Komunitas kecerdasan buatan sedang menyaksikan pergeseran perspektif yang signifikan ketika kegembiraan awal terhadap model bahasa besar mulai berubah menjadi ekspektasi yang lebih realistis. Dengan 95% perusahaan masih kesulitan melihat hasil positif dari implementasi LLM, para pengembang dan bisnis semakin mengalihkan perhatian mereka ke alternatif yang lebih kecil dan terfokus.
Statistik Implementasi LLM:
- 95% perusahaan yang mengimplementasikan LLM belum melihat hasil yang positif
- Small Language Models dapat berjalan pada perangkat keras berusia 8 tahun menggunakan kurang dari 10% CPU
- Tingkat kesalahan serendah 1% dapat berkembang menjadi sistem yang tidak dapat diandalkan ketika beberapa LLM dirangkai bersama
Tantangan Keandalan Mendorong Adopsi Model yang Lebih Kecil
Salah satu argumen paling menarik untuk mengadopsi model bahasa yang lebih kecil berasal dari kekhawatiran tentang keandalan. Meskipun model besar mungkin dapat menyelesaikan masalah kompleks 50% dari waktu, ketidakkonsistenan ini menjadi masalah ketika membangun sistem produksi. Komunitas teknologi telah mengidentifikasi wawasan penting: ketika tugas-tugas kecil dirangkai bersama, bahkan tingkat kesalahan kecil dapat bertambah menjadi sistem yang tidak dapat diandalkan.
Untuk tugas-tugas yang lebih sederhana dan terdefinisi dengan baik, kode tradisional sering memberikan keandalan yang jauh lebih mendekati 100% dan prediktabilitas yang lebih besar daripada LLM. Kesadaran ini mendorong pengembang menuju Small Language Models (SLMs) yang dapat menangani tugas linguistik spesifik tanpa overhead dan ketidakprediktabilan dari model yang lebih besar.
Small Language Models: Model AI kompak yang dilatih pada dataset yang lebih kecil dengan parameter yang lebih sedikit, dirancang untuk tugas spesifik daripada aplikasi tujuan umum.
Keunggulan Utama Small Language Models (SLMs):
- Pelatihan etis yang lebih mudah karena dataset yang lebih kecil
- Biaya operasional yang jauh lebih rendah
- Perilaku yang lebih dapat diprediksi dan diandalkan
- Dapat berjalan secara lokal tanpa ketergantungan cloud
- Lebih cocok untuk tugas-tugas spesifik dan terfokus
Dari Keajaiban ke Infrastruktur: Evolusi Alami
Industri teknologi telah melihat pola ini sebelumnya. Sama seperti dinamo listrik berevolusi dari sumber daya tunggal yang terpusat menjadi sistem terdistribusi yang memungkinkan jalur perakitan, LLM mengikuti jalur serupa menuju aplikasi yang lebih kecil dan terdistribusi. Model Phi3 dari Microsoft mencontohkan tren ini, berjalan efisien pada perangkat keras lama sambil mengonsumsi sumber daya minimal.
Implementasi yang paling sukses muncul dalam aplikasi di balik layar seperti penulisan ulang query, di mana pengguna bahkan tidak tahu bahwa sistem AI terlibat. Aplikasi ini menghindari masalah halusinasi yang mengganggu penggunaan yang lebih ambisius karena mereka fokus pada tugas sintaksis yang lugas daripada mencoba penalaran seperti manusia.
 |
|---|
| Pergeseran dari model AI yang lebih besar menuju solusi praktis yang lebih kecil ditekankan melalui analisis mendalam dalam komunitas teknologi |
Penolakan Komunitas terhadap Klaim Kecerdasan
Komunitas pengembang tetap terbagi mengenai klaim tentang kecerdasan dan kemampuan LLM. Sementara beberapa orang berpendapat bahwa model saat ini sudah mengungguli manusia dalam tugas coding tertentu, yang lain mempertahankan sikap yang lebih skeptis. Perdebatan inti berpusat pada apakah sistem ini benar-benar memahami masalah atau hanya unggul dalam pencocokan pola dan menghasilkan respons yang terdengar masuk akal.
LLM memahami bentuk jawaban yang benar, dan bagaimana komponen bahasa cocok bersama untuk membentuk jawaban yang benar. Mereka melakukan itu karena mereka telah melihat cukup bahasa untuk mengetahui seperti apa jawaban yang benar.
Perspektif ini menunjukkan bahwa apa yang kita saksikan adalah pencocokan pola yang canggih daripada kecerdasan sejati, yang memiliki implikasi penting untuk bagaimana kita harus menerapkan teknologi ini.
Aplikasi LLM yang Berhasil vs. Penggunaan yang Bermasalah:
Berfungsi dengan Baik:
- Penulisan ulang kueri (perbaikan di balik layar)
- Proofreading dan pemadatan teks
- Fungsi pelengkapan otomatis
- Tugas bahasa sintaksis
Mengalami Kesulitan:
- Tugas penalaran kompleks
- Bantuan penulisan kreatif
- Aplikasi kecerdasan umum
- Tugas yang memerlukan akurasi 100%
Jalan ke Depan: Membosankan tapi Efektif
Ketika gelembung AI menunjukkan tanda-tanda mengempis, komunitas teknologi tertarik pada aplikasi yang lebih biasa-biasa saja tetapi praktis. Komunitas open-source memimpin upaya ini, menciptakan model yang beragam yang menantang asumsi bahwa lebih besar selalu lebih baik. Model yang lebih kecil ini menawarkan keunggulan signifikan: pelatihan etis yang lebih mudah, biaya operasional yang lebih rendah, dan perilaku yang lebih dapat diprediksi.
Pergeseran ini mewakili pematangan teknologi dari kebaruan eksperimental menjadi infrastruktur praktis. Daripada mengejar demonstrasi yang mencolok, implementasi yang sukses fokus pada menyelesaikan masalah spesifik secara efisien dan dapat diandalkan.
Konsensus yang muncul dari komunitas pengembang menunjukkan bahwa masa depan model bahasa tidak terletak pada penggantian kecerdasan manusia, tetapi dalam meningkatkan kemampuan manusia melalui alat yang terfokus dan dapat diandalkan yang menangani tugas linguistik yang terdefinisi dengan baik. Pendekatan ini mungkin kurang menarik daripada janji AI awal, tetapi menawarkan jalur yang lebih berkelanjutan dan praktis bagi bisnis yang ingin mendapat manfaat dari teknologi ini.
Referensi: Boring is good