Kapan harus menggunakan AI generatif atau AI tradisional

Dokumen ini membantu Anda mengidentifikasi kapan AI generatif, AI tradisional, atau kombinasi keduanya mungkin sesuai dengan kasus penggunaan bisnis Anda.

Dalam dokumen ini, AI tradisional mengacu pada kemampuan dan kasus penggunaan AI yang mungkin tidak memerlukan penggunaan kemampuan AI generatif, seperti beberapa kasus penggunaan AI klasifikasi dan prediktif. Model AI tradisional unggul dalam mempelajari data yang ada untuk mengklasifikasikan informasi atau memprediksi hasil pada masa mendatang berdasarkan pola historis. Model AI generatif memperluas kemampuan ini untuk membuat ringkasan, mengungkap korelasi tersembunyi yang kompleks, atau menghasilkan konten baru—seperti teks, gambar, atau video—yang mencerminkan gaya dan pola dalam data pelatihan.

Kapan harus menggunakan AI generatif

Secara umum, solusi AI generatif unggul dalam menangani tugas-tugas seperti berikut:

  • Membuat dan merekomendasikan konten.
  • Mendukung penelusuran percakapan dan chatbot.
  • Penskalaan dan otomatisasi alur kerja untuk tugas berulang.
  • Menggunakan penalaran asosiatif untuk menemukan insight dan hubungan dalam dokumen dan data.
  • Membuat kode dan membantu developer menulis, menjelaskan, dan mendokumentasikan kode.

Bagian berikut memberikan contoh kasus penggunaan AI generatif yang umum dan bersifat umum yang dapat disesuaikan dengan berbagai industri.

Pembuatan dan rekomendasi konten

  • Menghasilkan konten terkait pemasaran seperti gambar produk, postingan media sosial, dan email dengan gambar yang relevan.
  • Menerjemahkan konten seperti dokumen, konten situs, dan percakapan chatbot multibahasa.
  • Meringkas konten teks, termasuk dokumen, artikel, masukan pelanggan, dan laporan, untuk membantu mengambil keputusan berbasis data yang lebih tepat.
  • Membuat ringkasan informasi dari berbagai sumber yang dapat mencakup komponen teks, gambar, dan video atau audio.
  • Pemberian teks atau subtitel secara otomatis pada video.
  • Membuat konten multimedia yang kreatif seperti membuat gambar baru dari deskripsi perintah teks, memodifikasi atau memperbaiki gambar menggunakan prompt teks (misalnya, menghapus objek atau mengubah skema warna), dan menghasilkan video pendek atau animasi dari perintah teks atau skrip.
  • Menghasilkan suara sintetis yang realistis untuk audio seperti trek voice-over dan musik.
  • Menganalisis dan memahami perilaku pengguna, preferensi, ulasan, dan interaksi sebelumnya untuk memberikan rekomendasi konten yang dipersonalisasi. Analisis dapat digabungkan dengan faktor real-time seperti lokasi untuk menyesuaikan rekomendasi konten di seluruh konten seperti produk, artikel, dan video.

Penelusuran percakapan dan chatbot

  • Membangun asisten virtual untuk interaksi pengguna seperti dukungan pelanggan dan penjualan online.
  • Memungkinkan penelusuran percakapan melalui pusat informasi yang besar dengan kueri natural language.
  • Menemukan jawaban atas pertanyaan kompleks yang menggabungkan pertanyaan tekstual dengan gambar terkait.

Pemahaman data dan dokumen

  • Mengekstrak data dan menganalisis konten dari teks seperti laporan, invoice, tanda terima, transaksi keuangan, atau kontrak untuk menyoroti kemungkinan kesalahan atau masalah kepatuhan, mengidentifikasi potensi risiko, atau mengungkap anomali yang merupakan indikasi penipuan.
  • Menganalisis sentimen konten buatan pengguna seperti postingan media sosial dan ulasan produk.
  • Menganalisis percakapan pusat panggilan yang ditranskripsikan untuk mendapatkan insight seperti alasan paling umum mengapa pelanggan memberikan rating rendah terhadap interaksi pusat panggilan.

  • Menganalisis data pengamanan cyber seperti laporan ancaman, artikel, dan repositori untuk mengekstrak indikator ancaman utama. Analisis ini memungkinkan pertahanan pengamanan cyber proaktif untuk meringkas dan memprioritaskan strategi mitigasi dengan rekomendasi untuk respons yang lebih cepat.

    Analisis dapat menerjemahkan grafik serangan kompleks menjadi penjelasan eksposur dalam teks biasa. Alat ini juga dapat menyimulasikan kemungkinan jalur serangan untuk menyoroti aset yang terpengaruh, dan dapat merekomendasikan mitigasi sebelum aset dapat dieksploitasi.

Pembuatan kode dan bantuan developer

AI generatif dapat membantu melakukan jenis tugas berikut di semua tahap siklus proses pengembangan software (SDLC):

  • Membuat spesifikasi dan dokumentasi API menggunakan perintah natural language.
  • Membuat aset seperti kode, fungsi, perintah command line, dan skrip Terraform dari prompt natural language.
  • Membuat pengujian dan penjelasan kode, termasuk komentar dan dokumentasi untuk menjelaskan kode.

Untuk mengetahui informasi selengkapnya tentang cara AI generatif mengubah operasi bisnis seperti layanan pelanggan, produktivitas karyawan, dan otomatisasi proses, lihat Kasus penggunaan bisnis di "AI Generatif di Google Cloud".

Kapan menggunakan AI tradisional

Kasus penggunaan AI tradisional biasanya berfokus pada memprediksi hasil mendatang atau mengklasifikasikan kategori berdasarkan model AI yang dilatih pada sumber data historis yang ada seperti data dan gambar tabular. Solusi AI tradisional sering kali cukup untuk mengatasi beberapa klasifikasi dan kasus penggunaan AI prediktif seperti berikut:

  • Kasus penggunaan klasifikasi:
    • Memfilter spam email dengan mengklasifikasikan email sebagai spam atau bukan spam, berdasarkan model AI klasifikasi tradisional yang dilatih menggunakan data historis.
    • Melatih model klasifikasi gambar tradisional pada gambar tertentu dari produk yang baik dan rusak untuk secara efektif membantu pemeriksaan real-time dan deteksi kerusakan di bidang manufaktur.
  • Kasus penggunaan regresi:
    • Memprediksi nilai numerik berkelanjutan seperti memprediksi harga rumah berdasarkan fitur dan lokasi rumah tertentu.
    • Memprediksi jumlah pendapatan yang akan dihasilkan oleh pelanggan platform e-commerce selama hubungan mereka dengan perusahaan berdasarkan data histori pembelian.
  • Kasus penggunaan perkiraan deret waktu: Memperkirakan penjualan dan permintaan.
  • Membuat cluster kasus penggunaan: Melakukan segmentasi pelanggan.

Untuk mengetahui informasi selengkapnya tentang penggunaan AI tradisional, lihat Penggunaan dan contoh analisis prediktif di bagian "Apa itu analisis prediktif?"

Menentukan antara AI tradisional dan AI generatif

Pohon keputusan yang disederhanakan berikut memberikan referensi tingkat tinggi untuk beberapa jalur keputusan berbasis kasus penggunaan. Dalam beberapa kasus, sebaiknya gunakan AI tradisional dan AI generatif, seperti yang dijelaskan di bagian berikutnya, "Kapan menggabungkan AI generatif dengan AI tradisional".

Pohon keputusan menunjukkan kapan harus menggunakan AI generatif, klasifikasi tradisional atau AI prediktif, atau model AI terlatih.

Pohon keputusan mencakup pertanyaan dan jawaban berdasarkan kasus penggunaan berikut:

  • Jika kasus penggunaan Anda terkait dengan klasifikasi atau deteksi, periksa apakah model AI tradisional yang telah dilatih dapat memenuhi persyaratan kasus penggunaan Anda. Model tradisional terlatih mencakup AI API seperti Document AI, Vision AI, Natural Language API, dan Video Intelligence API.

    • Jika model terlatih memenuhi persyaratan Anda, gunakan model terlatih.
    • Jika model terlatih tidak dapat memenuhi persyaratan Anda, periksa apakah data pelatihan yang tersedia cukup untuk melatih model secara kustom.
      • Jika data pelatihan yang memadai tersedia, apa yang harus diprioritaskan: kontrol yang lebih besar terhadap pelatihan model atau pencapaian strategi go-to-market (GTM) yang lebih cepat?
        • Jika Anda memerlukan kontrol tinggi terhadap pelatihan model dengan penyesuaian seperti menggunakan algoritma model apa pun yang diinginkan, mengembangkan fungsi kerugian Anda sendiri, menggunakan fitur spesifik penjelasan model, jumlah lapisan dalam model, kecepatan pembelajaran, dan hyperparameter model lainnya, gunakan pelatihan kustom model AI tradisional. Untuk mengetahui informasi tentang perbedaan antara pelatihan kustom atau pelatihan model di Vertex AI menggunakan AutoML, lihat Memilih metode pelatihan.
        • Jika prioritas bisnis Anda adalah GTM yang lebih cepat, gunakan AI generatif. Jika kasus penggunaan Anda khusus, Anda dapat meningkatkan performa model menggunakan tuning model seperti supervised tuning untuk klasifikasi, analisis sentimen, atau ekstraksi entity.
      • Jika set data pelatihan tidak tersedia, atau jika set data yang tersedia tidak cukup besar untuk melatih model secara khusus, gunakan model AI generatif dengan rekayasa perintah. Model-model ini dapat disesuaikan lebih lanjut untuk melakukan tugas khusus dengan menggunakan contoh data.

  • Jika kasus penggunaan Anda terkait dengan kasus penggunaan AI prediktif, gunakan AI tradisional. AI prediktif tradisional sangat efektif dengan data terstruktur.

  • Jika kasus penggunaan Anda terkait dengan kasus penggunaan AI generatif seperti ringkasan, pembuatan konten, atau transkripsi lanjutan, gunakan AI generatif. Penggunaan AI generatif mencakup kasus penggunaan yang memerlukan pemrosesan dan memasukkan informasi dari berbagai modalitas seperti teks, gambar, video, atau audio.

Meskipun data scientist dan engineer ML umumnya memimpin proses pemilihan model, penting juga untuk mempertimbangkan masukan pemangku kepentingan utama seperti pemimpin bisnis, pemilik produk, pakar domain, dan pengguna akhir. Misalnya, pemangku kepentingan ini mungkin terlibat dengan cara berikut:

  • Pemimpin bisnis dan pengambil keputusan: Setujui pilihan jika sesuai dengan prioritas bisnis.
  • Pemilik produk: Mungkin memerlukan pengaruh atau memiliki kontrol lebih besar atas perilaku model untuk menyesuaikannya dengan prioritas produk.
  • Pakar domain: Menerapkan keahlian domain mereka untuk meningkatkan efektivitas model.
  • Pengguna akhir: Mungkin perlu memahami output model, dan cara menggabungkan output untuk pengambilan keputusan yang lebih tepat.

Kapan menggabungkan AI generatif dengan AI tradisional

AI tradisional dan AI generatif tidak saling eksklusif. Dalam beberapa kasus penggunaan bisnis, keduanya dapat digunakan untuk saling melengkapi guna mencapai sasaran bisnis akhir. Misalnya, Anda dapat menggunakan output dari model AI tradisional sebagai bagian dari perintah untuk model AI generatif. Berikut adalah beberapa contoh kasus penggunaan untuk menggabungkan kemampuan AI tradisional dan generatif:

  • AI prediktif tradisional dapat menganalisis data historis untuk memperkirakan probabilitas churn pelanggan. Analisis ini dapat diintegrasikan dengan LLM atau chatbot yang didukung AI generatif, yang memberdayakan tim penjualan Anda untuk mempelajari prediksi menggunakan percakapan natural language. Anda juga dapat membuat dasbor business intelligence (BI) melalui percakapan sederhana dengan chatbot.
  • AI prediktif tradisional dapat memperkirakan risiko kasus penggunaan tertentu, sedangkan AI generatif dapat menyimulasikan berbagai skenario untuk membantu merumuskan kemungkinan strategi mitigasi.
  • AI prediktif tradisional dapat mengidentifikasi segmen pelanggan untuk membantu membuat pemasaran dan pembuatan kampanye yang dipersonalisasi. Selanjutnya, Anda dapat menggunakan AI generatif untuk menghasilkan konten pemasaran yang dipersonalisasi yang disesuaikan dengan setiap segmen yang diidentifikasi.
  • Computer vision AI tradisional dapat mendeteksi dan mengklasifikasikan bahasa isyarat untuk menerjemahkan input video menjadi teks. AI generatif dapat menambahkan pemahaman konteks dan nuansa dalam bahasa isyarat, sehingga memungkinkan terjemahan yang lebih optimal ke dalam teks tertulis, termasuk beberapa bahasa. AI generatif juga dapat menghasilkan output suara dari terjemahan teks, sehingga memungkinkan komunikasi dua arah yang lancar antara penanda tangan dan non-penandatangan.
  • AI tradisional dapat melakukan analisis video dan menggunakan kemampuan kecerdasan video untuk mengekstrak insight dan fitur penting dari aset video. Misalnya, aplikasi dapat melakukan deteksi objek, deteksi orang, deteksi teks, dan ekstraksi dari aset video. AI generatif dapat menggunakan insight tersebut untuk menciptakan pengalaman baru, seperti chatbot, listingan, laporan, atau artikel.

Untuk memaksimalkan manfaat bisnis dari AI generatif dan investasi AI tradisional Anda, prioritaskan hasil bisnis yang diperlukan dan kebutuhan pengguna (solusi AI berbasis bisnis dan yang berpusat pada pengguna). Pendekatan ini memastikan bahwa solusi tetap relevan, mendorong adopsi, meningkatkan efisiensi, dan mendorong inovasi. Memprioritaskan pengalaman pengguna dalam solusi yang didukung teknologi AI membantu menyelaraskan ekspektasi dan memberikan hasil yang bermakna.

Langkah berikutnya