MEMAHAMI CARA KERJA AI — BAGIAN 1; KETIKA MESIN BELAJAR, MANUSIA TETAP HARUS BERPIKIR

oleh: Lukmannul Hakim Firdaus (Dosen Teknik Informatika Polban, Anggota Pemuda PERSIS Banjaran)

Beberapa tahun lalu, ketika ingin mengetahui sesuatu, kita masih terbiasa membuka mesin pencari, memilih beberapa tautan, lalu membaca satu per satu. Sekarang kebiasaan itu mulai berubah. Sebuah pertanyaan cukup diketikkan ke layanan kecerdasan buatan, dan dalam hitungan detik muncul jawaban yang rapi, terstruktur, bahkan terdengar meyakinkan.

Artificial Intelligence (AI) dapat membantu menulis, menerjemahkan, membuat program komputer, merangkum buku, membaca dokumen, sampai menjadi teman berdiskusi. Kemampuannya membuat batas antara “mesin pencari informasi” dan “mesin yang seolah-olah memahami kita” semakin kabur.

Yang berubah bukan hanya kemampuan teknologinya, tetapi juga cara kita berinteraksi dengannya. Kita tidak lagi sekadar menekan tombol atau mengisi formulir. Kita berbicara dengan mesin menggunakan bahasa sehari-hari, kemudian menerima jawaban yang tersusun rapi, kontekstual, dan sering kali terdengar meyakinkan.

Di sinilah kita harus sedikit kritis. Jawaban yang terdengar cerdas belum tentu lahir dari proses berpikir sebagaimana manusia berpikir. Kalimat yang disusun dengan baik juga belum tentu benar. Karena itu, memahami AI hari ini bukan semata persoalan teknis. Ia sudah menjadi bagian dari literasi.

Kita perlu mengetahui secara sederhana bagaimana mesin belajar, mengapa ia dapat menghasilkan jawaban yang begitu baik, dan mengapa pada saat yang sama ia masih dapat keliru.

Bukan agar semua orang menjadi ahli machine learning, melainkan agar kita tidak memberikan kepada mesin otoritas yang sebenarnya tidak pernah dimilikinya.

Benarkah Mesin ”Cerdas” dan bisa “Belajar”?

Pada pemrograman konvensional, manusia menuliskan aturan, kemudian komputer menjalankannya. Jika kondisi tertentu terpenuhi, lakukan tindakan tertentu.

Machine learning bekerja dengan pendekatan yang berbeda. Alih-alih seluruh aturan ditentukan satu per satu, sistem diberikan data dan tujuan tertentu. Model kemudian menyesuaikan parameter matematisnya agar mampu mengenali pola yang berguna.

Bayangkan kita ingin komputer membedakan foto kucing dan anjing. Menuliskan aturan manual untuk semua kemungkinan bentuk telinga, warna bulu, ukuran tubuh, pencahayaan, dan sudut foto hampir tidak mungkin dilakukan.

Dalam machine learning, model justru diperlihatkan banyak contoh. Dari sana, ia belajar mengenali pola yang membantu membedakan kedua kategori tersebut.

Namun kata “belajar” perlu dipahami secara hati-hati.

Mesin tidak belajar sebagaimana manusia belajar. Ia tidak merasa penasaran, tidak merenungkan kesalahannya, dan tidak memiliki pengalaman hidup. Dalam pembelajaran mesin, proses tersebut pada dasarnya berupa optimasi matematis yaitu menghasilkan prediksi, mengukur kesalahan, memperbarui parameter, kemudian mengulanginya berkali-kali.

Di balik proses yang tampak cerdas itu bekerja matematika, terutama aljabar linier, probabilitas, statistika, dan kalkulus. Data yang kita kenal sebagai gambar, suara, atau teks harus terlebih dahulu direpresentasikan dalam bentuk angka agar dapat diproses komputer.

Dengan kata lain, “kecerdasan” yang kita lihat dari luar dibangun melalui operasi matematis dalam skala yang sangat besar.

Bagaimana Mesin Memproses Bahasa?

Persoalannya menjadi lebih menarik ketika data yang diproses adalah bahasa manusia. Komputer tidak membaca sebuah kata sebagaimana manusia membacanya. Bagi kita, kata “rumah” bukan sekadar menunjuk pada sebuah bangunan. Ia dapat berkaitan dengan keluarga, masa kecil, rasa aman, atau tempat kembali.

Mesin tidak mempunyai pengalaman semacam itu.

Agar dapat diproses, teks terlebih dahulu dipecah menjadi unit-unit yang disebut token. Token tersebut kemudian diubah menjadi representasi numerik. Melalui proses pelatihan, model mempelajari hubungan antara berbagai representasi tersebut sehingga dapat mengenali konteks, kedekatan konsep, dan struktur bahasa.

Perkembangan besar terjadi dengan hadirnya arsitektur Transformer. Salah satu komponen pentingnya adalah mekanisme attention, yang membantu model memperhitungkan hubungan antara satu bagian teks dan bagian lainnya.

Perhatikan kalimat sederhana:

“Dinda meminjam buku dari Herna karena ia akan membacanya malam ini.”

Untuk memahami siapa yang dimaksud dengan “ia”, kita perlu membaca hubungan antarbagiannya, bukan sekadar melihat satu kata secara terpisah.

Pada teks yang jauh lebih panjang, hubungan semacam itu menjadi sangat kompleks. Kemampuan model memproses konteks inilah yang membuat percakapan dengan AI modern terasa semakin natural.

Apakah AI Hanya Menebak Kata Berikutnya?

Model bahasa generatif pada dasarnya bekerja dengan memprediksi kemungkinan token berikutnya berdasarkan konteks sebelumnya.

Jika kita menulis:

“Setelah azan berkumandang, para jamaah segera ...”

model akan menghitung berbagai kemungkinan lanjutan berdasarkan pola yang telah dipelajarinya. Setelah satu token dihasilkan, proses yang sama dilakukan untuk token berikutnya, lalu berikutnya lagi, sampai terbentuk sebuah jawaban utuh. Karena itu, LLM sering disederhanakan sebagai “mesin penebak kata”. Analogi tersebut berguna, tetapi tidak sepenuhnya menjelaskan kompleksitasnya.

Agar mampu melakukan prediksi dengan baik pada begitu banyak konteks, model harus mempelajari pola bahasa, hubungan antarkonsep, struktur kalimat, gaya penulisan, serta pola argumentasi tertentu. Itulah sebabnya model yang dilatih melalui prediksi bahasa kemudian dapat menerjemahkan, merangkum, menulis kode, atau menjelaskan suatu konsep.

Namun ada batas penting.

”Kemampuan menghasilkan perilaku yang tampak cerdas tidak otomatis berarti mesin memiliki kesadaran seperti manusia”.

Ketika Jawaban yang Meyakinkan Ternyata Salah

Salah satu keterbatasan AI generatif terlihat pada fenomena yang biasa disebut halusinasi.

Model dapat menghasilkan informasi yang salah dengan bahasa yang sangat meyakinkan. Ia dapat membuat judul buku yang tidak pernah terbit, menyebut penelitian yang tidak ada, atau mengatribusikan sebuah pernyataan kepada orang yang tidak pernah mengucapkannya.

Mengapa hal ini bisa terjadi?

Karena menghasilkan teks yang masuk akal secara statistik tidak sama dengan memverifikasi kebenaran. AI tidak selalu memeriksa fakta sebagaimana seorang peneliti membuka sumber, membandingkan referensi, lalu memastikan kesahihan informasi sebelum menarik kesimpulan.

Pada percakapan sehari-hari, kesalahan semacam ini mungkin hanya mengganggu. Namun situasinya berbeda ketika AI digunakan untuk kesehatan, hukum, pendidikan, penelitian, atau agama.

Dalam konteks agama, misalnya, AI dapat menghasilkan teks yang terdengar seperti fatwa atau menyajikan sebuah hadis lengkap dengan terjemahan yang tampak meyakinkan. Kemampuan meniru bentuk bahasa keagamaan tentu tidak memberinya otoritas keagamaan.

Karena itu, AI sebaiknya ditempatkan sebagai alat bantu dalam memperoleh dan mengolah informasi, bukan sebagai sumber otoritatif yang hasilnya diterima tanpa pemeriksaan.

Berilah “Buku” kepada AI

Salah satu pendekatan untuk membuat jawaban AI lebih terikat pada sumber adalah Retrieval-Augmented Generation atau RAG.

Cara termudah memahaminya adalah melalui analogi ujian.

Bayangkan ada dua mahasiswa. Mahasiswa pertama mengerjakan ujian hanya berdasarkan apa yang ia ingat. Mahasiswa kedua diperbolehkan membuka sejumlah buku yang telah disediakan sebelum menjawab.

LLM tanpa sumber eksternal kurang lebih menyerupai mahasiswa pertama. Dalam sistem RAG, model terlebih dahulu diberikan dokumen yang dianggap relevan sebelum menghasilkan jawaban.

Pendekatan ini mempunyai potensi besar dalam lingkungan pendidikan maupun lembaga keislaman. Sistem dapat dibangun menggunakan koleksi kitab, jurnal, keputusan organisasi, arsip fatwa, atau dokumen pendidikan yang telah dikurasi. Keuntungannya bukan karena AI tiba-tiba mengetahui kebenaran, tetapi karena ruang rujukannya dapat dibatasi dan pengguna dapat diarahkan kembali kepada sumber.

Namun RAG tetap bukan jaminan kebenaran. Dokumen yang ditemukan dapat kurang relevan, sumber dapat tidak lengkap, dan model masih dapat keliru memahami konteks.

Teknologi dapat mempercepat akses terhadap sumber.

Ia tidak otomatis menggantikan kemampuan memahami sumber.

Penutup

Sampai di sini, persoalan AI mungkin masih tampak sebagai persoalan teknis yaitu bagaimana mesin belajar, bagaimana bahasa diproses, mengapa model dapat keliru, dan bagaimana kesalahan tersebut dapat dikurangi.

Tetapi persoalan yang lebih besar justru muncul setelah teknologi ini digunakan oleh jutaan manusia.

Ketika mesin dapat menghasilkan tulisan, gambar, suara, dan jawaban dalam jumlah yang hampir tidak terbatas, kita memasuki situasi yang agak paradoks, yakni akses terhadap informasi menjadi semakin mudah, tetapi memastikan kebenaran informasi justru menjadi semakin sulit.

Pada titik itu, pembicaraan tentang AI tidak lagi hanya menjadi urusan ilmu komputer.

Ia berubah menjadi persoalan tentang cara manusia memperoleh pengetahuan, mempercayai sebuah kabar, belajar, dan mengambil keputusan.

Dan di sinilah konsep yang sangat tua dalam tradisi Islam yaitu iqra’ dan tabayyun sangat penting dalam dunia yang dipenuhi Artificial Intelligence.

Lalu, apa arti “membaca” ketika sebuah mesin dapat membaca dan menulis jauh lebih cepat daripada manusia?

Bersambung ke Bagian 2: Iqra’, Tabayyun, dan Tanggung Jawab Manusia di Era AI. InsyaaAlloh