Kapan harus menggunakan AI generatif atau AI tradisional

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 dan kasus penggunaan AI yang mungkin tidak memerlukan kemampuan AI generatif, seperti beberapa kasus penggunaan AI klasifikasi dan prediktif. Model AI tradisional sangat mahir dalam belajar dari data yang ada untuk mengklasifikasikan informasi atau memprediksi hasil mendatang berdasarkan pola historis. Model AI generatif memperluas kemampuan ini untuk membuat ringkasan, mengungkap korelasi tersembunyi yang kompleks, atau membuat 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 tugas seperti berikut:

  • Membuat dan merekomendasikan konten.
  • Mendukung penelusuran percakapan dan chatbot.
  • Menskalakan dan mengotomatiskan alur kerja untuk tugas 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 dan rekomendasi konten

  • 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 pengambilan keputusan berbasis data yang lebih tepat.
  • Membuat ringkasan informasi dari beberapa 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 membuat video atau animasi singkat dari perintah teks atau skrip.
  • Membuat suara sintetis yang realistis untuk audio seperti trek voice-over dan musik.
  • Menganalisis dan memahami perilaku, preferensi, ulasan, dan interaksi sebelumnya untuk memberikan rekomendasi konten yang dipersonalisasi. Analisis dapat digabungkan dengan faktor real-time seperti lokasi untuk menyesuaikan rekomendasi konten di seluruh konten seperti produk, artikel, dan video.

Penelusuran percakapan dan chatbot

  • Membuat asisten virtual untuk interaksi pengguna seperti dukungan pelanggan dan penjualan online.
  • Mengaktifkan penelusuran percakapan melalui pusat informasi besar dengan kueri natural language.
  • Menemukan jawaban atas pertanyaan kompleks yang menggabungkan kueri 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 mengungkap anomali yang menunjukkan penipuan.
  • Menganalisis sentimen konten buatan pengguna seperti postingan media sosial dan ulasan produk.
  • Menganalisis percakapan pusat panggilan yang ditranskripsikan untuk mengekstrak insight seperti alasan paling umum pelanggan memberikan rating rendah untuk interaksi pusat panggilan.

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

    Analisis dapat menerjemahkan grafik serangan yang kompleks menjadi penjelasan teks biasa tentang eksposur. Alat ini juga dapat menyimulasikan kemungkinan jalur serangan untuk menyoroti aset yang terpengaruh, dan dapat merekomendasikan mitigasi sebelum aset dapat dieksploitasi.

Pembuatan kode dan bantuan developer

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

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

Untuk informasi selengkapnya tentang cara AI generatif dapat mengubah operasi bisnis seperti layanan pelanggan, produktivitas karyawan, dan otomatisasi proses, lihat Kasus penggunaan bisnis di "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 tabel. Solusi AI tradisional sering kali 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 pada data historis.
    • Melatih model klasifikasi gambar tradisional pada gambar tertentu dari produk yang baik dan rusak untuk membantu secara efektif pemeriksaan real-time dan deteksi kerusakan dalam produksi.
  • Kasus penggunaan regresi:
    • Memprediksi nilai numerik berkelanjutan seperti memprediksi harga rumah berdasarkan fitur dan lokasi rumah tertentu.
    • Memprediksi jumlah pendapatan yang akan dihasilkan pelanggan platform e-commerce selama hubungan mereka dengan perusahaan berdasarkan data pembelian historis.
  • Kasus penggunaan perkiraan deret waktu: Memperkirakan penjualan dan permintaan.
  • Kasus penggunaan pengelompokan: Melakukan 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 sederhana berikut memberikan 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".

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

Pohon keputusan mencakup pertanyaan dan jawaban berbasis 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 API AI seperti Document AI, Vision AI, Natural Language API, dan Video Intelligence API.

    • Jika model terlatih memenuhi persyaratan Anda, gunakan model terlatih.
    • Jika model terlatih tidak dapat memenuhi persyaratan Anda, periksa apakah data pelatihan yang tersedia cukup untuk melatih model secara kustom.
      • Jika data pelatihan yang memadai tersedia, apa yang harus diprioritaskan: lebih banyak kontrol pelatihan model atau mencapai peluncuran ke pasar (GTM) yang lebih cepat?
        • Jika Anda memerlukan kontrol tinggi atas pelatihan model dengan penyesuaian seperti menggunakan algoritma model pilihan, mengembangkan fungsi loss Anda sendiri, menggunakan fitur keterjelasan model tertentu, jumlah lapisan dalam model, kecepatan belajar, dan hyperparameter model lainnya, gunakan pelatihan kustom model AI tradisional. Untuk mengetahui informasi tentang perbedaan antara pelatihan 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 dengan menggunakan penyesuaian model seperti penyesuaian terpantau untuk klasifikasi, analisis sentimen, atau ekstraksi entitas.
      • 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 prompt engineering. 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 terkait 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 beberapa modalitas seperti teks, gambar, video, atau audio.

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

  • Pemimpin dan pengambil keputusan bisnis: Menyetujui pilihan jika sesuai dengan prioritas bisnis.
  • Pemilik produk: Mungkin memerlukan pengaruh atau memiliki lebih banyak kontrol atas perilaku model untuk menyelaraskannya dengan prioritas produk.
  • Pakar domain: Menerapkan keahlian domain mereka untuk meningkatkan efektivitas model.
  • Pengguna akhir: Mungkin perlu memahami output model, dan cara menggabungkan output 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 bisnis akhir. Misalnya, Anda dapat menggunakan output dari model AI tradisional sebagai bagian dari perintah untuk model AI generatif. Berikut adalah beberapa contoh kasus penggunaan untuk menggabungkan kemampuan AI generatif dan tradisional:

  • AI prediktif tradisional dapat menganalisis data historis untuk memperkirakan probabilitas churn pelanggan. Analisis ini dapat diintegrasikan dengan LLM atau chatbot yang didukung AI generatif, yang memungkinkan tim penjualan Anda menjelajahi prediksi menggunakan percakapan dalam bahasa alami. 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 kemungkinan strategi mitigasi.
  • AI prediktif tradisional dapat mengidentifikasi segmen pelanggan untuk membantu membuat pemasaran dan pembuatan kampanye yang dipersonalisasi. Kemudian, Anda dapat menggunakan AI generatif untuk membuat konten pemasaran yang dipersonalisasi dan 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 dioptimalkan 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-penanda tangan.
  • AI tradisional dapat melakukan analisis video dan menggunakan kemampuan kecerdasan video untuk mengekstrak insight dan fitur penting dari aset video. Misalnya, aset 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, prioritaskan hasil bisnis dan kebutuhan pengguna yang diperlukan (solusi AI yang berorientasi pada bisnis dan berfokus pada pengguna). Pendekatan ini memastikan bahwa solusi tetap relevan, mendorong adopsi, meningkatkan efisiensi, dan mendorong inovasi. Memprioritaskan pengalaman pengguna dalam solusi yang didukung AI membantu menyesuaikan ekspektasi dan memberikan hasil yang bermakna.

Langkah selanjutnya