Apa itu model AI

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

Apa itu model AI

Model AI adalah struktur matematis yang telah dilatih pada data untuk menghasilkan output yang berguna: prediksi, klasifikasi, teks yang dihasilkan, gambar, skor, atau keputusan. Bayangkan ia sebagai "resep" yang sangat kompleks yang telah dipelajari komputer dari jutaan contoh. Sebagaimana koki manusia mempelajari ribuan hidangan sebelum menciptakan resepnya sendiri, model AI menyerap pola dari data selama training lalu menerapkan pola tersebut ke input baru yang belum pernah dilihat selama inference.

Model itu sendiri bukan perangkat lunak dalam pengertian tradisional. Ia adalah berkas (atau kumpulan berkas) berisi nilai-nilai numerik yang disebut bobot yang mengodekan pola-pola yang telah dipelajari model. Tanpa bobotnya, model hanyalah arsitektur kosong tanpa pengetahuan. Dengan bobot, ia menjadi artefak inti yang mengubah input mentah menjadi hasil yang digerakkan AI.

Singkatnya: model AI adalah "resep" yang dipelajari dari data. Ia menerima input, menerapkan pola yang diserapnya selama training, dan menghasilkan output. Ketika proyek AI kripto mengklaim "punya AI", pertanyaan pertamanya adalah: model apa?

Bagaimana model dibuat

Membangun model AI mengikuti sebuah pipeline yang dimulai dari struktur kosong dan berakhir dengan artefak yang dapat di-deploy. Memahami pipeline ini membantu mengevaluasi seberapa dalam dan nyata AI sebuah proyek sebenarnya.

Arsitektur

Setiap model bermula sebagai sebuah arsitektur -- cetak biru yang mendefinisikan bagaimana data mengalir melalui sistem. Arsitektur yang umum meliputi jaringan saraf feed-forward, jaringan saraf konvolusional (CNN), transformer, pohon keputusan, dan model difusi. Arsitektur menentukan jenis pola apa yang dapat dipelajari model dan seberapa efisien ia mempelajarinya. Memilih arsitektur yang tepat untuk tugasnya adalah salah satu keputusan terpenting yang dibuat tim AI.

Parameter dan bobot

Sebuah arsitektur memuat parameter -- nilai numerik yang dapat disetel yang di-tuning model selama training. Model kecil mungkin memiliki beberapa juta parameter; model bahasa besar dapat memiliki ratusan miliar. Sebelum training, semua parameter diinisialisasi dengan nilai acak atau semi-acak dan tidak membawa pengetahuan yang berguna.

Setelah training, parameter-parameter ini menjadi bobot -- nilai spesifik yang mengodekan pola statistik yang telah diekstraksi model dari data trainingnya. Bobot itulah yang membuat model terlatih berbeda dari arsitektur kosong. Ketika orang berbicara tentang "ukuran model", mereka biasanya memaksudkan jumlah parameter.

Training

Selama training, model dipaparkan pada sebuah dataset dan algoritma optimisasi (seperti gradient descent dengan backpropagation) menyesuaikan bobot untuk meminimalkan kesalahan. Proses training dapat memakan waktu berjam-jam, berhari-hari, atau berminggu-minggu tergantung ukuran dataset, ukuran model, dan compute yang tersedia. Hasilnya adalah model terlatih: sekumpulan berkas bobot yang dapat dimuat dan dipakai.

Evaluasi

Sebelum deployment, tim yang bertanggung jawab mengevaluasi model terhadap benchmark -- tes terstandardisasi yang mengukur kinerja pada tugas-tugas spesifik. Evaluasi menjawab pertanyaan: apakah model ini benar-benar bekerja cukup baik untuk berguna?

Deployment

Langkah terakhir adalah memuat model terlatih ke sistem inference yang melayani permintaan nyata. Deployment melibatkan keputusan tentang perangkat keras, kebutuhan latensi, skalabilitas, dan pemantauan. Model yang hanya ada sebagai prototipe riset belum menjadi produk.

Alur ujung-ke-ujung yang disederhanakan:

Pilih arsitektur -- transformer, CNN, pohon keputusan, model difusi, dsb.
Siapkan data -- kumpulkan, bersihkan, dan beri label sebuah dataset.
Latih -- jalankan algoritma optimisasi yang menyesuaikan parameter model berdasarkan data.
Evaluasi -- ukur kinerja terhadap benchmark.
Deploy -- muat model terlatih ke sistem inference yang melayani permintaan nyata.

Model vs algoritma

Kedua istilah ini sering tertukar, tetapi perbedaannya penting:

Algoritma -- metode atau prosedur training (mis. gradient descent, backpropagation, reinforcement learning). Ia mendeskripsikan bagaimana model belajar.
Model -- hasil penerapan algoritma pada data. Ia mendeskripsikan apa yang dipelajari.

Algoritma dapat dipakai ulang di banyak dataset dan tugas. Model bersifat spesifik terhadap data dan tugas tempat ia dilatih. Algoritma training yang sama dapat menghasilkan model yang sangat berbeda tergantung arsitektur, data, dan hyperparameter yang dipakai.

Jenis-jenis model AI

Tidak ada satu cara tunggal untuk mengklasifikasikan model, tetapi beberapa keluarga besar muncul secara rutin baik di AI arus utama maupun proyek AI kripto.

Jenis	Cara kerja	Tugas tipikal	Contoh AI kripto
Transformer	Memproses sekuens memakai self-attention untuk menangkap relasi jarak jauh	Generasi teks, terjemahan, generasi kode, penalaran	Chatbot bertenaga LLM, agen AI, audit kode
CNN (jaringan saraf konvolusional)	Menerapkan filter untuk mendeteksi pola spasial (tepi, tekstur, bentuk)	Klasifikasi gambar, deteksi objek, analisis video	Analisis NFT, deteksi pola visual on-chain
Model difusi	Belajar menghasilkan data dengan membalikkan proses penambahan derau langkah demi langkah	Generasi gambar, sintesis video, kreasi audio	Seni NFT generatif, data sintetis untuk training
Pohon keputusan / gradient-boosted tree	Membagi data berdasarkan ambang fitur dalam struktur pohon	Klasifikasi, regresi, data tabular	Deteksi scam, penilaian risiko, deteksi anomali on-chain
Model reinforcement learning	Mempelajari aksi optimal melalui percobaan, ganjaran, dan penalti	Optimisasi strategi, pengambilan keputusan otonom	Automated market maker, agen strategi trading
Mesin rekomendasi	Mengurutkan item berdasarkan prediksi relevansinya bagi pengguna atau konteks	Kurasi konten, personalisasi	Penemuan token, rekomendasi protokol
Generative adversarial network (GAN)	Dua jaringan berkompetisi: satu menghasilkan, satu mendiskriminasi	Sintesis gambar realistis, augmentasi data	Data training sintetis, deteksi deepfake

Sebagian besar proyek AI kripto memakai satu atau kombinasi dari jenis-jenis model ini. Memahami jenis mana yang dipakai proyek membantu menilai apakah kemampuan AI yang diklaim realistis untuk use case yang dinyatakan.

Model pre-trained vs fine-tuned

Dua istilah yang sering muncul dalam dokumentasi proyek:

Model pre-trained -- model yang dilatih pada dataset besar bertujuan umum (seperti teks internet atau jutaan gambar). Pre-training itu mahal dan memakan waktu. Organisasi yang melakukannya (seperti yang berada di balik GPT, DeepSeek, atau Stable Diffusion) menginvestasikan sumber daya compute yang signifikan dan biasanya merilis model hasilnya untuk dibangun lebih lanjut oleh pihak lain.
Model fine-tuned -- model pre-trained yang dilatih tambahan pada dataset yang lebih kecil dan spesifik tugas. Fine-tuning lebih murah dan lebih cepat daripada melatih dari nol tetapi tetap membutuhkan keahlian domain, data berkualitas, dan compute yang memadai.

Proyek yang men-fine-tune model open-source pada data on-chain proprietary memiliki kedalaman AI lebih besar daripada yang sekadar memanggil API pihak ketiga. Namun, fine-tuning saja tidak menjamin kualitas tinggi -- data, metodologi, dan evaluasinya semua berpengaruh.

Model open-source vs proprietary

Model open-source (kadang disebut "model open-weight") memublikasikan arsitektur, bobot, dan sering kali detail trainingnya untuk diinspeksi, direproduksi, dan dibangun lebih lanjut oleh siapa pun. Contohnya meliputi DeepSeek, Qwen, Mistral, dan Stable Diffusion. Open-source tidak berarti model bebas dipakai secara komersial -- lisensinya beragam.

Model proprietary merahasiakan bobot, detail arsitektur, dan data trainingnya. Pengguna mengaksesnya hanya melalui API. Contohnya meliputi GPT dan Claude.

Untuk tujuan verifikasi, model open-source menawarkan keunggulan yang jelas: siapa pun dapat menginspeksi kode dan bobotnya, menjalankan model secara independen, dan memverifikasi klaim. Proyek AI kripto yang memakai atau membangun di atas model open-source memberikan bukti yang lebih dapat diverifikasi daripada yang merujuk model proprietary di balik API tertutup.

Model sendiri vs API ke model milik orang lain

Perbedaan ini kritis untuk mengevaluasi kedalaman AI:

Model sendiri -- proyek melatih atau men-fine-tune sebuah model dan mengendalikan bobot, pipeline data, dan deployment-nya. Ini menyiratkan kedalaman AI yang lebih besar dan dapat diverifikasi melalui kode, kartu model, dan benchmark.
Panggilan API -- proyek mengirim permintaan ke model pihak ketiga (OpenAI, Anthropic, Google) dan mengembalikan responsnya. AI-nya milik penyedia. Lihat Apa itu API wrapper.

Proyek yang memanggil GPT via API dan proyek yang melatih transformer sendiri pada data on-chain proprietary sama-sama "memakai AI" -- tetapi kedalaman AI, kepemilikan, dan keterverifikasiannya berbeda secara fundamental. DecAIHub mencerminkan perbedaan ini di kolom AI component dan skor AI reality.

Di mana ia muncul di kartu proyek DecAIHub

Konsep model AI menyentuh beberapa bagian kartu proyek DecAIHub:

AI component sering merujuk jenis model atau arsitektur ("fine-tuned LLM," "proprietary classifier," "ML scoring model").
AI use case mendeskripsikan apa yang dilakukan model untuk pengguna akhir.
Tabel bukti menunjukkan apakah artefak model (kode, bobot, benchmark, dokumentasi) telah ditemukan.
ai_score mencerminkan seberapa baik keberadaan dan kualitas model didukung oleh bukti Tier-1.
DecAI Fit memasukkan ai_score ke penilaian yang lebih luas tentang seberapa cocok proyek dengan tesis Decentralized AI. Proyek dengan ai_score = 0 menerima DecAI Fit = 0, terlepas dari skor lainnya.

Keberadaan dan jenis model yang dipakai proyek adalah salah satu sinyal paling fundamental dalam menentukan AI reality. Proyek yang mendokumentasikan arsitektur modelnya, memublikasikan bobot atau benchmark, dan menunjukkan pipeline inference yang berfungsi memberikan bukti Tier-1 yang lebih kuat daripada yang sekadar menyatakan "kami memakai AI".

Apa yang tidak dibuktikan model sendirian

Kualitas -- model bisa ada namun tetap berkinerja buruk. Tanpa benchmark, tidak ada cara menilai kinerjanya.
Nilai proprietary -- model bisa jadi salinan checkpoint open-source dengan modifikasi ringan. Kepemilikan dan diferensiasi memerlukan bukti.
Dampak dunia nyata -- model bisa menghasilkan output yang benar di lab dan gagal di produksi. Bukti deployment itu penting.
Keharusan -- memiliki model tidak menjelaskan mengapa proyek membutuhkan blockchain atau token. Ini adalah sumbu-sumbu terpisah dalam DecAI Fit.
Pemeliharaan berkelanjutan -- model yang dilatih sekali dapat menjadi usang seiring bergesernya distribusi data. Tanpa pelatihan ulang atau pemantauan, kualitas menurun seiring waktu.

Jangan bingung dengan

Algoritma -- prosedur training, bukan hasil yang terlatih. Algoritma menghasilkan model.
Inference -- proses menjalankan model terlatih untuk menghasilkan output. Model adalah artefaknya; inference adalah penggunaannya.
AI component -- istilah lebih luas yang dapat mencakup model plus pipeline di sekitarnya (data, prapemrosesan, deployment). Model adalah salah satu bagian dari komponen.
LLM -- jenis model yang spesifik (model bahasa besar), bukan sinonim untuk "model AI" secara umum.
Dataset -- data yang dipakai untuk melatih model. Dataset adalah input proses training; model adalah output-nya.

Pertanyaan yang sering diajukan

Apa perbedaan antara model dan algoritma?

Algoritma adalah prosedur -- seperangkat aturan yang memberi tahu komputer cara belajar dari data (mis. gradient descent). Model adalah hasil menjalankan algoritma itu pada dataset spesifik. Algoritma dapat dipakai ulang; model bersifat spesifik terhadap data dan tugas tempat ia dilatih.

Berapa banyak parameter yang dibutuhkan model AI?

Tidak ada jawaban universal. Pengklasifikasi sederhana untuk data tabular mungkin bekerja baik dengan ribuan parameter. Model bahasa besar mungkin memerlukan miliaran. Lebih banyak parameter tidak otomatis berarti model lebih baik -- desain arsitektur, kualitas data, dan metodologi training lebih penting daripada ukuran mentah. Model kecil yang terlatih baik dapat mengungguli model besar yang terlatih buruk pada tugas-tugas spesifik.

Apa arti "model open-source"?

Model open-source (atau open-weight) adalah model yang arsitektur dan bobot terlatihnya tersedia secara publik untuk diinspeksi, direproduksi, dan dimodifikasi. Ini tidak selalu berarti model bebas untuk penggunaan komersial -- setiap rilis memiliki lisensinya sendiri. Untuk tujuan verifikasi, model open-source lebih mudah diaudit karena siapa pun dapat menjalankannya secara independen.

Bisakah proyek kripto mengklaim memiliki model AI tanpa memublikasikannya?

Bisa, dan banyak yang melakukannya. Namun, tanpa kode, bobot, kartu model, atau hasil benchmark yang dipublikasikan, tidak ada cara memverifikasi secara independen bahwa modelnya ada, bekerja sesuai klaim, atau dibangun oleh proyek tersebut. Di DecAIHub, klaim semacam itu tercermin melalui flag bukti AI -- jika tidak ada artefak Tier-1 yang mendukung klaim, ai_score tetap rendah.

Apa perbedaan antara model pre-trained dan fine-tuned?

Model pre-trained telah dilatih pada dataset besar bertujuan umum untuk mempelajari pola-pola luas (struktur bahasa, fitur visual, dsb.). Model fine-tuned bermula dari checkpoint pre-trained dan dilatih lebih lanjut pada dataset yang lebih kecil dan spesifik domain untuk menspesialisasikannya pada tugas tertentu. Fine-tuning lebih cepat dan lebih murah daripada melatih dari nol tetapi tetap memerlukan data berkualitas dan evaluasi yang cermat.

Lihat juga

Referensi eksternal

Hugging Face -- Models -- repositori terbuka berisi ribuan model pre-trained dan fine-tuned di berbagai tugas dan arsitektur.
Papers With Code -- Methods -- katalog arsitektur model dan metode training dengan tautan ke paper dan kode.
Stanford HAI -- AI Index Report -- laporan tahunan yang melacak keadaan model AI, benchmark, dan tren industri.
Google Research Blog -- Machine Learning -- tulisan teknis tentang arsitektur model, teknik training, dan kemajuan riset.
Wikipedia -- Artificial neural network -- artikel ikhtisar tentang arsitektur jaringan saraf dan sejarahnya.