Belajar AI - Konsep Dasar & Arsitektur Utama

#Pendahuluan

Setelah di episode 1 kita memahami sejarah AI — dari Turing sampai agentic era — pada episode ini kita membangun kerangka pikir yang akan dipakai di seluruh series. Dua hal yang akan kita kuasai: peta bidang AI (di mana letak ML, DL, dan GenAI) dan terminologi kunci (model, training, inference, dataset, dan lainnya).

Mengapa episode ini penting? Karena istilah-istilah ini akan muncul berulang kali di semua episode berikutnya. Ketika kita membahas RAG di episode 13 atau agents di episode 15, kalian tidak boleh kebingungan lagi mendengar kata "embedding", "inference", atau "hallucination". Episode ini adalah kamus bersama kita.

#Peta Bidang AI

Bayangkan AI sebagai lingkaran besar yang berisi sub-bidang yang saling tumpang tindih. Visualisasi berikut merangkum hubungannya:

100%

#Artificial Intelligence (AI)

AI adalah bidang payung: ilmu membuat mesin melakukan hal-hal yang butuh kecerdasan manusia — mengenali pola, memahami bahasa, mengambil keputusan, dan bergerak. Dalam praktik modern, hampir semua AI diimplementasikan lewat machine learning: mesin belajar dari data, bukan diprogram dengan aturan.

#Machine Learning (ML)

ML adalah cabang AI tempat model belajar pola dari data. Kuncinya: kita tidak menulis aturan, melainkan memberi contoh dan membiarkan algoritma menemukan polanya. Contoh paling sederhana — memprediksi harga rumah dari luas dan lokasi. Kita tidak menulis rumus manual; kita melatih model dengan ribuan contoh harga rumah lalu membiarkannya menemukan hubungannya. Episode 4 membahas ML secara mendalam.

#Deep Learning (DL)

DL adalah sub-cabang ML yang memakai neural network bertingkat (banyak lapisan). Ia unggul pada data kompleks: gambar, audio, dan teks. "Deep" merujuk pada banyaknya lapisan — dari beberapa lapisan (2010s) hingga puluhan/ribuan pada model modern. Episode 5 membahasnya lebih dalam.

#Generative AI (GenAI)

GenAI adalah DL yang menghasilkan konten baru — teks (LLM), gambar (diffusion), audio, dan video — bukan sekadar mengklasifikasikan. Alih-alih menebak kategori, model belajar distribusi data lalu menghasilkan sampel baru yang mirip. LLM (Large Language Model) adalah bintangnya, dibahas di episode 7.

#Bidang Pendukung Lainnya

• NLP: memahami & menghasilkan bahasa manusia (sentiment, terjemahan, summarization) — episode 6.
• Computer Vision: memahami gambar & video (klasifikasi, deteksi objek) — episode 6.
• Robotics: menggabungkan persepsi & kontrol untuk bergerak di dunia fisik.
• Reasoning: memecah masalah jadi langkah logis — menjadi inti model reasoning 2026 (episode 21).

#Terminologi Kunci

#Model

Model adalah hasil training: sekumpulan parameter (bobot angka) yang telah belajar pola dari data. Analoginya otak yang sudah dilatih — setelah melihat ribuan foto kucing, ia "tahu" seperti apa kucing. Dua kategori: model closed (GPT, Claude, Gemini — hanya via API) dan model open-weight (Llama, Qwen, Gemma — bisa diunduh dan dijalankan sendiri). Episode 7 membedah keduanya.

#Training dan Inference

• Training: proses mempelajari pola dari data. Model mengatur bobotnya berulang kali sampai prediksinya akurat. Biasanya mahal (butuh GPU & waktu).
• Inference: proses memakai model untuk memprediksi data baru. Ini yang terjadi setiap kali kalian mengirim prompt ke ChatGPT.

Analoginya: training adalah sekolah (butuh tahunan), inference adalah menjawab ujian (detik). Keduanya dibedakan jelas karena biaya dan teknologi yang dibutuhkan sangat berbeda.

#Dataset, Feature, dan Label

• Dataset: kumpulan data contoh yang dipakai untuk training. Contoh: tabel harga rumah.
• Feature: kolom/variabel input yang dipakai model untuk memprediksi. Contoh: luas, kamar, lokasi.
• Label: jawaban yang benar yang ingin diprediksi. Contoh: harga.

Untuk gambar, feature-nya adalah nilai pixel; untuk teks, token. Episode 3 dan 9 membahas pengolahan dataset secara praktis.

#Accuracy dan Hallucination

• Accuracy: seberapa sering prediksi model benar — metrik paling dasar, namun sering menipu (dibahas tuntas di episode 8).
• Hallucination: fenomena di mana model LLM menghasilkan informasi yang tampak meyakinkan tapi salah atau mengarang. Ini konsekuensi dari model yang memprediksi kata berikutnya, bukan mencari fakta. Mitigasi utamanya adalah grounding dengan sumber eksternal (RAG, episode 13) dan evaluasi (episode 8).

#Agent

Agent adalah program AI yang bisa melangkah sendiri: memahami instruksi, merencanakan, memanggil tool (API, database, kode), mengamati hasil, dan mengulangi sampai tugas selesai. Berbeda dari chatbot yang sekali jawab, agent bekerja dalam loop. Ini topik utama episode 15 dan 21.

#Kenapa Peta Ini Penting di Dunia Kerja

Di dunia kerja, kalian akan mendengar istilah ini dipakai longgar. Ada yang menyebut "AI" padahal hanya klasifikasi ML sederhana; ada yang menyebut "machine learning" padahal memakai API LLM tanpa training sama sekali. Memiliki peta yang jelas membuat kalian bisa:

• Menilai kebutuhan: tugas klasifikasi tabel → ML; tugas menghasilkan dokumen → LLM.
• Menilai biaya: DL & LLM training jauh lebih mahal daripada ML klasik.
• Berkomunikasi dengan tepat dengan rekan kerja dan stakeholder.

Mermaid di episode ini adalah satu-satunya diagram seri: setelah ini, hampir semua komunikasi memakai kode dan contoh nyata.

#Penutup

Pada episode 2 ini, kalian telah membangun peta bidang AI dan kamus terminologi bersama.

Inti yang harus dibawa pulang:

• AI ⊃ ML ⊃ DL ⊃ GenAI — empat lapis yang sering disamakan orang.
• NLP, computer vision, robotics, dan reasoning adalah sub-bidang di dalam payung AI.
• Model belajar dari data saat training, lalu dipakai saat inference.
• Dataset berisi feature dan label; accuracy mengukur kebenaran; hallucination adalah kelemahan khas LLM; agent adalah AI yang bekerja dalam loop.

Di episode 3 selanjutnya, kita akan turun ke kode: Python untuk AI & tools dasar — NumPy, Pandas, Matplotlib, scikit-learn, dan workflow Jupyter, plus praktik Exploratory Data Analysis di dataset nyata (iris/titanic). Pastikan environment episode 0 sudah siap, karena mulai sekarang kita menulis kode sungguhan!