Seiring dengan pesatnya kemajuan teknologi kecerdasan buatan, lanskap pengembangan aplikasi AI telah mengalami pergeseran paradigma yang menarik. Dulu, tim pengembang AI berlomba-lomba menciptakan model proprietary mereka sendiri, menjadikan kualitas model sebagai penentu utama keunggulan di pasar. Siapa yang memiliki model paling akurat atau paling efisien, dialah pemenangnya.
Namun, kedatangan model fondasi (foundation models) telah mengubah segalanya. Model-model raksasa ini, yang dilatih dengan data masif dan mampu melakukan berbagai tugas, kini menjadi fondasi umum bagi banyak pengembang. Artinya, banyak tim kini menggunakan model dasar yang sama. Lalu, bagaimana sebuah aplikasi bisa menonjol di tengah kesamaan ini? Jawabannya terletak pada proses pengembangan aplikasi itu sendiri. Diferensiasi tidak lagi semata pada modelnya, melainkan pada cara aplikasi tersebut dirancang, dievaluasi, dan berinteraksi dengan pengguna.
Mari kita selami tiga pilar utama yang kini menjadi inti pengembangan aplikasi AI dengan model fondasi:
Pilar 1: Evaluasi yang Semakin Kritis dan Bernuansa
Evaluasi selalu menjadi bagian integral dalam rekayasa machine learning. Namun, dengan model fondasi, perannya kini lebih penting dan kompleks dari sebelumnya. Ini bukan lagi sekadar membandingkan output dengan “kebenaran dasar” yang jelas.
Mengapa Evaluasi Begitu Penting Sekarang? Model fondasi memiliki sifat yang sangat terbuka (open-ended) dan kemampuan yang luar biasa luas. Ambil contoh tugas deteksi penipuan — responsnya biasanya “penipuan” atau “bukan penipuan,” dan ada standar kebenaran yang bisa diukur. Namun, bagaimana dengan chatbot? Satu prompt bisa menghasilkan ratusan, bahkan ribuan respons valid yang berbeda. Mustahil untuk membuat daftar “kebenaran” yang lengkap untuk semua kemungkinan ini. Ini membuat evaluasi menjadi tantangan tersendiri.
Selain itu, banyaknya teknik adaptasi model juga menambah kerumitan. Sebuah model yang tampak biasa-biasa saja dengan satu metode bisa berubah menjadi sangat brilian dengan metode lain. Kisah perbandingan antara Google Gemini dan ChatGPT adalah bukti nyatanya. Google mengklaim Gemini unggul dalam benchmark MMLU, namun hasil itu dicapai dengan teknik prompt engineering tertentu (CoT@32, yaitu memberikan 32 contoh). Menariknya, ketika kedua model diuji dengan jumlah contoh yang sama (5 contoh), ChatGPT justru menunjukkan performa yang lebih baik. Ini adalah pengingat tajam bahwa cara kita mengevaluasi dapat secara dramatis mengubah persepsi kita tentang kinerja model.
Pilar 2: Seni Rekayasa Prompt dan Konstruksi Konteks
Jika model fondasi adalah “otak,” maka rekayasa prompt adalah “bahasa” yang kita gunakan untuk berbicara dengannya. Ini adalah seni dan sains untuk memandu model AI agar menghasilkan perilaku yang diinginkan hanya melalui instruksi atau “prompt” yang kita berikan, tanpa perlu mengubah struktur internal atau bobot model itu sendiri.
Kasus Gemini yang disebutkan sebelumnya adalah ilustrasi sempurna betapa kuatnya rekayasa prompt. Hanya dengan mengubah teknik pemberian prompt, kinerja Gemini Ultra pada MMLU melonjak dari 83.7% menjadi 90.04%. Ini menunjukkan bahwa prompt yang tepat dapat membuka potensi luar biasa dari sebuah model.
Lebih dari sekadar memberi tahu model “apa yang harus dilakukan,” rekayasa prompt juga melibatkan pemberian konteks dan “alat” yang diperlukan agar model dapat menjalankan tugasnya dengan baik. Untuk tugas-tugas yang lebih kompleks atau percakapan yang panjang, kita bahkan perlu memikirkan sistem manajemen memori agar model dapat melacak riwayat interaksi dan menjaga koherensi. Ini adalah bidang yang terus berkembang, di mana kreativitas dan pemahaman mendalam tentang bagaimana model memproses informasi sangat dibutuhkan.
Pelatihan AI Bersertifikasi Nasional
Pilar 3: Inovasi Antarmuka AI (AI Interface)
Dulu, aplikasi AI sering kali tersembunyi di balik layar, tertanam sebagai fitur dalam produk-produk besar—misalnya, sistem rekomendasi di Spotify atau deteksi penipuan di PayPal. Hanya perusahaan dengan sumber daya besar yang mampu membangun dan mengintegrasikan kemampuan AI ini.
Kini, dengan model fondasi, siapa saja bisa membangun aplikasi AI. Batasan telah pudar, memungkinkan inovator menciptakan produk AI sebagai aplikasi mandiri (seperti ChatGPT dan Perplexity) atau mengintegrasikannya sebagai plug-in atau ekstensi ke dalam produk yang sudah ada (misalnya, GitHub Copilot di VSCode atau Grammarly sebagai ekstensi browser).
Berbagai Wajah Antarmuka AI Modern:
- Aplikasi Mandiri: Baik itu berbasis web, desktop, atau seluler, aplikasi AI kini bisa berdiri sendiri.
- Ekstensi Browser: Memberikan akses cepat ke kemampuan AI saat pengguna menjelajahi web.
- Integrasi Chatbot: AI kini hidup di aplikasi obrolan yang kita gunakan sehari-hari seperti Slack, Discord, atau WhatsApp.
- API dan Plug-in: Platform besar seperti VSCode dan Microsoft 365 menyediakan API yang memungkinkan pengembang menyuntikkan kemampuan AI langsung ke dalam ekosistem mereka.
Meskipun antarmuka berbasis chat sangat populer, kita juga melihat perkembangan antarmuka berbasis suara (seperti asisten virtual) dan bahkan embodied AI dalam realitas tertambah atau virtual. Antarmuka baru ini tidak hanya mempermudah interaksi, tetapi juga membuka cara-cara baru untuk mengumpulkan umpan balik pengguna—meskipun mengolah umpan balik dalam bahasa alami ini memerlukan pendekatan yang berbeda.
Baca Juga :
