Sanyanggae LogoSanyanggae

AIWaktu baca 6 menit

Bagaimana AI memilah pesan iklan?

Pada pesan yang sama, satu fitur menandai «sepertinya iklan», sedangkan fitur lain menyusun draf balasan yang sopan. Keduanya disebut AI, tetapi apakah pekerjaannya sama?

Ilustrasi kartu pesan yang dipisahkan ke dua baki klasifikasi, di samping kartu balasan terpisah dan pensil
Ilustrasi penjelas buatan AI yang membandingkan klasifikasi pesan dan pembuatan balasan. Ini bukan layar layanan nyata, rancangan jaringan saraf, atau hasil eksperimen akurasi.

Cukup mencari kata «gratis»?

Bayangkan sebuah kotak pesan fiktif. Orang dapat menulis aturan: «Jika ada kata gratis, klasifikasikan sebagai iklan.» Sederhana, tetapi pesan pribadi seperti «Aku akan membantumu secara gratis» juga bisa tersaring keliru, sementara iklan tanpa kata itu bisa lolos. Dalam pendekatan yang syaratnya ditentukan manusia, aturan mungkin perlu dilengkapi saat menemui ungkapan dan konteks baru.

AI adalah bidang yang lebih luas daripada nama satu fitur semacam ini. Bidang ini juga mencakup menemukan objek dalam gambar, merencanakan rute, dan memecahkan masalah dengan pengetahuan serta aturan. Jadi, tidak semua AI belajar dari data; memiliki satu kondisi sederhana pun tidak membuat semua program tepat disebut AI. Yang penting adalah pekerjaan apa yang diproses dan bagaimana caranya, bukan sekadar namanya.

Saat contoh-contoh mengubah pengklasifikasi

Cara lain adalah memberikan pesan yang sudah ditandai sebagai iklan atau bukan sebagai contoh untuk melatih model. Pembelajaran mesin adalah pendekatan melatih model dengan data agar menghasilkan prediksi atau keluaran lain. Meski demikian, manusia tetap merancang data yang dipakai dan tujuannya. Adanya contoh tidak berarti model selalu benar pada ungkapan asing. Kotak pesan di sini adalah adegan fiktif untuk membandingkan prinsip, bukan eksperimen yang mengukur akurasi layanan nyata.

Dalam pelatihan, nilai internal model disesuaikan berdasarkan data dan tujuan. Setelah itu, memasukkan pesan baru untuk memperoleh hasil klasifikasi adalah inferensi, yakni menggunakan model yang sudah dilatih. Masukan baru tidak berarti nilai internal selalu dilatih ulang setiap kali. Menggunakan isi percakapan sebagai konteks pun harus dibedakan dari menyesuaikan kembali nilai model. «Saat membangun dengan contoh» dan «saat menggunakan model yang sudah dibuat» saling berhubungan, tetapi bukan tahap yang sama.

  1. Mengumpulkan contoh

    Tentukan bahan yang dipakai dan apa yang akan dipelajari.

  2. Membangun model

    Sesuaikan nilai internal model selama pelatihan.

  3. Mencobanya pada pesan baru

    Dapatkan hasil klasifikasi melalui inferensi lalu bandingkan dengan pesan sebenarnya.

Diagram konsep yang membedakan pembuatan dan penggunaan model klasifikasi berbasis pembelajaran. Tidak semua sistem AI bekerja dengan cara ini.

Memilah iklan dan menulis balasan

Model yang menentukan apakah pesan termasuk iklan dan model yang membuat kalimat balasan baru memiliki tujuan keluaran yang berbeda. AI generatif mengacu pada sistem yang membuat konten seperti teks, gambar, dan suara; AI generatif modern biasanya menggunakan model yang dilatih dengan pembelajaran mesin. Pembelajaran mesin adalah salah satu pendekatan dalam AI. Model yang hanya mengklasifikasikan pesan tanpa menulis teks pun dapat merupakan pembelajaran mesin.

Pembedaan ini bukan membagi ke dalam kotak-kotak yang tidak dapat saling bercampur. Satu layanan dapat memilah pesan dengan model klasifikasi, menulis draf balasan dengan model generatif, lalu mengolah hasilnya lagi dengan aturan buatan manusia. Antarmuka percakapan juga tidak membuktikan bahwa di dalamnya hanya ada satu model. Walaupun klasifikasi, generasi, dan aturan hadir di layar yang sama, pekerjaan masing-masing tetap dapat dilihat terpisah.

Berbicara lancar dan berbicara benar

Balasan atau penjelasan yang lancar dan penuh keyakinan pun bisa tidak sesuai fakta. Seperti model klasifikasi yang dapat salah memilah, model generatif dapat menghasilkan kesalahan yang tampak masuk akal. Karena itu, kebenaran hasil perlu diperiksa dengan data dan evaluasi yang sesuai tujuan. Periksa sendiri perhitungan dalam penjelasan, serta apakah judul dan tautan referensi benar-benar ada dan mendukung klaimnya. Kelancaran sendiri bukan bukti ketepatan.

Dalam draf balasan, periksa pula apakah ada fakta rekaan atau informasi pribadi yang tidak diperlukan. Sebelum memasukkan informasi pribadi atau bahan yang tidak terbuka untuk umum, sebaiknya periksa kebijakan penanganan layanan yang digunakan. Menggabungkan beberapa pendekatan saja tidak menjamin hasil yang benar atau penanganan data yang aman. Bahkan saat menemukan fitur yang praktis, melihat apa yang dimasukkan, keluaran apa yang diterima, dan cara memeriksa hasilnya bersama-sama membantu kita memahami AI secara lebih konkret.

Dengan mengikuti satu pesan saja, kita dapat melihat pekerjaan berbeda di balik nama besar AI. Saat menemukan tombol «fitur AI» berikutnya, lihatlah dahulu apakah fitur itu memilah atau membuat sesuatu.