Apa Itu Model AI? Model, Aplikasi, Training, dan Inference

Apa Itu Model AI? Model, Aplikasi, Training, dan Inference

Istilah “model AI” sering dipakai untuk menyebut banyak hal sekaligus: ChatGPT, aplikasi pembuat gambar, chatbot customer service, sampai file yang dijalankan di laptop. Padahal model dan aplikasi adalah dua bagian yang berbeda.

Definisi yang cukup aman untuk pemula:

Model adalah struktur dan kumpulan parameter yang menerima input lalu menghasilkan prediksi atau keluaran.

Definisi ini sejalan dengan glosarium machine learning Google, yang menjelaskan model sebagai struktur dan parameter yang dibutuhkan sistem untuk membuat prediksi.

Contoh paling kecil: regresi linear

Model tidak harus berupa chatbot dengan miliaran parameter. Persamaan berikut juga sebuah model:

prediksi_harga = (luas_rumah × bobot) + bias

bobot dan bias adalah parameter yang dipelajari dari data. Ketika model melihat banyak contoh rumah beserta harga jualnya, proses training menyesuaikan parameter agar selisih prediksi dan harga sebenarnya semakin kecil.

Setelah training selesai, parameter tersebut dapat disimpan. Saat ada data rumah baru, model memakai parameter yang sudah dipelajari untuk membuat prediksi. Proses pemakaian model terlatih ini disebut inference.

Training:
data contoh → hitung kesalahan → ubah parameter → ulangi

Inference:
input baru → model terlatih → prediksi

Google merangkum machine learning sebagai proses melatih perangkat lunak yang disebut model agar dapat membuat prediksi atau menghasilkan konten dari data. Penjelasan dasarnya tersedia di pengantar machine learning Google.

Model bukan database fakta

Model memang dapat menyimpan pola yang berasal dari data training, tetapi menyebutnya “database fakta” tidak tepat.

Database biasanya mengambil kembali nilai yang tersimpan secara eksplisit:

SELECT price FROM products WHERE id = 42;

Model menghasilkan keluaran melalui perhitungan menggunakan parameter:

token input → representasi numerik → layer model → probabilitas token berikutnya

Karena itu, model bahasa dapat menghasilkan jawaban yang terdengar meyakinkan tetapi salah. Ia tidak selalu mengambil fakta dari sumber yang dapat diperiksa. Aplikasi dapat mengurangi masalah ini dengan pencarian, retrieval, tool, validasi, atau sumber eksternal—tetapi komponen tersebut berada di luar model dasarnya.

Model berbeda dari aplikasi

Sebuah produk AI biasanya berisi lebih dari satu komponen:

Aplikasi AI
├── antarmuka pengguna
├── autentikasi dan penyimpanan percakapan
├── instruksi sistem
├── model
├── tool atau API
├── filter keamanan
└── monitoring dan evaluasi

Jadi, membandingkan aplikasi hanya dari nama modelnya sering menyesatkan. Dua aplikasi yang memakai model sama dapat memberikan hasil berbeda karena prompt, data tambahan, tool, dan proses evaluasinya berbeda.

Apa yang terjadi ketika model dilatih?

Detailnya bergantung pada jenis model, tetapi alur umumnya:

1. Data disiapkan dan dibersihkan.
2. Data dibagi untuk training, validasi, dan pengujian.
3. Model menerima sekumpulan contoh.
4. Model membuat prediksi.
5. Loss function mengukur besarnya kesalahan.
6. Optimizer mengubah parameter untuk menurunkan loss.
7. Proses diulang dalam banyak iterasi.
8. Hasilnya diuji pada data yang tidak dipakai untuk training.

Model yang bagus bukan sekadar model dengan loss training paling kecil. Ia harus bekerja pada data baru. Jika hanya menghafal pola training dan gagal pada data baru, masalah itu disebut overfitting.

Bagaimana model bahasa menghasilkan teks?

Sebagian besar large language model modern bersifat autoregresif: model memprediksi token berikutnya berdasarkan token sebelumnya. Setelah satu token dipilih, token itu dimasukkan kembali sebagai konteks untuk memprediksi token berikutnya.

Input: "HTTP status untuk not found adalah"
Model: P("404") lebih tinggi daripada alternatif lain
Output: "404"

Contoh ini sengaja disederhanakan. Model sebenarnya bekerja dengan token, embedding, banyak layer, attention, dan distribusi probabilitas. Namun konsep “memprediksi token berikutnya berulang kali” sudah cukup untuk memahami mengapa model dapat menulis teks panjang.

Parameter bukan ukuran kecerdasan

Jumlah parameter menggambarkan kapasitas model, bukan skor kecerdasan universal. Model yang lebih besar biasanya membutuhkan memori dan komputasi lebih besar, tetapi belum tentu lebih baik untuk setiap tugas.

Kualitas juga dipengaruhi oleh:

• data training;
• arsitektur;
• proses training dan fine-tuning;
• panjang konteks;
• tool yang tersedia;
• evaluasi untuk tugas tertentu;
• latency dan batas biaya.

Karena itu, pemilihan model sebaiknya memakai evaluasi pada use case nyata, bukan hanya angka parameter atau klaim pemasaran.

Tiga pertanyaan praktis sebelum memakai model

1. Apa tugasnya? Klasifikasi, ekstraksi, pencarian, menulis, atau menjalankan tool membutuhkan evaluasi berbeda.
2. Apa akibat jika salah? Draft internal tidak memiliki risiko yang sama dengan keputusan medis, finansial, atau keamanan.
3. Bagaimana hasilnya diverifikasi? Gunakan test set, pemeriksaan manusia, sumber primer, atau aturan deterministik sesuai risikonya.

Ringkasan

Model AI bukan robot dan bukan aplikasi lengkap. Model adalah struktur beserta parameter yang dipelajari dari data untuk mengubah input menjadi prediksi atau keluaran. Training membentuk parameter; inference memakai parameter tersebut. Aplikasi kemudian menambahkan antarmuka, data, tool, dan kontrol di sekeliling model.

Memahami pemisahan ini membantu kita menilai produk AI dengan lebih masuk akal: bukan bertanya “model mana paling pintar?”, tetapi “sistem mana yang paling akurat, dapat diverifikasi, dan sesuai untuk tugas ini?”

Referensi

• Google: What is Machine Learning?
• Google Machine Learning Glossary
• Google Machine Learning Crash Course