Lab Sihir AI
Struktur kursus yang ketat dengan integrasi empat bagian utama: Dasar-Dasar Kecerdasan Buatan, Generasi Model Besar (GenAI & LLM), Agen dan Komputasi Evolusioner (ditekankan sebagai Fitur PolyU), serta Etika. Logika kursus berlangsung secara bertahap melalui Persepsi & Data (L1-3), Kognisi & Generasi (L4-6), Agen & Evolusi (L7-9), dan diakhiri dengan Etika & Masa Depan (L10).
Pelajaran
Gambaran Umum Kursus
📚 Ringkasan Konten
"AI Magic Lab" adalah kursus yang ketat dan terintegrasi dirancang untuk memberikan pemahaman mendalam dan berurutan tentang Kecerdasan Buatan modern. Kurikulum ini disusun dalam empat modul progresif: konsep dasar (Persepsi & Data), kemampuan generatif tingkat lanjut (Kognisi & Generasi melalui LLM dan Model Diffusi), sistem otonom (Agen & Komputasi Evolusioner), serta tata kelola etis (Etika & Masa Depan). Siswa akan bergerak dari memahami representasi numerik mentah dari data hingga menguasai desain sistem kompleks, yang berakhir dengan pandangan menyeluruh tentang penciptaan dan peluncuran AI yang bertanggung jawab.
Kursus ini menyediakan pemahaman yang ketat dan terintegrasi tentang AI modern, mencakup dasar-dasar data utama, teknik generasi Large Language Model (LLM), arsitektur Agen otonom, serta pertimbangan etis kritis yang diperlukan untuk peluncuran yang bertanggung jawab.
🎯 Tujuan Pembelajaran
- Kuasai dasar-dasar persepsi AI, representasi data (Tensor), dan tugas pembelajaran terawasi dasar seperti Klasifikasi.
- Pahami dan kendalikan Large Language Models (LLM) dan AI Generatif dengan menerapkan konsep prediksi urutan, Mekanisme Attention, dan teknik Advanced Prompt Engineering.
- Rancang dan analisis Agen Cerdas, mengintegrasikan loop Persepsi-Kesimpulan-Tindakan dengan metode optimasi berbasis populasi tingkat lanjut seperti Komputasi Evolusioner.
- Bedakan antara AI Generatif dan Discriminatif serta jelaskan proses mekanis Model Diffusi untuk generasi Teks-ke-Gambar.
- Evaluasi tantangan etis yang melekat pada AI kontemporer (bias data, halusinasi model, deepfake) dan ajukan strategi untuk Symbiosis Manusia-AI yang bertanggung jawab.
Pelajaran
Ringkasan: Pelajaran dasar ini mengeksplorasi persepsi mesin, dimulai dari Pixel dan Model Warna RGB. Siswa akan belajar bagaimana data visual mentah dikuantifikasi dan bagaimana Computer Vision (CV) menggunakan Ekstraksi Fitur. Mekanisme inti yang diperkenalkan adalah Konvolusi, filter digital yang digunakan untuk mendeteksi fitur tingkat rendah seperti tepi, mengubah gambar visual menjadi matriks numerik terstruktur untuk pemrosesan AI selanjutnya. Hasil Pembelajaran:
- Definisikan peran Pixel, nilai RGB, dan Resolusi dalam pembentukan gambar digital.
- Jelaskan kebutuhan Computer Vision (CV) dan Ekstraksi Fitur dalam persepsi mesin.
- Konseptualisasikan konvolusi sebagai 'filter digital' yang digunakan untuk mendeteksi fitur tingkat rendah seperti tepi dan sudut.
- Pahami bahwa semua data visual akhirnya direpresentasikan sebagai matriks numerik terstruktur untuk pemrosesan AI.
Ringkasan: Pelajaran penting ini beralih dari persepsi mentah ke representasi matematis terstruktur. Kami mengklasifikasikan data tidak terstruktur (teks, audio, gambar) dan memperkenalkan Tensor—wadah multi-dimensi yang menjadi bahasa universal bagi semua komputasi AI. Kami memvisualisasikan bagaimana berbagai jenis data direpresentasikan sebagai Tensor dan mendefinisikan hubungan Input/Output (I/O). Sangat penting, proses Prapemrosesan (pembersihan, penskalaan, dan normalisasi) dibahas sebagai prasyarat untuk pelatihan model yang efektif. Hasil Pembelajaran:
- Definisikan karakteristik utama data tidak terstruktur (teks, gambar, audio) dan jelaskan mengapa konversi diperlukan.
- Bedakan secara matematis antara vektor (1D) dan tensor (wadah multi-dimensi).
- Jelaskan bagaimana Tensor berfungsi sebagai struktur input/output universal bagi semua jaringan saraf.
- Gambarkan langkah-langkah krusial dan tujuan prapemrosesan data (pembersihan dan normalisasi) sebelum pelatihan model.
Ringkasan: Fokus pada Pembelajaran Terawasi, pelajaran ini menjelaskan bagaimana AI menggunakan data terstruktur dan dilabeli untuk melakukan tugas kompleks. Tugas intinya adalah Klasifikasi, di mana model belajar mengelompokkan input dengan menggambar batas keputusan metaforis. Kami mengevaluasi efektivitas model menggunakan Akurasi dan menjelajahi kelemahan utama Overfitting, di mana model gagal menggeneralisasi pengetahuannya ke data baru yang belum pernah dilihat. Hasil Pembelajaran:
- Definisikan Pembelajaran Terawasi dan identifikasi peran Data Latih dan Label.
- Jelaskan tujuan Klasifikasi dan visualisasikan bagaimana model membentuk Batas Keputusan.
- Hitung atau interpretasikan kinerja model menggunakan metrik Akurasi.
- Analisis dan jelaskan konsep Overfitting serta dampak negatifnya terhadap generalisasi AI.
Ringkasan: Pelajaran ini beralih fokus ke generasi urutan dinamis, menjelaskan mekanisme inti dari Large Language Models (LLM). Kami mendefinisikan Token dan keterbatasan Jendela Konteks (memori jangka pendek LLM). Proses bergantung pada Prediksi Urutan (menghitung probabilitas token berikutnya) dan Mekanisme Attention, yang secara dinamis menimbang pentingnya token. Akhirnya, siswa belajar bagaimana parameter Suhu mengendalikan randomisasi dan kreativitas hasil yang dihasilkan. Hasil Pembelajaran:
- Definisikan token dan jelaskan bagaimana teks dikonversi menjadi urutan untuk pemrosesan LLM.
- Ilustrasikan fungsi Jendela Konteks dan jelaskan keterbatasannya sebagai memori jangka pendek AI.
- Jelaskan peran Mekanisme Attention dalam membantu LLM fokus pada informasi masukan yang relevan selama prediksi.
- Jelaskan prediksi urutan sebagai proses probabilistik dan analisis bagaimana parameter Suhu mengendalikan kreativitas dan randomisasi output model.
Ringkasan: Berdasarkan fondasi teknis prediksi LLM, pelajaran ini berfokus pada pengendalian output secara aktif menggunakan masukan terstruktur—menyikapi bahasa sebagai kode tingkat tinggi. Kami membangun arsitektur prompt inti (Instruksi, Konteks, Format). Teknik yang dibahas termasuk Penetapan Peran (Persona), Pembelajaran Sedikit (Few-Shot Learning) (memberikan contoh), dan Rantai Pemikiran (CoT), yang meningkatkan akurasi logika dengan mewajibkan pemikiran bertahap. Hasil Pembelajaran:
- Definisikan engineering prompt dan kenali bahasa alami sebagai paradigma pemrograman baru untuk memandu LLM.
- Implementasikan teknik Penetapan Peran (Persona) dan Pembelajaran Sedikit untuk mengubah nada, fokus, dan kepatuhan LLM terhadap format output tertentu.
- Terapkan teknik Rantai Pemikiran (CoT) untuk menyelesaikan masalah pemikiran multi-tahap dan meningkatkan akurasi logika.
- Praktikkan optimalisasi prompt iteratif untuk secara sistematis menyempurnakan dan membatasi output yang dihasilkan sesuai dengan tujuan yang diinginkan.
Ringkasan: Pelajaran ini beralih dari kontrol input teks (L5) ke proses mekanis penciptaan. Kami membedakan AI Generatif dari AI Discriminatif. Fokus utama adalah Model Diffusi, di mana setiap gambar dimulai dari Noise acak. Proses ini melibatkan penghilangan noise berulang selama ratusan langkah, dikendalikan secara tepat oleh prompt detail agar tercapai Kesesuaian Teks-ke-Gambar dalam Ruang Laten. Hasil Pembelajaran:
- Bedakan antara model AI Generatif dan Discriminatif.
- Jelaskan prinsip inti Model Diffusi sebagai proses penghilangan noise berulang yang dimulai dari noise acak.
- Jelaskan peran prompt teks dalam mencapai Kesesuaian Teks-ke-Gambar.
- Identifikasi aplikasi utama model diffusi, seperti transfer gaya.
Ringkasan: Pelajaran ini memperkenalkan Agen Cerdas—sistem otonom yang ditandai oleh loop tertutup Persepsi-Kesimpulan-Tindakan (PDA). Kami memecah komponennya: Persepsi (melalui Sensor), Kesimpulan (otak internal), dan Tindakan (melalui Aktuator). Perluasan krusial adalah Penggunaan Alat, di mana agen memanggil utilitas eksternal (seperti mesin pencari) untuk memperluas kemampuannya di luar model intinya. Hasil Pembelajaran:
- Definisikan agen cerdas dan bedakan dengan model AI Generatif statis berdasarkan kemampuannya berinteraksi dengan lingkungan.
- Gambar dan jelaskan peran masing-masing komponen dalam loop tertutup Persepsi-Kesimpulan-Tindakan (PDA).
- Identifikasi dan berikan contoh sensor (persepsi) dan aktuator (tindakan) pada agen dunia nyata maupun murni digital.
- Pahami fungsi dan signifikansi 'Penggunaan Alat' dalam memperluas kemampuan efektif agen di luar model intinya.
Ringkasan: Pelajaran ini memperkenalkan Komputasi Evolusioner (EC), paradigma optimisasi yang terinspirasi seleksi alam, digunakan untuk menemukan keputusan agen optimal. Kami mendefinisikan Genotipe (instruksi tersandi) dan Fenotipe (perilaku yang diekspresikan). Dalam kedalaman, fokus pada tiga pilar: Mutasi (perubahan acak), Pemaduan (menggabungkan sifat), dan Seleksi, yang dipandu oleh Fungsi Kebugaran—penilaian objektif yang mengukur kualitas solusi dari generasi ke generasi. Hasil Pembelajaran:
- Definisikan Komputasi Evolusioner (EC) dan jelaskan inspirasinya dari seleksi alam biologis.
- Bedakan antara Genotipe (parameter) dan Fenotipe (perilaku) dari solusi yang berkembang.
- Ilustrasikan fungsi Mutasi, Pemaduan, dan Seleksi berbasis Kebugaran dalam Algoritma Evolusioner.
- Deskripsikan siklus iteratif di mana EC mengoptimalkan populasi solusi dari generasi ke generasi.
- Identifikasi masalah optimisasi di mana Algoritma Evolusioner menawarkan keunggulan dibandingkan metode tradisional.
Ringkasan: Beralih dari optimisasi individu (L8), pelajaran ini mengeksplorasi dinamika kecerdasan kolektif. Kami menganalisis skenario yang membutuhkan kolaborasi dan persaingan, dengan fokus pada Kecerdasan Kumpulan (Swarm Intelligence). Siswa akan belajar prinsip Emergensi, di mana perilaku global yang canggih (seperti jalur semut) muncul hanya dari protokol komunikasi lokal yang sederhana, menekankan kompleksitas yang muncul saat memperbesar sistem otonom. Hasil Pembelajaran:
- Bedakan tujuan dan mekanisme sistem satu agen versus Sistem Multi-Agen (MAS).
- Jelaskan peran komunikasi dalam mengoordinasikan kolaborasi dan persaingan antar banyak agen.
- Definisikan 'Emergensi' dan identifikasi contoh nyata dan komputasional dari Kecerdasan Kumpulan (misalnya, optimasi koloni semut).
- Analisis bagaimana aturan lokal yang sederhana dapat menghasilkan perilaku kelompok global yang kompleks.
- Bahas mengapa kompleksitas sistem multi-agen menuntut pertimbangan etis yang hati-hati dan pengendalian yang cermat.
Ringkasan: Pelajaran akhir ini membahas akuntabilitas etis yang diperlukan untuk otonomi tingkat lanjut. Kami meninjau kelemahan sistemik seperti Bias Data dan keterbatasan intrinsik model, khususnya Halusinasi Model. Risiko generasi tingkat lanjut (Deepfake) dieksplorasi, mengarah pada pengenalan solusi: peran penting Pengawasan Manusia dalam Loop (HITL). Kursus berakhir dengan mendefinisikan kondisi masa depan yang diinginkan: Symbiosis Manusia-AI, di mana AI berperan sebagai Co-Pilot kuat, melengkapi kapasitas manusia. Hasil Pembelajaran:
- Identifikasi sumber dan konsekuensi bias data serta halusinasi model dalam sistem AI kontemporer.
- Analisis risiko keamanan yang ditimbulkan teknologi deepfake dan pentingnya verifikasi konten.
- Jelaskan konsep dan kebutuhan pengawasan Manusia dalam Loop (HITL) dalam proses pengambilan keputusan otonom.
- Evaluasi potensi Symbiosis Manusia-AI, dengan melihat AI terutama sebagai alat 'Co-Pilot' daripada pengganti.
- Bentuk perspektif awal mengenai tanggung jawab etis pencipta AI masa depan.