Artificial Intellegence, News

Keterbatasan AI : Mengapa AI Tidak Bisa Mengeja “Strawberry”?

Eko Susilo Harjo August 31, 2024
strawberry
strawberry

Pernahkah Anda mendengar AI yang salah mengeja kata sederhana seperti “strawberry”? Meskipun AI dapat menulis esai dan menyelesaikan persamaan dalam hitungan detik, ternyata masih memiliki keterbatasan dalam memahami konsep dasar seperti huruf dan suku kata.

Keterbatasan AI dalam Memahami Huruf dan Suku Kata

Model bahasa besar (LLM) seperti GPT-4 dan Claude dibangun menggunakan arsitektur transformer, yang memecah teks menjadi token. Token-token ini bisa berupa kata lengkap, suku kata, atau huruf, tergantung pada modelnya.

“LLM didasarkan pada arsitektur transformer ini, yang secara khusus tidak benar-benar membaca teks,” kata Matthew Guzdial, seorang peneliti AI dan asisten profesor di University of Alberta, kepada TechCrunch. “Ketika Anda memasukkan prompt, itu diterjemahkan menjadi pengkodean.”

Ketika melihat kata “the”, AI memiliki pengkodean khusus untuk kata tersebut, tetapi tidak memahami huruf “T”, “H”, dan “E” secara individu. Hal ini karena transformer tidak dapat mengambil atau mengeluarkan teks aktual secara efisien. Sebaliknya, teks diubah menjadi representasi numerik dari dirinya sendiri, yang kemudian dikontekstualisasikan untuk membantu AI menghasilkan respons yang logis.

Dengan kata lain, AI mungkin tahu bahwa token “straw” dan “berry” membentuk “strawberry”, tetapi mungkin tidak memahami bahwa “strawberry” terdiri dari huruf “s”, “t”, “r”, “a”, “w”, “b”, “e”, “r”, “r”, dan “y”, dalam urutan tertentu. Dengan demikian, AI tidak dapat memberi tahu Anda berapa banyak huruf – apalagi berapa banyak “r” – muncul dalam kata “strawberry”.

Implikasi Keterbatasan Ini

Keterbatasan AI dalam memahami huruf dan suku kata memiliki implikasi yang luas. Salah satu implikasinya adalah bahwa AI masih belum dapat sepenuhnya menguasai bahasa manusia. Meskipun AI dapat menghasilkan teks yang koheren dan bahkan kreatif, masih terdapat celah dalam pemahamannya terhadap struktur bahasa dan makna kata-kata.

Selain itu, keterbatasan ini juga dapat mempengaruhi kemampuan AI dalam menyelesaikan tugas-tugas tertentu yang memerlukan pemahaman mendalam tentang bahasa. Misalnya, AI mungkin kesulitan dalam memahami nuansa makna dalam teks, atau dalam mengidentifikasi kesalahan tata bahasa.

Bagaimana Mengatasi Keterbatasan Ini?

Para peneliti AI sedang bekerja untuk mengatasi keterbatasan ini. Salah satu pendekatan yang sedang dijelajahi adalah mengembangkan model AI yang dapat memahami bahasa pada tingkat yang lebih mendalam. Pendekatan lain adalah dengan meningkatkan kualitas data pelatihan yang digunakan untuk melatih model AI.

Meskipun masih terdapat tantangan, kemajuan yang telah dicapai dalam bidang AI menunjukkan bahwa kita semakin dekat untuk mengembangkan model AI yang dapat memahami bahasa manusia dengan lebih baik.

Kesimpulan

Meskipun AI telah mencapai kemajuan yang pesat, masih terdapat keterbatasan dalam kemampuannya untuk memahami konsep dasar seperti huruf dan suku kata. Keterbatasan ini memiliki implikasi yang luas pada kemampuan AI untuk menguasai bahasa manusia dan menyelesaikan tugas-tugas tertentu.

Para peneliti AI terus berupaya untuk mengatasi keterbatasan ini, dan diharapkan bahwa di masa depan, AI akan dapat memahami bahasa manusia dengan lebih baik dan lebih efektif.


Discover more from teknologi now

Subscribe to get the latest posts sent to your email.

Pengenalan Go 1.25 baru saja rilis dan bawa banyak peningkatan yang bikin hidup developer lebih gampang. Di artikel ini, kita bakal bahas tiga fitur paling menonjol: DWARF v5 untuk debugging yang lebih ringan, go doc -http yang menyiapkan server dokumentasi lokal dalam hitungan detik, serta interface XOF untuk hash yang output‑nya bisa diperpanjang. Semua dijelaskan dengan […]

News

Change Data Capture (CDC)

Eko Susilo Harjo

28 August 2025

Di era digital, sistem ERP (Enterprise Resource Planning) menjadi tulang punggung perusahaan. Semua proses – mulai dari keuangan, HR, inventori, hingga produksi – bertumpu pada data yang terus berubah setiap detik.Tantangannya: bagaimana cara menampilkan data yang selalu up-to-date tanpa membebani server? Jawabannya ada pada teknologi Change Data Capture (CDC). Apa itu CDC? Change Data Capture […]

Pengantar MLOps (Machine Learning Operations) adalah gabungan praktik DevOps yang diterapkan pada seluruh siklus hidup model AI. Dengan MLOps, tim dapat memindahkan model dari notebook eksperimen ke produksi secara reliable, terukur, dan otomatis. Artikel ini bakal ngasih blueprint praktis untuk developer, data scientist, dan platform engineer yang mau membangun sistem ML produksi. Siklus Hidup MLOps […]

Discover more from teknologi now

Subscribe now to keep reading and get access to the full archive.

Continue reading