AI Kini Bisa Belajar Tanpa Banyak Data Buatan Manusia, Kok Bisa?

HOLOPIS.COM, JAKARTA – Para peneliti dari Tel Aviv University (TAU) dan Stanford University mengembangkan pendekatan baru untuk melatih kecerdasan buatan (AI). Metode ini memungkinkan satu model AI menghasilkan materi latihan bagi model lainnya, sehingga kemampuan belajar mesin bisa terus ditingkatkan tanpa harus selalu bergantung pada kumpulan besar data buatan manusia.

Temuan tersebut membuka peluang baru dalam pengembangan AI, terutama untuk membuat proses pembelajaran mesin menjadi lebih efisien.

Dalam penelitian tersebut, tim menggunakan dua model komputer yang dilatih secara bersamaan dengan tugas berbeda.

Model pertama bertugas menghasilkan rangkaian simbol. Sementara model kedua mempelajari pola dengan cara memprediksi simbol berikutnya.

Seiring proses pelatihan berjalan, model pertama semakin mahir menciptakan rangkaian latihan yang dapat membantu model kedua meningkatkan kemampuan prediksinya.

Dengan kata lain, satu model berperan sebagai pembuat latihan, sedangkan model lainnya belajar dari materi yang dihasilkan tersebut.

Untuk melihat sejauh mana metode ini bekerja, para peneliti mengujinya pada berbagai jenis informasi.

Pengujian mencakup bahasa, gambar, suara, musik, kode komputer, hingga urutan DNA.

Hasil penelitian menunjukkan bahwa kemampuan model dalam membuat prediksi meningkat seiring bertambahnya daya komputasi yang digunakan selama proses pelatihan.

Temuan ini menunjukkan bahwa pendekatan tersebut berpotensi membantu pengembangan sistem AI yang lebih mampu belajar melalui latihan yang dihasilkan secara mandiri.

AI Tetap Membutuhkan Informasi Dunia Nyata

Meski terdengar menjanjikan, para peneliti memberikan catatan penting mengenai keterbatasan metode ini.

Pendekatan tersebut tidak serta-merta membuat AI mampu memahami fakta tentang dunia nyata tanpa pernah mendapatkan informasi dari dunia nyata itu sendiri.

Artinya, AI tetap membutuhkan paparan data nyata untuk mempelajari pengetahuan dan memahami berbagai hal yang terjadi di sekitarnya.

Namun, metode baru ini berpotensi membuat proses pembelajaran menjadi lebih efisien ketika AI berhadapan dengan data dunia nyata.