People Dev AI
Modul 2 dari 6 · ± 18 menit

Bagaimana AI bekerja

Kamu tidak perlu jadi insinyur untuk paham cara kerja AI. Cukup dua ide besar dari riset: AI belajar pola dari data, dan jawabannya adalah perkiraan.

Setelah modul ini kamu bisa
  • Menjelaskan bahwa model bahasa mencocokkan pola, bukan berpikir seperti manusia
  • Memahami kenapa jawaban AI disebut probabilistik
  • Mengenali lima batasan AI yang terdokumentasi riset: halusinasi, batas pengetahuan, jawaban berubah-ubah, bias, dan batas konteks
  • Memakai Prinsip Cermin: kualitas jawaban mengikuti kualitas input

Dua ide besar

01Belajar dari data

Model bahasa dilatih dengan teks mentah dalam jumlah sangat besar dan mempelajari polanya (Liu dkk., 2023). Ia tidak berpikir seperti manusia. Ia mencocokkan pola.

02Output probabilistik

Saat menjawab, model mengisi kelanjutan teks berdasarkan peluang (Liu dkk., 2023). Hasilnya perkiraan terbaik, bukan kebenaran mutlak.

Seperti autocomplete, tapi raksasa

Ingat keyboard HP yang menebak kata berikutnya saat kamu mengetik? Model bahasa bekerja mirip itu, hanya jauh lebih besar. GPT-3 adalah model autoregresif: ia menulis satu potongan, lalu memakai tulisannya sendiri untuk menebak potongan berikutnya (Brown dkk., 2020).

  1. Data. Model “membaca” teks dalam jumlah sangat besar: buku, artikel, situs web, dokumen. Arsitektur di baliknya, Transformer, membuat model bisa memperhatikan hubungan antarkata dalam kalimat panjang (Vaswani dkk., 2017).
  2. Pelatihan. Model berlatih menebak potongan teks berikutnya miliaran kali, sambil menyesuaikan pengaturan internalnya (parameter). Setelah itu model disetel lagi dengan contoh dan peringkat dari manusia supaya mengikuti instruksi. Hasilnya menarik: model 1,3 miliar parameter yang disetel dengan cara ini lebih disukai penilai daripada model 175 miliar parameter yang tidak disetel (Ouyang dkk., 2022).
  3. Pemakaian. Kamu menulis prompt. Model menyusun jawaban potong demi potong, setiap kali memilih kelanjutan yang paling mungkin.

“Ibu kota Indonesia adalah …”

Jakartapaling mungkin
Nusantara
Bandung

Ilustrasi, bukan angka dari model sungguhan. Potongan teks yang diolah model disebut token (kata atau bagian kata).

Lima batasan yang wajib kamu tahu

1 · Halusinasi

Jawaban terdengar meyakinkan tapi tidak faktual, termasuk angka, kutipan, dan sumber. Makin lancar teksnya, makin mudah kita tertipu (Ji dkk., 2023). Penyebabnya berlapis: dari data latih, cara pelatihan, sampai cara model memilih kata saat menjawab (Huang dkk., 2025).

2 · Batas pengetahuan

Model hanya tahu isi data latihnya sampai tanggal tertentu. Tanpa akses pencarian web, ia tidak tahu kejadian terbaru.

3 · Jawaban berubah-ubah

Karena jawaban dipilih berdasarkan peluang, pertanyaan yang sama bisa mendapat jawaban sedikit berbeda (Liu dkk., 2023). Ini wajar, dan alasan lain untuk selalu mengecek.

4 · Bias

Model yang belajar dari teks web ikut mewarisi bias manusia di dalamnya, misalnya mengaitkan gender tertentu dengan karier tertentu (Caliskan dkk., 2017). Data web yang sangat besar juga tidak otomatis mewakili semua kelompok (Bender dkk., 2021).

5 · Batas konteks

Ada batas panjang teks yang bisa diproses sekaligus (context window). Bahkan di dalam batas itu, info yang terletak di tengah dokumen panjang lebih sering terlewat (Liu dkk., 2024).

Plus: tidak mengenalmu

Kecuali fitur memori dinyalakan, setiap percakapan baru umumnya mulai dari nol. AI tidak tahu bisnismu kalau tidak kamu ceritakan.

Temuan riset yang perlu kamu ingat

U

Pola “U”: model paling akurat memakai info yang ada di awal atau akhir input, dan paling sering melewatkan info di tengah (Liu dkk., 2024). Taruh instruksi dan info terpenting di awal atau akhir prompt.

1,3 vs 175

Miliar parameter. Model kecil yang disetel dengan masukan manusia mengalahkan model besar yang tidak disetel. Tetap saja, penelitinya mencatat model itu masih membuat kesalahan sederhana (Ouyang dkk., 2022).

Prinsip Cermin

Karena AI mencocokkan pola dari apa yang kamu berikan, hasilnya mencerminkan inputmu. Riset mendukung ini: menulis ulang instruksi yang sama menjadi lebih jelas, misalnya memecah tugas jadi langkah-langkah, meningkatkan kinerja GPT-3 rata-rata 12,5% di 12 jenis tugas (Mishra dkk., 2022).

01Input jelas → output tajam

AI tidak punya inisiatif. Kualitas jawaban mengikuti kualitas pertanyaanmu.

02AI = karyawan baru yang sangat cerdas

Tapi belum tahu bisnismu. Makin banyak konteks yang relevan, makin baik hasilnya.

Prinsip Cermin adalah framework praktik People Dev AI. Dasar risetnya disebut di atas.

AI menebak. Manusia memutuskan.

Coba sekarang

Tanyakan ke chatbot AI pilihanmu: “Siapa pemenang lomba X di kotaku tahun lalu?” (pakai lomba kecil yang kamu tahu jawabannya). Perhatikan: apakah ia mengaku tidak tahu, atau mengarang dengan yakin? Itu contoh langsung halusinasi dan batas pengetahuan.

Referensi modul 2

Klaim penting di modul ini disarikan dari paper dan jurnal berikut (APA 7). Klik DOI untuk membuka sumber aslinya. Daftar pustaka lengkap kursus →

  1. ProsidingBender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big?. In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). doi.org/10.1145/3442188.3445922
  2. ProsidingBrown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., … Amodei, D. (2020). Language models are few-shot learners. In Advances in Neural Information Processing Systems 33 (pp. 1877–1901). doi.org/10.48550/arXiv.2005.14165
  3. JurnalCaliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334), 183–186. doi.org/10.1126/science.aal4230
  4. JurnalHuang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2025). A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions. ACM Transactions on Information Systems, 43(2), 1–55. doi.org/10.1145/3703155
  5. JurnalJi, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. doi.org/10.1145/3571730
  6. JurnalLiu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). Lost in the middle: How language models use long contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. doi.org/10.1162/tacl_a_00638
  7. JurnalLiu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys, 55(9), 1–35. doi.org/10.1145/3560815
  8. ProsidingMishra, S., Khashabi, D., Baral, C., Choi, Y., & Hajishirzi, H. (2022). Reframing instructional prompts to GPTk’s language. In Findings of the Association for Computational Linguistics: ACL 2022 (pp. 589–612). doi.org/10.18653/v1/2022.findings-acl.50
  9. ProsidingOuyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., … Lowe, R. (2022). Training language models to follow instructions with human feedback. In Advances in Neural Information Processing Systems 35 (pp. 27730–27744). doi.org/10.52202/068431-2011
  10. ProsidingVaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems 30 (pp. 5998–6008). doi.org/10.48550/arXiv.1706.03762
Kuis modul 2

Cek pemahamanmu

Jawab semua benar untuk menandai modul ini selesai. Boleh diulang.