Kecerdasan buatan

Pusat Inovasi – Beragam Penerapan Kecerdasan Buatan dalam Pencapaian Terkini

Gaurav Roy
Tambahkan Securities.io ke sumber pilihan Anda di Google
Pengungkapan: Securities.io dapat menerima kompensasi saat Anda memakai tautan ke produk yang kami ulas. Hal ini tidak memengaruhi penilaian editorial kami. Kami bukan penasihat investasi terdaftar; ini bukan saran investasi. Baca pengungkapan afiliasi kami.
AI Applications
Poin utamaVGNN dari MIT memprediksi dispersi fonon satu juta kali lebih cepat dibandingkan metode…
Lihat selengkapnya
  • VGNN dari MIT memprediksi dispersi fonon satu juta kali lebih cepat dibandingkan metode tradisional.
  • Keacakan terstruktur dalam model AI meningkatkan keadilan dalam alokasi sumber daya yang langka.
  • Buku cerita AI yang dipersonalisasi menyesuaikan pembelajaran bahasa dengan lingkungan setiap anak.

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 Global AI Adoption Index 2023, sekitar 42% perusahaan besar yang disurvei telah menerapkan AI dalam operasinya, sementara 40% lainnya masih menjajaki atau menguji teknologi tersebut. Survei ini mencakup perusahaan dengan lebih dari 1.000 karyawan, bukan seluruh bisnis di dunia.

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

Menurut proyeksi historis PwC untuk 2030, AI berpotensi menambah hingga US$15,7 triliun pada ekonomi global . Sekitar 45% manfaat ekonomi yang diproyeksikan berasal dari peningkatan produk, termasuk keterjangkauan, daya tarik, variasi, dan personalisasi yang dapat mendorong permintaan. Sekitar US$6,6 triliun diproyeksikan berasal dari peningkatan produktivitas. Angka ini merupakan hasil pemodelan, bukan pertumbuhan yang sudah terwujud atau tambahan yang dijamin.

AI dapat mengubah cara kerja industri dan menjadi sumber keunggulan kompetitif. Beragam penerapannya dapat dilihat dalam kemajuan terbaru yang dibuat dengan bantuan teknologi ini. 

Memprediksi Sifat Termal

Salah satu penerapan AI adalah memprediksi sifat termal material. Pemahaman yang lebih baik dapat membantu perancangan mikroelektronik dan sistem konversi energi yang mengelola panas dengan lebih efisien.

Hubungan antara struktur atom dan sifat material penting dalam perancangan material. Pembelajaran mesin telah membantu mempelajari hubungan tersebut, meski generalisasi model dan ketepatan prediksi tetap menjadi tantangan.

Mikrochip

Penelitian terbaru memperkenalkan jaringan saraf graf dengan simpul virtual, atau virtual node graph neural network (VGNN), untuk membantu mengatasi kendala tersebut. Dengan pendekatan simpul virtual, peneliti memprediksi spektrum fonon pada titik Γ dan hubungan dispersi fonon dari koordinat atom. Model ini dibandingkan dengan metode berbasis potensial interatomik pembelajaran mesin dan menawarkan komputasi yang lebih cepat pada pengujian penelitian.

Perhitungan pita fonon yang cepat dan akurat dapat membantu memahami aliran panas. Sebagian besar energi dalam proses konversi akhirnya menjadi panas; proporsinya bergantung pada sistem dan batas perhitungan. Jika ilmuwan dapat memprediksi perpindahan panas dalam isolator dan semikonduktor, sistem pembangkit listrik yang lebih efisien dapat dirancang. 

Namun, sifat termal material sulit dimodelkan. Ini disebabkan antara lain oleh fonon, yaitu kuanta getaran kolektif dalam kisi kristal.

Fonon merupakan kuasipartikel, bukan partikel subatomik elementer. Fonon membawa energi termal, dan sejumlah sifat termal bergantung pada hubungan dispersi, yaitu hubungan antara energi dan momentum kristalnya. Memperoleh data ini dan menggunakannya dalam perancangan dapat memerlukan perhitungan rumit.

Penulis senior Mingda Li, profesor madya bidang ilmu dan teknik nuklir, menjelaskan:

“Fonon berperan dalam kehilangan energi sebagai panas, tetapi sifatnya sangat sulit ditentukan, baik melalui komputasi maupun eksperimen.”

Fonon mencakup rentang frekuensi yang luas, dengan kecepatan rambat dan interaksi yang berbeda. Hal ini membuat perilaku pembawa panas sulit diprediksi secara efisien.

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

Salah satu pendekatan pembelajaran mesin adalah jaringan saraf graf (GNN), yang merepresentasikan struktur atom material sebagai graf kristal.

Graf kristal terdiri atas simpul yang mewakili atom dan sisi yang mewakili hubungan atau interaksi antaratom.

GNN telah digunakan untuk memperkirakan berbagai besaran, termasuk polarisasi listrik dan magnetisasi. Namun, representasi graf tetap dapat membatasi prediksi besaran berdimensi tinggi seperti hubungan dispersi fonon.

Ruang momentum fonon mencakup banyak mode getaran dan arah perambatan. Merepresentasikan seluruh informasi itu dengan graf atom yang tetap menjadi tantangan. Ini memerlukan fleksibilitas tambahan, yang diberikan peneliti melalui simpul virtual.

Simpul graf tidak harus hanya mewakili atom. Peneliti menggunakan simpul virtual untuk memperluas jenis keluaran berdimensi tinggi yang dapat diprediksi model.

Simpul virtual ditambahkan pada graf struktur kristal. Pendekatan VGNN memungkinkan ukuran keluaran model disesuaikan dengan informasi fonon yang ingin diprediksi.

Dalam rancangan ini, simpul virtual menerima informasi dari simpul atom tanpa mengirim pesan balik kepadanya. Hubungan satu arah tersebut mempertahankan representasi atom yang mendasarinya, bukan menjamin bahwa model tidak pernah membuat kesalahan.

Penulis utama bersama Abhijatmedhi Chotrattanapituk, mahasiswa pascasarjana teknik listrik dan ilmu komputer, menjelaskan bahwa simpul atom tidak menerima informasi balik dari simpul virtual:

“Dari sisi pemrograman, pendekatannya sangat efisien: cukup menambahkan sejumlah simpul pada GNN.”

Dengan simpul virtual yang mewakili keluaran fonon, VGNN dapat mengurangi kebutuhan perhitungan tertentu dibandingkan pendekatan yang lebih konvensional.

Dalam pembandingan yang dilaporkan peneliti MIT dan kolaboratornya, kerangka pembelajaran mesin ini hingga 1.000 kali lebih cepat daripada teknik AI pembanding, dengan ketepatan sebanding atau lebih baik. Dibandingkan metode tradisional tertentu yang tidak berbasis AI, potensi percepatannya mencapai satu juta kali. Hasil tersebut bergantung pada metode dan tugas yang dibandingkan. 

Untuk prediksi kapasitas panas, ketepatannya juga meningkat. Pada beberapa kasus pengujian, galat prediksi hingga dua orde magnitudo lebih kecil, bukan peningkatan yang sama pada setiap material.

Peneliti menyatakan bahwa model dapat memperkirakan dispersi fonon bagi ribuan material dalam hitungan detik pada komputer pribadi, sehingga memperluas pencarian material dengan sifat termal tertentu. Pendekatan ini juga dapat digunakan untuk memperkirakan hubungan dispersi fonon dalam paduan, yang komposisinya membuat pemodelan lebih sulit.

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 mengembangkan tiga versi VGNN dengan tingkat kompleksitas berbeda untuk memperkirakan sifat fonon berdasarkan koordinat atom.

Berikut dua perusahaan yang bisnisnya berpotensi memperoleh manfaat dari kemajuan pemodelan termal. Ini bukan bukti bahwa keduanya telah menerapkan model penelitian tersebut:

#1. Intel

Sebagai produsen mikroprosesor terkemuka, pengelolaan panas sangat penting bagi Intel (INTC ). 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.

INTC Grafik Harga



Manajemen termal yang lebih baik juga berpotensi menekan konsumsi energi dan biaya operasi. Pada 2023, Intel melaporkan pendapatan US$54,2 miliar, laba bersih yang dapat diatribusikan kepada Intel sekitar US$1,7 miliar, dan margin kotor GAAP 40%.

#2. NVIDIA

Manajemen termal yang efisien sangat penting untuk GPU berperforma tinggi NVIDIA (NVDA ) 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.

NVDA Grafik Harga



Pada tahun fiskal 2023 yang berakhir 29 Januari 2023, NVIDIA melaporkan pendapatan US$26,97 miliar, laba bersih US$4,37 miliar, dan margin kotor GAAP 56,9%. Tahun fiskal tersebut berbeda dari tahun kalender 2023.

Meningkatkan Keadilan Alokasi

Menjamin Kesetaraan

Penelitian terpisah mengkaji pengacakan terstruktur dalam alokasi sumber daya terbatas berdasarkan prediksi pembelajaran mesin. Pendekatan ini bertujuan memperhitungkan ketidakpastian dan memperbaiki keadilan, dengan kompromi efisiensi yang dapat berbeda menurut situasi.

Organisasi semakin sering menggunakan pembelajaran mesin untuk menyaring pelamar kerja, menentukan penerima bantuan, atau mendukung alokasi sumber daya kesehatan. Contohnya adalah pemeringkatan calon penerima transplantasi berdasarkan perkiraan kelangsungan hidup. Keputusan semacam ini memiliki konsekuensi besar bagi individu.

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. 

Peneliti MIT dan Northeastern University berpendapat bahwa prediksi yang tampak adil belum tentu menghasilkan alokasi yang adil ketika sumber daya terbatas. Pengacakan dapat membantu ketika skor tidak pasti atau keputusan deterministik berulang kali mengecualikan orang yang sama; pendekatannya perlu disesuaikan dengan konteks.

Para peneliti memperkenalkan kerangka kerja untuk memasukkan randomisasi spesifik ke dalam keputusan model. Metode ini dapat disesuaikan untuk keadaan tertentu guna memperbaiki keadilan sambil membatasi pengurangan kegunaan keputusan. Ini tidak berarti semua bentuk pengacakan selalu mempertahankan akurasi atau efektivitas.

“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.”

Makalah tersebut menggunakan gagasan filsuf John Broome tentang nilai undian dalam keputusan yang adil. Pengacakan terstruktur dapat memberi kesempatan pada beberapa pihak yang memiliki klaim terhadap sumber daya terbatas. Jain menjelaskan:

“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 itu mengusulkan pengacakan yang disesuaikan dengan ketidakpastian, bukan peluang sama rata untuk setiap keputusan. Prediksi yang kurang pasti dapat menjadi alasan untuk memberi ruang lebih besar pada pengacakan.

Misalnya, perkiraan kelangsungan hidup setelah transplantasi ginjal dapat sangat tidak pasti. Selisih proyeksi lima tahun antara dua pasien tidak selalu cukup andal untuk membenarkan pemeringkatan kaku. Wilson menjelaskan:

“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

Pengacakan dapat berguna dalam konteks seperti penerimaan perguruan tinggi. Namun, penelitian juga membahas konteks peradilan pidana, di mana keputusan acak dapat menambah kerugian bagi individu dan tidak sesuai diterapkan begitu saja. 

Peneliti ingin mengkaji penerapan lain, termasuk dampaknya pada harga, persaingan, dan ketahanan model. Dua perusahaan berikut berpotensi meneliti pendekatan terkait; artikel ini tidak menyatakan bahwa mereka telah menerapkannya:

#1. UnitedHealth Group 

UnitedHealth Group Inc. (UNH ) dapat meneliti apakah pengacakan terstruktur sesuai untuk masalah alokasi tertentu. Penerapan dalam layanan kesehatan memerlukan validasi, pertimbangan klinis dan etis, serta pengawasan; pendekatan ini tidak otomatis menjamin akses yang setara.

UNH Grafik Harga

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

#2. Pfizer 

Pfizer Inc. (PFE ) dapat mengkaji pendekatan terkait untuk masalah seleksi atau alokasi dalam penelitian. Ini berbeda dari randomisasi kelompok perlakuan dalam uji klinis, dan tidak membuktikan bahwa sistem tersebut sudah dipakai atau selalu sesuai bagi setiap studi.

PFE Grafik Harga

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

Sistem Pembelajaran Bahasa yang Dipersonalisasi

Penerapan lain menggunakan AI untuk membuat buku cerita yang disesuaikan dengan kosakata anak. Sebuah penelitian menggabungkan AI generatif dan pengambilan sampel bahasa di rumah untuk membantu penilaian serta kegiatan belajar bahasa yang lebih personal. 

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. 

Materi standar dan daftar kosakata umum dapat kurang mencerminkan kebutuhan individual. Anak memperoleh bahasa melalui interaksi dengan lingkungan yang berbeda-beda, sehingga kata yang sering mereka dengar atau perlukan juga dapat berbeda.

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

Sistem pembelajaran bahasa personal ini disebut “Open Sesame? Open Salami! (OSOS)”. Sistem ini dikembangkan bersama ahli patologi wicara-bahasa untuk menyesuaikan penilaian dan kegiatan belajar kosakata dengan lingkungan serta kebutuhan anak. 

OSOS membuat profil lingkungan bahasa, memilih kata prioritas, dan menghasilkan buku cerita yang menyertakan kata tersebut. Tiga modul utamanya adalah:

  1. Penyusun Profil Bahasa Personal
  2. Pemilih Kosakata Sasaran
  3. Pembuat Materi Intervensi Personal

Modul profil menggunakan rekaman sampel percakapan di rumah melalui perangkat yang sesuai. Orang tua dapat mengatur kapan perekaman dimulai dan dihentikan.

Sampel dianalisis dengan pemisahan pembicara untuk membedakan sumber ucapan dan analisis morfologis untuk mengidentifikasi unsur pembentuk kata. Hasilnya membantu menggambarkan paparan bahasa anak, bukan merekam seluruh kemampuan bahasanya secara sempurna.

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

Modul pembuat materi menyusun buku cerita sebagai sarana latihan bersama anak. Tim menggunakan GPT-4 dan Stable Diffusion untuk membuat teks serta gambar yang memasukkan kosakata sasaran. Materi yang dihasilkan tetap memerlukan penilaian kesesuaian oleh orang dewasa. 

Penelitian menerapkan OSOS pada sembilan keluarga selama empat minggu dan melaporkan pengalaman penggunaan serta potensi personalisasi. Uji kecil tersebut belum membuktikan efektivitas klinis jangka panjang bagi seluruh 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

Berikut dua perusahaan yang perangkat atau layanan terkaitnya berpotensi mendukung penelitian serupa, tanpa menyatakan bahwa integrasi ini sudah tersedia:

#1. Amazon

Amazon (AMZN ) memiliki perangkat rumah pintar dan teknologi AI yang dapat mendukung pengembangan aplikasi bahasa. Integrasi dengan Alexa masih merupakan kemungkinan dalam artikel ini, bukan fitur penilaian perkembangan anak yang telah dibuktikan secara klinis.

AMZN Grafik Harga

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

Pendapatan segmen Amerika Utara naik 12% menjadi sekitar US$353 miliar, Internasional naik 11% menjadi US$131 miliar, dan AWS naik 13% menjadi US$91 miliar. Laba operasional total meningkat dari US$12,2 miliar pada 2022 menjadi US$36,9 miliar pada 2023. Arus kas bebas berubah dari negatif US$11,6 miliar menjadi positif US$36,8 miliar.

#2. Alphabet Inc. (Google)

Google memiliki perangkat Home dan Nest serta teknologi AI yang dapat mendukung konten pembelajaran personal. Pemantauan bahasa anak melalui perangkat tersebut merupakan kemungkinan pengembangan, bukan layanan intervensi bahasa yang telah dibuktikan oleh penelitian OSOS.

GOOGL Grafik Harga

Pada 2023, pendapatan Alphabet Inc. (GOOG ) mencapai US$307,4 miliar, dibandingkan US$282,8 miliar pada 2022. Google Services menghasilkan US$272,5 miliar dan Google Cloud US$33,1 miliar. Laba operasional total mencapai US$84,3 miliar, sementara Google Cloud beralih dari rugi sekitar US$1,9 miliar menjadi laba US$1,7 miliar. Aset total mencapai US$402,4 miliar. Angka US$110,9 miliar mencakup kas, setara kas, dan surat berharga jangka pendek, bukan kas saja.

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 luasnya ragam penerapan AI.

Kemampuan mengolah data, mengotomatisasi tugas, dan mempelajari pola dapat membantu produktivitas serta pengambilan keputusan. Manfaat nyata bergantung pada kualitas data, pengujian, biaya, dan cara penerapan; model tidak selalu memperbaiki dirinya secara otomatis setelah digunakan.

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

Gaurav memulai perdagangan cryptocurrency pada 2017 dan telah jatuh cinta dengan ruang crypto sejak saat itu. Minatnya pada semua hal crypto menjadikannya seorang penulis yang berspesialisasi dalam cryptocurrency dan blockchain. Tak lama kemudian, dia menemukan dirinya bekerja dengan perusahaan crypto dan outlet media. Dia juga seorang penggemar besar Batman.