Oleh Lev Craig, Editor Situs
Setelah peluncuran ChatGPT pada November 2022, tahun 2023 menandai titik balik kecerdasan buatan. Perkembangan di tahun sebelumnya, mulai dari lanskap sumber terbuka yang dinamis hingga model multimodal yang canggih, telah meletakkan dasar bagi kemajuan yang signifikan dalam AI.
Namun, meskipun AI generatif terus memikat dunia teknologi, perlu disikapi dengan cara yang lebih berbeda dan matang karena fokus organisasi kini bergeser dari eksperimentasi ke inisiatif yang nyata di dunia. Tren tahun ini mencerminkan kecanggihan dan kehati-hatian yang semakin mendalam dalam strategi pengembangan dan penerapan AI, dengan memperhatikan etika, keamanan, dan wilayah regulasi yang terus berubah.
Berikut adalah 10 tren AI dan pembelajaran mesin (machine learning) yang perlu dipersiapkan pada tahun 2024.
1. AI Multimodal
AI multimodal melampaui pemrosesan mode data tunggal tradisional mencakup berbagai jenis input, seperti teks, gambar, dan suara – sebuah langkah untuk meniru kemampuan manusia dalam memproses informasi sensorik yang beragam.
“Antarmuka dunia bersifat multimodal,” kata Mark Chen, kepala penelitian perbatasan di OpenAI, dalam presentasi pada November 2023 di konferensi EmTech MIT. “Kami ingin model kami melihat hal yang kita lihat dan mendengar hal yang kita dengar, dan kami ingin model tersebut juga menghasilkan konten yang menarik bagi lebih dari satu indera kita.”
Kemampuan multimodal dalam model GPT-4 OpenAI memungkinkan perangkat lunak untuk merespons input visual dan audio. Dalam ceramahnya, Chen memberikan contoh mengambil foto bagian dalam lemari es dan meminta ChatGPT untuk menyarankan resep masakan berdasarkan bahan-bahan yang ada di dalam foto. Interaksi ini bahkan dapat mencakup elemen audio jika menggunakan mode suara ChatGPT untuk mengajukan permintaan dengan suara nyaring.
Meskipun sebagian besar inisiatif AI generatif saat ini berbasis teks, “kekuatan sesungguhnya dari kemampuan ini adalah ketika Anda dapat mengawinkan teks dan percakapan dengan gambar dan video, melakukan penyerbukan silang di antara ketiganya, dan mengaplikasikannya pada berbagai bisnis,” ujar Matt Barrington, pemimpin teknologi di EY yang sedang berkembang di Amerika.
Aplikasi AI multimodal di dunia nyata sangat beragam dan terus berkembang. Misalnya, dalam bidang kesehatan, model multimodal dapat menganalisis gambar medis berdasarkan riwayat pasien dan informasi genetik untuk meningkatkan akurasi diagnostik. Pada tingkat pekerjaan fungsional, model multimodal dapat memperluas pekerjaan yang dapat dilakukan oleh berbagai karyawan dengan memperluas kemampuan desain dan pengkodean dasar kepada individu yang tidak memiliki latar belakang formal di bidang tersebut.
“Saya tidak bisa menggambar untuk menghidupi diri,” kata Barrington. “Nah, sekarang saya bisa. Saya cukup baik dalam hal bahasa, jadi … Saya bisa memanfaatkan kemampuan seperti [pembuatan gambar], dan beberapa ide yang ada di kepala saya yang tidak pernah bisa saya gambar secara fisik, saya bisa meminta AI untuk menggambarnya.”
Selain itu, memperkenalkan kemampuan multimodal dapat memperkuat model dengan memberikan data baru untuk dipelajari. “Ketika model kami menjadi semakin baik dalam memodelkan bahasa dan mulai mencapai batas-batas dari pembelajaran bahasa, kami ingin memberikan input mentah dari dunia sehingga mereka dapat memahami dunia dengan sendirinya dan menarik kesimpulan mereka sendiri dari hal-hal seperti data video atau audio,” kata Chen.
2. AI Agen
AI agen menandai pergeseran yang signifikan dari AI reaktif ke AI proaktif. Agen AI adalah sistem canggih yang menunjukkan otonomi, proaktif, dan kemampuan untuk bertindak secara mandiri. Tidak seperti sistem AI tradisional, yang umumnya merespons input pengguna dan mengikuti pemrograman yang telah ditentukan sebelumnya, AI agen dirancang untuk memahami lingkungannya, menetapkan tujuan, dan bertindak untuk mencapai tujuan tersebut tanpa campur tangan manusia secara langsung.
Misalnya, dalam pemantauan lingkungan, AI agen dapat dilatih untuk mengumpulkan data, menganalisis pola, dan memulai tindakan pencegahan dalam menanggapi bahaya seperti tanda-tanda awal kebakaran hutan. Demikian juga, AI agen keuangan dapat secara aktif mengelola portofolio investasi menggunakan strategi adaptif yang bereaksi terhadap perubahan kondisi pasar secara “real time”.
“Tahun 2023 adalah tahun di mana kita bisa mengobrol dengan AI,” tulis ilmuwan komputer Peter Norvig, seorang peneliti di Human-Centered AI Institute di Stanford, dalam sebuah postingan blog baru-baru ini. “Pada tahun 2024, kita akan melihat kemampuan agen untuk menyelesaikan berbagai hal untuk Anda. Membuat reservasi, merencanakan perjalanan, menghubungkan ke layanan lain.”
Selain itu, menggabungkan AI agen dan multimodal dapat membuka berbagai kemungkinan baru. Dalam presentasi yang disebutkan di atas, Chen memberikan contoh aplikasi yang dirancang untuk mengidentifikasi konten gambar yang diunggah. Sebelumnya, seseorang yang ingin membangun aplikasi semacam itu harus melatih model pengenalan gambar mereka sendiri dan kemudian mencari cara untuk menggunakannya. Namun, dengan model multimodal, model agen, ini semua dapat dicapai melalui perintah bahasa alami.
“Saya benar-benar berpikir bahwa multimodal bersama dengan GPT akan membuka pengembangan tanpa kode dari aplikasi visi komputer, sama seperti mendorong membuka pengembangan tanpa kode dari banyak aplikasi berbasis teks,” kata Chen.
3. AI Sumber Terbuka (open source)
Membangun model bahasa yang besar dan sistem AI generatif yang kuat lainnya adalah proses yang mahal dan membutuhkan komputasi serta data dalam jumlah besar. Namun, dengan menggunakan model sumber terbuka, pengembang dapat membangun di atas karya orang lain sehingga mengurangi biaya dan memperluas akses AI. AI sumber terbuka tersedia untuk umum, biasanya gratis, sehingga memungkinkan organisasi dan peneliti untuk berkontribusi dan mengembangkan kode yang sudah ada.
Data GitHub sejak tahun lalu menunjukkan peningkatan yang luar biasa dalam keterlibatan pengembang dengan AI, terutama AI generatif. Pada tahun 2023, proyek AI generatif masuk ke dalam 10 besar proyek terpopuler di seluruh platform hosting kode untuk pertama kalinya, dengan proyek seperti Stable Diffusion dan AutoGPT yang menarik ribuan kontributor pertama.
Pada awal tahun, model generatif dengan sumber terbuka jumlahnya terbatas, dan kinerjanya sering kali tertinggal di belakang opsi-opsi berpemilik, seperti ChatGPT. Namun, lanskap ini meluas secara signifikan selama tahun 2023 dengan menyertakan pesaing sumber terbuka yang kuat, seperti model Llama 2 dari Meta dan model Mixtral dari Mistral AI. Hal ini dapat mengubah dinamika wilayah AI pada tahun 2024 dengan menyediakan akses ke model dan alat AI canggih yang sebelumnya berada di luar jangkauan bagi entitas yang lebih kecil dan memiliki sumber daya yang lebih sedikit.
“Ini memberi semua orang akses yang mudah dan cukup demokratis, serta sangat bagus untuk eksperimen dan eksplorasi,” kata Barrington.
Pendekatan sumber terbuka juga dapat mendorong transparansi dan pengembangan etika. Sebab, akan ada lebih banyak orang yang memperhatikan kode dan itu berarti kemungkinan lebih besar untuk mengidentifikasi bias, bug, dan kerentanan keamanannya. Namun, para ahli juga telah menyatakan keprihatinannya tentang penyalahgunaan AI dengan sumber terbuka karena menciptakan disinformasi dan konten berbahaya lainnya. Selain itu, membangun dan memelihara sumber terbuka juga sulit dilakukan, bahkan untuk perangkat lunak tradisional, apalagi untuk model AI yang kompleks dan memiliki komputasi yang intensif.
4. Retrieval-Augmented Generation
Meskipun alat AI generatif diadopsi secara luas pada tahun 2023, alat ini terus diganggu oleh masalah halusinasi: respons yang terdengar masuk akal, tetapi salah terhadap pertanyaan pengguna. Keterbatasan ini telah menjadi penghalang bagi perusahaan yang mengadopsinya. Padahal, halusinasi dalam skenario sangat penting bagi bisnis dan dapat menjadi bencana besar jika itu berhubungan dengan pelanggan. Retrieval-augmented generation (RAG) telah muncul sebagai teknik untuk mengurangi halusinasi, dengan implikasi yang berpotensi besar untuk adopsi AI di perusahaan.
RAG memadukan pembuatan teks dengan pencarian informasi untuk meningkatkan akurasi dan relevansi konten yang dihasilkan oleh AI. Hal ini memungkinkan LLM untuk mengakses informasi eksternal, membantu mereka menghasilkan respons yang lebih akurat dan sesuai dengan konteks. Melampaui kebutuhan untuk menyimpan semua pengetahuan secara langsung di LLM juga mengurangi ukuran model, yang meningkatkan kecepatan dan menurunkan biaya.
“Anda bisa menggunakan RAG untuk mengumpulkan banyak sekali informasi yang tidak terstruktur, dokumen, dan lain-lain, [dan] memasukkannya ke dalam model tanpa harus menyempurnakan atau membuat model secara khusus,” kata Barrington.
Manfaat ini sangat menarik untuk aplikasi perusahaan yang membutuhkan pengetahuan faktual terkini. Sebagai contoh, bisnis dapat menggunakan RAG dengan model dasar untuk membuat chatbot dan asisten virtual yang lebih efisien dan informatif.
5. Model AI Generatif Perusahaan yang Dapat Dikustomisasi
Alat-alat yang masif dan bertujuan umum, seperti Midjourney dan ChatGPT, telah menarik perhatian paling banyak di antara konsumen yang mengeksplorasi AI generatif. Namun, untuk tujuan bisnis, model yang lebih kecil dan memiliki tujuan yang sempit terbukti memiliki daya tahan yang lebih baik, didorong oleh meningkatnya permintaan akan sistem AI yang dapat memenuhi kebutuhan khusus.
Meskipun membuat model baru dari awal itu memungkinkan, tetapi hal ini membutuhkan sumber daya yang besar dan tidak dapat dijangkau oleh banyak organisasi. Untuk membangun AI generatif yang dapat dikustomisasi, sebagian besar organisasi memodifikasi model AI yang sudah ada, misalnya, mengubah arsitekturnya atau menyempurnakan kumpulan data domain yang spesifik. Hal ini bisa lebih murah daripada membangun model baru dari awal atau mengandalkan panggilan API ke LLM publik.
“Panggilan ke GPT-4 sebagai API, hanya sebagai contoh, sangat mahal, baik dari segi biaya maupun dari segi latensi – berapa lama waktu yang diperlukan untuk mengembalikan hasil,” kata Shane Luke, wakil presiden AI dan pembelajaran mesin di Workday. “Kami sedang bekerja keras … untuk mengoptimalkan agar kami memiliki kemampuan yang sama, tetapi sangat terarah dan spesifik sehingga bisa menjadi model yang jauh lebih kecil dan lebih mudah dikelola.”
Keuntungan utama dari model AI generatif yang disesuaikan adalah kemampuannya untuk memenuhi ceruk pasar dan kebutuhan pengguna. Alat AI generatif yang disesuaikan dapat dibuat untuk hampir semua skenario, mulai dari layanan pelanggan, manajemen rantai pasokan, hingga tinjauan dokumen. Hal ini sangat relevan untuk sektor-sektor dengan terminologi dan praktik yang sangat terspesialisasi, seperti perawatan kesehatan, keuangan, dan hukum.
Dalam banyak kasus penggunaan bisnis, sebagian besar LLM dianggap berlebihan. Meskipun ChatGPT mungkin merupakan teknologi mutakhir untuk chatbot yang berhadapan langsung dengan konsumen yang dirancang untuk menangani pertanyaan apa pun, “ini bukanlah teknologi mutakhir untuk aplikasi perusahaan yang lebih kecil,” kata Luke.
Barrington berharap untuk melihat perusahaan-perusahaan mengeksplorasi berbagai model yang lebih beragam di tahun mendatang seiring dengan kemampuan para pengembang AI yang mulai menyatu. “Kami berharap, dalam satu atau dua tahun ke depan, akan ada tingkat keseimbangan yang jauh lebih tinggi di seluruh model – dan itu adalah hal yang baik,” katanya.
Dalam skala yang lebih kecil, Luke telah melihat skenario serupa terjadi di Workday, yang menyediakan serangkaian layanan AI bagi timnya untuk bereksperimen secara internal. Meskipun para karyawan pada awalnya menggunakan sebagian besar layanan OpenAI, kata Luke, secara bertahap ia melihat adanya pergeseran ke arah campuran model dari berbagai penyedia, termasuk Google dan AWS.
Membangun model yang disesuaikan daripada menggunakan alat umum yang sudah jadi sering kali juga meningkatkan privasi dan keamanan karena memberi kendali yang lebih besar kepada organisasi atas data mereka. Luke memberi contoh membangun model untuk tugas-tugas Workday yang melibatkan penanganan data pribadi yang sensitif, seperti status disabilitas dan riwayat kesehatan. “Hal-hal tersebut bukanlah hal yang ingin kami kirimkan ke pihak ketiga,” ujarnya. “Pelanggan kami umumnya tidak akan merasa nyaman dengan hal tersebut.”
Mengingat manfaat privasi dan keamanan ini, regulasi AI yang lebih ketat pada tahun-tahun mendatang dapat mendorong organisasi untuk memfokuskan energi mereka pada model berbasis kepemilikan, jelas Gillian Crossan, kepala penasihat risiko dan pemimpin sektor teknologi global di Deloitte.
“Hal ini akan mendorong perusahaan untuk lebih fokus pada model privat yang bersifat eksklusif, yang spesifik untuk domain tertentu, daripada fokus pada model bahasa besar yang dilatih dengan data dari seluruh internet dan segala sesuatu yang dibawanya,” ujarnya.
6. Kebutuhan Tenaga Ahli AI dan Pembelajaran Mesin
Merancang, melatih, dan menguji model pembelajaran mesin bukanlah hal yang mudah – apalagi mendorongnya ke tahap produksi dan memeliharanya dalam lingkungan TI organisasi yang kompleks. Maka dari itu, tidak mengherankan jika kebutuhan akan kemampuan AI dan pembelajaran mesin yang terus meningkat diperkirakan akan terus berlanjut hingga tahun 2024 dan seterusnya.
“Pasar masih sangat panas dalam hal keahlian,” kata Luke. “Sangat mudah untuk mendapatkan pekerjaan di bidang ini.”
Secara khusus, seiring dengan semakin terintegrasinya AI dan pembelajaran mesin ke dalam operasi bisnis, terdapat kebutuhan yang semakin besar akan tenaga profesional yang dapat menjembatani kesenjangan antara teori dan praktik. Hal ini membutuhkan kemampuan untuk menerapkan, memantau, dan memelihara sistem AI dalam pengaturan di dunia riil – sebuah disiplin ilmu yang sering disebut sebagai MLOps, kependekan dari “machine learning operations”.
Dalam laporan O’Reilly baru-baru ini, responden menyebutkan bahwa pemrograman AI, analisis data dan statistik, serta operasi untuk AI dan pembelajaran mesin sebagai tiga keterampilan teratas yang dibutuhkan organisasi mereka untuk proyek-proyek AI generatif. Akan tetapi, jenis keterampilan ini masih sangat terbatas. “Itu akan menjadi salah satu tantangan di sekitar AI – untuk dapat memiliki kemampuan yang tersedia,” kata Crossan.
Pada tahun 2024, perusahaan-perusahaan akan mencari kemampuan dengan keterampilan seperti ini, bukan hanya perusahaan teknologi besar. Dengan TI dan data yang hampir ada di mana-mana seiring dengan meningkatnya popularitas fungsi bisnis dan inisiatif AI, membangun kemampuan AI dan pembelajaran mesin internal siap untuk menjadi tahap berikutnya dalam transformasi digital.
Crossan juga menekankan pentingnya keragaman dalam inisiatif AI di setiap level, mulai dari tim teknis yang membangun model hingga ke tingkat pimpinan. “Salah satu masalah besar dengan AI dan model publik adalah jumlah bias yang ada dalam data pelatihan,” ujarnya. “Dan, kecuali Anda memiliki tim yang beragam di dalam organisasi Anda yang menantang hasil dan menantang apa yang Anda lihat, Anda berpotensi berakhir di tempat yang lebih buruk daripada sebelum adanya AI.”
7. AI Bayangan
Seiring dengan meningkatnya ketertarikan karyawan di berbagai fungsi pekerjaan terhadap AI generatif, organisasi menghadapi masalah AI bayangan: penggunaan AI di dalam organisasi tanpa persetujuan atau pengawasan eksplisit dari departemen TI. Tren ini menjadi semakin lazim karena AI menjadi lebih mudah diakses, bahkan memungkinkan pekerja non-teknis untuk menggunakannya secara mandiri.
AI Bayangan biasanya muncul ketika karyawan membutuhkan solusi cepat untuk suatu masalah atau ingin mengeksplorasi teknologi baru lebih cepat daripada yang dimungkinkan oleh saluran resmi. Hal ini sangat umum terjadi pada chatbot AI yang mudah digunakan, yang dapat dicoba oleh karyawan di browser web mereka dengan sedikit kesulitan – tanpa melalui proses tinjauan dan persetujuan TI.
Sisi positifnya, mengeksplorasi cara-cara untuk menggunakan teknologi yang sedang berkembang ini menunjukkan semangat proaktif dan inovatif. Namun, hal ini juga mengandung risiko, karena pengguna akhir sering kali tidak memiliki informasi yang relevan tentang keamanan, privasi data, dan kepatuhan. Sebagai contoh, pengguna mungkin memasukkan rahasia dagang ke dalam LLM yang terbuka untuk umum tanpa menyadari bahwa hal tersebut akan mengekspos informasi sensitif tersebut kepada pihak ketiga.
“Sekali sesuatu keluar menjadi model publik, Anda tidak bisa menariknya kembali,” kata Barrington. “Jadi, ada sedikit faktor ketakutan dan sudut pandang risiko yang tepat jika dipikirkan oleh sebagian besar perusahaan, apa pun sektornya.”
Dampak negatif TI bayangan terhadap organisasi termasuk biaya yang lebih tinggi, peningkatan risiko, inkonsistensi antardepartemen, dan kurangnya kontrol oleh fungsi TI.
AI Bayangan hanyalah salah satu sisi dari fenomena yang lebih besar dari IT Bayangan .
Pada tahun 2024, organisasi perlu mengambil langkah-langkah untuk mengelola AI bayangan melalui kerangka kerja tata kelola yang menyeimbangkan antara mendukung inovasi dengan melindungi privasi dan keamanan. Hal ini dapat mencakup penetapan kebijakan tujuan penggunaan AI yang jelas dan dapat diterima, menyediakan platform yang disetujui, serta mendorong kolaborasi antara pemimpin TI dan bisnis untuk memahami cara AI digunakan di berbagai departemen.
“Kenyataannya, semua orang menggunakannya,” kata Barrington, mengacu pada penelitian EY baru-baru ini yang menemukan bahwa 90% responden menggunakan AI di tempat kerja. “Suka atau tidak suka, karyawan Anda menggunakannya saat ini, jadi Anda harus mencari cara untuk menyelaraskannya dengan penggunaan yang etis dan bertanggung jawab.”
8. Pemeriksaan Realitas AI Generatif
Seiring kemajuan organisasi dari kegirangan awal seputar AI generatif hingga adopsi dan integrasi yang sebenarnya, mereka kemungkinan akan menghadapi pemeriksaan realitas pada tahun 2024 – fase yang sering disebut sebagai “palung kekecewaan” dalam Siklus Hype Gartner.
“Kami benar-benar melihat pergeseran yang cepat dari hal yang kami sebut sebagai fase eksperimen ini menjadi [pertanyaan], ‘Bagaimana cara menjalankan ini dalam skala besar di seluruh perusahaan saya?” kata Barrington.
Seiring dengan antusiasme awal yang mulai berkurang, organisasi menghadapi keterbatasan AI generatif, seperti kualitas hasil, masalah keamanan dan etika, serta kesulitan integrasi dengan sistem dan alur kerja yang ada. Kompleksitas penerapan dan penskalaan AI dalam lingkungan bisnis sering kali diremehkan, dan tugas-tugas seperti memastikan kualitas data, model pelatihan, dan pemeliharaan sistem AI dalam produksi dapat menjadi lebih menantang daripada yang diantisipasi sebelumnya.
“Sebenarnya tidak mudah untuk membangun aplikasi AI generatif dan memproduksinya dalam sebuah produk yang nyata,” kata Luke.
Hikmahnya adalah bahwa kesedihan yang muncul ini, meskipun tidak menyenangkan dalam jangka pendek, dapat menghasilkan pandangan yang lebih sehat dan lebih tenang dalam jangka panjang. Untuk melewati fase ini, kita perlu menetapkan ekspektasi yang realistis terhadap AI dan mengembangkan pemahaman yang lebih baik tentang hal yang bisa dan tidak bisa dilakukan oleh AI. Proyek AI harus secara jelas dikaitkan dengan tujuan bisnis dan penggunaan praktisnya, dengan rencana yang jelas untuk mengukur hasilnya.
“Jika Anda memiliki kasus penggunaan yang sangat longgar yang tidak didefinisikan dengan jelas, mungkin itulah yang akan paling menghambat Anda,” kata Crossan.
9. Meningkatnya Perhatian terhadap Etika AI dan Risiko Keamanan
Berkembangnya deepfakes dan konten canggih yang dihasilkan oleh AI meningkatkan kewaspadaan akan potensi kesalahan informasi dan manipulasi di media dan politik, serta pencurian identitas dan jenis penipuan lainnya. AI juga dapat meningkatkan keampuhan serangan ransomware (peretas sistem komputer-Red.) dan phishing (pencurian data sensitif-Red.), membuatnya lebih meyakinkan, lebih mudah beradaptasi, dan lebih sulit dideteksi.
Meskipun berbagai upaya sedang dilakukan dalam mengembangkan teknologi untuk mendeteksi konten yang dihasilkan oleh AI, hal ini masih menjadi tantangan. Teknik watermarking AI saat ini relatif mudah dielakkan, dan perangkat lunak pendeteksi AI yang ada saat ini rentan terhadap hasil positif yang palsu.
Meningkatnya penggunaan sistem AI di mana-mana juga menyoroti pentingnya memastikan bahwa sistem tersebut transparan dan adil – misalnya, dengan memeriksa data pelatihan dan algoritma secara cermat untuk mengetahui adanya bias. Crossan menekankan bahwa pertimbangan etika dan asas kepatuhan ini harus terjalin selama proses pengembangan strategi AI.
“Anda harus memikirkan, sebagai perusahaan … yang menerapkan AI, apa saja kontrol yang Anda perlukan?” ujarnya. “Dan hal ini mulai membantu Anda merencanakan sedikit regulasi sehingga Anda bisa melakukannya bersama-sama. Anda tidak melakukan semua eksperimen dengan AI dan kemudian [menyadari], ‘Oh, sekarang kita perlu memikirkan kontrolnya’. Anda seharusnya melakukannya pada waktu yang sama.”
Keselamatan dan etika juga bisa menjadi alasan lain untuk melihat model yang lebih kecil dan lebih sempit, kata Luke. “Model yang lebih kecil, diatur, dan khusus untuk domain tertentu ini jauh lebih tidak mampu dibandingkan dengan model yang sangat besar – dan kami menginginkan hal itu,” katanya. “Mereka cenderung tidak dapat menghasilkan sesuatu yang tidak Anda inginkan karena mereka tidak mampu melakukan banyak hal.”
10. Regulasi AI yang Terus Berkembang
Tidak mengherankan, mengingat masalah etika dan keamanan ini, tahun 2024 akan menjadi tahun yang sangat penting bagi regulasi AI, dengan undang-undang, kebijakan, dan kerangka kerja industri yang berkembang pesat di AS dan di dunia. Organisasi harus tetap terinformasi dan mudah beradaptasi di tahun mendatang karena pergeseran persyaratan kepatuhan dapat memiliki implikasi yang signifikan terhadap operasi global dan strategi pengembangan AI.
Undang-Undang AI Uni Eropa, yang baru-baru ini disetujui oleh anggota Parlemen dan Dewan Uni Eropa, merupakan undang-undang AI komprehensif pertama di dunia. Jika diadopsi, undang-undang ini akan melarang penggunaan AI tertentu, memberlakukan kewajiban bagi pengembang sistem AI berisiko tinggi, dan mewajibkan transparansi dari perusahaan yang menggunakan AI generatif, dengan ketidakpatuhan yang berpotensi mengakibatkan denda jutaan dolar. Dan, bukan hanya undang-undang baru yang bisa berdampak pada tahun 2024.
“Yang cukup menarik, isu regulasi yang saya lihat bisa memiliki dampak terbesar adalah GDPR – GDPR kuno yang bagus – karena kebutuhan untuk perbaikan dan penghapusan, hak untuk dilupakan, dengan model bahasa publik yang besar,” kata Crossan. “Bagaimana Anda mengendalikannya ketika mereka belajar dari data dalam jumlah besar, dan bagaimana Anda bisa memastikan bahwa Anda telah dilupakan?”
Bersama dengan GDPR, AI Act dapat memposisikan Uni Eropa sebagai regulator AI global, yang berpotensi memengaruhi standar penggunaan dan pengembangan AI di seluruh dunia. “Mereka tentu saja lebih maju daripada kita di AS dari perspektif regulasi AI,” kata Crossan.
AS belum memiliki undang-undang federal yang komprehensif dan sebanding dengan Undang-Undang AI Uni Eropa, tetapi para ahli mendorong organisasi untuk tidak menunggu untuk memikirkan kepatuhan sampai persyaratan formal diberlakukan. Di EY, misalnya, “kami bekerja sama dengan klien kami untuk menjadi yang terdepan,” ujar Barrington. Jika tidak, perusahaan dapat menemukan diri mereka bermain mengejar ketertinggalan ketika peraturan mulai berlaku.
Di luar efek riak dari kebijakan Eropa, aktivitas baru-baru ini di cabang eksekutif AS juga menunjukkan bahwa regulasi AI dapat diterapkan di Amerika Serikat. Perintah eksekutif Presiden Joe Biden pada bulan Oktober menerapkan mandat baru, seperti mewajibkan pengembang AI untuk membagikan hasil uji keamanan kepada pemerintah AS dan memberlakukan pembatasan untuk melindungi dari risiko AI dalam merekayasa bahan biologis yang berbahaya. Berbagai lembaga federal juga telah mengeluarkan panduan yang menargetkan sektor tertentu, seperti Kerangka Kerja Manajemen Risiko AI NIST dan pernyataan Komisi Perdagangan Federal yang memperingatkan perusahaan agar tidak membuat klaim palsu tentang penggunaan AI pada produk mereka.
Lebih memperumit masalah, tahun 2024 adalah tahun pemilihan umum di AS, dan daftar calon presiden saat ini menunjukkan berbagai posisi terhadap pertanyaan-pertanyaan tentang kebijakan teknologi. Pemerintahan baru secara teoritis dapat mengubah pendekatan jajaran eksekutif cabang terhadap pengawasan AI dengan membalikkan atau merevisi pemerintahan eksekutif Biden dan panduan lembaga yang tidak mengikat.(t/Jing-jing)
Diambil dari:
Nama situs: Tech Target
Alamat artikel: https://www.techtarget.com/searchenterpriseai/tip/9-top-AI-and-machine-learning-trends
Judul asli artikel: 10 top AI and machine learning trends for 2024
Penulis artikel: Lev Craig
