Pusat Evolusi – Keberagaman Kecerdasan Buatan Ditampilkan dengan Pencapaian Terkini

Inovasi dalam kecerdasan buatan sedang membentuk masa depan bisnis di hampir semua sektor. Dari perawatan kesehatan, manufaktur, keuangan, pendidikan, hiburan, dan hukum hingga media, layanan pelanggan, transportasi, dan lainnya, pada dasarnya tidak ada industri besar yang tidak dipengaruhi oleh AI.

Menurut survei IBM tahun 2023, 42% of enterprise-scale businesses have already integrated AI into their operations, while another 40% are considering the technology for their organizations.

Ini masuk akal, mengingat AI memiliki potensi untuk mengubah produktivitas dan, pada gilirannya, potensi PDB suatu ekonomi.

Menurut perkiraan PWC, AI will potentially contribute $15.7 trillion to the global economy by the end of this decade, with 45% of total economic gains coming from AI-driven product enhancements in the form of affordability, attractiveness, variety, and increased personalization, stimulating consumer demand. Meanwhile, $6.6 trillion of the boost to the GDP in local economies from AI is likely to come from increased productivity, as per PWC.

AI dengan cepat menjadi sumber utama gangguan dan keunggulan kompetitif, berfungsi sebagai pusat utama untuk memajukan hampir setiap industri. Potensi besar dan keberagaman AI ini dapat dilihat dalam kemajuan terbaru yang dibuat dengan bantuan teknologi ini. 

Memprediksi Properti Termal

Sebuah aplikasi AI yang menarik adalah memprediksi properti termal material. Ini dapat membantu insinyur merancang perangkat mikroelektronik yang lebih cepat dan sistem konversi energi yang lebih efisien sambil mengurangi panas limbah.

Memahami hubungan antara struktur dan properti penting saat merancang material dengan sifat tertentu. Saat ini, kemajuan signifikan telah dicapai dalam metode pembelajaran mesin dalam hal ini. Namun, tantangan masih ada terkait generalisasi model dan prediksi properti.

Jadi, penelitian terbaru memperkenalkan jaringan saraf graf node virtual (VGNN) untuk mengatasi masalah ini. Dalam model node virtual mereka, peneliti berhasil menghasilkan spektrum Γ-fonon dan prediksi dispersi fonon lengkap hanya dari koordinat atom. Dengan menggabungkan pendekatan mereka dengan potensi interatomik ML, tim mencapai efisiensi yang jauh lebih tinggi dengan akurasi yang lebih baik.

Kemampuan menghitung struktur pita fonon dengan cepat dan akurat sangat penting karena diperkirakan 70% energi yang dihasilkan di seluruh dunia berakhir sebagai panas limbah. Jika ilmuwan dapat memprediksi bagaimana panas bergerak melalui isolator dan semiconductors, sistem pembangkit listrik yang lebih efisien dapat dirancang. 

Masalahnya adalah bahwa properti termal material dapat sangat sulit dimodelkan. Ini disebabkan oleh fonon, kuanta energi mekanik vibrasi.

Partikel subatomik ini membawa panas, dan beberapa properti termal material bergantung pada hubungan dispersi fonon, yaitu hubungan antara energi fonon dan momentum mereka dalam struktur kristal. Tidak hanya sulit untuk dimasukkan ke dalam desain sistem, tetapi memperoleh data tersebut juga menimbulkan tantangan signifikan.

Menurut Penulis Senior Mingda Li, yang merupakan profesor associate ilmu nuklir dan teknik:

“Fonon adalah penyebab kehilangan termal, namun memperoleh properti mereka sangat menantang, baik secara komputasi maupun eksperimental.”

Hal ini karena rentang frekuensi yang sangat luas membuat fonon pembawa panas sangat sulit diprediksi. Selain itu, partikel-partikel ini bergerak dan berinteraksi dengan kecepatan yang bervariasi.

Peneliti telah berusaha memperkirakan hubungan dispersi fonon melalui ML selama bertahun-tahun, tetapi model-model terhambat karena melibatkan banyak perhitungan presisi tinggi. 

“Jika Anda memiliki 100 CPU dan beberapa minggu, Anda mungkin dapat menghitung hubungan dispersi fonon untuk satu material. Seluruh komunitas sangat menginginkan cara yang lebih efisien untuk melakukan ini.”

– Penulis utama bersama Ryotaro Okabe, mahasiswa pascasarjana kimia

Model ML yang digunakan untuk melakukan perhitungan presisi tinggi dalam memperkirakan hubungan dispersi fonon disebut jaringan saraf graf (GNN). Jaringan ini mengubah struktur atom material menjadi graf kristal.

The crystal graph comprises multiple nodes connected by edges. The nodes represent atoms, while the edges act as the interatomic bonding between atoms.

GNN telah bekerja dengan baik untuk menghitung polarisasi listrik dan magnetisasi, di antara kuantitas lainnya. Namun, mereka tidak cukup fleksibel untuk memprediksi hubungan dispersi fonon secara akurat, yang merupakan kuantitas berdimensi sangat tinggi.

Memodelkan ruang momentum fonon dengan struktur graf tetap tidak berhasil karena mereka bergerak di sekitar atom pada sumbu yang berbeda. Ini memerlukan fleksibilitas, yang dibawa peneliti melalui node virtual.

Sementara node graf digunakan untuk mewakili atom, tim meninjau ide tersebut dan menyimpulkan bahwa “node graf dapat menjadi apa saja. Dan node virtual adalah pendekatan yang sangat umum yang dapat Anda gunakan untuk memprediksi banyak kuantitas berdimensi tinggi.”

Dengan menambahkan node virtual yang fleksibel ke struktur kristal tetap, tim menciptakan kerangka kerja baru yang disebut jaringan saraf graf node virtual (VGNN). Dengan memungkinkan output VGNN bervariasi dalam ukuran, ia tidak terbatasi oleh struktur kristal tetap.

Namun, node virtual ini hanya dapat menerima pesan dari node nyata. Jadi, meskipun mereka diperbarui bersama node nyata selama komputasi, node virtual tidak memengaruhi akurasi model.

Sebagai penulis utama bersama Abhijatmedhi Chotrattanapituk, yang merupakan mahasiswa pascasarjana teknik listrik dan ilmu komputer, menjelaskan, node nyata tidak menyadari keberadaan node virtual. Ia berkata:

“Cara kami melakukan ini sangat efisien dalam pemrograman. Anda hanya menambahkan beberapa node lagi dalam GNN Anda.”

Dengan menjadikan node virtual mewakili fonon, model VGNN tidak perlu melakukan banyak perhitungan kompleks saat memprediksi hubungan dispersi fonon, menjadikannya lebih efisien dibandingkan GNN.

Kerangka kerja AML baru yang dibuat oleh peneliti dari MIT dan tempat lain ternyata dapat memprediksi hubungan dispersi fonon hingga 1 juta kali lebih cepat dibandingkan pendekatan tradisional yang tidak berbasis AI. Bahkan dibandingkan teknik berbasis AI lainnya, kerangka kerja baru ini 1.000 kali lebih cepat dengan akurasi yang sebanding atau bahkan lebih baik. 

Saat memprediksi kapasitas panas material, peneliti menemukan model sedikit lebih akurat, dengan kesalahan prediksi dua orde magnitudo lebih rendah dengan teknik mereka dalam beberapa kasus.

Menurut para peneliti, model dapat memperkirakan hubungan dispersi fonon untuk beberapa ribu material dalam hitungan detik menggunakan komputer pribadi. Ini memungkinkan eksplorasi lebih banyak material dengan properti termal spesifik. Bahkan dapat digunakan untuk menghitung hubungan dispersi fonon dalam sistem paduan, yang secara khusus menantang bagi model tradisional.

Dalam mikroelektronik, di mana pengelolaan panas menjadi tantangan besar untuk membuatnya lebih cepat, metode baru ini dapat sangat bermanfaat dan membantu mengembangkan mikroelektronik yang lebih efisien. Selain itu, metode ini dapat membantu dalam merancang sistem pembangkit energi yang menghasilkan lebih banyak daya dan efisiensi.

Peneliti mengusulkan tiga versi model baru, masing-masing mampu memperkirakan fonon langsung dari koordinat atom material dengan kompleksitas yang meningkat.

Berikut dua perusahaan yang dapat memperoleh manfaat dari pengembangan terkait AI ini dalam memprediksi properti termal material:

#1. Intel

Sebagai produsen mikroprosesor terkemuka, pengelolaan panas sangat penting bagi Intel. Model AI yang ditingkatkan dapat membantu merancang prosesor yang lebih cepat dan lebih efisien dengan disipasi panas yang lebih baik, meningkatkan kinerja produk dan umur pakai serta membuat Intel lebih kompetitif.

#2. NVIDIA

Manajemen termal yang efisien sangat penting untuk GPU berperforma tinggi NVIDIA yang digunakan di pusat data, gaming, dan aplikasi AI. Model AI yang ditingkatkan dapat menghasilkan solusi pendinginan yang lebih baik, meningkatkan kinerja dan keandalan produk. Hal ini membuka jalan bagi perancangan sistem AI yang hemat energi, memperkuat posisi pasar NVIDIA.

Menjamin Kesetaraan

Sebuah makalah terpisah, di sisi lain, meningkatkan keadilan dengan memperkenalkan randomness terstruktur pada alokasi sumber daya terbatas menggunakan AI. Hal ini memungkinkan prediksi model berbasis ML mengatasi ketidakpastian bawaan tanpa mengorbankan efisiensi.

Selama setahun terakhir, popularitas AI generatif seperti ChatGPT telah menjadikan teknologi ini bagian integral dari bisnis. Organisasi semakin banyak menggunakan model ML untuk mengalokasikan sumber daya terbatas mereka, seperti manfaat kesejahteraan. Penggunaan ini dapat mencakup penyaringan resume hingga pemilihan kandidat untuk wawancara kerja hingga penyedia layanan kesehatan yang memberi peringkat pasien untuk pasokan terbatas sumber daya medis penyelamat nyawa seperti ventilator atau organ berdasarkan tingkat kelangsungan hidup mereka.

Saat menggunakan model AI, tujuan mereka adalah mencapai prediksi yang adil dengan mengurangi bias. Hal ini sering dicapai dengan teknik seperti mengkalibrasi skor yang dihasilkan atau menyesuaikan fitur model untuk membuat keputusan. 

Meskipun secara tradisional diyakini bahwa algoritma adil, sebuah makalah baru oleh peneliti dari Northeastern University dan MIT berargumen bahwa mencapai keadilan menggunakan ML sering memerlukan randomness. Analisis mereka menemukan bahwa randomisasi sangat bermanfaat ketika keputusan model melibatkan ketidakpastian. Juga, ketika kelompok yang sama secara konsisten menerima keputusan negatif, randomisasi harus diterapkan untuk meningkatkan keadilan.

Para peneliti memperkenalkan kerangka kerja untuk memasukkan randomisasi spesifik ke dalam keputusan model. Metode ini dapat disesuaikan untuk situasi individu guna meningkatkan keadilan tanpa merusak akurasi atau mengurangi efektivitas model.

“Bahkan jika Anda dapat membuat prediksi yang adil, apakah Anda harus memutuskan alokasi sumber daya atau peluang terbatas secara sosial hanya berdasarkan skor atau peringkat? Seiring skala meningkat dan kita melihat semakin banyak peluang yang diputuskan oleh algoritma ini, ketidakpastian inheren dalam skor tersebut dapat diperkuat. Kami menunjukkan bahwa keadilan mungkin memerlukan semacam randomisasi.”

– Penulis utama, Shomik Jain, mahasiswa pascasarjana di IDSS

Penelitian baru ini dibangun atas makalah sebelumnya, yang mengeksplorasi kerugian penggunaan sistem deterministik pada skala besar dan menemukan bahwa penggunaan model ML dalam alokasi sumber daya secara deterministik memperkuat ketidaksetaraan yang ada dan memperkuat bias. Menurut penulis senior Ashia Wilson, peneliti utama di LIDS:

“Randomisasi adalah konsep yang sangat berguna dalam statistik, dan yang menyenangkan bagi kami, memenuhi tuntutan keadilan baik dari sudut pandang sistemik maupun individu.”

Mengeksplorasi kapan randomisasi dapat meningkatkan keadilan, makalah terbaru mengadopsi konsep nilai lotere dalam mencapai keadilan dari filsuf John Broome untuk berargumen perlunya randomisasi dalam pengaturan sumber daya terbatas guna menghormati semua klaim dengan memberi setiap orang kesempatan. Jain berkata:

“Ketika Anda mengakui bahwa orang memiliki klaim berbeda terhadap sumber daya terbatas ini, keadilan akan memerlukan kita menghormati semua klaim individu. Jika kita selalu memberi seseorang dengan klaim lebih kuat sumber daya tersebut, apakah itu adil?”

Alokasi deterministik di mana klaim yang lebih kuat selalu mendapatkan sumber daya dapat menyebabkan eksklusi sistemik atau menimbulkan ketidakadilan yang berlipat ganda. Model pembelajaran mesin juga dapat membuat kesalahan, yang terulang ketika menggunakan pendekatan deterministik.

Makalah tersebut mencatat bahwa randomisasi dapat membantu mengatasi masalah ini. Namun, tidak semua keputusan harus di-randomisasi secara sama. Keputusan yang kurang pasti harus memiliki lebih banyak randomisasi.

Misalnya, alokasi ginjal melibatkan proyeksi harapan hidup, yang sangat tidak pasti, dan ketika ada dua pasien yang hanya lima tahun perbedaannya, maka menjadi lebih sulit untuk diukur. Wilson berkata:

“Kami ingin memanfaatkan tingkat ketidakpastian tersebut untuk menyesuaikan randomisasi.”

Untuk menentukan tingkat randomisasi yang diperlukan dalam kondisi berbeda, peneliti menggunakan metode kuantifikasi ketidakpastian statistik untuk menunjukkan bahwa randomisasi terkalibrasi dapat menghasilkan hasil yang lebih adil tanpa secara signifikan memengaruhi efektivitas atau kegunaan model.

“Ada keseimbangan antara kegunaan keseluruhan dan menghormati hak individu yang menerima sumber daya terbatas, tetapi seringkali kompromi tersebut relatif kecil.”

– Wilson

Meskipun randomisasi dapat sangat bermanfaat dalam meningkatkan keadilan di bidang seperti penerimaan perguruan tinggi, penelitian juga mencatat situasi seperti keadilan kriminal di mana randomisasi keputusan dapat sebenarnya merugikan individu alih-alih meningkatkan keadilan. 

Di masa depan, peneliti berencana mempelajari kasus penggunaan lain dan menyelidiki efek randomisasi pada faktor lain, seperti harga dan kompetisi, serta bagaimana hal itu dapat digunakan untuk meningkatkan ketahanan model ML. Sekarang, kita akan melihat dua perusahaan yang dapat memperoleh manfaat signifikan dari pengembangan ini:

#1. UnitedHealth Group 

UnitedHealth Group Inc. dapat meningkatkan keadilan dalam manajemen perawatan pasien dan distribusi sumber daya dengan mengintegrasikan randomisasi terstruktur dalam model AI. Pendekatan ini mengurangi bias dan memastikan akses perawatan yang setara, sejalan dengan komitmen UnitedHealth untuk menyediakan perawatan berkualitas tinggi dan terjangkau.

Perusahaan melaporkan pendapatan kuartal kedua 2024 sebesar $98,9 miliar, mencerminkan peningkatan $6 miliar dibandingkan tahun sebelumnya.

#2. Pfizer 

Pfizer Inc. dapat menggunakan randomisasi terstruktur dalam AI untuk memastikan seleksi pasien yang adil dalam uji klinis dan alokasi perlakuan eksperimental yang setara. Pendekatan ini akan mendukung misi Pfizer untuk memajukan kesetaraan kesehatan dan memberi manfaat kepada populasi yang lebih luas.

Dari sisi pendapatan, Pfizer melaporkan pendapatan tahunan sebesar $58,5 miliar pada tahun 2023.

Sistem Pembelajaran Bahasa yang Dipersonalisasi

Aplikasi AI menarik lainnya sedang diwujudkan dalam pembuatan buku cerita yang dipersonalisasi untuk membantu anak-anak dalam pembelajaran bahasa. Dengan menggunakan AI generatif dan teknologi IoT rumah, studi terbaru bertujuan menawarkan cara yang efektif dan disesuaikan untuk membantu anak-anak meningkatkan kemampuan memproses ucapan dan komunikasi. 

Perkembangan bahasa pada anak sangat penting, mengingat dampaknya pada pertumbuhan kognitif dan akademik mereka. Karena peranannya dalam perkembangan sosial keseluruhan anak, kemajuan bahasa harus dievaluasi secara teratur sehingga intervensi bahasa yang tepat waktu dapat diberikan. 

Secara tradisional, pendekatan satu ukuran untuk semua digunakan melalui daftar kosakata standar dan materi yang sudah dibuat untuk penilaian dan intervensi keterampilan bahasa. Hal ini terjadi meskipun anak-anak belajar bahasa dengan berinteraksi dengan lingkungan mereka, dan karena mereka tumbuh di lingkungan yang beragam, hal ini menyebabkan variasi dalam paparan kosakata.

Untuk mengatasi kekurangan pendekatan konvensional ini, tim peneliti mengembangkan sistem pendidikan inovatif yang disesuaikan dengan lingkungan unik setiap anak. 

Sistem pembelajaran bahasa yang dipersonalisasi ini disebut “Open Sesame? Open Salami! (OSOS).” Sistem ini menggabungkan teori patologi bicara dengan keahlian praktis dan mengakomodasi variasi dalam perkembangan bahasa anak melalui pembobotan faktor yang dipersonalisasi dan kriteria pemilihan kosakata yang fleksibel. 

Didukung oleh AI generatif dan sensor yang meluas, OSOS memprofil lingkungan bahasa anak, mengekstrak kata prioritas yang disesuaikan secara pribadi, dan membuat buku cerita khusus yang secara alami menyertakan kata-kata tersebut. Sistem ini terdiri dari tiga modul utama:

1. Profiler Bahasa yang Dipersonalisasi
2. Ekstraktor Kosakata Target
3. Generator Bantuan Intervensi yang Dipersonalisasi

Profiler akan ditempatkan di rumah dan terintegrasi dalam peralatan rumah atau speaker pintar untuk mengumpulkan sampel suara. Orang tua dapat mengontrol kapan memulai dan menghentikan perekaman.

Untuk tujuan ini, perangkat IoT rumah digunakan untuk menangkap dan memantau lingkungan harian serta paparan bahasa anak. Kosakata anak kemudian dianalisis menggunakan pemisahan pembicara, yang mengidentifikasi dan memisahkan pembicara yang berbeda, serta teknik analisis morfologis untuk menilai unit semantik terkecil bahasa.

Ekstraktor menganalisis ucapan dan mengekstrak daftar kata prioritas yang dapat dipilih untuk direkomendasikan kepada anak. Setiap kata dianalisis dengan menghitung skor berdasarkan faktor penting yang terkait dengan patologi bicara.

Sementara itu, Generator menyediakan intervensi dalam bentuk buku cerita, praktik klinis umum dan bagian dari rutinitas alami kebanyakan anak. Untuk membuat materi yang dipersonalisasi, tim menggunakan teknologi AI generatif canggih, termasuk GPT-4 dan Stable Diffusion. Solusi ini memungkinkan mereka menghasilkan buku khusus yang secara mulus mengintegrasikan kosakata target setiap anak. 

Tim menguji sistem pembelajaran bahasa yang dipersonalisasi dengan sembilan keluarga selama periode empat minggu. Hasilnya menunjukkan penerapan sistem dalam situasi sehari-hari dan secara efektif menunjukkan pembelajaran kosakata target oleh anak.

“Tujuan kami adalah memanfaatkan AI untuk menciptakan panduan khusus yang disesuaikan dengan tingkat dan kebutuhan masing-masing individu.”

– Penulis utama Jungeun Lee dari POSTECH

Dua perusahaan di bawah ini dapat memperoleh manfaat dari sistem pembelajaran bahasa yang dipersonalisasi berbasis AI:

#1. Amazon

Amazon, dengan kemampuan AI dan IoT yang luas, dapat mengintegrasikan sistem pembelajaran bahasa yang dipersonalisasi ke dalam perangkat rumah pintar seperti Alexa. Hal ini memungkinkan orang tua menggunakan Alexa untuk menangkap dan menganalisis perkembangan bahasa anak mereka secara real-time, menawarkan pengalaman belajar yang disesuaikan.

Pada tahun 2023, total pendapatan Amazon tumbuh 12% menjadi $575 miliar, dengan segmen Amerika Utara, Internasional, dan AWS memberikan kontribusi signifikan. 

Pendapatan Amerika Utara naik 12% menjadi $353 miliar, pendapatan Internasional meningkat 11% menjadi $131 miliar, dan pendapatan AWS naik 13% menjadi $91 miliar. Pendapatan operasionalnya melonjak dari $12,2 miliar pada 2022 menjadi $36,9 miliar pada 2023, sementara arus kas bebas beralih dari negatif $11,6 miliar pada 2022 menjadi positif $36,8 miliar.

#2. Alphabet Inc. (Google)

Google dapat menerapkan sistem pembelajaran bahasa yang dipersonalisasi menggunakan perangkat Google Home dan Nest. Dengan memanfaatkan keahlian AI Google, perangkat ini dapat menyediakan konten pembelajaran yang disesuaikan dan melacak perkembangan bahasa, membantu intervensi bahasa yang lebih efektif untuk anak-anak.

Pada tahun 2023, total pendapatan Alphabet Inc. meningkat menjadi $307,4 miliar, naik dari $282,8 miliar pada 2022. Layanan Google, termasuk Google Search dan iklan YouTube, menghasilkan $272,5 miliar, sementara Google Cloud menghasilkan $33,1 miliar. Pendapatan operasional naik menjadi $84,3 miliar, dengan Google Cloud mengubah kerugian $1,9 miliar pada 2022 menjadi keuntungan $1,7 miliar. Total aset mencapai $402,4 miliar, termasuk $110,9 miliar dalam bentuk kas.

Kesimpulan

Seperti yang telah kita lihat dengan pencapaian terbaru ini, AI memiliki beragam kasus penggunaan mulai dari membantu anak-anak dalam pengembangan bahasa hingga merancang sistem konversi energi yang lebih efisien dan perangkat mikroelektronik berperforma tinggi. Hal ini menunjukkan betapa kuatnya keberagaman AI.

Kemampuan AI untuk menangani volume data yang besar, melakukan tugas berulang secara efisien, belajar dari data, dan terus meningkatkan diri menjadikannya kekuatan yang benar-benar mengganggu bagi berbagai industri yang berinovasi, meningkatkan efisiensi dan produktivitas, mengurangi biaya, dan meningkatkan pengambilan keputusan. Dengan latar belakang ini, AI menunjukkan potensi yang luas, yang mungkin jauh melampaui perkiraan kami, untuk mentransformasi industri dan, pada gilirannya, kehidupan kita.

Klik di sini untuk mempelajari semua tentang berinvestasi dalam kecerdasan buatan.