Lampiran

Glosarium AI

Istilah yang akan Anda dengar di ruangan, dijelaskan dengan sederhana.

Kecerdasan buatan (AI): Sistem yang dirancang untuk melaksanakan tugas yang berkaitan dengan kecerdasan manusia, seperti prediksi, klasifikasi, generasi, atau perencanaan.
Pembelajaran mesin: Metode ketika suatu sistem mempelajari pola dari contoh alih-alih menerima setiap aturan secara eksplisit.
Model: Sistem matematis yang telah dipelajari yang memetakan masukan menjadi keluaran.
Model bahasa besar (LLM): Model yang dilatih pada kumpulan teks berskala besar untuk memprediksi dan menghasilkan bahasa.
AI generatif: AI yang menghasilkan teks, gambar, audio, kode, atau keluaran baru lainnya.
Sistem agentik / agen AI: Model yang terhubung dengan alat, memori, instruksi, dan lingkar tindakan sehingga dapat menyelesaikan beberapa langkah.
Otomasi: Penggunaan suatu sistem untuk melaksanakan tugas dengan intervensi manusia langsung yang terbatas.
Augmentasi: Penggunaan AI untuk mendukung, bukan menggantikan, pekerjaan manusia.
Human-in-the-loop: Seseorang meninjau, menyetujui, atau melakukan intervensi dalam proses yang dibantu AI.
Human-on-the-loop: Seseorang mengawasi suatu sistem tanpa meninjau setiap tindakan.
Human-out-of-the-loop: Suatu sistem bertindak tanpa seseorang meninjau setiap keputusan atau tindakan.
Data pelatihan: Contoh yang digunakan untuk menyesuaikan parameter model selama pelatihan.
Dataset: Kumpulan data yang terorganisasi yang digunakan untuk pelatihan, pengujian, atau analisis.
Provenans data: Informasi tentang asal data serta bagaimana data dikumpulkan atau diubah.
Silsilah data: Riwayat bagaimana data bergerak melalui sistem dan transformasi.
Data terstruktur: Data yang diorganisasi ke dalam bidang, baris, kategori, atau skema yang ditetapkan.
Data tidak terstruktur: Materi seperti teks, gambar, audio, atau video tanpa struktur tabular tetap.
Data sintetis: Data yang dihasilkan secara artifisial dan dirancang menyerupai data nyata.
Kebenaran dasar: Label rujukan atau hasil yang diperlakukan sebagai benar untuk evaluasi.
Basis pengetahuan: Kumpulan informasi terkurasi yang dapat diambil kembali oleh suatu sistem.
Pengetahuan parametrik: Informasi yang dikodekan dalam parameter yang telah dipelajari oleh model.
Pengetahuan faktual: Informasi tentang fakta atau hubungan yang mungkin telah dipelajari model dari data pelatihannya.
Retrieval-augmented generation (RAG): Suatu sistem mengambil kembali dokumen atau catatan sebelum menghasilkan jawaban.
Pengetahuan lokal: Pengetahuan yang berakar pada pengalaman suatu tempat atau komunitas tertentu.
Pengetahuan Masyarakat Adat: Sistem pengetahuan yang dikembangkan dan dipelihara oleh Masyarakat Adat dan komunitasnya.
Kedaulatan data: Prinsip bahwa data diatur sesuai dengan hukum, hak, dan kewenangan masyarakat atau tempat yang berkaitan dengannya.
Minimisasi data: Mengumpulkan dan menyimpan hanya data yang diperlukan untuk tujuan yang dinyatakan.
Data sensitif: Data yang pengungkapan atau penyalahgunaannya dapat menimbulkan kerugian.
Masukan / prompt: Instruksi atau materi yang diberikan kepada model.
Keluaran: Teks, prediksi, klasifikasi, gambar, atau tindakan yang dihasilkan oleh suatu sistem.
Inferensi: Menjalankan model terlatih untuk menghasilkan keluaran.
Jendela konteks: Jumlah teks atau materi lain yang dapat dipertimbangkan model pada satu waktu.
Token: Unit teks atau data lain yang diproses oleh model bahasa.
Embedding: Representasi numerik dari teks, gambar, atau data lain yang digunakan untuk membandingkan hubungan.
Klasifikasi: Menetapkan suatu item ke dalam satu atau lebih kategori.
Prediksi: Memperkirakan hasil yang mungkin berdasarkan data yang tersedia.
Prakiraan: Prediksi tentang keadaan atau peristiwa pada masa depan.
Rekomendasi: Keluaran yang menyarankan arah tindakan.
Optimisasi: Pencarian hasil terbaik menurut tujuan dan kendala yang ditetapkan.
Fungsi objektif: Kuantitas formal yang berupaya dimaksimalkan atau diminimalkan oleh suatu sistem.
Proksi: Ukuran tidak langsung yang digunakan sebagai pengganti sasaran yang lebih sulit diukur.
Tolok ukur: Pengujian yang digunakan untuk membandingkan kinerja model.
Evaluasi: Mengukur model atau sistem terhadap kriteria yang ditetapkan.
Ketidakpastian: Derajat kemungkinan suatu keluaran salah atau tidak lengkap.
Skor keyakinan: Perkiraan numerik yang berkaitan dengan prediksi atau klasifikasi.
Kalibrasi: Hubungan antara keyakinan yang diprediksi dan akurasi aktual.
Keterjelasan: Kemampuan untuk memberikan uraian yang dapat dipahami tentang bagaimana suatu keluaran dihasilkan.
Interpretabilitas: Sejauh mana perilaku internal suatu sistem dapat dipahami.
Kotak hitam: Sistem yang operasi internalnya sulit diperiksa.
Halusinasi: Keluaran model yang lancar tetapi tidak didukung, salah, atau direkayasa.
Bias: Kesalahan sistematis atau kinerja yang tidak setara yang berkaitan dengan data, desain, atau penggunaan.
Keadilan: Pendekatan untuk mengevaluasi dan menangani perlakuan atau hasil yang tidak setara.
Ketangguhan: Kemampuan untuk berkinerja secara andal dalam kondisi yang berubah atau tidak sempurna.
Serangan adversarial: Masukan yang sengaja dirancang untuk menyebabkan suatu sistem gagal atau berperilaku tidak terduga.
Jaringan saraf: Sistem komputasional yang terdiri dari lapisan-lapisan terhubung yang mentransformasikan masukan menjadi keluaran.
Perceptron: Model matematis awal dari satu sel otak, dan landasan bagi penelitian jaringan saraf berikutnya.
Transformer: Arsitektur jaringan saraf yang menggunakan perhatian untuk memproses hubungan antar-token.
Bobot: Angka-angka yang dipelajari model selama pelatihan. Dalam praktiknya, bobot adalah model itu sendiri.
Bobot terbuka: Bobot yang dipublikasikan sehingga siapa pun dapat menjalankan, memeriksa, atau menginangi model tersebut sendiri.
Bobot tertutup: Bobot yang disimpan di server penyedia dan hanya dapat diakses melalui layanannya.
Pra-pelatihan: Pelatihan awal pada kumpulan data besar, biasanya dengan memprediksi konten yang hilang atau berikutnya.
Fine-tuning: Pelatihan lanjutan pada dataset atau tugas yang lebih sempit.
Pasca-pelatihan: Proses yang diterapkan setelah pra-pelatihan untuk meningkatkan kegunaan, perilaku, atau penyelarasan.
Reinforcement learning (RL): Pelatihan melalui umpan balik yang memberi imbalan pada sebagian tindakan dan memberi penalti pada tindakan lain.
Reinforcement learning from human feedback (RLHF): Reinforcement learning yang menggunakan preferensi atau evaluasi manusia.
Model penalaran: Model atau sistem yang dioptimalkan untuk menggunakan komputasi tambahan pada masalah multi-langkah.
Chain of thought: Teks penalaran antara yang dihasilkan selama pemecahan masalah.
Hukum penskalaan: Hubungan yang teramati antara kinerja model, ukuran model, data pelatihan, dan daya komputasi.
Mixture of experts (MoE): Arsitektur yang berisi beberapa subjaringan spesialis, hanya sebagian di antaranya digunakan untuk setiap masukan.
Penyelarasan: Merancang suatu sistem agar perilakunya mencerminkan tujuan atau nilai yang ditetapkan.
Keamanan AI: Riset dan praktik yang bertujuan mengurangi perilaku sistem yang merugikan atau tidak terkendali.
Tata kelola AI: Aturan, lembaga, proses, dan praktik yang membentuk pengembangan dan penggunaan AI.
AI yang bertanggung jawab: Mengembangkan dan menggunakan AI dengan memperhatikan dampak sosial, etika, hukum, dan lingkungan.
Desain peka nilai: Merancang teknologi dengan perhatian eksplisit pada nilai-nilai manusia dan kepentingan yang terdampak.
AI yang selaras dengan kedaulatan: AI yang dirancang dan diatur untuk menjaga agensi suatu komunitas atau tempat yang ditetapkan.
Izin terperinci: Pembatasan atas alat, file, data, atau tindakan mana yang dapat diakses oleh suatu sistem.
Sandbox: Lingkungan terisolasi tempat suatu sistem dapat beroperasi dengan akses terbatas.
Gerbang persetujuan manusia: Otorisasi manusia yang diwajibkan sebelum suatu tindakan dilanjutkan.
Log audit: Catatan masukan, keluaran, tindakan, dan perubahan sistem.
Kartu model: Dokumentasi yang menjelaskan penggunaan yang dimaksudkan, keterbatasan, dan evaluasi suatu model.
Kartu sistem: Dokumentasi yang mencakup sistem tergelar yang lebih luas, termasuk risiko dan mitigasinya.
Pergeseran model: Perubahan kinerja ketika data, perilaku, atau kondisi berubah dari waktu ke waktu.
Pembuatan versi: Pelacakan perubahan pada model, data, prompt, dan perangkat lunak.
Rollback: Mengembalikan suatu sistem atau penggelaran ke versi sebelumnya.
Self-hosting: Menjalankan model pada perangkat keras yang Anda atau lembaga Anda kendalikan.
Retensi data nol: Janji kontraktual bahwa penyedia tidak menyimpan apa pun yang Anda kirimkan kepadanya.