- Apa itu Artificial Intelligence (AI)?
- Machine Learning
- Deep Learning
- Struktur Hubungan AI, Machine Learning, Deep Learning, dan Generative AI
- Generative AI
- Large Language Models (LLM)
- Computer Vision
- Natural Language Processing (NLP)
- Siapa itu Praktisi AI?
- Jenis-jenis Praktisi AI
- Bagaimana Sebuah Model AI Bekerja?
- Perjalanan AI dari Masa ke Masa (1950βSekarang)
- Perbedaan antara AI Engineer dan Data Scientist
- Batasan dan Risiko AI
1. APA ITU ARTIFICIAL INTELLIGENCE?
- Artificial Intelligence (AI) atau Kecerdasan Artifisial adalah bidang ilmu komputer yang mempelajari cara membuat mesin mampu melakukan tugas yang biasanya membutuhkan kecerdasan manusia, seperti mengenali gambar, memahami bahasa, mengambil keputusan, dan memecahkan masalah.
- Istilah "Artificial Intelligence" pertama kali dipakai oleh John McCarthy dalam proposal Dartmouth Workshop pada tahun 1956, yang dianggap sebagai kelahiran AI sebagai bidang ilmu.
- Sebelumnya, pada tahun 1950, Alan Turing menulis makalah "Computing Machinery and Intelligence" yang mengajukan pertanyaan "Bisakah mesin berpikir?" dan memperkenalkan uji yang kini dikenal sebagai Turing Test.
- Contoh AI dalam kehidupan sehari-hari: rekomendasi video di YouTube, filter spam di email, Google Translate, face unlock di ponsel, navigasi Google Maps, hingga chatbot seperti ChatGPT, Claude, dan Gemini.
- Berdasarkan kemampuannya, AI dibagi menjadi:
- Narrow AI (AI sempit) β unggul di satu tugas tertentu, misalnya mengenali wajah atau bermain catur. Semua AI yang ada saat ini termasuk kategori ini, termasuk chatbot canggih sekalipun.
- General AI (AGI) β AI yang mampu belajar dan bernalar di berbagai bidang setara manusia. Hingga kini masih menjadi tujuan riset dan bahan perdebatan.
- Berdasarkan pendekatannya, AI dibagi menjadi:
- AI berbasis aturan (Rule-based / Symbolic AI) β manusia menulis aturan "jika ... maka ..." secara manual. Contohnya sistem pakar (expert system) yang populer pada tahun 1980-an.
- AI berbasis data (Machine Learning) β mesin mempelajari pola sendiri dari contoh data. Pendekatan inilah yang mendominasi AI modern.
2. MACHINE LEARNING
- Machine Learning (ML) adalah cabang AI yang membuat komputer bisa belajar dari data tanpa harus diprogram aturan satu per satu.
- Istilah ini dipopulerkan oleh Arthur Samuel dari IBM pada tahun 1959, saat ia membuat program permainan dam (checkers) yang bisa semakin pintar setelah bermain berkali-kali.
- Cara kerjanya: kita memberikan banyak contoh data, mesin mencari polanya, lalu pola itu disimpan dalam bentuk model. Model kemudian dipakai untuk memprediksi data baru.
- Jenis-jenis Machine Learning:
- Supervised Learning β belajar dari data yang sudah diberi label (jawaban). Contoh: email yang sudah ditandai "spam" atau "bukan spam" untuk melatih filter spam.
- Unsupervised Learning β mencari pola dari data tanpa label. Contoh: mengelompokkan pelanggan berdasarkan kebiasaan belanja.
- Reinforcement Learning β belajar dari mencoba dan menerima hadiah atau hukuman. Contoh: AlphaGo yang belajar bermain Go, atau robot yang belajar berjalan.
- Algoritma klasik yang masih banyak dipakai hingga sekarang antara lain Linear Regression, Decision Tree, Random Forest, k-Nearest Neighbors, dan Support Vector Machine.
DEEP LEARNING - BAGIAN DARI MACHINE LEARNING (LANJUTAN)
- Deep Learning adalah bagian dari Machine Learning yang memakai Jaringan Saraf Tiruan (Artificial Neural Network) dengan banyak lapisan (layer). Kata "deep" merujuk pada banyaknya lapisan tersebut.
- Idenya terinspirasi dari cara kerja neuron di otak. Model jaringan saraf pertama, Perceptron, dibuat oleh Frank Rosenblatt pada tahun 1958.
- Teknik pelatihan backpropagation dipopulerkan oleh Rumelhart, Hinton, dan Williams pada tahun 1986, dan teknik ini masih menjadi dasar pelatihan model AI hingga hari ini.
- Deep Learning baru benar-benar meledak pada tahun 2012, ketika model AlexNet memenangkan kompetisi pengenalan gambar ImageNet dengan selisih yang sangat jauh. Kuncinya ada tiga: data yang sangat banyak, GPU yang kuat, dan algoritma yang lebih baik.
- Pada tahun 2018, Yoshua Bengio, Geoffrey Hinton, dan Yann LeCun menerima Turing Award atas jasa mereka di bidang Deep Learning.
- Jenis arsitektur penting:
- CNN (Convolutional Neural Network) β unggul untuk gambar dan video.
- RNN dan LSTM (1997) β untuk data berurutan seperti teks dan suara, sebelum era Transformer.
- Transformer (2017) β arsitektur di balik hampir semua model bahasa dan model generatif modern.
3. STRUKTUR HUBUNGAN AI, MACHINE LEARNING, DEEP LEARNING, DAN GENERATIVE AI
Banyak orang mengira AI, Machine Learning, dan Deep Learning adalah hal yang sama. Sebenarnya ketiganya bertingkat seperti lingkaran di dalam lingkaran:
Kode:
+-------------------------------------------------------------+
| ARTIFICIAL INTELLIGENCE (1956) |
| Mesin yang meniru kecerdasan manusia |
| |
| +-----------------------------------------------------+ |
| | MACHINE LEARNING (1959) | |
| | Mesin belajar pola dari data | |
| | | |
| | +---------------------------------------------+ | |
| | | DEEP LEARNING (meledak sejak 2012) | | |
| | | Jaringan saraf tiruan berlapis-lapis | | |
| | | | | |
| | | +-------------------------------------+ | | |
| | | | GENERATIVE AI & LLM (sejak 2017) | | | |
| | | | Membuat teks, gambar, suara, kode | | | |
| | | +-------------------------------------+ | | |
| | +---------------------------------------------+ | |
| +-----------------------------------------------------+ |
+-------------------------------------------------------------+
Computer Vision dan Natural Language Processing adalah bidang penerapan. Keduanya bisa memakai pendekatan aturan, Machine Learning klasik, maupun Deep Learning.
4. GENERATIVE AI
- Generative AI adalah jenis AI yang mampu menghasilkan konten baru, seperti teks, gambar, musik, suara, video, hingga kode program, berdasarkan pola yang dipelajari dari data latih.
- Berbeda dengan AI tradisional yang biasanya mengklasifikasi atau memprediksi (misalnya "ini kucing atau ******?"), Generative AI menciptakan sesuatu (misalnya "buatkan gambar kucing memakai topi").
- Teknologi penting di balik Generative AI:
- GAN (Generative Adversarial Network) β diperkenalkan Ian Goodfellow pada tahun 2014. Dua jaringan saling berlomba: satu membuat gambar palsu, satu lagi menebak mana yang palsu.
- Transformer β diperkenalkan peneliti Google dalam makalah "Attention Is All You Need" (2017). Menjadi dasar model teks seperti GPT, Claude, dan Gemini.
- Diffusion Model β membuat gambar dengan cara menghapus "noise" sedikit demi sedikit. Dipakai oleh Stable Diffusion, DALL-E 2, dan Midjourney yang populer sejak 2022.
- Contoh penerapan: menulis draf email, membuat ilustrasi, membuat ringkasan dokumen, menerjemahkan, membuat musik latar, dan membantu menulis kode.
- Generative AI tidak "memahami" seperti manusia. Ia menghasilkan keluaran yang paling mungkin berdasarkan pola, sehingga bisa terdengar meyakinkan tetapi tetap salah.
LARGE LANGUAGE MODELS (LLM) - BAGIAN DARI GENERATIVE AI (LANJUTAN)
- Large Language Model (LLM) adalah model Deep Learning berbasis Transformer yang dilatih dengan teks dalam jumlah sangat besar (buku, artikel, situs web, kode) sehingga mampu memahami dan menghasilkan bahasa manusia.
- Kata "large" merujuk pada jumlah parameter model, yaitu "angka-angka pengatur" di dalam jaringan, yang bisa mencapai miliaran hingga triliunan.
- Cara kerja dasarnya adalah menebak token berikutnya. Token adalah potongan kata. Model menghitung kemungkinan potongan kata yang paling cocok untuk melanjutkan kalimat, lalu mengulanginya ribuan kali hingga menjadi jawaban utuh.
- Tahapan pembuatan LLM:
- Pre-training β model membaca teks dalam jumlah raksasa untuk mempelajari pola bahasa dan pengetahuan umum.
- Fine-tuning β model dilatih lagi dengan contoh tanya-jawab agar bisa mengikuti instruksi.
- RLHF (Reinforcement Learning from Human Feedback) β manusia menilai jawaban model agar jawaban menjadi lebih membantu dan lebih aman.
- Tonggak sejarah LLM: BERT dari Google (2018), GPT-2 (2019), GPT-3 dengan 175 miliar parameter (2020), ChatGPT yang mencapai 100 juta pengguna hanya dalam sekitar dua bulan (rilis November 2022), lalu GPT-4, Claude, Gemini, Llama, DeepSeek, dan Grok yang berkembang pesat sejak 2023.
- Istilah penting: context window (batas panjang teks yang bisa diproses sekaligus), hallucination (jawaban karangan yang terdengar meyakinkan), dan multimodal (model yang bisa memproses teks, gambar, dan suara sekaligus).
5. COMPUTER VISION
- Computer Vision adalah bidang AI yang membuat komputer mampu "melihat", yaitu memahami isi gambar dan video.
- Risetnya sudah dimulai sejak tahun 1960-an. Pada tahun 1989, Yann LeCun memakai CNN untuk membaca angka tulisan tangan, dan teknologi ini kemudian dipakai untuk membaca cek bank di Amerika Serikat.
- Library OpenCV dirilis pada tahun 2000 dan masih menjadi alat dasar Computer Vision hingga sekarang.
- Dataset ImageNet (2009) yang berisi lebih dari 14 juta gambar berlabel menjadi pemicu kemajuan besar Computer Vision berbasis Deep Learning.
- Tugas utama Computer Vision:
- Image Classification β menentukan isi gambar (misalnya "gambar ini berisi kucing").
- Object Detection β menemukan dan menandai lokasi objek dalam gambar. Contoh model populer: YOLO (sejak 2015).
- Segmentation β memisahkan setiap piksel berdasarkan objeknya, misalnya fitur hapus latar belakang foto.
- Face Recognition β mengenali wajah untuk membuka ponsel atau absensi.
- OCR (Optical Character Recognition) β membaca teks dari gambar, seperti scan KTP atau dokumen.
- Penerapan di sekitar kita: face unlock, kamera tilang elektronik (ETLE), deteksi penyakit dari foto rontgen, mobil otonom, dan kontrol kualitas produk di pabrik.
6. NATURAL LANGUAGE PROCESSING (NLP)
- Natural Language Processing (NLP) adalah bidang AI yang membuat komputer mampu memahami, mengolah, dan menghasilkan bahasa manusia, baik tulisan maupun lisan.
- Salah satu percobaan awal NLP adalah eksperimen terjemahan mesin Georgetown-IBM pada tahun 1954, yang menerjemahkan puluhan kalimat bahasa Rusia ke bahasa Inggris.
- ELIZA (1966) buatan Joseph Weizenbaum di MIT adalah chatbot pertama yang terkenal. Ia hanya memakai pola aturan sederhana, tetapi banyak orang merasa sedang berbicara dengan manusia.
- Perkembangan pendekatan NLP:
- Berbasis aturan (1950-anβ1980-an) β memakai kamus dan aturan tata bahasa yang ditulis manual.
- Statistik (1990-anβ2000-an) β menghitung peluang kemunculan kata. Google Translate diluncurkan tahun 2006 dengan pendekatan ini.
- Neural (2013βsekarang) β dimulai dari word2vec (2013) yang mengubah kata menjadi angka bermakna, kemudian Google Translate beralih ke neural machine translation (2016), dan akhirnya era Transformer dan LLM.
- Tugas utama NLP: analisis sentimen (positif atau negatif), terjemahan, ringkasan teks, chatbot, pengenalan suara menjadi teks (speech-to-text), dan ekstraksi informasi (misalnya mengambil nama dan tanggal dari dokumen).
- Tantangan khusus bahasa Indonesia: banyak bahasa daerah, bahasa gaul, singkatan, dan campuran bahasa Indonesia-Inggris dalam satu kalimat.
7. SIAPA ITU PRAKTISI AI?
Praktisi AI adalah orang yang merancang, membangun, melatih, menguji, atau menerapkan sistem AI untuk menyelesaikan masalah nyata.
Pekerjaan mereka biasanya memakai Python, library seperti scikit-learn, PyTorch, dan TensorFlow, data dalam jumlah besar, serta layanan cloud yang menyediakan GPU.
Praktisi AI biasanya melakukan hal-hal berikut:
- Memahami masalah bisnis dan menentukan apakah masalah tersebut memang perlu diselesaikan dengan AI.
- Mengumpulkan, membersihkan, dan memberi label pada data.
- Memilih, melatih, dan mengevaluasi model.
- Menghubungkan model AI ke aplikasi melalui API.
- Memantau performa model setelah dipakai, karena kualitasnya bisa menurun ketika data di dunia nyata berubah.
- Memastikan sistem AI adil, aman, dan tidak melanggar privasi.
8. JENIS-JENIS PRAKTISI AI
Ada 5 jenis praktisi AI yang paling umum, yaitu:
- Machine Learning Engineer
- AI Engineer
- Data Scientist
- AI Researcher
- MLOps Engineer
Machine Learning Engineer
Mereka membangun, melatih, dan menyiapkan model Machine Learning agar siap dipakai di sistem produksi dengan performa yang stabil.
AI Engineer
Peran yang berkembang pesat sejak 2023. Mereka membangun aplikasi di atas model AI yang sudah ada, misalnya chatbot layanan pelanggan, sistem tanya-jawab dokumen perusahaan (RAG), atau agen AI yang bisa menjalankan tugas.
Data Scientist
Mereka menganalisis data untuk menemukan wawasan dan membuat model prediksi yang membantu pengambilan keputusan bisnis.
AI Researcher
Mereka meneliti dan menciptakan metode atau arsitektur model baru. Umumnya bekerja di universitas atau laboratorium riset dan menerbitkan makalah ilmiah.
MLOps Engineer
Mereka mengurus infrastruktur, otomatisasi pelatihan, deployment, dan pemantauan model, mirip peran DevOps tetapi khusus untuk sistem Machine Learning.
9. BAGAIMANA SEBUAH MODEL AI BEKERJA?
Contoh: membuat AI yang bisa mendeteksi apakah ulasan produk bernada positif atau negatif.
- Mengumpulkan data: ribuan ulasan produk dari marketplace dikumpulkan.
- Memberi label: setiap ulasan ditandai "positif" atau "negatif". Data inilah yang menjadi bahan belajar model.
- Membagi data: sebagian besar data (misalnya 80%) dipakai untuk melatih model, sisanya (20%) disimpan untuk menguji model.
- Melatih model (training): model membaca data latih dan menyesuaikan parameternya sedikit demi sedikit agar tebakannya semakin sering benar.
- Mengevaluasi: model diuji dengan data uji yang belum pernah dilihatnya. Hasilnya diukur dengan metrik seperti akurasi.
- Menerapkan (deployment): model dipasang di aplikasi atau server sehingga bisa langsung menilai ulasan baru.
- Memantau dan memperbarui: bahasa pengguna terus berubah, sehingga model perlu dilatih ulang secara berkala dengan data baru.
Proses saat model dipakai untuk menebak data baru disebut inference. Setiap kali kamu mengetik pertanyaan ke chatbot, yang terjadi di server adalah proses inference, bukan proses training.
10. PERJALANAN AI DARI MASA KE MASA (1950βSEKARANG)
Untuk memahami AI saat ini, kita perlu tahu bahwa AI sudah melewati beberapa kali masa jaya dan masa suram:
- 1950β1973: Kelahiran & Optimisme Awal β Turing Test (1950), Dartmouth Workshop (1956), Perceptron (1958), istilah Machine Learning (1959), dan ELIZA (1966). Para peneliti saat itu yakin mesin secerdas manusia akan tercipta dalam beberapa dekade.
- 1974β1980: AI Winter Pertama β Hasil riset tidak sesuai janji, komputer masih terlalu lemah, dan dana penelitian dipangkas besar-besaran.
- 1980β1987: Era Sistem Pakar β Perusahaan memakai expert system berbasis aturan untuk diagnosis dan konfigurasi produk. Backpropagation dipopulerkan (1986).
- 1987β1993: AI Winter Kedua β Sistem pakar mahal, sulit dirawat, dan pasar mesin khusus AI runtuh.
- 1997β2011: Kebangkitan Berbasis Data β Deep Blue dari IBM mengalahkan juara catur dunia Garry Kasparov (1997), Google Translate diluncurkan (2006), ImageNet dibuat (2009), dan IBM Watson memenangkan kuis Jeopardy! (2011). Siri hadir di iPhone (2011).
- 2012β2016: Ledakan Deep Learning β AlexNet (2012), word2vec (2013), GAN (2014), ResNet (2015), dan AlphaGo mengalahkan juara Go Lee Sedol (2016).
- 2017β2021: Era Transformer β Makalah "Attention Is All You Need" (2017), BERT (2018), GPT-3 (2020), dan AlphaFold yang memecahkan masalah prediksi struktur protein (2020).
- 2022βSekarang: Era Generative AI β Stable Diffusion dan ChatGPT (2022), GPT-4, Claude, Gemini, dan Llama (2023), EU AI Act sebagai undang-undang AI menyeluruh pertama di dunia mulai berlaku (2024), Nobel Fisika dan Kimia 2024 diberikan untuk riset jaringan saraf tiruan dan AlphaFold, serta model penalaran (reasoning) dan agen AI yang berkembang pesat sejak 2024β2025.
Ringkasnya, AI bergerak dari aturan yang ditulis manusia, ke statistik, lalu ke Deep Learning, dan kini ke model generatif berskala besar. Pelajaran dari sejarahnya: AI pernah mengalami masa "terlalu dibesar-besarkan", sehingga kita perlu menilai kemampuan AI secara realistis.
AI ENGINEER vs. DATA SCIENTIST
AI Engineer
- AI Engineer lebih berorientasi pada pembangunan produk.
- Fokus pada cara menerapkan model AI ke dalam aplikasi yang bisa dipakai pengguna.
- Banyak bekerja dengan API model, RAG, agen AI, dan integrasi sistem.
- Hasil kerjanya berupa fitur atau aplikasi, misalnya chatbot atau asisten pencarian dokumen.
- Tools yang digunakan antara lain Python, TypeScript, LangChain, vector database, dan API dari OpenAI, Anthropic, atau Google.
Data Scientist
- Data Scientist lebih berorientasi pada analisis dan penemuan wawasan.
- Fokus pada pertanyaan "apa yang terjadi, mengapa, dan apa yang akan terjadi?"
- Banyak bekerja dengan statistik, eksplorasi data, dan model prediksi.
- Hasil kerjanya berupa laporan, rekomendasi bisnis, atau model prediksi.
- Tools yang digunakan antara lain Python, R, SQL, Jupyter Notebook, pandas, dan scikit-learn.
MENGAPA BELAJAR AI?
AI Sudah Ada di Mana-mana
Dari ponsel, aplikasi belanja, perbankan, hingga layanan kesehatan, AI sudah menjadi bagian dari teknologi sehari-hari. Memahami cara kerjanya membuat kamu menjadi pengguna yang lebih cerdas dan kritis.
Meningkatkan Produktivitas
Orang yang memahami kemampuan dan batasan AI bisa memakainya untuk mempercepat pekerjaan, seperti menulis, menganalisis data, dan membuat kode, tanpa terjebak pada jawaban yang salah.
Peluang Karier yang Terus Tumbuh
Kebutuhan tenaga kerja di bidang AI, data, dan rekayasa perangkat lunak terus meningkat, baik di perusahaan teknologi, perbankan, e-commerce, maupun instansi pemerintah.
Menyelesaikan Masalah Nyata
AI dipakai untuk mendeteksi penyakit lebih awal, memprediksi cuaca dan bencana, menerjemahkan bahasa daerah, hingga membantu petani memantau tanaman.
Penting untuk Memakainya dengan Benar
AI yang dipakai tanpa pemahaman bisa menyebarkan informasi salah, memperkuat bias, atau membocorkan data pribadi. Karena itu, memahami dasar AI sama pentingnya dengan bisa memakainya.
ANALOGI CARA KERJA AI
Hubungan AI, Machine Learning, dan Deep Learning akan lebih mudah dipahami dengan analogi seorang siswa yang belajar memasak.
1. AI Berbasis Aturan β Memasak dengan Buku Resep
Siswa mengikuti resep langkah demi langkah tanpa mengubah apa pun. Ini dianalogikan sebagai AI berbasis aturan.
- Semua langkah ditulis oleh manusia
- Hasilnya konsisten selama situasinya sesuai resep
- Bingung ketika menghadapi bahan yang tidak ada di resep
Ibarat dapur: koki yang hanya bisa memasak persis sesuai buku.
2. Machine Learning β Belajar dari Pengalaman
Siswa mencicipi ratusan masakan dan menerima masukan "terlalu asin" atau "sudah pas", lalu menemukan polanya sendiri. Ini dianalogikan sebagai Machine Learning.
- Belajar dari banyak contoh (data)
- Semakin banyak contoh, semakin baik hasilnya
- Bisa menangani situasi baru yang mirip dengan pengalamannya
Ibarat dapur: koki yang semakin jago karena terus berlatih dan dikoreksi.
3. Generative AI β Menciptakan Resep Baru
Setelah mencicipi jutaan masakan, siswa mampu menciptakan menu baru yang belum pernah ada. Ini dianalogikan sebagai Generative AI.
- Menghasilkan karya baru dari pola yang dipelajari
- Hasilnya sering mengesankan
- Kadang menciptakan kombinasi yang aneh atau salah, sehingga tetap perlu dicicipi (diperiksa) sebelum disajikan
Ibarat dapur: koki kreatif yang tetap membutuhkan pengawasan kepala koki.
4. Kesimpulan
AI modern terdiri dari:
- Data β bahan belajar
- Model β hasil belajar berupa pola
- Komputasi (GPU) β tenaga untuk belajar dan menjawab
Ketiganya bekerja bersama:
Data yang berkualitas + model yang tepat + komputasi yang cukup = sistem AI yang berguna.
BATASAN DAN RISIKO AI
AI sangat membantu, tetapi bukan sumber kebenaran mutlak. Setiap pengguna dan pengembang AI perlu memahami batasan berikut:
- Halusinasi, yaitu AI mengarang fakta, angka, atau referensi yang terdengar meyakinkan tetapi tidak benar.
- Bias, karena AI belajar dari data buatan manusia, sehingga prasangka yang ada di data bisa ikut terbawa ke dalam jawaban atau keputusan AI.
- Batas pengetahuan, karena model hanya mengetahui data hingga waktu tertentu (knowledge cutoff), kecuali jika dilengkapi fitur pencarian internet.
- Privasi data, karena informasi yang dimasukkan ke layanan AI bisa tersimpan di server penyedia. Di Indonesia, data pribadi dilindungi oleh UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.
- Deepfake dan penyalahgunaan, seperti video, foto, atau suara palsu untuk penipuan dan penyebaran hoaks.
- Hak cipta, karena status hukum karya buatan AI dan penggunaan data latih masih terus diperdebatkan di berbagai negara.
- Konsumsi energi, karena pelatihan dan penggunaan model besar membutuhkan pusat data dengan daya listrik yang sangat besar.
Prinsip utamanya: AI adalah alat bantu. Keputusan akhir dan tanggung jawab tetap berada di tangan manusia.
BAHASA PEMROGRAMAN & TOOLS UNTUK AI
Berikut adalah bahasa dan tools yang umum digunakan dalam pengembangan AI:
1. Python
Bahasa paling populer untuk AI dan Machine Learning.
Sintaksnya mudah dibaca dan ekosistem library-nya sangat lengkap.
Dipakai oleh hampir semua laboratorium riset AI dunia.
2. PyTorch
Framework Deep Learning yang dirilis oleh Facebook (Meta) pada tahun 2016.
Kini dikelola oleh PyTorch Foundation di bawah Linux Foundation.
Menjadi pilihan utama riset dan banyak model modern.
3. TensorFlow & Keras
TensorFlow dirilis Google pada tahun 2015, dan Keras (2015) menjadi antarmuka yang ramah pemula.
Banyak dipakai di industri dan aplikasi mobile melalui TensorFlow Lite (kini bernama LiteRT).
4. scikit-learn
Library Machine Learning klasik untuk Python, rilis publik pertama pada tahun 2010.
Ideal untuk pemula yang ingin belajar klasifikasi, regresi, dan clustering.
5. Hugging Face
Platform berbagi model dan dataset AI terbesar, dengan library Transformers (2018).
Memungkinkan siapa saja memakai model bahasa dan model gambar dengan beberapa baris kode.
6. OpenCV
Library Computer Vision sejak tahun 2000.
Dipakai untuk mengolah gambar dan video, mulai dari deteksi wajah hingga pelacakan objek.
7. Jupyter Notebook & Google Colab
Lingkungan menulis kode sambil melihat hasilnya langsung.
Google Colab menyediakan GPU gratis dengan batas tertentu, sangat cocok untuk belajar.
Kesimpulan Singkat
Bekal paling penting untuk mulai belajar AI saat ini:
- Python sebagai bahasa utama
- Dasar matematika: aljabar linear, statistik, dan peluang
- scikit-learn untuk memahami Machine Learning klasik
- PyTorch atau TensorFlow untuk Deep Learning
- Sikap kritis: selalu memeriksa ulang hasil AI dan memahami batasannya