Bridging Gen AI 250724.pptx Bridging Gen AI 250724.pptx

Bridging Gen AI 250724.pptx Bridging Gen AI 250724.pptx

1. Introduction to AI Adi Wahyu Candra Kusuma, S.Kom ., M.T. Dosen Sains Data Universitas Bunda Mulia , 25 Juli 2024

2. Artificial I ntelligence

3. An Introduction to Generative AI | UBM | Page 4 Definisi AI AI (Artificial Intelligence): Sistem yang dirancang untuk meniru kemampuan manusia dalam belajar , berpikir , dan memecahkan masalah . Oracle mendeskripsikan AI : AI telah menjadi istilah umum untuk aplikasi yang melakukan tugas kompleks yang dulunya memerlukan input manusia , seperti berkomunikasi secara daring.

4. An Introduction to Generative AI | UBM | Page 5 Definisi AI: Jenis AI Narrow AI: Narrow AI, atau sering disebut sebagai AI lemah , adalah jenis kecerdasan buatan yang dirancang untuk menyelesaikan tugas spesifik . AI ini dilatih dengan data yang sangat besar dan algoritma yang kompleks untuk melakukan tugas tersebut dengan sangat baik. General AI: General AI, atau sering disebut sebagai AI kuat , adalah jenis kecerdasan buatan yang memiliki kemampuan kognitif yang setara atau bahkan melampaui manusia . AI ini dapat memahami , belajar , dan menerapkan pengetahuan di berbagai bidang , sama seperti manusia .

5. An Introduction to Generative AI | UBM | Page 6 Definisi AI : Narrow AI Contoh : Pengenalan wajah : Sistem keamanan yang menggunakan AI untuk mengenali wajah manusia . Rekomendasi produk : Mesin pencari dan platform e-commerce yang menyarankan produk berdasarkan riwayat pencarian dan pembelian pengguna . Mobil self-driving: Mobil yang dapat mengemudi sendiri dalam kondisi tertentu , seperti di jalan raya yang sudah ditentukan . Asisten virtual: Chatbot seperti Siri atau Google Assistant yang dapat menjawab pertanyaan sederhana dan melakukan tugas-tugas dasar . Karakteristik : Tugas spesifik : Hanya bisa melakukan tugas yang telah diprogram . Tidak memiliki kesadaran : Tidak memiliki kesadaran diri atau kemampuan untuk berpikir secara mandiri di luar tugas yang diberikan . Ketergantungan pada data: Kinerja sangat bergantung pada kualitas dan kuantitas data yang digunakan untuk melatih model.

6. An Introduction to Generative AI | UBM | Page 7 Definisi AI : General AI Contoh : ( Hipotesis , karena belum ada contoh nyata ) Robot dengan kesadaran diri : Robot yang dapat berpikir , merasakan , dan berinteraksi dengan manusia secara alami . Sistem yang dapat memecahkan masalah kompleks : Sistem yang dapat menemukan solusi untuk masalah yang belum pernah dihadapi sebelumnya , seperti menemukan obat untuk penyakit yang tidak dapat disembuhkan . Karakteristik : Kemampuan umum : Dapat melakukan berbagai tugas dan belajar dari pengalaman . Kesadaran diri : Memiliki kesadaran diri dan pemahaman tentang lingkungan sekitar . Kreativitas : Mampu berpikir kreatif dan menghasilkan ide-ide baru.

7. An Introduction to Generative AI | UBM | Page 8 Definisi AI Fitur Narrow AI General AI Tujuan Menyelesaikan tugas spesifik Memecahkan masalah umum Kemampuan belajar Terbatas pada data pelatihan Dapat belajar dari berbagai sumber dan pengalaman Kesadaran Tidak memiliki kesadaran diri Memiliki kesadaran diri (hipotesis) Contoh Pengenalan wajah , rekomendasi produk Robot dengan kesadaran diri ( belum ada )

8. Sejarah AI

9. An Introduction to Generative AI | UBM | Page 10 Sejarah AI 1950-an hingga 1960-an: Masa-masa Awal 1950: Alan Turing menerbitkan "Computing Machinery and Intelligence" yang memperkenalkan Turing Test. 1956: Konferensi Dartmouth, tempat istilah " kecerdasan buatan " pertama kali digunakan . 1966: Joseph Weizenbaum mengembangkan ELIZA, program chatbot pertama .

10. An Introduction to Generative AI | UBM | Page 11 Sejarah AI 1970-an hingga 1980-an: AI Winter Penyebab : Keterbatasan teknologi dan ekspektasi yang tidak realistis . Dampak : Penurunan pendanaan dan minat dalam penelitian AI. Perubahan : Fokus beralih ke aplikasi yang lebih praktis dan teknologi yang lebih matang . 1980-an: Bangkitnya Sistem Pakar Definisi : Sistem AI yang meniru keahlian manusia dalam bidang khusus . Contoh : MYCIN (diagnosis penyakit infeksi ) dan XCON ( konfigurasi sistem komputer ). Aplikasi : Digunakan dalam keputusan berbasis pengetahuan di berbagai industri .

11. An Introduction to Generative AI | UBM | Page 1 2 Sejarah AI 1997: IBM Deep Blue Deskripsi : Superkomputer yang dirancang untuk bermain catur . Pertandingan : Mengalahkan juara dunia Garry Kasparov pada tahun 1997. Teknologi: Menggunakan algoritma pencarian dan evaluasi posisi yang kompleks . 2000-an: Munculnya Pembelajaran Mesin Kemajuan Teknologi: Peningkatan kapasitas komputasi dan ketersediaan data besar . Metodologi : Pengembangan algoritma seperti SVM, pohon keputusan , dan jaringan saraf . Aplikasi : Sistem rekomendasi , deteksi penipuan , dan pengenalan pola .

12. An Introduction to Generative AI | UBM | Page 13 Sejarah AI 2011: IBM Watson memenangkan kuis Jeopardy!, menunjukkan kemampuan pemrosesan bahasa alami yang luar biasa . 2012: Pengenalan pembelajaran mendalam (deep learning) melalui jaringan saraf konvolusi oleh AlexNet , yang memenangkan kompetisi pengenalan gambar ImageNet.

13. An Introduction to Generative AI | UBM | Page 14 Sejarah AI: Era Model Bahasa Besar (LLM) 2017: Google memperkenalkan Transformer dalam makalah "Attention is All You Need," yang menjadi dasar dari banyak model bahasa besar modern. 2018: OpenAI meluncurkan GPT (Generative Pre-trained Transformer), model bahasa besar pertama yang menunjukkan kemampuan generatif yang signifikan . 2019: GPT-2 dari OpenAI diluncurkan , dengan 1,5 miliar parameter dan kemampuan yang lebih canggih dibandingkan pendahulunya . 2020: GPT-3 diluncurkan oleh OpenAI , dengan 175 miliar parameter, menjadi model bahasa terbesar pada waktu itu dengan kemampuan pemrosesan dan generasi teks yang luar biasa . 2021: Google meluncurkan LaMDA (Language Model for Dialogue Applications) yang difokuskan pada kemampuan dialog dan percakapan alami . 2022: Meta AI mengumumkan OPT-175B, model bahasa yang setara dengan GPT-3, serta DeepMind meluncurkan Gopher. 2023: OpenAI memperkenalkan GPT-4, model bahasa alami yang lebih canggih dengan peningkatan kemampuan analisis , pemahaman konteks yang lebih baik, dan penerapan lebih luas dalam berbagai bidang .

14. Supervised vs Unsupervised

15. An Introduction to Generative AI | UBM | Page 16 Pembelajaran Supervised vs Unsupervised Pembelajaran Supervised Definisi : Model dilatih dengan data berlabel untuk memprediksi label atau nilai baru. Contoh : Regresi , klasifikasi . Pembelajaran Unsupervised Definisi : Model dilatih dengan data tidak berlabel untuk menemukan pola atau struktur dalam data. Contoh : Clustering.

16. An Introduction to Generative AI | UBM | Page 17 Pembelajaran Supervised Regresi dalam Machine Learning Definisi : Teknik untuk memprediksi nilai kontinu berdasarkan data input. Jenis : Regresi Linier, Regresi Polinomial , Regresi Ridge. Contoh : Prediksi harga rumah berdasarkan fitur seperti ukuran dan lokasi . Klasifikasi dalam Machine Learning Definisi : Teknik untuk mengklasifikasikan data ke dalam kategori tertentu . Jenis : Logistic Regression, Naive Bayes, K-Nearest Neighbors. Contoh : Mengidentifikasi email spam atau tidak spam.

17. An Introduction to Generative AI | UBM | Page 18 Pembelajaran Unsupervised Clustering dalam Machine Learning Definisi : Teknik untuk mengelompokkan data berdasarkan kesamaan . Jenis : K-Means, Hierarchical Clustering, DBSCAN. Contoh : Segmentasi pasar berdasarkan perilaku konsumen .

18. Machine Learning

19. An Introduction to Generative AI | UBM | Page 20 Machine Learning Machine learning adalah cabang dari kecerdasan buatan (AI) yang memungkinkan komputer belajar dari data tanpa diprogram secara eksplisit . Ini berarti sistem dapat mengidentifikasi pola , membuat prediksi , dan mengambil keputusan berdasarkan informasi yang diberikan .

20. An Introduction to Generative AI | UBM | Page 21 Machine Learning: Bagaimana Cara Kerjanya ? Pengumpulan Data : Data yang relevan dikumpulkan dan disiapkan untuk proses pembelajaran . Pembelajaran : Algoritma machine learning digunakan untuk menganalisis data dan menemukan pola atau hubungan . Pembuatan Model : Model dibuat berdasarkan pola yang ditemukan , yang dapat digunakan untuk membuat prediksi atau mengambil keputusan . Evaluasi : Model diuji dengan data baru untuk mengukur keakuratannya . Penggunaan : Model yang akurat dapat digunakan untuk berbagai aplikasi .

21. An Introduction to Generative AI | UBM | Page 2 2 Machine Learning: Contoh Aplikasi Machine Learning Rekomendasi Produk : Sistem seperti Amazon atau Netflix menggunakan machine learning untuk merekomendasikan produk atau film berdasarkan preferensi pengguna . Pengenalan Gambar : Teknologi ini digunakan untuk mengidentifikasi objek dalam gambar , seperti dalam aplikasi pengenalan wajah atau mobil self-driving. Pemrosesan Bahasa Alami : Machine learning digunakan untuk memahami dan menghasilkan bahasa manusia , seperti dalam chatbot atau terjemahan mesin . Prediksi Cuaca : Model machine learning dapat memprediksi cuaca dengan menganalisis data cuaca historis .

22. Deep Learning

23. An Introduction to Generative AI | UBM | Page 24 Deep Learning Deep Learning: Belajar Seperti Otak Manusia Deep learning adalah subbidang dari machine learning yang menggunakan jaringan saraf tiruan (artificial neural networks) dengan banyak lapisan untuk mempelajari representasi tingkat tinggi dari data. Ini terinspirasi oleh struktur otak manusia , di mana informasi diproses melalui banyak lapisan neuron.

24. An Introduction to Generative AI | UBM | Page 25 Deep Learning: Bagaimana Cara Kerjanya ? Artificial Neural Networks : Ini adalah model komputasi yang terinspirasi oleh struktur otak manusia . Jaringan ini terdiri dari lapisan - lapisan neuron buatan yang saling terhubung . Pelatihan : Model dilatih dengan menggunakan sejumlah besar data untuk mempelajari pola kompleks dalam data tersebut. Prediksi : Setelah pelatihan, model dapat digunakan untuk membuat prediksi atau klasifikasi pada data baru.

25. An Introduction to Generative AI | UBM | Page 26 Deep Learning: Contoh Aplikasi Deep Learning Pengenalan Gambar : Identifikasi objek dalam gambar , seperti dalam mobil self-driving. Pengenalan Suara : Transkripsi ucapan , asisten suara seperti Siri atau Google Assistant. Pemrosesan Bahasa Alami : Terjemahan mesin , analisis sentimen , chatbot. Pengolahan Data Medis : Deteksi penyakit dari gambar medis , analisis data genetik .

26. LLM

27. An Introduction to Generative AI | UBM | Page 28 LLM LLM adalah singkatan dari Large Language Model . Ini adalah jenis model deep learning yang sangat besar yang telah dilatih sebelumnya pada sejumlah besar data teks. LLM mampu memahami , menghasilkan , dan memproses bahasa manusia dengan cara yang sangat mirip dengan manusia .

28. An Introduction to Generative AI | UBM | Page 29 LLM: Bagaimana Cara Kerjanya ? LLM menggunakan arsitektur transformer , sebuah jenis jaringan saraf tiruan yang sangat efektif dalam memproses data sekuensial seperti teks. Mereka dilatih pada kumpulan data teks yang sangat besar , seperti buku , artikel , kode , dan informasi lainnya . Melalui proses pelatihan ini, LLM belajar pola bahasa , tata bahasa , dan pengetahuan umum .

29. An Introduction to Generative AI | UBM | Page 30 LLM: Bagaimana Cara Kerjanya ? Kemampuan LLM Memahami bahasa manusia : LLM dapat memahami konteks , nuansa , dan makna dalam teks. Menghasilkan teks: LLM dapat menghasilkan teks yang koheren dan relevan , seperti menulis email, artikel , atau bahkan kode komputer . Menerjemahkan bahasa : LLM dapat menerjemahkan teks dari satu bahasa ke bahasa lainnya dengan akurasi yang tinggi . Menjawab pertanyaan : LLM dapat memberikan jawaban yang informatif dan relevan atas pertanyaan pengguna .

30. An Introduction to Generative AI | UBM | Page 31 LLM: Contoh Aplikasi LLM GPT-3 (Generative Pre-trained Transformer 3) dari OpenAI LaMDA (Language Model for Dialogue Applications) dari Google Jurassic-1 Jumbo dari AI21 Labs

31. Generative AI

32. An Introduction to Generative AI | UBM | Page 33 Generative AI Generative AI sangat baik untuk PRODUKTIVITAS - mereka bisa menjadi jalan pintas yang praktis untuk mengerjakan tugas-tugas yang mudah dan/atau untuk membuat suatu kreativitas . Generative AI seharusnya selalu digunakan - dan diajarkan untuk digunakan dengan pikiran kritis , karena mereka rentan terhadap kesalahan .

33. Banyak hype - dan masalah - AI saat ini ... #evilbrag An Introduction to Generative AI | UBM | Page 34

34. AI telah bersama kita selama bertahun -tahun, baik yang " generatif " maupun tidak. Tiktok screenshots from J. D. Biersdorfer. 2022. The Latecomer’s Guide to TikTok. The New York Times . Retrieved May 16, 2023 from https://www.nytimes.com/2022/10/26/technology/personaltech/tiktok-guide-latecomers.html ADAS images from Wikipedia contributors. 2023. Advanced driver-assistance system. Wikipedia, The Free Encyclopedia. Retrieved from https://en.wikipedia.org/w/index.php?title=Advanced_driver-assistance_system&oldid=1150142876 An Introduction to Generative AI | UBM | Page 35

35. Sekarang , AI dapat mensintesis sebagian atau seluruh dari sebuah karya kreatif . McKinsey mendefinisikan generative AI sebagai : Text and image from What is generative AI? McKinsey. Retrieved May 16, 2023 from https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative- ai An Introduction to Generative AI | UBM | Page 36 Terobosan-terobosan terbaru di bidang ini memiliki potensi untuk mengubah secara drastis cara kita mendekati pembuatan konten . … Algoritma (seperti ChatGPT ) yang dapat digunakan untuk membuat konten baru, termasuk audio, kode , gambar , teks, simulasi , dan video.

36. Bagaimana AI Generatif bekerja (secara sederhana) Image from Pattern Recognition. GeeksforGeeks. Retrieved May 16, 2023 from https://www.geeksforgeeks.org/pattern-recognition-introduction/ Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ Chat Doc Image An Introduction to Generative AI | UBM | Page 37 Sistem menghasilkan teks atau gambar menggunakan model yang telah dibangunnya sebelumnya berdasarkan distribusi statistik token (= " potongan " kata, tanda baca , piksel , dll .) yang dibuat dari dataset pelatihan yang sangat besar .

37. Bagaimana AI Generatif bekerja (secara sederhana) Ted Chiang. 2023. ChatGPT Is a Blurry JPEG of the Web. The New Yorker . Retrieved May 10, 2023 from https://www.newyorker.com/tech/annals-of-technology/chatgpt-is-a-blurry-jpeg-of-the- web Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ Analogi Ted Chiang = “unreliable photocopier” atau “blurry JPEG” Chat Doc Image An Introduction to Generative AI | UBM | Page 38 Sistem mungkin membuat kesalahan berdasarkan keterbatasan prosesnya , tetapi hasilnya masih bisa terlihat seperti yang Anda inginkan .

38. Bagaimana AI Generatif bekerja (secara sederhana) Kita bisa menanyakan pertanyaan pada Gen AI tetapi jenis pertanyaan yang sangat spesifik yang dikenal sebagai " prompts ," dengan mengikuti struktur ini: Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 “ Berikut adalah fragmen teks. Katakan kepada saya bagaimana fragmen ini mungkin < berlanjut atau sarankan gambar tertentu >.” An Introduction to Generative AI | UBM | Page 39 Menurut model statistik tentang < bahasa manusia , atau gambar yang ditangani manusia >, kata-kata atau piksel apa yang kemungkinan besar akan muncul berikutnya ?

39. Bagaimana AI Generatif bekerja (secara sederhana) Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ n tokens in 1 token out Prompt diubah menjadi token (= “ potongan ” kata, tanda baca , piksel , dll .), lalu sistem menganalisis apa yang kemungkinan akan muncul berikutnya , berdasarkan token dalam dataset- nya sendiri ( sebanyak 32.000 di GPT-4!). Kemudian , sistem menghasilkan keluaran yang telah ditokenisasi . Vector of probabilities from own tokens An Introduction to Generative AI | UBM | Page 40

40. Bagaimana AI Generatif bekerja (secara sederhana) Dengan setiap keluaran , sistem terus menganalisis probabilitas untuk memutuskan token berikutnya . Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ n tokens in 1 token out She went to the sto r e and shopped Vector of probabilities from own tokens An Introduction to Generative AI | UBM | Page 41

41. INI BAGIAN YANG BENAR-BENAR KEREN!!! Transformers ( huruf “T” dalam “GPT”) tahu bagaimana mengarahkan perhatian ke bagian-bagian tertentu dari input untuk membimbing pemilihan output mereka - seperti waktu kata kerja , objek . Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, and Illia Polosukhin. 2017. Attention Is All You Need. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/1706.03762 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ n tokens in 1 token out She went to the sto r e and shopped Vector of probabilities from own tokens An Introduction to Generative AI | UBM | Page 42

42. Bagaimana AI Generatif bekerja (secara sederhana) Sistem dapat memberikan jawaban yang berbeda untuk input yang sama: Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ n tokens in 1 token out She went to the sto r e and bought Vector of probabilities from own tokens An Introduction to Generative AI | UBM | Page 43

43. Bagaimana AI Generatif bekerja (secara sederhana) Sistem dapat memberikan jawaban yang berbeda untuk input yang sama: Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ n tokens in 1 token out She went to the sto r e and clocked in Vector of probabilities from own tokens An Introduction to Generative AI | UBM | Page 44

44. Bagaimana AI Generatif bekerja (secara sederhana) Sistem dapat memberikan jawaban yang berbeda untuk input yang sama: Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ n tokens in 1 token out She went to the sto r e and danced Vector of probabilities from own tokens huh? An Introduction to Generative AI | UBM | Page 45

45. Bagaimana AI Generatif bekerja (secara sederhana) Murray Shanahan. 2022. Talking About Large Language Models. arXiv [cs.CL]. Retrieved from http://arxiv.org/abs/2212.03551 Bea Stollnitz. How generative language models work. Retrieved May 10, 2023 from https://bea.stollnitz.com/blog/how-gpt-works/ n tokens in 1 token out “ Kesalahan ” - ketika keluaran tampaknya tidak masuk akal adalah alasan mengapa penting untuk tidak menerima semuanya secara langsung tanpa verifikasi . She went to the sto r e and danced Vector of probabilities from own tokens huh? An Introduction to Generative AI | UBM | Page 46

46. Contoh alat Generatif AI yang tersedia secara publik: An Introduction to Generative AI | UBM | Page 47

47. Menggunakan AI Generatif sebagai seorang akademisi

48. Gunakan DALL-E 2 untuk membuat gambar untuk slide kursus Tujuan 1: Sumber visual dengan cepat yang menambah minat dan memperkuat konten Tujuan 2: Menunjukkan batasan keluaran AI dengan input atau prompt yang terbatas An Introduction to Generative AI | UBM | Page 49

49. Gunakan ChatGPT untuk membuat draf awal teks biografi Tujuan : Mengurangi waktu yang dihabiskan untuk tugas pekerjaan yang simple namun diperlukan An Introduction to Generative AI | UBM | Page 50

50. Gunakan BingChat untuk membuat draf proposal hibah Tujuan : Bereksperimen dengan rangkaian prompt untuk menghasilkan output yang diinginkan . An Introduction to Generative AI | UBM | Page 51

51. An Introduction to Generative AI | UBM | Page 52 Beberapa risiko dari penggunaan AI generatif Pelanggaran privasi data Pelatihan Model : Generative AI dilatih pada dataset yang sangat besar . Jika data ini mengandung informasi pribadi yang sensitif , maka model yang dihasilkan dapat secara tidak sengaja menghasilkan konten yang mengungkapkan informasi pribadi tersebut. Deepfake : Generative AI dapat digunakan untuk membuat deepfake, yaitu konten palsu yang sangat realistis yang menampilkan seseorang melakukan atau mengatakan sesuatu yang tidak pernah mereka lakukan . Ini dapat digunakan untuk menyebarkan informasi palsu atau merusak reputasi seseorang .

52. An Introduction to Generative AI | UBM | Page 53 Beberapa risiko dari penggunaan AI generatif Pelanggaran hak kekayaan intelektual Plagiarisme : Generative AI dapat menghasilkan konten yang sangat mirip dengan karya yang sudah ada , tanpa memberikan kredit kepada penulis aslinya . Ini merupakan pelanggaran hak cipta . Pemanfaatan Karya Tanpa Izin : Model generative AI dapat dilatih pada data yang dilindungi hak cipta tanpa izin dari pemiliknya .

53. An Introduction to Generative AI | UBM | Page 54 Beberapa risiko dari penggunaan AI generatif Pelanggaran integritas akademik Penipuan Akademik : Mahasiswa dapat menggunakan generative AI untuk menghasilkan esai , makalah , atau tugas lainnya tanpa melakukan penelitian sendiri . Ini merupakan pelanggaran integritas akademik . Disinformasi : Generative AI dapat digunakan untuk menghasilkan berita palsu atau informasi yang menyesatkan , yang dapat merusak kepercayaan publik pada institusi akademik .

54. An Introduction to Generative AI | UBM | Page 55 Bagaimana Mencegah Pelanggaran Etika ini? Regulasi yang Jelas : Pemerintah dan organisasi perlu membuat regulasi yang jelas mengenai penggunaan generative AI, termasuk perlindungan data pribadi dan hak kekayaan intelektual . Transparansi : Pengembang AI perlu transparan mengenai data yang digunakan untuk melatih model mereka dan bagaimana model tersebut bekerja . Watermarking : Menambahkan watermark atau tanda digital pada konten yang dihasilkan AI dapat membantu melacak asal-usul konten tersebut. Pendidikan : Masyarakat perlu di edukasi tentang risiko dan manfaat dari generative AI, sehingga mereka dapat menggunakan teknologi ini secara bertanggung jawab .

55. Kemampuan manusia tidak akan tergantikan. Screenshot from https://twitter.com/TheRealOllieLaw/status/ 1656605938374307840?s=20 An Introduction to Generative AI | UBM | Page 56

56. Poin-poin penting Generatif AI bisa menjadi jalan pintas yang cerdas untuk menyelesaikan tugas-tugas yang simple dan/atau untuk membuat kreativitas . Generatif AI harus selalu digunakan dengan bijak karena mereka rentan terhadap kesalahan . Terima Kasih ! An Introduction to Generative AI | UBM | Page 57