Bayangkan Anda sedang menulis strategi langkah untuk sebuah program gomoku. Aturannya sudah jelas, papan juga tampil dengan benar, dan tampaknya tinggal meminta program memilih langkah terbaik. Namun begitu mulai menelusuri kemungkinan, setiap respons lawan memunculkan lebih banyak variasi. Permainan belum dimulai, waktu komputasi sudah lebih dulu habis.
Dilema kecil ini membawa kita ke salah satu persoalan penting dalam kecerdasan buatan: ketika informasi, waktu, dan sumber daya komputasi memiliki batas, bagaimana sebuah sistem membuat pilihan yang berdasar? Bagi mereka yang sudah terbiasa memakai perkakas AI, menyelami persoalan seperti ini juga menjadi kesempatan untuk mendekati bagian dalam teknologi.
COMP5511 《Artificial Intelligence Concepts》 (Konsep Kecerdasan Buatan) di Hong Kong Polytechnic University berkisar pada pencarian, representasi pengetahuan, penalaran, dan pembelajaran mesin. Dalam materi kursus EvoClass saat ini, jalur pembelajarannya meluas hingga Transformer, model bahasa besar, dan agen. Berawal dari papan permainan, sepanjang perjalanan akan ditemui beragam tugas, dan persoalan "membuat pilihan" akan terus ditinjau ulang.
Sebelum langkah pertama, belajar memilih dan mengorbankan
Jika semua kemungkinan layak dihitung, program akan segera tenggelam dalam ruang pencarian yang sangat besar. Untuk melangkah dalam waktu terbatas, perlu diputuskan situasi mana yang diprioritaskan, dengan kriteria apa evaluasi dilakukan, dan sampai sejauh mana pencarian boleh dihentikan.
Sebuah persoalan yang tampak hanya soal "kecepatan kurang" pun berubah menjadi pilihan metode.
Dalam Strategi Pencarian: Pencarian Tanpa Informasi dan Pencarian Heuristik, pembelajar dapat membandingkan berbagai cara eksplorasi; lalu pada Pencarian Adversarial dan Pemenuhan Kendala, pilihan lawan juga harus dimasukkan ke dalam pertimbangan sendiri. Melihat beberapa langkah lebih jauh, bagaimana menilai situasi, dan cara mengurangi perhitungan yang tidak perlu, semuanya menjadi bermakna konkret.
Eksperimen gomoku dalam kursus menyediakan jendela untuk mengamati. Anda dapat mengubah satu strategi, menjalankan program, lalu membandingkan langkah yang dipilih dan waktu yang dibutuhkan. Langkah yang tampak menguntungkan bisa meninggalkan celah di kemudian hari; menelusuri lebih dalam juga menuntut biaya komputasi yang lebih besar.
Ketika kode benar-benar berjalan, pertimbangan di balik nama-nama algoritma baru terlihat nyata. Pembelajaran pun mendapat pijakan yang jelas: menjelaskan pilihan kali ini, dan menemukan cara untuk menguji penjelasan tersebut.
Ganti satu gambar tulisan tangan, persoalannya berubah
Aturan langkah gomoku dapat dituliskan secara eksplisit, tetapi bentuk angka tulisan tangan sulit ditentukan satu per satu. Angka "3" yang sama bisa ditulis bulat oleh seseorang, gepeng oleh orang lain, dan ada yang goresannya hampir menyatu.
Menambah aturan terus-menerus mungkin menyelesaikan beberapa sampel di depan mata, tetapi tetap akan muncul gaya tulisan baru. Tugas pun bergeser ke arah lain: memberikan data kepada model agar ia mempelajari pola yang dapat digunakan untuk pengenalan.
Namun mempelajari sekumpulan sampel tidak berarti mampu menangani semua situasi baru.
Materi eksperimen COMP5511 di EvoClass mencakup klasifikasi angka tulisan tangan, sementara materi kuliahnya bergerak dari pembelajaran mesin tradisional ke jaringan saraf dan visi komputer. Bagi pembelajar, latihan kecil yang layak dilakukan adalah menyimpan beberapa hasil klasifikasi yang salah, mengamati apa yang dikenali model sebagai apa, lalu kembali ke data dan metode untuk mencari penyebabnya.
Menyusuri jalur ini menuju Pemodelan Sekuens dan Transformer, fokus bergeser lebih jauh ke sekuens dan konteks. Saat kemudian mempelajari model bahasa besar, di balik antarmuka obrolan yang akrab pun tersedia jejak teknis yang dapat terus ditelusuri.
Selanjutnya, kursus mendorong persoalan melampaui layar: jika jawaban hanya dapat diselesaikan melalui satu tindakan nyata, bagaimana sistem melanjutkannya?
Setelah jawaban, masih ada satu tindakan
Mencari sebuah informasi, menjalankan sepotong kode, dan melanjutkan tugas berdasarkan informasi yang dikembalikan, semuanya menuntut sistem berhubungan dengan alat eksternal. Setelah rencana dihasilkan, masih perlu mengirim permintaan, membaca hasil, dan menilai apakah langkah berikutnya tetap masuk akal.
Praktik agen dan pemanggilan alat pada Lab 11 membawa pembelajar ke tahap ini: menghubungkan model bahasa dengan alat eksternal, dan mengamati bagaimana pemikiran, tindakan, serta umpan balik membentuk satu proses yang berkesinambungan.
Pada titik ini perhatian dapat diarahkan ke satu langkah yang mudah terlewat—setelah alat mengembalikan hasil, bagaimana sebenarnya sistem menggunakannya. Isi yang dikembalikan bisa tidak lengkap, operasi pun bisa gagal; mengulang, mengganti metode, atau berhenti memerlukan dasar yang sesuai.
Persoalan di papan permainan pada awal tadi muncul kembali dalam bentuk lain. Satu pilihan mengubah keadaan yang ada di depan, dan penilaian berikutnya harus mempertimbangkan perubahan itu.
Mekanisme program pencarian dan model bahasa berbeda. Menempatkan keduanya dalam satu jalur pembelajaran memungkinkan latihan sebuah cara pengamatan yang berlaku sepanjang jalan: pertama memperjelas tugas, lalu melihat bagaimana sistem bertindak, dan akhirnya memeriksa penilaian semula dengan hasilnya.
Mengubah satu eksperimen menjadi penilaian sendiri
Ketika sistem mulai memengaruhi tugas nyata, keberhasilan menjalankan program perlu dipertimbangkan bersama keandalan, bias, dan batas penggunaannya. Etika, Keamanan, dan Penyelarasan AI memasukkan persoalan-persoalan ini ke dalam kursus, sehingga implementasi teknis dan tanggung jawab manusia berada dalam satu gambaran yang sama.
Saat mempelajari mata kuliah ini, Anda dapat memberi diri satu tugas kecil: sebelum menjalankan eksperimen, tuliskan harapan Anda; setelah melihat hasilnya, catat satu hal yang berbeda dari harapan tersebut; kemudian kembali ke unit kuliah terkait dan coba jelaskan perbedaannya.
Perbedaan itu bisa berupa satu langkah tak terduga, satu gambar yang salah dikenali, atau satu umpan balik alat yang diabaikan oleh agen. Hal itu memberi arah bagi pembelajaran berikutnya, menghubungkan konsep dalam bab dengan pengamatan Anda sendiri.
Di halaman kursus COMP5511 pada EvoClass, Anda dapat membangun kerangka pengetahuan melalui unit-unit kuliah, lalu masuk ke eksperimen dan membawa persoalannya kembali; Anda juga bisa lebih dulu memilih topik yang menarik minat Anda, lalu memeriksa pemahaman dengan latihan simulasi.
Kembali ke papan permainan itu, program tetap harus memilih langkah berikutnya dalam waktu terbatas. Kini Anda memiliki lebih banyak cara untuk memeriksanya: melihat bagaimana pencarian berkembang, melihat apa dasar penilaiannya, dan melihat apakah hasilnya mendukung rancangan semula.
Memahami AI bisa dimulai dari satu buah bidak seperti ini.
Informasi dasar kursus mengacu pada penjelasan resmi mata kuliah PolyU, sedangkan pengenalan bab dan eksperimen spesifik mengacu pada konten kursus EvoClass saat ini. Tautan unit kuliah dalam artikel mengarah ke materi pembelajaran berbahasa Inggris.