Pada mata kuliah Komputasi Teknik, Prof. DAI memberikan sebuah grafik Hype Cycle for Artificial Intelligence 2021 sebagai bahan untuk diinterpretasikan. Ketika pertama melihat grafik tersebut, hal yang langsung saya perhatikan bukan hanya teknologi-teknologi yang tertulis di dalamnya, tetapi pola kurvanya. Grafik memiliki sumbu vertikal berupa expectations dan sumbu horizontal berupa time. Kurva bergerak naik secara tajam, mencapai suatu puncak, kemudian turun cukup dalam, lalu kembali meningkat secara perlahan hingga akhirnya cenderung stabil.
Dari bentuk tersebut, pemahaman awal saya adalah bahwa perkembangan teknologi tidak selalu berjalan searah dengan ekspektasi manusia. Teknologi yang baru muncul dapat memperoleh perhatian yang sangat besar, bahkan ketika kemampuan aktualnya belum sepenuhnya terbukti. Setelah digunakan dan diuji lebih luas, keterbatasannya mulai terlihat sehingga ekspektasi dapat turun. Namun, penurunan tersebut bukan berarti perkembangan teknologi berhenti. Justru pada tahap berikutnya teknologi mulai menemukan bentuk penerapan yang lebih realistis hingga akhirnya mempunyai nilai guna yang lebih jelas.
Saya kemudian menuliskan interpretasi awal tersebut secara manual. Pada tahap ini perhatian saya masih tertuju pada struktur grafik: kedua sumbu, perubahan bentuk kurva, pembagian wilayah, dan kelompok-kelompok teknologi yang berada di sepanjang kurva. Saya belum mencoba menjelaskan setiap teknologi satu per satu. Tujuannya adalah memahami terlebih dahulu pesan yang dibawa oleh grafik sebagai sebuah sistem informasi visual, sebelum masuk ke detail komponennya.
Setelah membuat interpretasi sendiri, saya mencoba menggunakan chatbot AI sebagai pembanding. Eksperimen saya lakukan dalam dua kondisi input yang berbeda. Pada kondisi pertama, AI hanya memperoleh informasi berupa deskripsi dan hasil pemahaman saya terhadap grafik. Gambar asli Hype Cycle tidak saya berikan. Saya ingin mengetahui seberapa jauh AI dapat membangun interpretasi hanya dari representasi verbal yang diberikan manusia.
Pada kondisi tersebut, AI mampu menjelaskan pola umum Hype Cycle. AI memahami adanya perjalanan teknologi dari fase munculnya inovasi, peningkatan perhatian, tingginya ekspektasi, munculnya kekecewaan akibat keterbatasan teknologi, hingga terbentuknya penggunaan yang lebih realistis dan produktif. Akan tetapi, respons yang diberikan masih berada pada tingkat konseptual. AI tidak mempunyai dasar yang cukup untuk menentukan secara presisi teknologi tertentu berada pada bagian mana dari grafik. Dengan kata lain, AI dapat memahami struktur masalah, tetapi belum memiliki seluruh data masalah.
Tahap berikutnya dilakukan dengan memberikan grafik Hype Cycle for Artificial Intelligence 2021 secara langsung. Perbedaannya terlihat cukup jelas. Ketika informasi visual tersedia, AI tidak lagi hanya membahas bentuk siklus secara umum, tetapi dapat menghubungkan posisi titik dengan nama teknologi yang ditampilkan pada grafik. Teknologi seperti Artificial General Intelligence dapat dikenali berada pada bagian awal kurva, sementara Generative AI, Transformers, Synthetic Data, Responsible AI, dan beberapa teknologi lain terlihat berada pada fase peningkatan ekspektasi. Di sisi lain, teknologi seperti Machine Learning, Deep Learning, Natural Language Processing, dan AI Cloud Services telah berada pada sisi penurunan kurva. Computer Vision, Semantic Search, dan Autonomous Vehicles muncul lebih jauh pada wilayah menuju pemahaman dan pemanfaatan yang lebih matang.
Dari sini saya melihat satu hal penting. Informasi tambahan tidak selalu mengubah konsep dasar jawaban AI, tetapi dapat mengubah resolusi analisisnya. Pada input pertama, AI sudah mempunyai kerangka untuk memahami fenomena Hype Cycle. Pada input kedua, grafik menyediakan data tambahan sehingga AI dapat melakukan pemetaan yang jauh lebih spesifik. Perbedaannya dapat dianalogikan dengan penyelesaian persoalan teknik. Sebuah metode komputasi mungkin sudah benar, tetapi apabila kondisi awal, parameter, geometri, atau boundary condition yang diberikan tidak lengkap, hasil analisis tetap memiliki keterbatasan.
Hal lain yang menurut saya penting adalah memahami sumbu waktu pada Hype Cycle secara hati-hati. Grafik tersebut tidak seharusnya dibaca seolah-olah sumbu horizontal merupakan kalender dengan interval waktu yang sama. Posisi teknologi lebih tepat dipahami sebagai gambaran perjalanan menuju kematangan dan penerimaan teknologi. Oleh karena itu, teknologi yang berada lebih kanan tidak otomatis berarti lebih canggih dibanding teknologi di sebelah kiri. Demikian juga teknologi yang berada di bagian bawah kurva tidak dapat langsung dianggap sebagai teknologi yang gagal. Posisi tersebut lebih menggambarkan hubungan antara ekspektasi, pengalaman implementasi, dan kematangan pemanfaatannya pada saat grafik dibuat.
Saya juga melihat adanya pelajaran lain dari grafik ini. Ekspektasi dan kemampuan aktual teknologi merupakan dua hal yang berbeda. Ketika teknologi berada di puncak perhatian, masyarakat dapat menilai potensinya berdasarkan apa yang dibayangkan teknologi tersebut mampu lakukan. Setelah teknologi benar-benar diterapkan, penilaian mulai bergeser kepada apa yang secara nyata dapat dilakukan. Pada akhirnya, teknologi yang bertahan bukan hanya teknologi yang menarik secara konsep, tetapi teknologi yang mampu memberikan manfaat yang dapat dibuktikan.
Eksperimen menggunakan dua jenis input tersebut membuat saya memahami bahwa interaksi dengan AI juga memiliki prinsip yang serupa. AI tidak bekerja dalam ruang kosong. Respons yang dihasilkan merupakan hasil pemrosesan terhadap konteks yang tersedia. Apabila saya hanya memberikan abstraksi dari sebuah persoalan, AI akan bekerja berdasarkan abstraksi tersebut. Ketika data sumber diberikan secara lebih lengkap, ruang asumsi menjadi lebih kecil dan interpretasinya dapat menjadi lebih terarah.
Dalam konteks Komputasi Teknik, pengalaman ini menurut saya cukup relevan. Penggunaan AI seharusnya tidak hanya dipahami sebagai kegiatan memberikan pertanyaan lalu menerima jawaban. Pengguna tetap mempunyai peran untuk menentukan data apa yang dimasukkan, bagaimana masalah direpresentasikan, apakah informasi yang diberikan cukup, serta bagaimana hasil komputasi tersebut divalidasi. Dengan demikian, kualitas keluaran bukan semata-mata persoalan kecanggihan AI, tetapi juga dipengaruhi oleh kualitas formulasi masalah dari manusia yang menggunakannya.
Kesimpulan yang saya peroleh bukan sekadar bahwa “semakin lengkap input, semakin baik output AI”. Menurut saya prinsip yang lebih tepat adalah semakin relevan dan representatif informasi yang diberikan terhadap persoalan, semakin kecil ruang yang harus diisi AI melalui asumsi. Grafik memberikan informasi spasial dan hubungan antarteknologi yang sulit direpresentasikan secara sempurna hanya menggunakan penjelasan singkat. Sebaliknya, teks memberikan konteks mengenai apa yang ingin dianalisis. Kombinasi keduanya menghasilkan pemahaman yang lebih kuat.
Dari proses ini saya juga menyadari bahwa AI paling bermanfaat bukan ketika menggantikan proses berpikir, melainkan ketika digunakan sebagai alat untuk menguji, memperluas, dan mengkritisi pemahaman yang sudah kita bangun terlebih dahulu. Interpretasi awal tetap berasal dari pengamatan manusia. AI kemudian digunakan sebagai pembanding. Perbedaan di antara keduanya justru menjadi ruang untuk belajar, karena dari sana dapat diketahui bagian mana dari pemahaman awal yang sudah kuat dan bagian mana yang masih dapat dikembangkan.
Cosmas Setto Nurdiyantoko
2606829172
