Filosofi AI untuk Mereka yang Membenci Filosofi

Pilihan Praktis

Kebanyakan orang menganggap filosofi kecerdasan buatan sebagai perdebatan tentang apakah robot memiliki jiwa. Ini adalah kesalahan yang membuang-buang waktu dan mengaburkan risiko nyata. Dalam dunia profesional, filosofi teknologi ini sebenarnya adalah diskusi tentang kewajiban, akurasi, dan biaya tenaga kerja manusia. Ini tentang siapa yang bertanggung jawab ketika sebuah model membuat kesalahan yang merugikan perusahaan jutaan dolar. Ini tentang apakah seorang pekerja kreatif memiliki hak atas gaya yang telah mereka sempurnakan selama puluhan tahun. Kita sedang beralih dari era bertanya-tanya apakah mesin bisa berpikir. Kita sekarang berada di era memutuskan seberapa besar kita mempercayai mereka untuk bertindak atas nama kita. Pergeseran industri baru-baru ini telah beralih dari chat bot yang melontarkan lelucon menjadi agen yang dapat memesan penerbangan dan menulis kode. Perubahan ini memaksa kita untuk menghadapi mekanisme kepercayaan daripada misteri kesadaran. Jika Anda membenci filosofi, anggaplah ini sebagai serangkaian negosiasi kontrak. Anda menetapkan persyaratan untuk jenis karyawan baru yang tidak pernah tidur tetapi sering berhalusinasi. Tujuannya adalah membangun kerangka kerja di mana manfaat kecepatan tidak melebihi risiko kegagalan sistem total.

Mekanisme Logika Mesin

Untuk memahami keadaan industri saat ini, Anda harus mengabaikan istilah pemasaran. Large language model bukanlah otak. Ini adalah peta statistik bahasa manusia yang sangat besar. Saat Anda mengetik prompt, sistem tidak memikirkan pertanyaan Anda. Sistem menghitung kata mana yang paling mungkin mengikuti kata sebelumnya berdasarkan triliunan contoh. Inilah sebabnya sistem ini sangat bagus dalam puisi tetapi sangat buruk dalam matematika dasar. Mereka memahami pola bagaimana orang berbicara tentang angka, tetapi mereka tidak memahami logika angka itu sendiri. Perbedaan ini sangat penting bagi siapa pun yang menggunakan alat ini dalam lingkungan bisnis. Jika Anda memperlakukan output sebagai catatan faktual, Anda menggunakan alat tersebut secara tidak benar. Ini adalah synthesizer kreatif, bukan database. Kebingungan sering muncul dari seberapa baik model ini meniru empati manusia. Mereka bisa terdengar ramah, frustrasi, atau membantu, tetapi ini hanyalah cermin linguistik. Mereka mencerminkan nada data yang digunakan untuk melatih mereka.

Pergeseran yang kita lihat baru-baru ini melibatkan langkah menuju pembumian model-model ini dalam data dunia nyata. Alih-alih membiarkan model menebak jawaban, perusahaan sekarang menghubungkannya ke file internal mereka sendiri. Ini mengurangi kemungkinan model mengarang sesuatu. Ini juga mengubah taruhan percakapan. Kita tidak lagi bertanya apa yang diketahui model. Kita bertanya bagaimana model mengakses apa yang kita ketahui. Ini adalah pergeseran dari seni generatif ke utilitas fungsional. Filosofi di sini sederhana. Ini adalah perbedaan antara pendongeng dan petugas pengarsipan. Kebanyakan pengguna menginginkan petugas, tetapi teknologinya dibangun untuk menjadi pendongeng. Mendamaikan kedua identitas tersebut adalah tantangan utama bagi pengembang saat ini. Anda harus memutuskan apakah Anda menginginkan alat yang kreatif atau alat yang akurat, karena saat ini, sulit untuk mendapatkan keduanya pada tingkat maksimum secara bersamaan.

Taruhan Global dan Kepentingan Nasional

Dampak dari pilihan-pilihan ini tidak terbatas pada kantor individu. Pemerintah sekarang memperlakukan pengembangan model-model ini sebagai masalah keamanan nasional. Di Amerika Serikat, perintah eksekutif difokuskan pada keselamatan dan keamanan sistem yang paling kuat. Di Eropa, AI Act telah menciptakan kerangka hukum yang mengkategorikan sistem berdasarkan risiko. Ini menciptakan situasi di mana filosofi seorang pengembang di California dapat memengaruhi legalitas produk di Berlin. Kita melihat dunia yang terfragmentasi di mana wilayah yang berbeda memiliki gagasan yang sangat berbeda tentang apa yang boleh dilakukan oleh sebuah mesin. Beberapa negara memandang teknologi sebagai cara untuk meningkatkan output ekonomi dengan biaya berapa pun. Yang lain melihatnya sebagai ancaman bagi tatanan sosial dan pasar tenaga kerja. Ini menciptakan serangkaian aturan terpisah untuk setiap pasar, sehingga menyulitkan perusahaan kecil untuk bersaing dengan raksasa yang mampu membayar tim hukum yang besar.

Rantai pasokan global untuk teknologi ini juga menjadi titik ketegangan. Perangkat keras yang diperlukan untuk menjalankan model-model ini terkonsentrasi di tangan segelintir orang. Ini menciptakan jenis dinamika kekuasaan baru antara negara yang merancang chip, negara yang memproduksinya, dan negara yang menyediakan data. Bagi pengguna rata-rata, ini berarti alat yang Anda andalkan bisa terkena dampak perang dagang atau kontrol ekspor. Filosofi AI sekarang terkait dengan filosofi kedaulatan. Jika suatu negara mengandalkan model asing untuk sistem perawatan kesehatan atau hukumnya, negara tersebut kehilangan tingkat kendali atas infrastrukturnya sendiri. Inilah sebabnya kita melihat dorongan untuk model lokal dan sovereign cloud. Tujuannya adalah untuk memastikan bahwa logika yang mengatur suatu negara tidak dimiliki oleh perusahaan di sisi lain planet ini. Ini adalah sisi praktis dari perdebatan yang sering hilang dalam pembicaraan tentang skenario fiksi ilmiah.

Pagi Hari dengan Kecerdasan Sintetis

Pertimbangkan hari biasa bagi seorang manajer pemasaran bernama Sarah. Dia memulai paginya dengan meminta asisten untuk meringkas tiga lusin email. Asisten melakukannya dalam hitungan detik, tetapi Sarah harus memeriksa apakah ada detail penting tentang pemotongan anggaran yang terlewat. Kemudian, dia menggunakan alat generatif untuk membuat gambar untuk kampanye baru. Dia menghabiskan satu jam untuk menyesuaikan prompt karena mesin terus memberi orang-orang di gambar enam jari. Di sore hari, dia menggunakan asisten pengkodean untuk memperbaiki bug di situs web perusahaan, meskipun dia tidak tahu cara membuat kode. Dia pada dasarnya adalah konduktor orkestra digital. Dia tidak melakukan pekerjaan manual, tetapi dia bertanggung jawab atas kinerja akhir. Ini adalah realitas kerja yang baru. Ini lebih tentang penyuntingan dan verifikasi daripada kreasi dari nol. Sarah lebih produktif, tetapi dia juga lebih lelah. Beban mental karena terus-menerus memeriksa kesalahan mesin berbeda dengan beban melakukan pekerjaan itu sendiri

Insentif untuk perusahaan Sarah juga telah berubah. Mereka tidak lagi mempekerjakan penulis tingkat pemula. Mereka mempekerjakan satu editor senior yang menggunakan tiga model berbeda untuk menghasilkan jumlah konten yang sama. Ini menghemat uang dalam jangka pendek, tetapi menciptakan masalah jangka panjang. Dari mana generasi editor senior berikutnya akan datang jika tidak ada yang melakukan pekerjaan tingkat pemula? Ini adalah konsekuensi dari logika efisiensi saat ini. Kita mengoptimalkan masa kini sambil berpotensi mengosongkan masa depan. Taruhan bagi para kreator bahkan lebih tinggi. Musisi dan ilustrator mendapati karya mereka digunakan untuk melatih model yang sekarang bersaing dengan mereka untuk mendapatkan pekerjaan. Ini bukan sekadar perubahan di pasar. Ini adalah perubahan dalam nilai yang kita tempatkan pada upaya manusia. Kita harus bertanya apakah kita lebih menghargai hasil daripada proses, dan apa yang terjadi pada budaya kita ketika proses tersebut disembunyikan di dalam kotak hitam.

• Pemimpin perusahaan harus memutuskan apakah mereka menghargai kecepatan di atas pemikiran orisinal.
• Karyawan harus belajar mengaudit output mesin sebagai keterampilan utama.
• Legislator harus menyeimbangkan kebutuhan akan inovasi dengan perlindungan tenaga kerja.
• Kreator harus menemukan cara untuk membuktikan karya mereka adalah buatan manusia untuk mempertahankan nilainya.
• Pendidik harus memikirkan kembali cara mereka menilai siswa ketika jawaban hanya berjarak satu klik.

Biaya Tersembunyi dari Otomatisasi

Kita sering berbicara tentang manfaat teknologi ini tanpa menyebutkan tagihannya. Biaya pertama adalah privasi. Untuk membuat model ini lebih berguna, kita harus memberi mereka lebih banyak data. Kita didorong untuk memberikan jadwal pribadi, catatan pribadi, dan rahasia perusahaan kita ke dalam sistem ini untuk mendapatkan hasil yang lebih baik. Tapi ke mana data itu pergi? Kebanyakan perusahaan mengklaim mereka tidak menggunakan data pelanggan untuk melatih model mereka, tetapi sejarah internet menunjukkan bahwa kebijakan bisa berubah. Begitu data Anda berada di dalam sistem, hampir mustahil untuk mengeluarkannya. Ini adalah pertukaran permanen privasi demi kenyamanan. Kita juga melihat peningkatan besar dalam konsumsi energi. Melatih satu model besar membutuhkan listrik yang cukup untuk memberi daya pada ribuan rumah selama setahun. Saat kita bergerak menuju sistem yang lebih kompleks, biaya lingkungan hanya akan tumbuh. Kita harus bertanya apakah kemampuan untuk menghasilkan gambar kucing yang lucu sebanding dengan jejak karbon yang dihasilkannya.

Ada juga biaya kebenaran. Karena semakin mudah untuk menghasilkan teks dan gambar yang realistis, nilai bukti menurun. Jika apa pun bisa dipalsukan, maka tidak ada yang bisa dibuktikan. Ini sudah memengaruhi sistem politik dan pengadilan hukum kita. Kita memasuki periode di mana asumsi defaultnya adalah bahwa apa yang kita lihat di layar adalah kebohongan. Ini menciptakan tingkat gesekan sosial yang tinggi. Ini membuat lebih sulit untuk menyetujui fakta dasar. Filosofi AI di sini adalah tentang pengikisan realitas bersama. Jika semua orang melihat versi dunia yang telah difilter dan diubah oleh algoritme, kita kehilangan kemampuan untuk berkomunikasi secara efektif melintasi kesenjangan tersebut. Kita menukar fondasi sosial yang stabil dengan pengalaman yang lebih personal dan menghibur. Ini adalah pilihan yang kita buat setiap kali kita menggunakan alat ini tanpa mempertanyakan sumber atau niatnya.

Punya cerita, alat, tren, atau pertanyaan AI yang menurut Anda harus kami bahas? Kirimkan ide artikel Anda — kami akan senang mendengarnya.

Kendala Teknis dan Sistem Lokal

Bagi pengguna tingkat lanjut, percakapan ini lebih dari sekadar etika. Ini tentang batasan perangkat keras dan perangkat lunak. Salah satu rintangan terbesar adalah context window. Ini adalah jumlah informasi yang dapat disimpan model dalam memori aktifnya pada satu waktu. Meskipun jendela ini terus berkembang, mereka masih terbatas. Jika Anda memberi model buku setebal seribu halaman, ia pada akhirnya akan mulai melupakan bagian awal saat mencapai bagian akhir. Ini menyebabkan ketidakkonsistenan dalam proyek jangka panjang. Ada juga masalah batas API dan latensi. Jika bisnis Anda mengandalkan model pihak ketiga, Anda bergantung pada uptime dan harga mereka. Perubahan mendadak dalam ketentuan layanan mereka dapat merusak alur kerja Anda sepenuhnya. Inilah sebabnya banyak pengguna tingkat lanjut beralih ke penyimpanan lokal dan eksekusi lokal. Mereka menjalankan model yang lebih kecil pada perangkat keras mereka sendiri untuk menjaga kendali dan kecepatan.

Integrasi alur kerja adalah tantangan besar berikutnya. Tidak cukup hanya memiliki kotak obrolan di situs web. Nilai sebenarnya datang dari menghubungkan model-model ini ke alat yang ada seperti spreadsheet, database, dan perangkat lunak manajemen proyek. Ini memerlukan pemahaman mendalam tentang cara menyusun data agar model dapat memahaminya. Kita melihat kebangkitan RAG, atau Retrieval-Augmented Generation. Ini adalah metode di mana model mencari informasi spesifik dari sumber tepercaya sebelum menjawab. Ini adalah cara untuk menjembatani kesenjangan antara sifat statistik model dan kebutuhan faktual pengguna. Namun, ini menambah lapisan kompleksitas pada sistem. Anda harus mengelola mesin pencari, database, dan model secara bersamaan. Ini adalah solusi perawatan tinggi yang memerlukan serangkaian keterampilan khusus untuk dikelola secara efektif.

• Kuantisasi memungkinkan model besar berjalan pada perangkat keras kelas konsumen dengan mengurangi presisi bobot.
• Fine tuning menjadi kurang populer karena RAG memberikan akurasi faktual yang lebih baik dengan sedikit usaha.
• Tokenisasi tetap menjadi biaya tersembunyi yang dapat membuat bahasa tertentu lebih mahal untuk diproses daripada yang lain.
• Eksekusi lokal adalah satu-satunya cara untuk memastikan privasi 100 persen untuk data perusahaan yang sensitif.
• Model distillation menciptakan versi model raksasa yang lebih kecil dan lebih cepat untuk penggunaan seluler.

Jalan Praktis ke Depan

Filosofi AI bukanlah gangguan dari pekerjaan. Itu adalah pekerjaannya. Setiap kali Anda memilih model, Anda membuat pilihan tentang jenis logika apa yang ingin Anda dominasi dalam hidup Anda. Anda memutuskan risiko mana yang dapat diterima dan biaya mana yang terlalu tinggi. Teknologi berubah dengan cepat, tetapi kebutuhan manusia tetap sama. Kita menginginkan alat yang membuat kita lebih baik, bukan alat yang menggantikan kita. Kita menginginkan sistem yang transparan, bukan sistem yang beroperasi dalam kegelapan. Kebingungan seputar subjek ini sering kali disengaja. Lebih mudah bagi perusahaan untuk menjual kotak ajaib daripada menjual alat statistik yang kompleks. Dengan menyingkirkan hal-hal yang tidak perlu dan berfokus pada insentif, Anda dapat melihat teknologi tersebut apa adanya. Ini adalah ciptaan yang kuat, cacat, dan sangat manusiawi. Ini mencerminkan ide-ide terbaik dan kebiasaan terburuk kita. Tujuannya adalah menggunakannya dengan mata terbuka, memahami trade-off yang Anda buat dalam setiap interaksi. Anda dapat menemukan lebih banyak tentang tren terbaru dalam machine learning untuk tetap terdepan dalam perubahan ini. Untuk wawasan yang lebih dalam tentang etika sistem ini, sumber daya seperti Stanford Institute for Human-Centered AI dan MIT Technology Review menyediakan data yang sangat baik. Anda juga dapat melacak perubahan hukum di bagian teknologi New York Times.

Catatan editor: Kami membuat situs ini sebagai pusat berita dan panduan AI multibahasa untuk orang-orang yang bukan ahli komputer, tetapi masih ingin memahami kecerdasan buatan, menggunakannya dengan lebih percaya diri, dan mengikuti masa depan yang sudah tiba.