalah model terbesar dan paling andal untuk tugas kompleks, melampaui hasil terkini pada 30 dari 32 tolok ukur yang umum digunakan untuk riset dan pengembangan model bahasa besar (LLM).

Bagaimana Cara Mengakses Gemini?

Sejak 13 Desember 2023, pengembang dan pelanggan perusahaan dapat mengakses Gemini Pro melalui API Gemini di Google AI Studio atau Google Cloud Vertex AI. 

Perlu diketahui, Google AI Studio adalah IDE berbasis peramban yang tersedia gratis yang dapat digunakan pengembang untuk membuat prototipe model generatif dan dengan mudah meluncurkan aplikasi menggunakan kunci API. Google Cloud Vertex, di sisi lain, adalah platform AI terkelola penuh yang menawarkan semua alat yang diperlukan untuk membangun dan menggunakan AI generatif. Menurut Google, “Vertex AI memungkinkan kustomisasi Gemini dengan kontrol data penuh dan memanfaatkan fitur tambahan Google Cloud untuk keamanan, keselamatan, privasi, tata kelola data, dan kepatuhan tingkat perusahaan.”

Melalui AICore, fitur sistem baru pada Android 14, pengembang Android, mulai dari perangkat Pixel 8 Pro, dapat membangun dengan Gemini Nano, model paling efisien untuk tugas di perangkat.

Mengulas Tolok Ukur Gemini

Model Gemini menjalani pengujian ekstensif untuk menilai kinerjanya di berbagai tugas sebelum dirilis. Google mengatakan model Gemini Ultra mengungguli hasil terkini yang ada pada 30 dari 32 tolok ukur akademis yang umum digunakan untuk riset dan pengembangan Model Bahasa Besar (LLM). Perlu dicatat bahwa tugas-tugas ini berkisar dari pemahaman gambar, audio, dan video alami hingga penalaran matematis.

Dalam unggahan blog pengantar Gemini, Google mengklaim Gemini Ultra adalah model pertama yang melampaui pakar manusia pada Massive Multitask Language Understanding (MMLU) dengan skor 90,0%. Perlu diketahui bahwa MMLU mencakup 57 subjek berbeda, termasuk matematika, fisika, sejarah, hukum, kedokteran, dan etika, untuk menilai kemampuan memecahkan masalah dan pemahaman umum tentang dunia.

Metode tolok ukur MMLU yang baru memungkinkan Gemini membuat peningkatan signifikan alih-alih hanya mengandalkan kesan pertama dengan menggunakan kekuatan penalarannya untuk mempertimbangkan lebih matang sebelum menjawab pertanyaan yang menantang.

Berikut performa Gemini pada tugas teks:

Temuan menunjukkan Gemini melampaui kinerja terkini pada berbagai tolok ukur, termasuk teks dan pengkodean. [Sumber]

Model Gemini Ultra juga mencapai tingkat terkini pada tolok ukur baru Massive Multidiscipline Multimodal Understanding (MMMU) dengan skor 59,4%. Penilaian ini terdiri dari tugas multimodal di berbagai domain yang memerlukan penalaran yang matang.

Google mengatakan, “Dengan tolok ukur gambar yang kami uji, Gemini Ultra melampaui model-model terkini sebelumnya tanpa bantuan sistem optical character recognition (OCR) yang mengekstraksi teks dari gambar untuk pemrosesan lebih lanjut.”

Temuan menunjukkan Gemini juga melampaui kinerja terkini pada berbagai tolok ukur multimodal. [Sumber]

Tolok ukur yang ditetapkan Gemini menunjukkan kemultimodalan bawaan model dan memberikan bukti awal kemampuannya untuk penalaran yang lebih canggih.

Gemini vs. GPT-4

Pertanyaan jelas yang biasanya muncul berikutnya adalah, “Bagaimana perbandingan Gemini dengan GPT-4?”

Kedua model memiliki seperangkat fitur yang serupa dan dapat berinteraksi dengan serta menafsirkan data teks, gambar, video, audio, dan kode, sehingga memungkinkan pengguna menerapkannya pada berbagai tugas.

Pengguna kedua alat memiliki opsi untuk melakukan cek fakta, namun cara mereka menyediakan fungsionalitas ini berbeda. Jika GPT-4 dari OpenAI menyediakan tautan sumber untuk klaim yang dibuatnya, Gemini memungkinkan pengguna melakukan pencarian Google untuk mengonfirmasi respons dengan mengklik sebuah tombol.

Kedua model juga dapat ditingkatkan dengan ekstensi tambahan, meskipun, pada saat penulisan, model Gemini dari Google jauh lebih terbatas.

Sebagai contoh, dimungkinkan untuk memanfaatkan alat Google seperti penerbangan, Maps, YouTube, dan rangkaian aplikasi Workspace mereka dengan Gemini. Sebaliknya, tersedia pilihan plugin dan ekstensi yang jauh lebih besar untuk GPT-4 milik OpenAI, yang sebagian besar dibuat oleh pihak ketiga. Pembuatan gambar secara langsung juga dimungkinkan dengan GPT-4; Gemini dirancang mampu melakukan fungsi tersebut, tetapi pada saat penulisan, belum dapat.

Di sisi lain, waktu respons Gemini lebih cepat dibandingkan GPT-4, yang sesekali dapat melambat atau bahkan terhenti sepenuhnya karena banyaknya pengguna di platform.

Contoh Penggunaan Gemini

Model Gemini dari Google dapat melakukan berbagai tugas di sejumlah modalitas, seperti pemahaman teks, audio, gambar, dan video.

Menggabungkan berbagai modalitas untuk memahami dan menghasilkan keluaran juga dimungkinkan karena sifat multimodal Gemini.

Contoh kasus penggunaan Gemini meliputi:

Ringkasan teks

Model Gemini dapat meringkas konten dari berbagai jenis data. Menurut makalah riset berjudul GEMINI: Controlling The Sentence-Level Summary Style in Abstractive Text Summarization, model Gemini “mengintegrasikan penulisan ulang dan generator untuk meniru teknik penulisan ulang kalimat dan abstraksi.”

Dengan kata lain, Gemini secara adaptif memilih apakah akan menulis ulang sebuah kalimat dokumen tertentu atau menghasilkan kalimat ringkasan sepenuhnya dari awal. Temuan eksperimen mengungkapkan pendekatan yang digunakan Gemini mengungguli baseline abstraktif murni dan penulisan ulang pada tiga dataset tolok ukur, meraih hasil terbaik di WikiHow.

Generasi teks

Gemini dapat menghasilkan keluaran berbasis teks sebagai respons terhadap prompt pengguna — teks ini juga dapat dipandu melalui antarmuka chatbot gaya tanya jawab. Dengan demikian, Gemini dapat diterapkan untuk menangani pertanyaan pelanggan dan memberikan bantuan secara alami namun menarik, yang dapat membebaskan tanggung jawab agen manusia untuk fokus pada tugas yang lebih kompleks dan meningkatkan kepuasan pelanggan.

Model ini juga dapat digunakan untuk penulisan kreatif, seperti menulis bersama novel, menulis puisi dalam berbagai gaya, atau menghasilkan naskah untuk film dan drama. Hal ini dapat meningkatkan produktivitas penulis kreatif secara signifikan dan mengurangi ketegangan akibat kebuntuan ide.

Penerjemahan teks & pemrosesan audio

Dengan kemampuan multibahasa yang luas, model Gemini dapat memahami dan menerjemahkan lebih dari 100 bahasa. Menurut Google, Gemini melampaui kinerja terkini Chat GPT-4V “pada berbagai tolok ukur multimodal,” seperti pengenalan ucapan otomatis (ASR) dan penerjemahan ucapan otomatis.

Pemrosesan gambar & video

Gemini dapat memahami dan menafsirkan gambar, sehingga cocok untuk penugasan pembuatan keterangan gambar dan tanya jawab visual. Model ini juga dapat mengurai visual yang kompleks, termasuk diagram, gambar, dan bagan, tanpa memerlukan alat OCR eksternal.

Analisis dan pembuatan kode

Pengembang dapat menggunakan Gemini untuk menyelesaikan tugas pengkodean yang kompleks dan melakukan debug kode mereka. Model ini mampu memahami, menjelaskan, dan menghasilkan dalam bahasa pemrograman yang paling sering digunakan, seperti Python, Java, C++, dan Go.

Kesimpulan

Kumpulan Model Bahasa Besar (LLM) multimodal baru dari Google, Gemini, adalah penerus LaMDA dan PaLM 2. Mereka menggambarkannya sebagai kumpulan LLM paling canggih yang mampu memahami teks, gambar, video, audio, serta tugas kompleks seperti matematika dan fisika. Gemini juga mampu menghasilkan kode berkualitas tinggi dalam banyak bahasa pemrograman paling populer.

Model ini telah mencapai kemampuan terkini di berbagai tugas, dan banyak pihak di Google meyakini ini mewakili lompatan besar dalam bagaimana AI dapat membantu meningkatkan kehidupan kita sehari-hari.

Lanjutkan pembelajaran Anda dengan sumber daya berikut:

• LlamaIndex: Menambahkan Data Pribadi ke LLM
• 10 Alternatif ChatGPT Teratas yang Bisa Anda Coba Hari Ini
• Pengantar ChatGPT

Dan sebelum Anda pergi, jangan lupa berlangganan channel YouTube kami. Kami memiliki konten menarik untuk semua topik paling relevan dan tren, termasuk tutorial tentang cara membangun aplikasi multimodal dengan Gemini, jadi silakan dilihat.