Ketika Scale AI 'mengajarkan' kecerdasan buatan

Berawal saat pendirinya masih mahasiswa, Scale AI kini menjadi mata rantai penting dalam perjalanan pembelajaran model kecerdasan buatan. Perusahaan ini tidak menciptakan AI, tetapi merupakan tempat di mana AI memahami dunia manusia.

Data masukan diatur dengan rapi sebelum digunakan untuk melatih AI.

Scale AI memang jarang menjadi berita utama, dan juga bukan salah satu perusahaan teknologi yang memproduksi produk yang bisa disentuh langsung oleh pengguna. Namun, bagi para pengembang AI, ini merupakan bagian integral dari keseluruhan proses pelatihan model.

Pekerjaan Scale AI berlangsung secara diam-diam di balik layar, di mana data mentah diproses oleh manusia dan diubah menjadi pembelajaran bagi mesin. Berkat hal tersebut, sistem cerdas baru dapat secara bertahap memahami bahasa, gambar, emosi, dan perilaku yang ditunjukkan manusia di dunia nyata.

Siapa Scale AI dan apa yang mereka lakukan?

Dibandingkan dengan OpenAI, Google, atau Meta, Scale AI relatif lebih tenang. Perusahaan ini tidak secara langsung menciptakan chatbot yang dapat berbicara seperti manusia sungguhan atau mobil self-driving yang dapat membaca situasi lalu lintas, tetapi mereka memainkan peran penting dalam membantu teknologi-teknologi tersebut menjadi lebih cerdas setiap harinya.

Scale AI didirikan pada tahun 2016 ketika sang pendiri, Alexandr Wang, masih mahasiswa. Alih-alih mengembangkan algoritma, Wang memilih jalur yang berbeda: membangun platform pemrosesan data khusus untuk pelatihan kecerdasan buatan .

Di dunia ini, data adalah bahan mentahnya. Namun, data mentah seperti gambar yang tidak terklasifikasi, percakapan yang tidak terorganisir, atau video yang tidak jelas seringkali berantakan dan tidak memiliki nilai langsung bagi mesin.

Tugas Scale AI adalah membersihkan, mengategorikan, dan memberi label pada data dalam jumlah besar tersebut. Artinya, sistem dan tim perlu dirancang untuk mengidentifikasi dan mengatur setiap detail kecil dalam sebuah foto, paragraf, atau rekaman video.

Misalnya, agar mobil swakemudi dapat belajar berhenti di tempat yang tepat, setiap frame kamera harus diidentifikasi dengan jelas di mana terdapat penyeberangan, di mana terdapat lampu lalu lintas, di mana terdapat pejalan kaki. Dengan jutaan data tersebut, kecerdasan buatan dapat mempelajari perilaku tersebut secara akurat.

Berkat langkah-langkah persiapan data tersebut, model seperti ChatGPT, Claude atau asisten virtual di mobil dapat memahami bahasa alami, mengenali gambar secara akurat di lingkungan dunia nyata, dan merespons dengan cara seperti manusia.

Ingin mengajarkan AI menjadi pintar, harus dimulai dari hal terkecil

Sekompleks apa pun model AI, ia hanyalah kerangka kosong tanpa data sebagai sumbernya. Tidak seperti manusia yang dapat belajar dari pengalaman dan intuisi, mesin hanya dapat mengulang apa yang telah mereka lihat sebelumnya. Itulah sebabnya data pelatihan memainkan peran penting dalam menciptakan model yang efektif atau tidak.

Agar chatbot dapat memahami cara manusia bertanya, ia harus telah terpapar jutaan percakapan. Agar mobil dapat mengenali pejalan kaki di tengah hujan, ia harus telah melihat ratusan ribu foto serupa. Semua contoh dunia nyata tersebut harus diberi label yang tepat agar komputer dapat mempelajarinya. Tanpa label yang tepat, AI akan salah. Tanpa data yang cukup beragam, AI akan bereaksi buruk di lingkungan dunia nyata.

Inilah mengapa pekerjaan Scale AI begitu penting. Mereka tidak hanya mengumpulkan data, tetapi juga memastikan data tersebut terorganisasi dengan akurat, beragam, dan mudah dipelajari, sehingga model masa depan dapat bereaksi seperti manusia.

Contoh klasiknya adalah di bidang mobil tanpa pengemudi. Untuk melatih mobil agar mampu menangani situasi tak terduga seperti orang yang menyeberang jalan atau sepeda motor yang melaju ke arah yang salah, model kecerdasan buatan perlu melihat puluhan ribu situasi serupa.

Data semacam itu tidak dapat diperoleh begitu saja, dan tidak dapat dibiarkan begitu saja oleh mesin untuk belajar sendiri. Seseorang harus mempersiapkan, mengatur, dan memastikan keakuratannya sebelum kecerdasan buatan dapat memulai proses pembelajaran.

Di sinilah Scale AI berperan. Mereka menciptakan pembelajaran, bukan dari pengetahuan di buku teks, melainkan dari miliaran contoh dunia nyata yang telah disempurnakan dengan cermat. Setiap aliran data yang melewati tangan mereka menjadi fondasi kognisi AI modern.

Dari laboratorium hingga jalanan, data tetap menjadi raja

Scale AI tidak hanya terbatas pada teks, tetapi juga terlibat dalam pelatihan visi komputer untuk mobil swakemudi. Perusahaan teknologi seperti Tesla, Toyota, dan General Motors telah berkolaborasi dengan Scale AI untuk melatih mobil mengenali pejalan kaki, membaca rambu lalu lintas, dan menangani situasi tak terduga.

Selain itu, Scale AI juga mendukung bidang lain seperti pertahanan, satelit, dan peta. Mereka memproses gambar dari kamera, radar, dan foto yang diambil dari luar angkasa untuk membantu model mengenali medan, mengklasifikasikan objek, atau mendeteksi risiko lebih awal. Citra satelit mungkin tampak seperti pemandangan pegunungan, tetapi melalui tangan tim Scale AI, citra tersebut dapat menjadi kumpulan data yang membantu mesin memprediksi arah kebakaran hutan.

Ekspansi ke berbagai bidang menunjukkan bahwa Scale AI bukan sekadar alat pelengkap, tetapi menjadi bagian inti dari cara kecerdasan buatan mempelajari dunia. Seiring dunia terus berlomba menciptakan model yang lebih cerdas, perusahaan seperti Scale AI-lah yang diam-diam meletakkan fondasi yang kokoh untuk perlombaan tersebut.

Kembali ke topik

THANH THU

Sumber: https://tuoitre.vn/khi-scale-ai-day-hoc-cho-tri-tue-nhan-tao-20250616095516101.htm