PolyU | Konsep Kecerdasan Buatan

📚 Ringkasan Konten

Kursus komprehensif ini menyajikan pengantar yang ketat namun mudah diakses terhadap Kecerdasan Buatan (AI), dirancang khusus untuk mahasiswa pascasarjana dan profesional. Kursus ini menjembatani antara fondasi sejarah dengan inovasi mutakhir, bergerak dari AI simbolik dan algoritma pencarian menuju Deep Learning modern dan Generative AI. Mahasiswa akan mengeksplorasi topik-topik penting seperti representasi pengetahuan, penalaran probabilistik, dan pembelajaran mesin klasik sebelum masuk lebih dalam ke jaringan saraf, Transformer, dan Model Bahasa Besar (LLM). Dengan menekankan baik aspek teori maupun praktik, kursus ini menggunakan Python serta kerangka kerja industri standar seperti PyTorch untuk mengimplementasikan algoritma, berinteraksi dengan API modern, serta menangani isu-isu kritis dalam etika dan keamanan AI.

Menjembatani kesenjangan antara AI Simbolik klasik dan Generative AI modern, kursus ini membekali mahasiswa dengan kedalaman teori dan keterampilan praktis Python untuk merancang, menerapkan, dan mengevaluasi sistem cerdas secara etis.

🎯 Tujuan Pembelajaran

1. Menguasai Fondasi AI: Menganalisis dan menerapkan paradigma pemecahan masalah dasar, termasuk pencarian heuristik, penalaran berbasis logika, dan pemodelan probabilistik.
2. Menerapkan Arsitektur Deep Learning: Merancang dan melatih jaringan saraf canggih menggunakan PyTorch, mulai dari Multi-layer Perceptrons hingga Convolutional Neural Networks dan Transformers.
3. Mengimplementasikan Solusi Generative AI: Membangun aplikasi yang memanfaatkan Model Bahasa Besar (LLM), menggunakan teknik seperti fine-tuning, engineering prompt, dan Retrieval-Augmented Generation (RAG).
4. Memastikan Pengembangan AI yang Etis: Menilai secara kritis sistem AI terhadap bias, keamanan, dan kesesuaian, menerapkan strategi transparansi dan ketahanan dalam skenario dunia nyata.

🔹 Pelajaran 1: Sejarah dan Fondasi AI

Gambaran Umum: Eksplorasi asal-usul Kecerdasan Buatan, mencakup Uji Turing, Konferensi Dartmouth, dan sifat siklus perkembangan AI yang dikenal sebagai 'Musim Dingin AI'.

Hasil Pembelajaran:

• Melacak evolusi historis AI dari tahun 1956 hingga saat ini.
• Membandingkan dan membedakan paradigma AI Simbolik (GOFAI) dan Connectionism.
• Mendiskusikan dampak Revolusi Deep Learning dan terobosan generatif terbaru.

🔹 Pelajaran 2: Strategi Pencarian: Tak Terarah dan Terarah

Gambaran Umum: Pengantar agen pemecahan masalah dasar menggunakan algoritma pencarian, membedakan antara pencarian buta dan pendekatan berbasis heuristik.

Hasil Pembelajaran:

• Menerapkan metode pencarian tak terarah seperti BFS, DFS, dan Uniform Cost search.
• Menggunakan teknik pencarian heuristik seperti A* dan Greedy Best-First search.
• Menganalisis kompleksitas dan optimalitas berbagai strategi pencarian.

🔹 Pelajaran 3: Pencarian Adversarial dan Pemenuhan Kendala

Gambaran Umum: Penelitian mendalam tentang pengambilan keputusan dalam lingkungan kompetitif (permainan) dan pemecahan masalah yang didefinisikan oleh kendala.

Hasil Pembelajaran:

• Memahami algoritma Minimax dan pruning Alpha-Beta untuk permainan.
• Memahami Monte Carlo Tree Search (MCTS) yang digunakan dalam sistem canggih seperti AlphaGo.
• Menyelesaikan Masalah Pemenuhan Kendala (CSP) menggunakan backtracking dan pencarian lokal.

🔹 Pelajaran 4: Representasi Pengetahuan dan Penalaran

Gambaran Umum: Studi tentang bagaimana sistem AI merepresentasikan informasi secara logis untuk melakukan inferensi, bergerak dari logika klasik ke struktur pengetahuan modern.

Hasil Pembelajaran:

• Menggunakan Logika Proposisional dan Logika Orde Pertama untuk representasi dan inferensi.
• Membandingkan Sistem Pakar warisan dengan Graf Pengetahuan dan Ontologi modern.
• Menjelajahi AI Neuro-Simbolik sebagai jembatan antara logika dan jaringan saraf.

🔹 Pelajaran 5: Ketidakpastian di Era GenAI

Gambaran Umum: Melampaui perhitungan probabilitas klasik untuk memahami bagaimana ketidakpastian mendorong AI modern. Pelajaran ini mengeksplorasi mengapa LLM sering "berhalusinasi" (dan mengapa hal itu merupakan fitur, bukan kelemahan), bagaimana model Diffusion menciptakan seni dari noise murni, dan bagaimana Agen Otonom membuat keputusan di dunia terbuka yang tidak dapat diprediksi.

Hasil Pembelajaran:

• Dari Bayes ke "Perasaan": Mendapatkan pemahaman intuitif tentang kepercayaan dan kalibrasi, belajar mengapa "probabilitas 99%" tetap bisa salah tanpa terjebak dalam matematika rumit.
• Mesin Kreativitas: Menganalisis mekanisme sampling probabilistik (Suhu, Top-P) yang memungkinkan kreativitas AI generatif dan menyebabkan halusinasi.
• Pengambilan Keputusan Agens: Memahami strategi pengambilan keputusan dalam ketidakpastian, fokus pada dilema "Eksplorasi vs. Eksploitasi" dalam Pembelajaran Penguatan dan Sistem Multi-Agen.

🔹 Pelajaran 6: Pembelajaran Mesin Klasik

Gambaran Umum: Pengantar praktis algoritma berbasis data untuk pembelajaran terawasi dan tidak terawasi menggunakan Python.

Hasil Pembelajaran:

• Menerapkan model pembelajaran terawasi seperti Pohon Keputusan dan SVM.
• Menerapkan teknik pembelajaran tidak terawasi seperti klastering K-means dan PCA.
• Menggunakan Scikit-learn untuk menyelesaikan masalah analitik data dasar.

🔹 Pelajaran 7: Dasar Jaringan Saraf

Gambaran Umum: Transisi ke komputasi berbasis biologis, mencakup arsitektur dan mekanisme pelatihan jaringan saraf tiruan.

Hasil Pembelajaran:

• Menjelaskan struktur neuron tiruan dan Multi-layer Perceptrons (MLP).
• Menguasai algoritma Backpropagation dan berbagai fungsi aktivasi (ReLU, GELU).
• Membangun jaringan saraf dasar menggunakan PyTorch.

🔹 Pelajaran 8: Visi Komputer dan CNN

Gambaran Umum: Fokus pada pemrosesan data visual melalui arsitektur deep learning khusus.

Hasil Pembelajaran:

• Memahami mekanisme Jaringan Saraf Konvolusional (CNN).
• Menganalisis arsitektur lanjutan seperti ResNet dan Vision Transformers (ViT).
• Menerapkan model klasifikasi gambar dasar.

🔹 Pelajaran 9: Pemodelan Urutan dan Transformer

Gambaran Umum: Evolusi pemrosesan urutan dari Jaringan Saraf Berulang ke mekanisme Attention revolusioner.

Hasil Pembelajaran:

• Membedakan antara RNN, LSTM, dan arsitektur Transformer.
• Menjelaskan makalah "Attention Is All You Need" dan mekanisme self-attention.
• Memahami peran Encoder dan Decoder dalam model seperti BERT dan GPT.

🔹 Pelajaran 10: Model Bahasa Besar (LLM)

Gambaran Umum: Studi mendalam tentang AI Generatif mutakhir yang berfokus pada generasi teks dan adaptasi model.

Hasil Pembelajaran:

• Menjelaskan siklus Pra-pelatihan dan Fine-tuning pada LLM.
• Menjelajahi Pembelajaran Penguatan dari Umpan Balik Manusia (RLHF).
• Berlatih Engineering Prompt dan metode fine-tuning efisien parameter (PEFT/LoRA).

🔹 Pelajaran 11: Aplikasi Lanjutan AI Generatif

Gambaran Umum: Melampaui teks ke sistem pencarian dan media generatif menggunakan API modern.

Hasil Pembelajaran:

• Menerapkan Retrieval-Augmented Generation (RAG) untuk mengurangi halusinasi.
• Memahami matematika di balik Model Diffusion (misalnya Stable Diffusion) dan VAE.
• Berinteraksi dengan API AI modern untuk membangun aplikasi generatif.

🔹 Pelajaran 12: Etika, Keamanan, dan Keselarasan AI

Gambaran Umum: Analisis kritis dampak sosial AI, dengan fokus pada tanggung jawab dan protokol keamanan.

Hasil Pembelajaran:

• Mengidentifikasi sumber bias dan memastikan keadilan dalam model AI.
• Mendiskusikan Keamanan AI, Ketahanan, dan masalah Keselarasan.
• Menilai Transparansi (XAI) dan strategi mitigasi halusinasi LLM.