Kecerdasan Artifisial dan Kita

Sebelum Hwang Dong Hyuk sukses dengan karya Squid Game nya di Net Flix ada satu serial produksi mandiri Netflix yang sukses besar. Judulnya adalah House of Cards . Karya Mordecai Wicyzk dan Asif Satchu ini sudah ditawarkan berkeliling ke banyak stasiun untuk dibuat seri pilotnya untuk test pasar. Sayang tidak ada stasiun yang berani mengambil resiko. Tetapi Netflix yang semula adalah perusahaan penyewaan DVD justru memberi kesempatan produksi bahkan tanpa membuat demo pilot.

Mengapa Netflix berani mengambil keputusan sekrusial itu bahkan tanpa proses trial yang jamak dilakukan dalam industri ini ? Salah satu jawabannya adalah karena Netflix memiliki hasil analisa data pelanggannya. Hasil analisis data yang melibatkan aspek psikometris dan mengevaluasi berbagai faktor yang mempengaruhi keputusan menonton suatu tayangan itu menunjukkan bahwa drama politik dengan kandungan dark jokes di dalamnya memiliki segmen penggemar yang banyak di antara pelanggan Netflix.

Kuncinya adalah data. Darimana data tersebut berasal ? Tentu dari sandapan terkait dengan perilaku kita sebagai konsumen Netflix. Apa saja yang kita tonton, jika itu serial, apakah kita konsisten menontonnya secara rutin, apakah kita berhenti pada episode dan sesi tertentu, apakah ada episode yang kita ulang, seperti apakah profil pemain yang digemari, genre apakah yang senantiasa diikuti, kapan waktu menontonnya, dan banyak data lain yang secara tidak langsung memberikan gambaran mozaik tentang profil kita.

Lalu data itu setelah diolah menjelma menjadi informasi tentu saja. Syaratnya ? Tentu terverifikasi, terklasifikasi, tervalidasi, dan berkorelasi dengan suatu kondisi serta memiliki kapasitas dan utilitas secara fungsional. Informasi dapat menjadi label maupun elemen analisis yang pada gilirannya merupakan komponen utama dari referensi dan preferensi yang masuk ke dalam ranah pengerahuan. Dimana konstruksi pengetahuan adalah data dan informasi yang memiliki cetak biru fungsional untuk menghasilkan ketrampilan mental dan sistem sehingga dapat mengambil keputusan serta memberikan respon terukur secara sistematik.

Dalam konteks analisa data, 3 ranah utama yang kerap digunakan adalah prediktif, preskriptif, dan deskriptif analitik yang semuanya membutuhkan data dengan prasyarat dan kondisi 4V:

Velocity alias kecepatan dalam mengoleksi dan memfilter data sehingga sesuai dengan kebutuhan metoda analisa,

Variety kemampuan mengakuisisi keragaman data dari berbagai sumber. Terkait dengan representasi dan kelayakan data yang akan digunakan dalam proses analisis.

Volume atau kuantitas data yang amat menentukan kesahihan data set yang dapat digunakan sebagai asupan dalam proses data training dan

Veracity, atau akurasi dan reliabilitas data yang dipergunakan sebagai data set.

Berdasar fungsi dan keluaran yang diharapkan tentu diperlukan juga pemilihan model dan tipe sistem analitik, khususnya terkait dengan aplikasi kecerdasan artifisial yang hendak digunakan.

Data serial dengan kondisi ajeg yang kerap digunakan dengan asumsi tidak ada perubahan lingkungan yang signifikan misalnya, tentu harus diperbaharui jika terjadi dinamika berbagai faktor yang mempengaruhi. Misal prediksi Gordon Moore terkait dengan pertumbuhan eksponensial jumlah transistor dalam komputer misalnya, dengan maraknya pemanfaatan teknologi nano, khususnya dalam aspek material elektro dan mekatronik maka tentu terjadi akselerasi yang tidak fit lagi dengan asumsi awal.

Hal ini dapat terjadi pada penggunaan subset Deep Learning_ pada analisa genomik yang memerlukan variabilitas data sesuai prinsip 4V agar dapat memberikan hasil analisa optimal.

Sebagai contoh kongkret penerapan kecerdasan artifisial dalam bidang biomedik antara lain dapat disimak dalam artikel berjudul Large-scale chemical-genetics yields new Mycobacterium tuberculosis inhibitor classes yang ditulis oleh EO Johnson et Al dan dipublikasi di Nature pada 2019, dimana skrining anti mikroba anti mycobacterium tuberculosa/MTb dilakukan dengan menggunakan data komponen kimia dari berbagai bahan dan kompatibilitasnya dengan berbagai titik tangkap di bakteri patogen. Penjelasan lebih terperinci dapat disimak di publikasi berjudul Applications of machine learning in drug discovery and development yang ditulis Vamathevan J, et al di
Nature Reviews Drug Discovery volume 18, halaman 463–477 (2019). Pada riset Johnson pencarian materi berefikasi tinggi sebagai farmakoterapi pada MTb antara menggunakan pendekatan KA unsupervised learning.

Persoalan menjadi lebih kompleks jika dinamika pengaruh yang terjdi bersifat acak dan polanya belum sepenuhnya terpetakan. Tetapi justru kondisi inilah yang paling ideal bagi penerapan KA. Karena menurut Budi Rahardjo, PhD dari ITB, jika semua data dan pola sudah dimiliki dan kita bisa membuat rumusnya, maka KA atau AI tentu tidak terlalu dibutuhkan. Karena dengan formula sederhana yang dijalankan di spreadsheet seperti Excel misalnya, kita sudah dapat memprediksi hasil dari berbagai kondisi yang belum terjadi. Khususnya pada reaksi reaksi dan fenomena yang bersifat linier dan ajeg.

Maka kompleksitas desain dan kemampuan mengambil keputusan mandiri adalah salah satu keunggulan sistem KA yang semestinya menjadi komplementasi dalam bidang kecerdasan kognitif yang dapat menghasilkan super sinergi dan melahirkan kapasitas humanoid terintegrasi.

Tapi tentu akan tersisa sebuah pertanyaan besar, khususnya setelah kasus Cambridge Analytica di pilpres Amerika terkuak. Mesin dan analisa data ternyata dapat memanipulasi sistem pertimbangan dan pengambilan keputusan manusia. Dengan kata lain, jangan-jangan bukan kita yang mendorong Netflix memproduksi sebuah serial, melainkan framing Netflix dkk yang membuat otak kita akhirnya seragam memilih serial tertentu yang kita sukai. Selera adalah komoditas kognisi yang dikondisikan secara sistematis melalui piranti teknologi informasi. Maka rezim mesin cerdas dapat saja kelak menciptakan suatu komunitas manusia “ideal” sesuai dengan kriteria ideal yang dipelajari dan “diyakini” mesin bukan ?

Jadi teringat hasil eksperimen Stanley Milgram di pertengahan 60an. Sebagai Profesor psikologi muda di Universitas Yale, Milgram pernah membuat eksperimen perilaku yang mengejutkan. Judul gaul proyek risetnya itu “guru dan setrum.” 500 an orang berbagai profesi dilibatkan dalam program riset tersebut. Mereka diminta menjadi “guru” yang memberi pertanyaan dan apabila “murid”, dalam hal ini diperankan oleh para mahasiswa Milgram, tidak dapat menjawab, maka mereka akan disetrum. Setiap kegagalan menjawab akan berkonsekuensi pada ditingkatkannya tegangan setrum. Mulai dari 15 V sampai 450 V, dengan asumsi awal bahwa tidak akan ada orang yang tega memberikan hukuman maksimal 450 V yang tentu bersifat mematikan. Ternyata oh ternyata, 65% peserta program “tega” menyetrum sampai level maksimal 450 V.

Hipotesa Milgram saat itu adalah : manusia dapat menyakiti orang lain jika berada di dalam situasi inferior dan di bawah otoritas sistem yang lebih superior. Konsekuensi hari ini adalah superioritas sistem dapat maujud melalui suatu sistem otonom yang terus belajar, bertumbuh, dan berkembang serta menciptakan berbagai tatanan dan regulasi yang sesuai dengan hasil belajar dan pengalaman yang dialaminya.

Kira-kira bagaimana ya jika kondisi itu pada suatau saat benar dapat tercipta ?