Meskipun spesifikasinya bervariasi untuk berbagai teknik AI, prinsip utamanya berkutat pada data. Sistem AI belajar dan berkembang melalui eksposur pada data dalam jumlah besar, yang mengidentifikasi pola dan hubungan yang mungkin terlewatkan oleh manusia.

Proses pembelajaran ini sering kali melibatkan algoritma, yang merupakan seperangkat aturan atau petunjuk yang memandu analisis dan pengambilan keputusan AI. Dalam machine learning, subset AI yang populer, algoritma dilatih pada data berlabel atau tidak berlabel untuk membuat prediksi atau mengategorikan informasi. 

Deep learning, spesialisasi lebih lanjut, menggunakan jaringan neural buatan dengan banyak lapisan untuk memproses informasi, yang meniru struktur dan fungsi otak manusia. Melalui pembelajaran dan adaptasi yang berkelanjutan, sistem AI menjadi makin mahir dalam melakukan tugas tertentu, mulai dari mengenali gambar hingga menerjemahkan bahasa dan banyak lagi.

Ingin mempelajari cara memulai dengan AI? Ikuti pengantar AI generatif untuk pemula secara gratis.

Kecerdasan buatan dapat diatur dalam beberapa cara, bergantung pada tahap pengembangan atau tindakan yang dilakukan. 

Misalnya, ada empat tahap pengembangan AI umumnya diketahui.

1. Mesin reaktif: AI terbatas yang hanya bereaksi terhadap berbagai jenis stimulus berdasarkan aturan yang telah diprogram sebelumnya. Tidak menggunakan memori sehingga tidak dapat belajar dengan data baru. Deep Blue milik IBM yang mengalahkan juara catur Garry Kasparov pada tahun 1997 adalah contoh mesin reaktif.
2. Memori terbatas: Sebagian besar AI modern dianggap memiliki memori terbatas. AI pada tahap ini dapat menggunakan memori untuk melakukan peningkatan seiring waktu dengan dilatih menggunakan data baru, biasanya melalui jaringan neural buatan atau model pelatihan lainnya. Deep learning, yang merupakan bagian dari machine learning, dianggap sebagai kecerdasan buatan dengan memori terbatas.
3. Teori pikiran: Teori pikiran tentang AI saat ini belum ada, tetapi riset masih dilakukan untuk mengetahui kemungkinannya. Ini mendeskripsikan AI yang dapat meniru pikiran manusia dan memiliki kemampuan pengambilan keputusan yang setara dengan manusia, termasuk mengenali dan mengingat emosi serta bereaksi dalam situasi sosial seperti manusia. 
4. Sadar diri: Selangkah di atas teori pikiran AI, AI sadar diri menggambarkan mesin mitos yang menyadari keberadaannya sendiri serta memiliki kemampuan intelektual dan emosional seorang manusia. Seperti teori pikiran AI, AI yang sadar diri saat ini belum ada.

Cara yang lebih bermanfaat untuk mengategorikan berbagai jenis kecerdasan buatan adalah dengan memanfaatkan kemampuan mesin tersebut. Semua yang saat ini kita sebut kecerdasan buatan dianggap sebagai kecerdasan buatan "sempit", karena hanya dapat melakukan serangkaian tindakan sempit berdasarkan pemrograman dan pelatihannya. Misalnya, algoritma AI yang digunakan untuk klasifikasi objek tidak akan mampu melakukan natural language processing. Google Penelusuran adalah bentuk AI yang sempit, seperti halnya analisis prediktif, atau asisten virtual.

Kecerdasan umum buatan (AGI) adalah kemampuan mesin untuk "merasakan, berpikir, dan bertindak" seperti manusia. AGI saat ini belum ada. Tingkat berikutnya adalah kecerdasan super buatan (ASI), yang mana mesin akan mampu berfungsi dalam segala hal dengan kemampuan yang lebih unggul daripada manusia. 

Ketika bisnis berbicara tentang AI, mereka sering kali berbicara tentang "data pelatihan". Namun, apa artinya? Ingat bahwa kecerdasan buatan dengan memori terbatas adalah AI yang meningkat seiring waktu dengan dilatih menggunakan data baru. Machine learning adalah bagian dari kecerdasan buatan yang menggunakan algoritma untuk melatih data guna memperoleh hasil.

Secara garis besar, tiga jenis model pembelajaran yang sering digunakan dalam machine learning:

Supervised learning adalah model machine learning yang memetakan input spesifik ke output menggunakan data pelatihan berlabel (data terstruktur). Secara sederhana, berikan gambar berlabel kucing untuk melatih algoritma mengenali gambar kucing.

Unsupervised learning adalah model machine learning yang mempelajari pola berdasarkan data tidak berlabel (data tidak terstruktur). Tidak seperti supervised learning, hasil akhirnya tidak diketahui sebelumnya. Sebaliknya, algoritma belajar dari data, dengan mengategorikannya ke dalam beberapa kelompok berdasarkan atribut. Misalnya, unsupervised learning bagus dalam pencocokan pola dan pemodelan deskriptif. 

Selain supervised learning dan unsupervised learning, pendekatan campuran yang disebut semi-supervised learning juga sering digunakan, di mana hanya sebagian data yang diberi label. Dalam semi-supervised learning, hasil akhirnya diketahui, tetapi algoritma harus mengetahui cara mengatur dan menyusun data untuk mencapai hasil yang diinginkan.

Reinforcement learning adalah model machine learning yang secara luas dapat dijelaskan sebagai “belajar sambil melakukan”. “Agen” belajar untuk melakukan tugas yang ditentukan dengan metode coba-coba (feedback loop) hingga performanya berada dalam rentang yang diinginkan. Agen menerima dukungan positif ketika melakukan tugas dengan baik dan penguatan negatif ketika berperforma buruk. Contoh reinforcement learning adalah mengajarkan tangan robotik untuk mengambil bola. 

Jenis model pelatihan umum dalam AI adalah jaringan neural buatan, sebuah model yang didasarkan pada otak manusia. 

Jaringan neural adalah sistem neuron buatan—terkadang disebut perceptron—yang merupakan node komputasi yang digunakan untuk mengklasifikasikan dan menganalisis data. Data dimasukkan ke lapisan pertama jaringan neural, dengan setiap perseptron membuat keputusan, lalu meneruskan informasi tersebut ke beberapa node di lapisan berikutnya. Model pelatihan dengan lebih dari tiga lapisan disebut sebagai “jaringan neural dalam” atau “deep learning”. Beberapa jaringan neural modern memiliki ratusan atau ribuan lapisan. Output dari perseptron akhir menyelesaikan tugas yang ditetapkan ke jaringan neural, seperti mengklasifikasikan objek atau menemukan pola dalam data. 

Beberapa jenis jaringan neuron buatan paling umum yang mungkin Anda temui meliputi:

Jaringan neural alur maju (FF) adalah salah satu bentuk jaringan neural tertua, dengan data mengalir satu arah melalui lapisan neuron buatan hingga mencapai output. Pada masa kini, sebagian besar jaringan neural alur maju dianggap sebagi “deep feedforward” dengan beberapa lapisan (dan lebih dari satu lapisan “tersembunyi”). Jaringan neural alur maju biasanya dipasangkan dengan algoritma koreksi error yang disebut “propagasi mundur” yang, secara sederhana, dimulai dengan hasil jaringan neural dan bekerja kembali dari awal, guna menemukan error untuk meningkatkan akurasi jaringan neural. Banyak jaringan neural yang sederhana namun kuat memiliki feedforward yang dalam.

Jaringan neural berulang (RNN) berbeda dengan jaringan neural alur maju karena jaringan ini biasanya menggunakan data deret waktu atau data yang melibatkan urutan. Tidak seperti jaringan neural alur maju, yang menggunakan bobot di setiap node jaringan, jaringan neural berulang memiliki "memori" tentang hal yang terjadi di lapisan sebelumnya sebagai kesatuan pada output lapisan saat ini. Misalnya, saat melakukan natural language processing, RNN dapat "mengingat" kata lain yang digunakan dalam sebuah kalimat. RNN sering digunakan untuk pengenalan ucapan, terjemahan, dan teks pada gambar. 

Long/short term memory (LSTM) adalah bentuk lanjutan dari RNN yang dapat menggunakan memori untuk "mengingat" hal yang terjadi di lapisan sebelumnya. Perbedaan antara RNN dan LSTM yaitu LSTM dapat mengingat hal yang terjadi beberapa lapisan yang lalu, melalui penggunaan "sel memori". LSTM sering digunakan dalam pengenalan ucapan dan pembuatan prediksi. 

Jaringan neural konvolusional (CNN) mencakup beberapa jaringan neural yang paling umum dalam kecerdasan buatan modern. Karena paling sering digunakan dalam pengenalan gambar, CNN menggunakan beberapa lapisan berbeda (lapisan konvolusional, lalu lapisan penggabungan) yang memfilter berbagai bagian gambar sebelum menggabungkannya kembali (dalam lapisan terhubung seluruhnya). Lapisan konvolusional sebelumnya mungkin mencari fitur sederhana dari suatu gambar seperti warna dan tepian, sebelum mencari fitur yang lebih kompleks di lapisan tambahan.

Jaringan neural generatif berlawanan (GAN) melibatkan dua jaringan neural yang saling bersaing dalam sebuah permainan yang pada akhirnya meningkatkan akurasi output. Satu jaringan (generator) membuat contoh-contoh yang coba dibuktikan oleh jaringan lain (diskriminator) untuk membuktikan benar atau salah. GAN telah digunakan untuk membuat gambar yang realistis dan bahkan membuat karya seni.