Kecerdasan Buatan (AI)
Kecerdasan buatan (AI) mengacu pada sistem komputer yang menjalankan tugas yang biasanya membutuhkan kecerdasan manusia, seperti mengenali pola, memahami bahasa, atau mengambil keputusan.
Kecerdasan buatan adalah bidang ilmu komputer yang berfokus pada pembangunan sistem yang dapat menyelesaikan tugas yang biasanya membutuhkan pemikiran manusia, seperti mengenali pola, memahami bahasa, membuat prediksi, atau mendukung keputusan. Sebagian besar sistem AI yang digunakan saat ini mengandalkan pembelajaran mesin: alih-alih diprogram secara eksplisit dengan aturan, sistem tersebut dilatih dengan data dalam jumlah besar dan mempelajari pola statistik darinya. Contoh yang terkenal adalah model bahasa besar, yang menghasilkan teks dengan berulang kali memprediksi kata berikutnya yang paling mungkin berdasarkan pola yang dipelajari dari teks dalam jumlah sangat besar. Perbedaan yang berguna adalah antara AI sempit (narrow AI), yang dibangun untuk satu tugas spesifik, dan AI umum (general AI), yang akan menyamai pemikiran tingkat manusia di segala domain namun belum ada hingga saat ini.
Dalam lingkungan bisnis, AI sebagian besar digunakan untuk tugas yang didefinisikan secara sempit, bukan pemecahan masalah yang luas dan umum. Contoh yang umum meliputi mengklasifikasikan dokumen secara otomatis, mendeteksi cacat pada foto, menganalisis data mesin untuk memprediksi kerusakan (pemeliharaan prediktif), atau menjalankan chatbot layanan pelanggan. Model AI juga mendukung pekerjaan perencanaan dan peramalan, misalnya dalam manajemen persediaan atau penjadwalan produksi. Ketika digabungkan dengan RPA (robotic process automation), AI sering menyediakan logika pengambilan keputusan sementara RPA menjalankan langkah-langkah nyata di dalam sistem bisnis.
Sebuah sistem AI hanya sebaik data yang digunakan untuk melatihnya, dan ia mengambil keputusan berdasarkan probabilitas, bukan pemahaman yang sesungguhnya. Ini berarti AI bisa menghasilkan jawaban yang terdengar meyakinkan namun salah atau mengada-ada, sebuah masalah yang dikenal sebagai halusinasi. Karena itu, pengawasan manusia tetap penting untuk keputusan yang penting, terutama di mana hasilnya membawa konsekuensi hukum, finansial, atau keselamatan. Bisnis yang memperkenalkan AI umumnya lebih baik memulai dari yang kecil, memeriksa sampel hasilnya, dan menerapkannya terlebih dahulu di tempat di mana kesalahan dapat terdeteksi lebih awal dan menimbulkan sedikit kerugian.
Contoh Praktis
Sebuah usaha jasa dengan 18 karyawan menggunakan pengenalan gambar berbasis AI untuk menangkap komponen yang rusak saat pemeriksaan barang masuk. Sebelumnya, seorang karyawan memeriksa secara manual sekitar 200 komponen masuk per hari dan melewatkan sekitar 3 hingga 4 persen cacat. Setelah pemeriksaan AI diperkenalkan, tingkat cacat yang terlewat turun di bawah 1 persen, dan karyawan tersebut memperoleh sekitar 45 menit sehari, yang kini ia gunakan untuk menangani keluhan dan berbicara dengan pemasok. AI tidak menggantikan karyawan tersebut; AI hanya mengambil alih bagian pemeriksaan yang repetitif, sementara kasus yang meragukan tetap diputuskan oleh manusia.
Bagaimana Leanshift Membantu
Bagi Leanshift, kecerdasan buatan adalah alat untuk memperbaiki proses, bukan tujuan itu sendiri. AI layak digunakan di tempat yang secara nyata memperbaiki suatu langkah tertentu dalam proses, menghemat waktu, atau mengurangi kesalahan, dinilai dengan standar yang sama seperti langkah Kaizen lainnya. Ini menjaga fokus pada tujuan sesungguhnya: bukan menggunakan AI sebanyak mungkin, melainkan membantu orang memahami dan memperbaiki proses mereka sendiri.
Pertanyaan yang Sering Diajukan
Apakah AI sama dengan algoritma?
Tidak. Setiap algoritma adalah urutan langkah komputasi yang tetap, tetapi tidak setiap algoritma belajar dari data. Sistem AI menggunakan algoritma yang menurunkan pola dari contoh secara mandiri, alih-alih diprogram secara eksplisit untuk setiap kasus.
Apakah usaha kecil membutuhkan model AI-nya sendiri?
Biasanya tidak. Alat dan layanan AI yang sudah tersedia sudah mencakup tugas-tugas umum seperti pembuatan teks, pengenalan gambar, atau peramalan; melatih model khusus hanya layak dilakukan untuk kasus penggunaan yang sangat spesifik dan berulang.
Seberapa andal hasil dari AI?
Sangat tergantung pada tugas dan data pelatihannya. Untuk tugas yang didefinisikan secara sempit seperti pengenalan gambar, tingkat kesalahan sering kali rendah dan mudah diukur, sementara tugas terbuka seperti pembuatan teks harus selalu diperiksa sampelnya.