Perbedaan AI Generatif, Machine Learning, dan Deep Learning

Daftar Isi

Anda pernah bingung melihat istilah AI, machine learning, deep learning, dan AI generatif dipakai bergantian di berita atau media sosial? Istilah-istilah ini sering disebut bersama, tapi maknanya berbeda. Satu artikel menyebut ChatGPT sebagai AI, yang lain menyebutnya machine learning, ada juga yang menyebutnya deep learning.

Sebenarnya, istilah-istilah ini membentuk hierarki. AI adalah konsep terluas, machine learning adalah bagian dari AI, deep learning adalah bagian dari machine learning, dan AI generatif adalah cabang khusus dari deep learning. Karena itu, tidak semua AI adalah deep learning, tapi semua deep learning merupakan AI. Baca penjelasan AI dan cara kerjanya secara sederhana jika Anda baru mengenal istilah ini.

Bedanya tidak hanya teori. Cara kerjanya juga berbeda, mulai dari jumlah data yang dibutuhkan, cara mempelajari pola, hingga hasil akhir yang dihasilkan. Jika Anda berminat dengan AI, penting untuk memahami perbedaan ini.

AI sebagai payung besar

Kecerdasan buatan (AI) adalah bidang yang membuat mesin bisa melakukan tugas yang biasanya butuh kecerdasan manusia. Contohnya belajar, memecahkan masalah, mengenali pola, atau mengambil keputusan. AI bisa memakai banyak teknik. Salah satu tekniknya adalah machine learning atau ML.

AI tidak hanya ML. Ada juga AI berbasis aturan (rule-based), robotika, dan sistem pakar. ML baru menjadi populer karena bisa belajar dari data tanpa aturan yang diketik manual.

Komputer dengan AI bisa mengubah banyak bidang, misalnya medis, keuangan, transportasi, dan hiburan. ML menjadi salah satu metode paling populer karena efisien. Ia bisa mempelajari data besar dengan cepat. Namun ML juga punya batasan.

Machine learning: mesin yang belajar dari data

Machine learning (ML) adalah bagian dari AI yang membuat komputer bisa belajar dari data. Tidak seperti program biasa, ML tidak butuh aturan yang diketik manual. Sebaliknya, ia mengamati data lalu menemukan polanya sendiri.

Ada tiga cara utama ML untuk belajar: supervised learning, unsupervised learning, dan reinforcement learning. Supervised learning menggunakan data yang sudah diberi label. Misalnya, untuk mendeteksi spam email, ML mempelajari contoh email yang sudah ditandai spam atau bukan spam.

Unsupervised learning bekerja dengan data tanpa label. ML mencari pola secara mandiri. Contohnya, sistem rekomendasi di layanan streaming yang mengelompokkan film berdasarkan preferensi penonton.

Reinforcement learning belajar dari hadiah dan hukuman. Misalnya, robot yang belajar berjalan. Robot diberi hadiah jika berhasil melangkah, dan hukuman jika jatuh.

ML sudah dikembangkan sejak 1980-an. Model ML umumnya butuh sekitar 50-100 titik data per fitur untuk bekerja dengan baik. Contoh penggunaan ML bervariasi: prediksi pelanggan yang akan berhenti berlangganan, deteksi spam, dan sistem rekomendasi.

Deep learning: ML yang lebih dalam dengan jaringan saraf

Deep learning (DL) adalah cabang dari machine learning yang mengambil inspirasi dari otak manusia. Jaringan saraf tiruan (neural network) merupakan inti dari DL. Jaringan ini terdiri dari lapisan input, lapisan output, dan beberapa lapisan tersembunyi.

Perbedaan utama antara DL dan ML tradisional terletak pada cara mencari fitur. Model DL bisa otomatis menemukan pola dari data mentah. Sedangkan model ML butuh rekayasa fitur manual oleh manusia. Misalnya, untuk mengenali gambar mobil, DL bisa langsung belajar dari piksel-piksel gambar. ML tradisional membutuhkan fitur buatan, seperti bentuk roda atau lampu.

DL juga membutuhkan data jauh lebih banyak. Model DL sering kali memerlukan ribuan titik data per fitur. Proses pelatihan pun lebih panjang dan butuh komputasi besar. GPU sering digunakan untuk mempercepat perhitungan model DL. Pelatihannya bisa berjam-jam hingga berminggu-minggu.

Contoh aplikasi DL meliputi pengenalan wajah, asisten suara seperti Siri, penerjemahan otomatis, dan identifikasi citra medis. Algoritma yang termasuk DL antara lain CNN (convolutional neural network), RNN (recurrent neural network), dan LSTM (long short-term memory).

AI generatif: yang bisa membuat konten baru

AI generatif adalah bagian dari deep learning yang bisa menciptakan konten baru. Berbeda dengan AI lainnya, ia tidak hanya menganalisis data. AI generatif bisa membuat teks, cerita, gambar, video, audio, hingga kode program. Ia belajar dari data dalam jumlah besar, lalu memakai polanya untuk membuat sesuatu yang baru.

Chatbot seperti ChatGPT, Gemini, dan Claude adalah contoh produk berbasis model bahasa besar (LLM). Model ini dilatih khusus memahami bahasa manusia. Sementara Midjourney digunakan untuk membuat gambar dari deskripsi teks.

Di industri, AI generatif dipakai di berbagai bidang. Contohnya, chatbot untuk layanan pelanggan. AI bisa membuat deskripsi produk secara otomatis. Bahkan, ia bisa membantu programmer menulis kode. Hasilnya, kecepatan kerja dan kreativitas meningkat.

Perbandingan singkat

• Kebutuhan data: ML umumnya memerlukan sekitar 50-100 titik data per fitur. DL butuh jauh lebih banyak, yakni ribuan titik data per fitur.
• Rekayasa fitur: Model ML butuh rekayasa fitur manual oleh manusia. Model DL bisa menemukan fitur sendiri dari data mentah.
• Kebutuhan komputasi: ML tradisional bisa berjalan di CPU biasa. DL biasanya memakai GPU atau komputasi besar.
• Kecepatan latih: Pelatihan model ML cenderung cepat, hitungan menit hingga jam. Pelatihan DL bisa berjam-jam sampai berminggu-minggu.
• Transparansi: Model ML seperti pohon keputusan lebih mudah dijelaskan. Model DL sulit dijelaskan karena terlalu kompleks.
• Hubungan: Semua deep learning adalah machine learning, dan semua machine learning adalah AI. Tapi tidak sebaliknya.

Analogi sederhana: kotak perkakas

Bayangkan AI seperti kotak perkakas besar. Di dalamnya ada berbagai alat untuk tugas-tugas berbeda.

Machine learning adalah obeng di dalam kotak. Ia belajar dari banyak contoh tanpa perlu dijelaskan aturannya satu per satu. Contoh sehari-hari: sistem rekomendasi yang belajar dari pola tontonan Anda.

Deep learning adalah bor listrik yang lebih canggih. Ia bisa menyelesaikan pekerjaan rumit seperti mengenali wajah atau menerjemahkan bahasa. Contohnya, fitur pengenalan wajah di smartphone atau penerjemahan otomatis.

AI generatif adalah tombol "buat" di dalam kotak. Tombol ini menghasilkan konten baru: teks, gambar, atau video. Contohnya, ChatGPT yang menulis teks berdasarkan perintah Anda. Inilah alat paling baru di dalam kotak perkakas AI.

Di kehidupan sehari-hari Anda memakai yang mana

Anda pasti sering memakai teknologi AI tanpa sadar. Misalnya, fitur filter spam di email atau rekomendasi produk di toko online. Kedua teknologi tersebut menggunakan machine learning. Sistem ini belajar dari pola data untuk menentukan email spam atau produk yang sesuai dengan minat Anda. Contoh penggunaan AI dalam kehidupan sehari-hari juga termasuk layanan streaming yang menawarkan rekomendasi musik atau film.

Teknologi deep learning juga sering dipakai. Contohnya fitur buka kunci wajah di ponsel atau asisten suara seperti Siri. Keduanya memakai jaringan saraf tiruan yang kompleks untuk mengenali pola wajah atau suara. Deep learning juga digunakan dalam penerjemahan teks otomatis dan analisis citra medis.

Sedangkan AI generatif, Anda pasti sudah bertemu dengan chatbot yang bisa menjawab pertanyaan atau bahkan menulis puisi. AI generatif juga bisa membuat gambar atau video berdasarkan teks. Misalnya, saat Anda memakai alat untuk menciptakan gambar dari deskripsi.

Memahami perbedaan antara AI generatif, machine learning, dan deep learning itu bermanfaat. Dengan pemahaman ini, Anda bisa lebih cerdas memilah informasi dan memilih alat teknologi yang tepat.

Penutup: tiga hal yang perlu diingat

• Machine learning dan deep learning adalah cara untuk mencapai AI. AI merupakan konsep payung yang luas. ML adalah bagian dari AI, dan DL adalah pengembangan lebih lanjut dari ML. AI generatif adalah bagian dari DL yang bisa menciptakan konten baru, contohnya chatbot layanan pelanggan atau alat penerjemah teks.
• DL butuh data dan komputasi lebih besar, tapi bisa menangani tugas lebih kompleks. Model DL memakai jaringan saraf tiruan yang terinspirasi otak manusia dengan lapisan tersembunyi. Lapisan ini membuatnya bisa menemukan pola yang rumit. Berbeda dengan ML tradisional yang butuh rekayasa fitur manual dan data yang lebih sedikit.
• AI generatif adalah bagian dari deep learning yang bisa menciptakan konten baru. Contohnya model bahasa besar (LLM) seperti ChatGPT, Gemini, dan Claude, serta Midjourney untuk pembuatan gambar.

Ingin tahu lebih banyak tentang AI dan cara kerjanya secara sederhana? Baca artikel-artikel lain di blog ini tentang AI.