Skip to main content

Apa itu AI component

Catatan: Dokumen ini adalah terjemahan otomatis dari versi asli bahasa Inggris.

Apa itu AI component

AI component adalah bagian spesifik dari sebuah proyek tempat pekerjaan AI yang sesungguhnya terjadi — analisis, generasi, prediksi, pemeringkatan, atau pengambilan keputusan. Ia bukan label pemasaran atau sekadar penyebutan merek. Dalam kartu proyek DecAIHub, kolom AI component menjawab satu pertanyaan: apa persisnya yang dilakukan AI di sini?

Singkatnya: AI component adalah mekanisme konkret tempat data masuk dan hasil yang digerakkan AI keluar — bukan logo, tagline, atau janji roadmap.

Analogi untuk pemula

Bayangkan sebuah proyek seperti restoran. Use case adalah menunya — apa yang dilihat dan dipesan pelanggan. AI component adalah dapurnya — peralatan dan teknik nyata yang mengubah bahan mentah menjadi hidangan. Restoran dapat memiliki menu yang indah (use case) tetapi tanpa dapur yang berfungsi (AI component). Ketika DecAIHub meninjau sebuah proyek, ia masuk ke dapur untuk memeriksa apakah kompornya nyata, apakah ada yang memasak, dan apakah ada resep yang sesungguhnya — bukan sekadar foto makanan yang dicetak di papan iklan di luar.

Apa itu

AI component adalah modul atau subsistem fungsional yang melakukan pekerjaan yang lazim dikaitkan dengan kecerdasan buatan atau machine learning. Ini mencakup:

  • Mesin inferensi — menjalankan model terlatih untuk menghasilkan keluaran (prediksi, klasifikasi, teks atau gambar yang dihasilkan)
  • Alur pelatihan — memperbarui bobot model pada data baru
  • Model analitik — mengekstraksi pola, skor, atau sinyal dari data (analitik pasar, penskoran risiko, analisis sentimen)
  • Kerangka agen — mengorkestrasi pengambilan keputusan otonom, penggunaan tool, dan penalaran multi-langkah
  • Sistem pelabelan data — mengelola anotasi manusia atau otomatis untuk membangun dataset
  • Orkestrasi komputasi — mendistribusikan beban kerja AI ke seluruh node atau GPU

Perbedaan kuncinya: sebuah proyek memiliki AI component jika ia memuat subsistem yang memproses data menggunakan model, algoritma, atau representasi yang dipelajari. Sebuah proyek tidak memiliki AI component jika "AI" hanya muncul di nama, salinan pemasaran, atau rencana masa depannya tanpa implementasi teknis yang dapat diverifikasi.

AI component tidak harus dibangun kustom dari nol. Proyek yang melakukan fine-tuning model open-source, membungkus API inferensi dengan pra- dan pascapemrosesan yang bermakna, atau melatih pengklasifikasinya sendiri pada data proprietary tetap memiliki AI component — selama lapisan AI-nya menambahkan fungsi yang dapat diverifikasi melampaui sekadar penerusan (pass-through).

Spektrumnya: dari absen hingga sepenuhnya dapat diverifikasi

Tidak semua AI component setara. Mereka berada pada spektrum kematangan dan keterverifikasian:

Tingkat Deskripsi Apa yang diharapkan
Absen Tidak ada AI yang ditemukan dalam proyek Kolom ai_component bertuliskan none atau unknown
Positioning only AI diklaim dalam pemasaran tetapi tanpa bukti teknis Kolom bertuliskan positioning only; ai_score-nya 0
Dideklarasikan AI disebut di dokumen resmi atau roadmap, tetapi tanpa artefak yang berfungsi AI_0 = 1, flag AI lainnya 0
Didemonstrasikan Demo, prototipe, atau alur yang terdokumentasi ada AI_1 dan AI_2 bernilai 1; bukti parsial
Terverifikasi Benchmark, dokumentasi teknis, versi model, dan hasil yang dapat direproduksi tersedia AI_3 dan AI_4 bernilai 1; bukti Tier-1 yang kuat

Spektrum ini penting karena "memiliki AI" tidak biner dalam praktiknya. Sebuah proyek bisa punya model terlatih tetapi tanpa benchmark, atau demo yang berfungsi tetapi tanpa arsitektur yang dipublikasikan. Kolom AI component menangkap apa yang ada, bukan apa yang bisa ada di masa depan.

Nilai AI component yang umum di DecAIHub

Berikut nilai nyata dari kartu proyek di registri:

  • AI agent platform (workflows/tools/KB) — infrastruktur agen dengan tool dan basis pengetahuan
  • AI data labeling + model evaluation (human experts) — pelabelan dengan alur human-in-the-loop
  • AI/ML crypto market analytics (app) — model machine learning yang diterapkan pada data pasar
  • compute orchestration — perutean dan penjadwalan tugas komputasi AI
  • AI trading signals — model yang menghasilkan sinyal terkait trading dari data
  • agentic framework (memory/actions/plugins) — runtime agen dengan memori dan integrasi tool
  • AI summaries + crypto intelligence terminal — perangkuman berbasis NLP dan analisis data
  • inference engine — sistem yang didedikasikan untuk menjalankan inferensi model

Setiap nilai menggambarkan apa yang benar-benar dilakukan AI — bukan apa yang dijanjikan proyek untuk menjadi. Nilai-nilai ini diambil dari registri ternormalisasi kolom berulang untuk memastikan konsistensi antar kartu proyek. Ketika peninjau mengisi kolom AI component, ia memilih dari nilai yang telah teramati atau menambahkan nilai baru yang menangkap mekanisme teknisnya secara presisi.

Di mana ini muncul dalam kartu proyek DecAIHub

Kolom AI component (ai_component) adalah bagian dari tabel Project Passport. Ia berdampingan dengan kolom Use case. Bersama-sama, keduanya memisahkan mekanisme teknis dari deskripsi produk.

Jika kolom bertuliskan positioning only, none, atau unknown, artinya bukti adanya AI component yang berfungsi belum terkonfirmasi per tanggal verifikasi. Ini bukan teknologi — melainkan mode pembacaan bukti.

Kolom AI component adalah salah satu hal pertama yang diperiksa pembaca berpengalaman. Ia memberi sinyal seketika: apakah proyek ini melakukan sesuatu dengan AI, atau hanya mengatakan demikian? Digabungkan dengan tabel Bukti dan tanggal verifikasi, ia melukiskan gambaran cepat tentang substansi teknis proyek.

Bagaimana AI component diverifikasi

Verifikasi mengikuti hierarki bukti Tier-1/2/3. Agar AI component bergerak melampaui positioning only, peninjau mencari:

  • Artefak Tier-1 — kode sumber di repositori publik, bobot model atau deskripsi arsitektur, laporan benchmark dengan metodologi, dokumentasi API yang menunjukkan endpoint inferensi, makalah teknis yang dipublikasikan oleh tim.
  • Konteks Tier-2 — ulasan pihak ketiga yang menyebut alur AI, integrasi ekosistem yang bergantung pada keluaran AI, deskripsi agregator yang merujuk fungsionalitas AI yang spesifik.
  • Sinyal Tier-3 — klaim pemasaran, penyebutan oleh influencer, siaran pers tanpa detail teknis. Ini dicatat tetapi tidak menaikkan skor AI dengan sendirinya.

Tinjauan juga memeriksa anti-pola yang umum: repositori GitHub kosong yang dicantumkan sebagai "kode AI", benchmark yang disalin dari proyek lain, atau API wrapper yang disajikan sebagai model proprietary. Tanda-tanda bahaya ini menahan ai_score di 0 sampai bukti yang dapat diverifikasi muncul.

Apa arti AI component bagi DecAI Fit

AI component secara langsung memasok sumbu AI reality dari skor DecAI Fit. Tanpa bukti Tier-1 atas AI component yang berfungsi, ai_score sebuah proyek adalah 0 — dan DecAI Fit keseluruhannya tidak dapat naik di atas 0.

Ini adalah aturan paling ketat dalam sistem penilaian: tanpa AI reality, tidak ada DecAI Fit di atas 0. Bahkan jika sebuah proyek memiliki infrastruktur on-chain yang kuat dan token yang dirancang baik, ia tidak dapat memperoleh skor di atas nol tanpa AI component yang dapat diverifikasi. Ini mencerminkan tesis inti DecAIHub — registri mengevaluasi keselarasan dengan tesis "Decentralized AI", dan AI adalah titik awal yang tidak bisa ditawar.

Ini tidak berarti proyeknya buruk atau tak bernilai. Artinya, buktinya tidak tersedia pada saat peninjauan. Ketika artefak yang dapat diverifikasi (kode, benchmark, demo, dokumentasi teknis) muncul, kartunya diperbarui.

Apa yang tidak dibuktikan oleh istilah ini semata

  • Memiliki AI component tidak membuktikan bahwa produknya berguna, tokennya diperlukan, atau integrasi on-chain-nya bermakna.
  • Kolom AI component hanya menggambarkan mekanismenya. Kualitas, kematangan, dan skala dinilai secara terpisah melalui tabel Bukti dan flag AI reality.
  • Sebuah proyek dapat memiliki AI component nyata yang trivial — misalnya, pengklasifikasi sentimen sederhana yang memanggil API eksternal. Nyata tidak berarti signifikan.
  • Sebaliknya, proyek dengan AI component yang canggih tetap dapat memperoleh skor DecAI Fit yang rendah jika integrasi on-chain-nya dangkal atau tokennya tak berfungsi.

Jangan bingung dengan

  • Use case menggambarkan apa yang didapat pengguna dari produk. AI component menggambarkan apa yang dilakukan AI di dalamnya. Lihat AI component vs use case.
  • Kategori (mis. AI/Agents) mengklasifikasikan proyek pada tingkat yang lebih tinggi. AI component lebih spesifik: teknologi yang sesungguhnya.
  • Otomatisasi tidak selalu AI. Skrip berbasis aturan sederhana atau alur kerja if/then bukanlah AI component. Lihat Otomatisasi vs AI component yang nyata.
  • Model AI merujuk pada artefak terlatih (bobot, arsitektur). AI component lebih luas: ia mencakup model plus alur di sekitarnya (ingesti data, prapemrosesan, penyajian inferensi, pascapemrosesan).
  • API wrapper — proyek yang hanya meneruskan permintaan ke API AI pihak ketiga (seperti LLM yang di-hosting) tanpa menambahkan pemrosesan yang bermakna. Ini mungkin memenuhi syarat sebagai AI component, mungkin juga tidak, bergantung pada tingkat integrasi dan nilai tambahnya.

Pertanyaan yang sering diajukan

Apa perbedaan antara AI component dan use case?

AI component adalah mekanisme teknisnya — apa yang dilakukan AI (mis. menjalankan inferensi, melatih model, menskor data). Use case adalah hasil produknya — apa yang didapat pengguna (mis. copilot DeFi, pelacak portofolio, peringatan risiko). Sebuah proyek dapat memiliki AI component yang sama tetapi use case yang berbeda, atau use case yang sama yang ditenagai AI component yang sama sekali berbeda. Dalam kartu proyek DecAIHub, keduanya sengaja menjadi kolom terpisah agar pembaca dapat mengevaluasi teknologi dan produk secara independen. Lihat AI component vs use case untuk perbandingan yang terperinci.

Bisakah sebuah proyek memiliki AI tanpa AI component?

Tidak — dalam terminologi DecAIHub, jika sebuah proyek memiliki AI, ia memiliki AI component. Pertanyaannya adalah apakah komponen itu dapat diverifikasi. Sebuah proyek mungkin benar-benar menggunakan AI secara internal tetapi tidak menyediakan bukti publik: tanpa kode, tanpa dokumentasi, tanpa benchmark, tanpa demo. Dalam hal itu kolom AI component akan bertuliskan unknown dan ai_score tetap 0. Ini tidak berarti AI-nya tidak ada — artinya buktinya tidak ada. Kartu diperbarui ketika bukti muncul.

Apa arti "positioning only"?

Artinya proyek menggunakan bahasa AI dalam pemasaran, branding, atau positioning-nya — tetapi tidak ada bukti Tier-1 atau Tier-2 atas AI component yang berfungsi yang ditemukan. Kata "AI" mungkin muncul di nama proyek, tagline situs web, atau pitch deck, namun tidak ada repositori kode, tidak ada dokumentasi model, tidak ada demo, dan tidak ada deskripsi teknis tentang apa yang sebenarnya dilakukan AI. "Positioning only" adalah observasi faktual, bukan penghakiman. Sebagian proyek dalam keadaan ini mungkin pra-peluncuran dengan AI component yang sedang dikembangkan; yang lain mungkin tidak pernah membangunnya.

Apakah ai_score yang lebih tinggi berarti proyek yang lebih baik?

Tidak. ai_score mengukur keterverifikasian AI component, bukan kualitas produk atau kegunaan teknologinya. Proyek dengan ai_score = 3 memiliki bukti kuat bahwa AI-nya nyata dan terdokumentasi. Proyek dengan ai_score = 1 memiliki bukti terbatas. Tidak satu pun skor itu mengatakan apa pun tentang apakah produk menyelesaikan masalah nyata, apakah pengguna membutuhkannya, atau apakah model tokennya masuk akal. DecAI Fit menggabungkan empat dimensi — AI reality, Onchain necessity, Token necessity, dan Bukti — untuk memberikan gambaran yang lebih lengkap.

Referensi eksternal

Lihat juga

No comments to display

Back to top