Di O'Reilly, kami tidak hanya membuat materi pelatihan tentang AI. Kami juga menggunakannya untuk membangun berbagai jenis pengalaman belajar baru. Salah satu cara kami memanfaatkan AI adalah dengan memperbarui Answers. Answers adalah fitur bertenaga AI generatif yang bertujuan untuk menjawab pertanyaan dalam alur pembelajaran. Fitur ini ada di setiap buku, kursus sesuai permintaan, dan video dan pada akhirnya akan tersedia di seluruh platform pembelajaran kami. Untuk melihatnya, klik ikon “Answers” (item terakhir dalam daftar di sisi kanan layar).
Belajar lebih cepat. Gali lebih dalam. Lihat lebih jauh.
Answers memungkinkan pembelajaran aktif: berinteraksi dengan konten dengan mengajukan pertanyaan dan mendapatkan jawaban, bukan sekadar menyerap aliran dari buku atau video. Jika Anda memecahkan masalah untuk pekerjaan, fitur ini membuat pembelajaran menjadi lebih lancar. Wajar saja jika Anda memiliki pertanyaan saat mengerjakan sesuatu; mereka yang ingat buku cetak juga ingat memiliki setumpuk buku yang terbuka terbalik di meja (untuk menyimpan halaman) saat kami semakin mendalami suatu masalah. Hal serupa terjadi secara daring: Anda membuka begitu banyak tab saat mencari jawaban sehingga Anda tidak dapat mengingat yang mana yang mana. Mengapa Anda tidak bisa mengajukan pertanyaan dan mendapatkan jawaban? Sekarang Anda bisa.
Berikut ini beberapa wawasan tentang keputusan yang kami buat dalam proses membangun Answers. Tentu saja, semuanya dapat berubah; itulah hal pertama yang perlu Anda sadari sebelum memulai proyek AI apa pun. Ini adalah wilayah yang tidak diketahui; semuanya adalah eksperimen. Anda tidak akan tahu bagaimana orang akan menggunakan aplikasi Anda sampai Anda membangunnya dan menerapkannya; ada banyak pertanyaan tentang Answers yang masih kami tunggu jawabannya. Penting untuk berhati-hati saat menerapkan aplikasi AI, tetapi penting juga untuk menyadari bahwa semua AI bersifat eksperimental.
Inti dari Answers dibangun melalui kolaborasi dengan mitra yang menyediakan keahlian AI. Itu prinsip penting, khususnya untuk perusahaan kecil: jangan membangun sendiri saat Anda dapat bermitra dengan orang lain. Akan sangat sulit untuk mengembangkan keahlian untuk membangun dan melatih model, dan jauh lebih efektif untuk bekerja dengan perusahaan yang sudah memiliki keahlian itu. Akan ada banyak keputusan dan masalah yang harus dibuat dan dipecahkan oleh staf Anda. Setidaknya untuk beberapa produk pertama, serahkan pekerjaan berat AI kepada orang lain. Fokuslah pada pemahaman masalah yang Anda selesaikan. Apa kasus penggunaan spesifik Anda? Jawaban seperti apa yang diharapkan pengguna Anda? Jawaban seperti apa yang ingin Anda berikan? Pikirkan tentang bagaimana jawaban atas pertanyaan-pertanyaan itu memengaruhi model bisnis Anda.
Jika Anda membangun layanan seperti obrolan, Anda harus berpikir serius tentang bagaimana layanan itu akan digunakan: jenis perintah apa yang diharapkan dan jenis jawaban apa yang akan diberikan. Answers memberikan sedikit batasan pada pertanyaan yang dapat Anda ajukan. Sementara sebagian besar pengguna menganggap O'Reilly sebagai sumber daya bagi pengembang perangkat lunak dan departemen TI, platform kami berisi banyak jenis informasi lainnya. Answers dapat menjawab pertanyaan tentang topik seperti kimia, biologi, dan perubahan iklim—apa pun yang ada di platform kami. Namun, platform ini berbeda dari aplikasi obrolan seperti ChatGPT dalam beberapa hal. Pertama, layanan ini terbatas pada pertanyaan dan jawaban. Meskipun menyarankan pertanyaan tindak lanjut, layanan ini tidak bersifat percakapan. Setiap pertanyaan baru memulai konteks baru. Kami percaya bahwa banyak perusahaan yang bereksperimen dengan AI ingin bersifat percakapan demi percakapan, bukan sarana untuk mencapai tujuan mereka—mungkin dengan tujuan memonopoli perhatian pengguna mereka. Kami ingin pengguna kami belajar; kami ingin pengguna kami terus memecahkan masalah teknis mereka. Percakapan demi percakapan itu sendiri tidak sesuai dengan kasus penggunaan ini. Kami ingin interaksi berlangsung singkat, langsung, dan tepat sasaran.
Membatasi Jawaban pada Q&A juga meminimalkan penyalahgunaan; lebih sulit untuk mengarahkan sistem AI “keluar jalur” ketika Anda dibatasi pada Q&A. (Honeycomb, salah satu perusahaan pertama yang mengintegrasikan ChatGPT ke dalam produk perangkat lunak, membuat keputusan serupa.)
Tidak seperti banyak produk yang digerakkan oleh AI, Answers akan memberi tahu Anda saat benar-benar tidak memiliki jawaban. Misalnya, jika Anda bertanya “Siapa yang memenangkan seri dunia?” ia akan menjawab “Saya tidak memiliki cukup informasi untuk menjawab pertanyaan ini.” Jika Anda mengajukan pertanyaan yang tidak dapat dijawabnya tetapi platform kami mungkin memiliki informasi yang relevan, ia akan mengarahkan Anda ke informasi tersebut. Keputusan desain ini sederhana tetapi ternyata penting. Sangat sedikit sistem AI yang akan memberi tahu Anda bahwa mereka tidak dapat menjawab pertanyaan tersebut, dan ketidakmampuan tersebut merupakan sumber utama halusinasi, kesalahan, dan jenis misinformasi lainnya. Sebagian besar mesin AI tidak dapat mengatakan “Maaf, saya tidak tahu.” Mesin kami dapat dan akan melakukannya.
Jawaban selalu dikaitkan dengan konten tertentu, yang memungkinkan kami memberi kompensasi kepada talenta kami dan penerbit mitra kami. Mendesain rencana kompensasi merupakan bagian penting dari proyek ini. Kami berkomitmen untuk memperlakukan penulis secara adil—kami tidak akan sekadar menghasilkan jawaban dari konten mereka. Saat pengguna mengajukan pertanyaan, Answers menghasilkan respons singkat dan menyediakan tautan ke sumber daya tempat informasi tersebut diambil. Data ini masuk ke model kompensasi kami, yang dirancang agar netral terhadap pendapatan. Model ini tidak menghukum talenta kami saat kami menghasilkan jawaban dari materi mereka.
Desain Answers lebih rumit dari yang Anda duga—dan penting bagi organisasi yang memulai proyek AI untuk memahami bahwa “hal paling sederhana yang mungkin berhasil” mungkin tidak akan berhasil. Sejak awal, kami tahu bahwa kami tidak bisa begitu saja menggunakan model seperti GPT atau Gemini. Selain rawan kesalahan, mereka tidak memiliki mekanisme apa pun untuk menyediakan data tentang cara mereka membangun jawaban, data yang kami perlukan sebagai masukan untuk model kompensasi kami. Itu mendorong kami segera menuju pola pembuatan augmented-retrieval (RAG), yang menyediakan solusi. Dengan RAG, sebuah program menghasilkan prompt yang mencakup pertanyaan dan data yang diperlukan untuk menjawab pertanyaan tersebut. Prompt augmented itu dikirim ke model bahasa, yang menyediakan jawaban. Kami dapat memberi kompensasi kepada bakat kami karena kami tahu data apa yang digunakan untuk membangun jawaban tersebut.
Penggunaan RAG menimbulkan pertanyaan: Dari mana dokumen-dokumen itu berasal? Model AI lain yang memiliki akses ke basis data konten platform kami untuk menghasilkan dokumen “kandidat”. Model lain lagi memberi peringkat kandidat, memilih yang tampaknya paling berguna; dan model ketiga mengevaluasi ulang setiap kandidat untuk memastikan bahwa mereka benar-benar relevan dan berguna. Akhirnya, dokumen yang dipilih dipangkas untuk meminimalkan konten yang tidak terkait dengan pertanyaan. Proses ini memiliki dua tujuan: meminimalkan halusinasi dan data yang dikirim ke model yang menjawab pertanyaan; itu juga meminimalkan konteks yang diperlukan. Semakin banyak konteks yang diperlukan, semakin lama waktu yang dibutuhkan untuk mendapatkan jawaban, dan semakin mahal biaya untuk menjalankan model. Sebagian besar model yang kami gunakan adalah model sumber terbuka kecil. Mereka cepat, efektif, dan murah.
Selain meminimalkan halusinasi dan memungkinkan untuk mengaitkan konten dengan kreator (dan dari sana, menetapkan royalti), desain ini memudahkan penambahan konten baru. Kami terus menambahkan konten baru ke platform: ribuan item per tahun. Dengan model seperti GPT, menambahkan konten akan memerlukan proses pelatihan yang panjang dan mahal. Dengan RAG, menambahkan konten menjadi hal yang mudah. Ketika sesuatu ditambahkan ke platform, konten tersebut ditambahkan ke basis data tempat konten yang relevan dipilih. Proses ini tidak membutuhkan banyak komputasi dan dapat berlangsung hampir seketika—secara real time. Jawaban tidak pernah tertinggal dari platform lainnya. Pengguna tidak akan pernah melihat “Model ini hanya dilatih pada data hingga Juli 2023.”
Answers adalah satu produk, tetapi itu hanya satu bagian dari ekosistem alat yang sedang kami bangun. Semua alat ini dirancang untuk melayani pengalaman belajar: untuk membantu pengguna dan klien korporat kami mengembangkan keterampilan yang mereka butuhkan agar tetap relevan di dunia yang terus berubah. Itulah tujuannya—dan itu juga kunci untuk membangun aplikasi yang sukses dengan AI generatif. Apa tujuan sebenarnya? Bukan untuk membuat pelanggan Anda terkesan dengan keahlian AI Anda. Melainkan untuk memecahkan beberapa masalah. Dalam kasus kami, masalah itu adalah membantu siswa memperoleh keterampilan baru dengan lebih efisien. Fokuslah pada tujuan itu, bukan pada AI. AI akan menjadi alat yang penting—mungkin alat yang paling penting. Namun, itu bukanlah tujuan akhir.
Mohon maaf, Foto memang tidak relevan. Jika keberatan atau harus diedit baik Artikel maupun foto Silahkan Klik Laporkan. Terima Kasih
