Apa itu Generative AI?
Memahami konsep dasar kecerdasan buatan yang mampu mencipta.
Part 1/3 — Advanced Theory & Mechanics
Generative Artificial Intelligence (Generative AI) mewakili pergeseran fundamental dalam paradigma pembelajaran mesin, bergerak dari model diskriminatif yang mengklasifikasikan data yang ada menuju model generatif yang mampu mengestimasi distribusi probabilitas dari dataset berdimensi tinggi untuk mensintesis sampel baru. Secara teoretis, teknologi ini berakar pada kemampuan sistem untuk mempelajari fungsi densitas probabilitas $P(X)$, di mana $X$ adalah input data (teks, gambar, atau audio). Dengan memetakan struktur laten dari data pelatihan, model generatif dapat melakukan inferensi terhadap titik data baru yang belum pernah ada sebelumnya namun tetap secara statistik konsisten dengan distribusi data asli.
Mekanisme ini melibatkan teknik optimasi kompleks seperti Maximum Likelihood Estimation (MLE) dan arsitektur saraf tingkat lanjut seperti Transformer dan Diffusion Models untuk meminimalkan divergensi antara distribusi model dan distribusi data nyata.
Pergeseran Paradigma: Dari Diskriminatif ke Generatif
Dalam disiplin Machine Learning tradisional, fokus utama terletak pada model diskriminatif yang mempelajari batas keputusan (decision boundaries) antar kelas. Secara matematis, model ini mencoba memodelkan probabilitas kondisional $P(y|x)$, di mana $y$ adalah label dan $x$ adalah fitur. Sebaliknya, Generative AI beroperasi pada tingkat yang lebih fundamental dengan mencoba menangkap $P(x)$ atau $P(x,y)$. Jika model diskriminatif berfungsi untuk membedakan antara gambar "kucing" dan "anjing", model generatif belajar untuk memahami esensi dari "kucing-ness" dan "anjing-ness" dalam ruang fitur, sehingga ia dapat menghasilkan representasi baru dari kategori tersebut.
Sejarah evolusi ini dimulai dari model berbasis aturan sederhana seperti Hidden Markov Models (HMM) dan N-grams yang digunakan dalam pemrosesan bahasa alami awal. Namun, keterbatasan dalam menangkap ketergantungan jangka panjang (long-range dependencies) memicu lahirnya Recurrent Neural Networks (RNN) dan kemudian Long Short-Term Memory (LSTM). Titik balik sesungguhnya terjadi pada tahun 2014 dengan diperkenalkannya Generative Adversarial Networks (GANs) oleh Ian Goodfellow, yang menggunakan struktur kompetisi antara dua jaringan saraf: Generator dan Discriminator.
```mermaid
flowchart TD
A[Data Pelatihan Asli] --> B{Estimasi Distribusi}
B --> C[Model Diskriminatif]
B --> D[Model Generatif]
C --> E[Klasifikasi/Prediksi Label]
D --> F[Sintesis Data Baru]
F --> G[Output: Teks/Gambar/Audio]
E --> H[Output: Kelas A/B]
```
Arsitektur Transformer dan Mekanisme Self-Attention
Landasan teknis bagi sebagian besar Generative AI modern, khususnya *Lar