1. Konsep Model

Dalam bidang kecerdasan buatan, "model" biasanya merujuk pada model komputasi, yaitu representasi abstrak dari peristiwa atau data dunia nyata. Dalam pembelajaran mesin dan pembelajaran mendalam, model mengidentifikasi pola dalam data dan menggunakan pola tersebut untuk memprediksi perilaku atau tren data baru. Pentingnya model ini sangat krusial, karena langsung memengaruhi kinerja dan akurasi sistem cerdas.

Model = Data + Struktur + Algoritma Pembelajaran

Rumus ini mengungkapkan bahwa model terdiri dari tiga komponen inti: data (tempat ia belajar), struktur (komposisi internalnya), dan algoritma pembelajaran (bagaimana ia belajar dari data). Menggabungkan ketiga elemen ini dengan baik dapat mengembangkan model yang mampu melakukan tugas kompleks, seperti pengenalan gambar dan terjemahan bahasa.

Dalam ilmu komputer, fungsi adalah blok kode yang mengelilingi serangkaian operasi. Ini menerima parameter input, memprosesnya, dan menghasilkan output. Demikian pula, kita bisa memandang model OpenAI sebagai jenis "fungsi" khusus. Model-model ini, seperti GPT-4, dapat dianggap sebagai fungsi dengan input (promp) dan output (respon). Pengembang memberikan input, dan model, yang dilatih dengan sejumlah besar data, memproses informasi input menggunakan algoritma kompleks dan mengembalikan output yang sangat relevan.

2. Model Generasi Teks (GPT)

2.1 Pengenalan terhadap Model GPT

Model GPT adalah model generasi teks representatif yang dikembangkan oleh OpenAI, yang paling terkenal adalah GPT-4 dan GPT-3.5. Model-model ini, dilatih dengan jumlah data yang besar, mampu memahami bahasa alami dan bahkan dokumen resmi. Ketika menggunakan model seperti ini, kita memberikannya "promp", dan model ini menghasilkan teks berdasarkan promp tersebut. Contohnya, ketika Anda bertanya kepada GPT-4, ia akan berusaha memberikan jawaban yang akurat dan berguna.

2.2 Aplikasi Model GPT

Model GPT dapat diaplikasikan pada berbagai tugas, termasuk namun tidak terbatas pada:

  • Generasi Konten: Otomatis menciptakan artikel berita, tulisan blog, dan segala jenis konten asli.
  • Ringkasan: Menghasilkan ringkasan singkat dari artikel, laporan, atau teks panjang.
  • Percakapan: Meniru obrolan, memberikan dukungan pelanggan, atau melakukan konsultasi virtual.

3. Asisten

Asisten biasanya merujuk kepada entitas yang dapat melakukan tugas atas nama pengguna. Dalam API OpenAI, asisten-asisten ini didukung oleh model bahasa yang besar seperti GPT-4. Tugas-tugas yang dilakukan oleh asisten bergantung pada instruksi tertanam dalam jendela konteks model. Selain itu, asisten seringkali dapat mengakses alat-alat yang memungkinkannya untuk melakukan tugas-tugas yang lebih kompleks, seperti menjalankan kode atau mengambil informasi dari file-file.

Sebagai contoh, Anda dapat merancang seorang asisten untuk secara otomatis menjawab pertanyaan-pertanyaan yang sering diajukan dalam layanan pelanggan, atau untuk merangkum poin-poin kunci dari laporan panjang untuk Anda. Memanfaatkan asisten dapat sangat meningkatkan efisiensi kerja, memungkinkan manusia untuk fokus pada tugas-tugas yang lebih kreatif dan strategis.

import openai

openai.api_key = 'Kunci API Anda'

response = openai.Completion.create(
  engine="text-davinci-004",  # menggunakan versi model GPT-4 di sini
  prompt="Ini adalah contoh sederhana untuk mengilustrasikan bagaimana menggunakan sebuah asisten. Bisakah Anda membantu saya merangkum inti dari paragraf berikut? 'Di pasar saat ini, investasi yang diversifikasi adalah bagian penting dari perencanaan keuangan, dan alokasi aset di berbagai pasar dapat efektif menyeimbangkan risiko dan hasil.'",
  max_tokens=150
)

print(response.choices[0].text.strip())

Dalam contoh ini, kita memanggil versi API OpenAI dan merancang sebuah promp sederhana untuk mendapatkan asisten merangkum konten utama dari sebuah paragraf teks untuk kita. Dalam praktiknya, fungsionalitas ini dapat diperluas ke berbagai tugas pemrosesan teks seperti menulis, mengedit, menerjemahkan, dan lainnya.

4. Embedding

Embedding mengacu pada transformasi data (seperti potongan teks) ke representasi vektor, bertujuan untuk mempertahankan aspek semantik dan fitur data. Melalui embedding, blok data dengan konten serupa akan lebih dekat satu sama lain dalam ruang vektor. OpenAI menyediakan model embedding teks yang dapat mengambil string teks sebagai input dan menghasilkan vektor embedding sebagai output. Embedding sangat berguna untuk tugas seperti pencarian, pengelompokan, sistem rekomendasi, deteksi anomali, dan klasifikasi.

Sebagai contoh, kita dapat menggunakan embedding untuk meningkatkan sistem rekomendasi. Sistem tersebut dapat menemukan item yang paling cocok dengan membandingkan jarak antara vektor embedding dari deskripsi masukan pengguna dan deskripsi item.

Embedding umumnya diterapkan dalam skenario berikut:

  • Pengambilan Informasi (Pencarian): Membandingkan embedding dari dokumen-dokumen yang berbeda untuk menemukan dokumen-dokumen yang paling relevan untuk suatu query.
  • Klasterisasi Teks: Mengelompokkan dokumen atau potongan teks berdasarkan konten atau kemiripan semantik.
  • Sistem Rekomendasi: Menganalisis perilaku dan preferensi pengguna untuk menemukan item atau konten yang potensial menarik dengan membandingkan embedding.
  • Deteksi Anomali: Mengidentifikasi titik data yang tidak biasa dalam ruang vektor, yang bisa menunjukkan kesalahan atau penemuan penting.
  • Klasifikasi: Setelah embedding dokumen ke dalam vektor, model klasifikasi pembelajaran mesin seperti SVM atau jaringan saraf dapat digunakan untuk tugas klasifikasi.

Teknologi embedding adalah konsep penting dalam bidang pemrosesan bahasa alami dan pembelajaran mesin, terutama saat menangani data teks dalam skala besar, karena secara efektif mengurangi dimensionalitas dan mengekstrak informasi fitur yang berguna.

5. Token

Token memainkan peran penting dalam model pemrosesan bahasa alami. Secara singkat, token adalah unit dasar yang digunakan oleh model untuk memproses dan memahami informasi teks. Pada model OpenAI, token biasanya mewakili urutan karakter umum. Sebagai contoh, kata "komputer" dapat dibagi menjadi dua token: "kom" dan "puter". Proses ini disebut tokenisasi.

Dalam aplikasi OpenAI, penagihan untuk model juga berdasarkan pada token. Biaya dari setiap permintaan dihitung berdasarkan jumlah token yang diproses - yaitu, total jumlah token dalam permintaan dan teks yang dihasilkan. Ini berarti bahwa semakin panjang permintaannya, semakin banyak token yang dikonsumsi, dan oleh karena itu, semakin tinggi biayanya.

6. Penyetelan Model

6.1 Tinjauan Penyetelan

Penyetelan model adalah strategi umum dalam bidang pembelajaran mendalam. Pada aplikasi berbasis model GPT, penyetelan berarti pelatihan lanjutan pada model asli, namun menggunakan dataset khusus untuk lebih baik menyesuaikan model dengan tugas tertentu atau kebutuhan domain.

6.2 Mengapa Diperlukan Penyetelan?

Meskipun model GPT yang disediakan oleh OpenAI serbaguna dan mampu menangani berbagai tugas teks, kinerjanya mungkin tidak memuaskan dalam skenario tertentu. Sebagai contoh, sebuah perusahaan mungkin ingin mengotomatisasi respon terhadap email pelanggan, tetapi model standar mungkin tidak sepenuhnya memahami istilah profesional dalam industri atau meramalkan pertanyaan pelanggan yang spesifik.

Dalam kasus-kasus seperti itu, melalui penyetelan, perusahaan dapat melatih model menggunakan data email yang terkumpul. Akibatnya, model dapat belajar untuk lebih baik mewakili gaya perusahaan dalam merespons email, dan menunjukkan akurasi dan efisiensi yang lebih tinggi saat menangani masalah serupa. Inilah makna dari penyetelan - menyesuaikan model untuk memberikan hasil yang lebih akurat dan berkualitas lebih tinggi.