AI generatif dan model bahasa telah menjadi teknologi yang menarik, tetapi apakah mereka siap untuk digunakan oleh perusahaan? Tantangan yang dihadapi adalah respons yang tidak akurat dan kesulitan dalam hal-hal logis.
Namun, ada tiga pendekatan baru yang menjanjikan untuk meningkatkannya. Pendekatan pertama adalah memperlakukan model bahasa sebagai “kotak tertutup” dan fokus pada pengembangan lapisan pengecekan fakta untuk menyaring respons yang tidak akurat.
Pendekatan kedua melibatkan penguatan respons AI dengan menggunakan teknik seperti pemodelan bertingkat dan penggunaan sumber daya eksternal untuk meningkatkan kualitas respons.
Pendekatan ketiga adalah dengan mengembangkan sistem yang bekerja sama dengan manusia untuk memvalidasi dan memperbaiki respons AI.
Meskipun pendekatan-pendekatan ini memiliki penekanan yang berbeda, mereka semua bertujuan untuk meningkatkan keandalan AI generatif dan model bahasa.
Daftar Isi
Kemampuan pencarian yang lebih luas
Metode pencarian vektor secara luas saat ini telah menjadi fitur umum di berbagai database, termasuk database yang dikhususkan untuk mengindeks data tidak terstruktur seperti teks atau gambar.
Dalam database vektor, data ditempatkan di ruang dimensi tinggi untuk tujuan pencarian, pengambilan, dan kedekatan. Misalnya, saat mencari kata “apel”, informasi tentang buah bisa ditemukan, tetapi juga hasil sekitarnya seperti perusahaan teknologi atau label musik.
Vektor berguna dalam kecerdasan buatan karena dapat menghubungkan titik data di seluruh komponen seperti basis data dan LLM, dan bukan hanya digunakan sebagai kunci dalam basis data untuk melatih model pembelajaran mesin.
RAG pada AI Generatif
RAG, atau Retrieval-augmented generation, adalah metode yang digunakan untuk menambahkan konteks pada interaksi dengan LLM (Language Model). RAG menggunakan data tambahan dari sistem basis data untuk memberikan konteks pada respons LLM.
Data kontekstual ini dapat berupa metadata seperti waktu, lokasi, referensi, atau ID produk, dan juga dapat berasal dari hasil kueri basis data yang lebih canggih. Tujuan dari pendekatan ini adalah untuk menghasilkan respons yang relevan dan akurat dengan memanfaatkan informasi terbaru yang ada di dalam basis data.
Selain itu, menggunakan pendekatan RAG juga memberikan transparansi kepada pengguna bisnis dalam menentukan bagaimana sistem LLM sampai pada jawaban yang diberikan. Jika basis data yang digunakan memiliki kemampuan vektor, respons yang dihasilkan oleh LLM dapat digunakan untuk mencari data terkait dalam basis data dengan tujuan meningkatkan keakuratan respons yang diberikan.
Knowledge Graph pada ChatGPT
Salah satu penyempurnaan yang dapat dilakukan untuk meningkatkan keandalan ChatGPT adalah dengan menggunakan Knowledge Graph sebagai basis data. Knowledge Graph adalah jaringan informasi yang saling terhubung dan kaya secara semantik. Dengan menggunakan grafik pengetahuan, kita dapat menjaga konten yang transparan dan terkurasi, sehingga meningkatkan kualitas data yang digunakan.
Selain itu, kita juga dapat menggabungkan Knowledge Graph dengan vektor untuk melakukan pengecekan fakta, pencarian kedekatan, dan pencocokan pola. Pendekatan lain yang menarik adalah yang dikembangkan oleh Profesor Yejin Choi dari University of Washington. Dalam penelitiannya, ia menggunakan AI “kritikus” yang menganalisis penalaran logis ChatGPT untuk membangun Knowledge Graph yang hanya terdiri dari penalaran yang benar dan fakta yang benar. Dengan menghapus bagian yang tidak akurat, Knowledge Graph ini dapat digunakan untuk melatih ChatGPT yang memiliki tingkat akurasi yang lebih tinggi.
Meskipun para insinyur AI terus bekerja untuk meningkatkan performa ChatGPT, penggunaan Knowledge Graph sebagai basis data dan filtrasi data dengan pendekatan yang cermat dapat menjadi solusi yang lebih umum dalam meningkatkan keandalan ChatGPT.
Kembali ke Konteks
Knowledge Graph telah meningkatkan sistem GPT dan memberikan lebih banyak konteks dan struktur melalui RAG. Dengan menggunakan kombinasi pencarian semantik berbasis vektor dan grafik pengetahuan, organisasi mencapai hasil yang akurat secara konsisten.
Dalam menggabungkan arsitektur yang memanfaatkan kombinasi vektor, RAG, dan grafik pengetahuan, kita dapat membangun aplikasi bisnis yang berharga tanpa memerlukan keahlian yang rumit. Pendekatan ini memungkinkan kita untuk menambahkan pemahaman yang kaya dari konsep dengan ‘pemahaman' yang lebih mendasar yang dapat dicapai oleh komputer.
Knowledge Graph berhasil dalam menjawab pertanyaan-pertanyaan besar dan meramalkan apa yang akan terjadi selanjutnya dengan melihat pola data. Ini memiliki penerapan yang luas dalam kombinasi dengan kemampuan generatif dari LLM. Dalam tahun-tahun mendatang, LLM akan menjadi alat bisnis yang sangat penting.
