Latih model AI dengan data Anda sendiri untuk memitigasi risiko

Model dasar menyediakan platform yang baik yang dapat digunakan oleh organisasi untuk mengendalikan data pelatihan kecerdasan buatan mereka.

Organisasi yang ingin memanfaatkan kecerdasan buatan (AI) generatif secara lebih efektif harus menggunakan data mereka sendiri untuk melatih sistem AI, dengan menggunakan model dasar sebagai titik awal.

Hal ini dapat memberikan konteks yang lebih relevan dan menghilangkan kekhawatiran mengenai potensi risiko, seperti ketidakakuratan dan pelanggaran kekayaan intelektual.

Akurasi, khususnya, adalah prioritas utama bagi perusahaan seperti Jiva. Vendor agritech ini menggunakan AI untuk mendukung aplikasi selulernya, Crop Doctor, yang mengidentifikasi penyakit tanaman melalui pemrosesan gambar dan visi komputer, serta merekomendasikan pengobatan. Teknologi ini juga memanfaatkan AI untuk menentukan kelayakan kredit para petani yang meminta uang muka sebelum panen dan mengembalikan pinjaman ketika hasil panen mereka sudah habis.

Ia menggunakan berbagai alat AI dan pembelajaran mesin, termasuk Pinecorn, OpenAI, dan scikit-learn, serta TensorFlow dan Vertex AI dari Google. Jiva beroperasi di Singapura, india, dan India.

Jiva melatih model AI-nya pada ribuan gambar beranotasi untuk setiap penyakit, menurut CTO Jiva, Tejas Dinkar. Perusahaan agritech telah mengumpulkan ratusan ribu gambar dari lapangan melalui tim lapangan dan petani yang merupakan bagian dari jaringan Jiva dan menggunakan aplikasinya AgriCentral, yang tersedia di India.

Pakar lapangannya dilibatkan dalam pengumpulan awal dan anotasi gambar, sebelum diserahkan kepada pakar agronomi yang selanjutnya memberi anotasi pada gambar tersebut. Ini kemudian ditambahkan ke model pelatihan yang digunakan untuk mengidentifikasi penyakit tanaman.

Untuk tanaman baru atau tanaman yang kurang dikenal oleh tim ahlinya, Jiva menghadirkan platform lain, seperti Plantix, yang memiliki kumpulan data ekstensif untuk mendukung pengenalan gambar dan informasi diagnosis.

Penyampaian informasi yang akurat sangat penting karena data dapat meningkatkan hasil panen dan penghidupan petani, kata Dinkar dalam wawancara dengan ZDNET. Untuk lebih memastikan kebenaran data, AI generatif dan model bahasa besar (LLM) hanya menggunakan kumpulan data yang diambil dan diperiksa oleh Jiva sendiri.

Chatbot selanjutnya diminta, melalui rekayasa cepat, untuk mengabaikan data yang telah dilatih sebelumnya tentang pertanian yang mungkin ada di LLM, katanya.

Jika tidak ada data yang dapat diambil, chatbot akan memberikan respons yang menyatakan bahwa ia tidak dapat mengidentifikasi penyakit tanaman. “Anda ingin memastikan tersedia cukup data. Kami tidak ingin memberikan jawaban yang tidak jelas,” katanya.

Jiva juga menggunakan perpustakaan gambarnya untuk dibangun di atas platform, seperti Plantix. Model-model ini memberikan dasar yang baik, namun karena dikembangkan oleh perusahaan-perusahaan global, model-model tersebut belum tentu cukup dilatih mengenai data spesifik untuk suatu wilayah atau pasar, kata Dinkar.

Masalah ini membuat Jiva harus membuat model pelatihan untuk tanaman yang lebih umum di india dan India, seperti jagung, katanya. Produk ini memiliki kinerja yang lebih baik dibandingkan Plantix atau produk siap pakai lainnya, tambahnya, seraya menekankan pentingnya lokalisasi dalam model AI.

Sempurnakan model dasar untuk mendapatkan hasil yang lebih baik

Menggunakan model data dasar yang siap pakai adalah salah satu cara untuk memulai AI generatif dengan cepat. Namun, tantangan umum dalam pendekatan tersebut adalah datanya mungkin tidak relevan dengan industri tempat bisnis tersebut beroperasi, menurut Olivier Klein, kepala teknologi Amazon Web Services (AWS) Asia-Pasifik.

Agar penerapan AI generatif berhasil, organisasi harus menyempurnakan model AI dengan data mereka sendiri, kata Klein. Perusahaan yang melakukan upaya untuk melakukan hal ini dengan benar akan bergerak lebih cepat dalam penerapannya.

Penggunaan AI generatif saja akan terbukti lebih menarik jika diterapkan dalam strategi dan platform data organisasi, tambahnya.

Tergantung pada kasus penggunaannya, tantangan umum yang dihadapi perusahaan adalah apakah mereka memiliki cukup data untuk melatih model AI, katanya. Namun, ia mencatat bahwa kuantitas data tidak selalu sama dengan kualitas data.

Anotasi data juga penting, seperti halnya menerapkan konteks pada model pelatihan AI sehingga sistem menghasilkan respons yang lebih spesifik untuk industri tempat bisnis tersebut berada, katanya.

Dengan anotasi data, masing-masing komponen data pelatihan diberi label untuk memungkinkan mesin AI memahami isi data dan komponen apa saja yang penting.

Klein menunjukkan kesalahpahaman umum bahwa semua sistem AI adalah sama, padahal sebenarnya tidak demikian. Dia menegaskan kembali perlunya organisasi untuk memastikan mereka mengubah model AI berdasarkan kasus penggunaan serta vertikalnya.

LLM telah mendorong banyak perbincangan di kalangan pelanggan perusahaan tentang penggunaan AI generatif di pusat panggilan, khususnya, katanya. Terdapat minat terhadap bagaimana teknologi ini dapat meningkatkan pengalaman agen panggilan, yang dapat mengakses respons yang lebih baik saat itu juga dan menerapkannya untuk meningkatkan layanan pelanggan.

Operator pusat panggilan dapat melatih model AI menggunakan basis pengetahuan mereka sendiri, yang dapat terdiri dari chatbot dan interaksi pelanggan, katanya.

Menambahkan konten khusus domain ke LLM yang sudah dilatih tentang pengetahuan umum dan interaksi berbasis bahasa biasanya memerlukan lebih sedikit data, menurut laporan oleh Business Harvard Review. Pendekatan penyempurnaan ini melibatkan penyesuaian beberapa parameter model dasar dan hanya menggunakan ratusan atau ribuan dokumen, bukan jutaan atau miliaran dokumen. Waktu komputasi yang diperlukan juga lebih sedikit, dibandingkan dengan membangun model dasar baru dari awal.

Namun ada beberapa batasan. Laporan tersebut mencatat bahwa pendekatan ini masih mahal dan memerlukan keahlian ilmu data. Selain itu, tidak semua penyedia LLM, seperti ChatGPT-4 OpenAi, mengizinkan pengguna untuk menyempurnakan milik mereka.

Memanfaatkan data mereka sendiri juga mengatasi kekhawatiran umum yang dimiliki pelanggan di tengah meningkatnya minat terhadap AI generatif, di mana perusahaan ingin mempertahankan kendali atas data yang digunakan untuk melatih model AI dan menjaga agar data tetap berada dalam lingkungan mereka, kata Klein.

Pendekatan ini memastikan tidak ada “kotak hitam” dan organisasi mengetahui secara pasti data apa yang digunakan untuk mendukung model AI, katanya. Hal ini juga menjamin transparansi dan membantu mewujudkan adopsi AI yang bertanggung jawab.

Ada juga upaya berkelanjutan dalam mengidentifikasi kebijakan yang diperlukan untuk menghindari efek blackbox, katanya, seraya menambahkan bahwa AWS bekerja sama dengan regulator dan pembuat kebijakan untuk memastikan produk AI mereka tetap patuh. Perusahaan juga membantu pelanggan melakukan hal yang sama dengan penerapannya sendiri.

Amazon Bedrock, misalnya, dapat mendeteksi bias dan memfilter konten yang melanggar pedoman etika AI, katanya. Bedrock adalah serangkaian model fondasi yang mencakup model kepemilikan dan industri, seperti Amazon Titan, Jurassic-2 dari AI21 Labs, Claude dari Anthropic, dan Stability AI.

Klein mengantisipasi bahwa akan ada lebih banyak model data dasar yang akan muncul di masa depan, termasuk model dasar yang spesifik secara vertikal, untuk memberikan opsi lebih lanjut bagi organisasi untuk dilatih.

Masalah utama yang harus diselesaikan dengan AI generatif

Jika model AI yang kuat tidak ada, manusia dapat mengambil tindakan.

Untuk masalah tanaman yang langka atau sangat spesifik, Dinkar mencatat bahwa tim ahli agronomi Jiva dapat bekerja sama dengan peneliti lokal dan tim lapangan untuk menyelesaikannya.

Tim penilai kredit perusahaan juga melapisi data yang dihasilkan oleh sistem AI dengan informasi lainnya, katanya. Misalnya, tim mungkin melakukan kunjungan lapangan dan menyadari bahwa tanaman baru saja siap dipanen, yang mungkin tidak dipertimbangkan oleh sistem bertenaga AI saat menghasilkan penilaian kredit.

“Tujuannya bukan untuk menghilangkan manusia seluruhnya, namun untuk memindahkan mereka ke area yang dapat diperkuat dan [menerapkan] pemikiran adaptif, yang belum dapat dilakukan oleh mesin,” kata Dinkar.

Ketika ditanya tentang tantangan yang dihadapi Jiva dalam penerapan AI generatifnya, dia menunjukkan kurangnya metodologi standar yang cepat di berbagai versi dan penyedia perangkat lunak.

"Omni-lingualisme sejati" juga tidak ada di LLM, katanya, sementara halusinasi tetap menjadi masalah utama.

“Berbagai model bahasa besar semuanya memiliki keunikannya masing-masing [dan] teknik cepat yang sama tidak berfungsi pada semua model tersebut,” jelasnya. Misalnya, melalui rekayasa cepat yang disempurnakan, Jiva mampu menginstruksikan bot agronominya untuk mengklarifikasi jika ia tidak dapat menyimpulkan, dari konteksnya, tanaman yang dirujuk oleh petani.

Namun, meskipun perintah khusus ini berfungsi dengan baik pada GPT-3.5, namun tidak berfungsi dengan baik pada GPT-4, katanya. Itu juga tidak berfungsi pada LLM yang berbeda.

“Ketidakmampuan untuk menggunakan kembali perintah di seluruh versi dan platform mengharuskan pembuatan serangkaian teknik cepat yang disesuaikan untuk masing-masing versi dan platform,” kata Dinkar. “Seiring dengan peningkatan peralatan dan munculnya praktik terbaik untuk mendorong berbagai model bahasa besar, kami berharap permintaan lintas platform akan menjadi kenyataan.”

Perbaikan juga diperlukan dalam dukungan lintas bahasa, katanya, menunjuk pada respons aneh yang kadang-kadang dihasilkan oleh chatbot di luar konteks.