Kapan harus menggunakan AI generatif atau AI tradisional

Last reviewed 2024-03-19 UTC

Dokumen ini membantu Anda mengidentifikasi kapan AI generatif, AI tradisional, atau kombinasi keduanya mungkin sesuai dengan kasus penggunaan bisnis Anda.

Dalam dokumen ini, AI tradisional mengacu pada kemampuan AI dan kasus penggunaan yang mungkin tidak memerlukan penggunaan kemampuan AI generatif, seperti beberapa kasus penggunaan AI klasifikasi dan prediktif. Model AI tradisional unggul dalam mempelajari data yang ada untuk mengklasifikasikan informasi atau memprediksi hasil masa depan berdasarkan pola historis. Model AI generatif memperluas kemampuan ini untuk membuat ringkasan, mengungkap korelasi tersembunyi yang kompleks, atau menghasilkan konten baru—seperti teks, gambar, atau video—yang mencerminkan gaya dan pola dalam data pelatihan.

Kapan harus menggunakan AI generatif

Secara umum, solusi AI generatif unggul dalam berbagai tugas seperti berikut:

  • Membuat dan merekomendasikan konten.
  • Mendukung penelusuran percakapan dan chatbot.
  • Penskalaan dan otomatisasi alur kerja untuk tugas yang berulang.
  • Menggunakan penalaran asosiatif untuk menemukan insight dan hubungan dalam dokumen dan data.
  • Membuat kode dan membantu developer dalam menulis, menjelaskan, dan mendokumentasikan kode.

Bagian berikut memberikan contoh kasus penggunaan AI generatif umum yang dapat disesuaikan untuk berbagai industri.

Pembuatan konten dan rekomendasi

  • Membuat konten terkait pemasaran seperti gambar produk, postingan media sosial, dan email dengan gambar yang relevan.
  • Menerjemahkan konten seperti dokumen, konten situs, dan percakapan chatbot multibahasa.
  • Meringkas konten teks, termasuk dokumen, artikel, masukan pelanggan, dan laporan, untuk membantu membuat keputusan berbasis data yang lebih tepat.
  • Membuat ringkasan informasi dari berbagai sumber yang dapat mencakup komponen teks, gambar, dan video atau audio.
  • Pemberian teks atau subtitel otomatis pada video.
  • Membuat konten multimedia kreatif seperti membuat gambar baru dari deskripsi perintah teks, mengubah atau memperbaiki gambar menggunakan perintah teks (misalnya, menghapus objek atau mengubah skema warna), dan menghasilkan video atau animasi pendek dari perintah teks atau skrip.
  • Menghasilkan suara sintetis yang realistis untuk audio seperti trek voice-over dan musik.
  • Menganalisis dan memahami perilaku, preferensi, ulasan, dan interaksi pengguna sebelumnya untuk memberikan rekomendasi konten yang dipersonalisasi. Analisis dapat digabungkan dengan faktor real-time seperti lokasi untuk menyesuaikan rekomendasi konten untuk seluruh konten seperti produk, artikel, dan video.

Penelusuran percakapan dan chatbot

  • Membangun asisten virtual untuk interaksi pengguna seperti dukungan pelanggan dan penjualan online.
  • Mengaktifkan penelusuran percakapan melalui basis pengetahuan yang besar dengan kueri bahasa alami.
  • Menemukan jawaban atas pertanyaan kompleks yang menggabungkan pertanyaan tekstual dengan gambar terkait.

Pemahaman dokumen dan data

  • Mengekstrak data dan menganalisis konten dari teks seperti laporan, invoice, tanda terima, transaksi keuangan, atau kontrak untuk menyoroti kemungkinan error atau masalah kepatuhan, mengidentifikasi potensi risiko, atau menemukan anomali yang menunjukkan penipuan.
  • Menganalisis sentimen konten buatan pengguna, seperti postingan media sosial dan ulasan produk.
  • Menganalisis percakapan yang ditranskripsikan pusat panggilan untuk mendapatkan insight, seperti alasan paling umum mengapa pelanggan memberikan rating rendah pada interaksi pusat panggilan.

  • Menganalisis data pengamanan cyber seperti laporan ancaman, artikel, dan repositori untuk mengekstrak indikator ancaman utama. Analisis ini memungkinkan pertahanan pengamanan cyber yang proaktif untuk merangkum dan memprioritaskan strategi mitigasi dengan rekomendasi untuk respons yang lebih cepat.

    Analisis dapat menerjemahkan grafik serangan yang kompleks menjadi penjelasan eksposur dalam teks biasa. Alat ini juga dapat melakukan simulasi kemungkinan jalur serangan untuk menandai aset yang terpengaruh, dan dapat merekomendasikan mitigasi sebelum aset dapat dieksploitasi.

Pembuatan kode dan bantuan developer

AI generatif dapat membantu menangani jenis tugas berikut di semua tahap siklus proses pengembangan software (SDLC):

  • Membuat spesifikasi dan dokumentasi API menggunakan prompt natural language.
  • Membuat aset seperti kode, fungsi, perintah command line, dan skrip Terraform dari prompt natural language.
  • Membuat pengujian dan penjelasan kode, termasuk komentar dan dokumentasi untuk menjelaskan kode.

Untuk mengetahui informasi selengkapnya tentang bagaimana AI generatif dapat mengubah operasi bisnis seperti layanan pelanggan, produktivitas karyawan, dan otomatisasi proses, lihat Kasus penggunaan bisnis dalam "AI Generatif di Google Cloud."

Kapan harus menggunakan AI tradisional

Kasus penggunaan AI tradisional biasanya berfokus pada prediksi hasil mendatang atau mengklasifikasikan kategori berdasarkan model AI yang dilatih pada sumber data historis yang ada seperti data dan gambar tabular. Solusi AI tradisional sering kali sudah cukup untuk menangani beberapa kasus penggunaan AI prediktif dan klasifikasi seperti berikut:

  • Kasus penggunaan klasifikasi:
    • Memfilter spam email dengan mengklasifikasikan email sebagai spam atau bukan spam, berdasarkan model AI klasifikasi tradisional yang dilatih dengan data historis.
    • Melatih model klasifikasi gambar tradisional pada gambar tertentu produk baik dan rusak untuk secara efektif membantu pemeriksaan real-time dan deteksi kerusakan dalam proses manufaktur.
  • Kasus penggunaan regresi:
    • Memprediksi nilai numerik kontinu seperti memprediksi harga rumah berdasarkan fitur dan lokasi rumah tertentu.
    • Memprediksi jumlah pendapatan yang akan dihasilkan pelanggan dari platform e-commerce selama hubungannya dengan perusahaan berdasarkan data pembelian historis.
  • Kasus penggunaan perkiraan deret waktu: Memperkirakan penjualan dan permintaan.
  • Pengelompokan kasus penggunaan: Menjalankan segmentasi pelanggan.

Untuk mengetahui informasi selengkapnya tentang penggunaan AI tradisional, lihat Penggunaan dan contoh analisis prediktif di "Apa itu analisis prediktif?"

Memilih antara AI tradisional dan AI generatif

Pohon keputusan yang disederhanakan berikut ini menyediakan referensi tingkat tinggi untuk beberapa jalur keputusan berbasis kasus penggunaan. Dalam beberapa kasus, sebaiknya gunakan AI tradisional dan AI generatif, seperti yang dijelaskan di bagian berikutnya, "Kapan harus menggabungkan AI generatif dengan AI tradisional".

Pohon keputusan menunjukkan kapan harus menggunakan AI generatif, klasifikasi tradisional atau AI prediktif, atau model AI terlatih.

Pohon keputusan mencakup pertanyaan dan jawaban berdasarkan kasus penggunaan berikut:

  • Jika kasus penggunaan Anda terkait dengan klasifikasi atau deteksi, periksa apakah model AI tradisional yang telah dilatih sebelumnya dapat memenuhi persyaratan kasus penggunaan Anda. Model tradisional terlatih mencakup AI API seperti Document AI, Vision AI, Natural Language API, dan Video Intelligence API.

    • Jika model terlatih memenuhi persyaratan Anda, gunakan model terlatih.
    • Jika model yang dilatih sebelumnya tidak dapat memenuhi persyaratan Anda, periksa apakah data pelatihan yang tersedia cukup untuk melatih model kustom.
      • Jika data pelatihan yang tersedia memadai, apa yang harus diprioritaskan: lebih banyak kontrol terhadap pelatihan model atau mencapai strategi go-to-market (GTM) dengan lebih cepat?
        • Jika Anda memerlukan kontrol tinggi pada pelatihan model dengan penyesuaian seperti menggunakan algoritma model pilihan, mengembangkan fungsi kerugian sendiri, menggunakan fitur spesifik dari penjelasan model, jumlah lapisan dalam model, kecepatan pembelajaran, dan hyperparameter model lainnya, gunakan pelatihan kustom model AI tradisional. Untuk mengetahui informasi tentang perbedaan antara melatih kustom atau melatih model di Vertex AI menggunakan AutoML, lihat Memilih metode pelatihan.
        • Jika prioritas bisnis Anda adalah GTM yang lebih cepat, gunakan AI generatif. Jika kasus penggunaan Anda bersifat khusus, Anda dapat meningkatkan performa model menggunakan penyesuaian model seperti tuning yang diawasi untuk klasifikasi, analisis sentimen, atau ekstraksi entity.
      • Jika set data pelatihan tidak tersedia, atau jika set data yang tersedia tidak cukup besar untuk melatih model secara kustom, gunakan model AI generatif dengan rekayasa prompt. Model ini dapat disesuaikan lebih lanjut untuk melakukan tugas khusus dengan menggunakan contoh data.

  • Jika kasus penggunaan Anda terkait dengan kasus penggunaan AI prediktif, gunakan AI tradisional. AI prediktif tradisional sangat efektif dengan data terstruktur.

  • Jika kasus penggunaan Anda berkaitan dengan kasus penggunaan AI generatif seperti ringkasan, pembuatan konten, atau transkripsi lanjutan, gunakan AI generatif. Penggunaan AI generatif mencakup kasus penggunaan yang memerlukan pemrosesan dan input informasi dari berbagai modalitas seperti teks, gambar, video, atau audio.

Meskipun data scientist dan engineer ML biasanya memimpin proses pemilihan model, penting juga untuk mempertimbangkan masukan dari pemangku kepentingan utama seperti pemimpin bisnis, pemilik produk, pakar domain, dan pengguna akhir. Misalnya, pemangku kepentingan ini mungkin terlibat dengan cara berikut:

  • Pemimpin bisnis dan pengambil keputusan: Setujui pilihan jika sesuai dengan prioritas bisnis.
  • Pemilik produk: Mungkin memerlukan pengaruh atau memiliki lebih banyak kontrol perilaku model untuk menyesuaikannya dengan prioritas produk.
  • Pakar domain: Menerapkan keahlian domain mereka untuk meningkatkan efektivitas model.
  • Pengguna akhir: Mungkin perlu memahami output model, dan cara menggabungkan output tersebut untuk pengambilan keputusan yang lebih tepat.

Kapan harus menggabungkan AI generatif dengan AI tradisional

AI tradisional dan AI generatif tidak saling eksklusif. Dalam beberapa kasus penggunaan bisnis, keduanya dapat digunakan untuk saling melengkapi guna mencapai tujuan utama bisnis. Misalnya, Anda dapat menggunakan output dari model AI tradisional sebagai bagian dari prompt untuk model AI generatif. Berikut adalah beberapa contoh kasus penggunaan untuk menggabungkan kemampuan AI tradisional dan generatif:

  • AI prediktif tradisional dapat menganalisis data historis untuk memperkirakan probabilitas churn pelanggan. Analisis ini dapat diintegrasikan dengan LLM atau chatbot dengan teknologi AI generatif, yang mendukung tim penjualan Anda untuk mempelajari prediksi dengan menggunakan percakapan natural language. Anda juga dapat membuat dasbor business intelligence (BI) melalui percakapan sederhana dengan chatbot.
  • AI prediktif tradisional dapat memperkirakan risiko kasus penggunaan tertentu, sedangkan AI generatif dapat menyimulasikan berbagai skenario untuk membantu merumuskan strategi mitigasi.
  • AI prediktif tradisional dapat mengidentifikasi segmen pelanggan untuk membantu membuat pemasaran dan pembuatan kampanye yang dipersonalisasi. Anda kemudian dapat menggunakan AI generatif untuk menghasilkan konten pemasaran yang dipersonalisasi yang disesuaikan dengan setiap segmen yang diidentifikasi.
  • Computer vision AI tradisional dapat mendeteksi dan mengklasifikasikan bahasa isyarat untuk menerjemahkan input video menjadi teks. AI generatif dapat menambahkan pemahaman tentang konteks dan nuansa dalam bahasa isyarat, sehingga memungkinkan terjemahan yang lebih optimal ke dalam teks tertulis, termasuk beberapa bahasa. AI generatif juga dapat menghasilkan output suara dari terjemahan teks, sehingga memungkinkan komunikasi dua arah yang lancar antara penanda tangan dan non-penandatangan.
  • AI tradisional dapat menjalankan analisis video dan menggunakan kemampuan kecerdasan video untuk mengekstrak insight dan fitur penting dari aset video. Misalnya, aplikasi ini dapat melakukan deteksi objek, deteksi orang, deteksi teks, dan ekstraksi dari aset video. AI generatif kemudian dapat menggunakan insight tersebut untuk menciptakan pengalaman baru seperti chatbot, listingan, laporan, atau artikel.

Untuk memaksimalkan manfaat bisnis dari investasi AI generatif dan AI tradisional Anda, prioritaskan hasil bisnis yang diperlukan dan kebutuhan pengguna (solusi AI berbasis bisnis dan yang berpusat pada pengguna). Pendekatan ini memastikan bahwa solusi tetap relevan, mendorong adopsi, meningkatkan efisiensi, dan menumbuhkan inovasi. Memprioritaskan pengalaman pengguna dalam solusi yang didukung teknologi AI akan membantu menyelaraskan ekspektasi dan memberikan hasil yang bermakna.

Langkah selanjutnya