Ing kene, kula badhé nata Sistem Intelijen Pawiyatan Gawean (Artificial Learning Intelligence System: ALIS) kanthi njlèntrèhaké konsèp lan prinsipipun, ngantos désain dhasar lan cara pangrembakanipun.
Konsep
AI generatif ingkang samenika wonten, mliginipun modhèl basa ageng, dipun latih dhedhasar pawiyatan kanthi pandhuan (supervised learning) ngginakaken jaringan saraf (neural networks).
Proses pawiyatan jaringan saraf punika kita posisikaken minangka pawiyatan bawaan (innate learning).
ALIS menika sistem ingkang saged nglampahi panalaran ingkang komprehensif kanthi nggabungaken proses pawiyatan bawaan lan pawiyatan panggayuh (acquired learning), kanthi nglebokaken proses pawiyatan panggayuh ingkang kapisah saking pawiyatan bawaan.
Wonten ing pawiyatan panggayuh punika, kawruh ingkang sampun dipun sinaoni dipun simpen ing njawi jaringan saraf lan dipun ginakaken nalika panalaran.
Pramila, inti teknis saking ALIS punika wonten ing èkstraksi, panyimpenan kawruh ingkang saged dipun ginakaken malih, sarta pamilihan lan panggunaan kawruh nalika panalaran.
Salajengipun, ALIS sanès namung setunggal tèknologi dhasar, nanging ugi tèknologi sistem ingkang nggabungaken pawiyatan bawaan lan pawiyatan panggayuh.
Unsur-unsur Sistem Intelijen Pawiyatan
ALIS nganggep pawiyatan bawaan ingkang sampun wonten lan pawiyatan panggayuh ingkang badhé dipunrembag ing mangsa ngajeng, sami-sami makarya kanthi prinsip ingkang sami ing sajroning kerangka pawiyatan lan panalaran.
Kangge njlèntrèhaken prinsip pawiyatan ing ALIS, kita netepaken gangsal unsur saking sistem intelijen pawiyatan:
Ingkang sapisan inggih punika Prosèsor Intelijen. Punika tegesipun sistem pangolahan ingkang nglampahi panalaran ngginakaken kawruh lan ngekstrak kawruh kangge pawiyatan.
Tuladha ingkang mènèhi gambaran saking prosèsor intelijen kalebet LLM lan sapérangan otak manungsa.
Ingkang kaping kalih inggih punika Panyimpen Kawruh (Knowledge Store). Punika tegesipun lokasi panyimpenan ingkang nyimpen kawruh ingkang sampun dipun èkstrak lan saged dipunpendhet menawi dipunbetahaken.
Wonten ing LLM, panyimpen kawruh menika paramèter saking jaringan saraf. Ing manungsa, punika cocog kaliyan memori jangka panjang ing otak.
Ingkang kaping tigang inggih punika Donya (World). Punika tegesipun lingkungan njawi ingkang dipunpersepsi déning sistem intelijen pawiyatan kados ta manungsa utawi ALIS.
Kangge manungsa, donya menika kasunyatanipun piyambak. Ing kasus LLM, mèkanisme ingkang nampi asil saking LLM lan nyediakaken tanggepan dhateng punika dipunanggep sami kaliyan donya.
Ingkang kaping sekawan inggih punika Memori Kahanan (State Memory). Punika tegesipun memori internal sementara, kados lembar corat-coret, ingkang dipun ginakaken déning sistem intelijen pawiyatan nalika panalaran.
Wonten ing LLM, punika minangka ruang memori ingkang dipun ginakaken nalika panalaran, ingkang dipunsebat kahanan tersembunyi (hidden states). Ing manungsa, punika cocog kaliyan memori jangka pendek.
Ingkang kaping gangsal inggih punika Kerangka (Framework). Punika ingkang dipunsebat kerangka pamikiran. Ing tèrminologi sistem intelijen pawiyatan, punika tegesipun kritéria kangge milih kawruh ingkang dipunbetahaken nalika panalaran lan struktur ruang kahanan logis kangge ngatur memori kahanan.
Wonten ing LLM, punika struktur semantik saking kahanan tersembunyi, lan umumipun, isinipun samar lan boten saged dipunmangertosi déning manungsa. Salajengipun, pamilihan kawruh dipunintegrasikaken dhateng mèkanisme atènsi, ingkang milih token ingkang badhé dipunacungaken kangge saben token ingkang dipunprosès.
Kangge manungsa, kados ingkang sampun dipunsebataken ing nginggil, punika kerangka pamikiran. Nalika mikir ngginakaken kerangka pamikiran tartamtu, sawetawis set kawruh (know-how) dipunéling saking memori jangka panjang lan dipunlebetaken dhateng memori jangka pendek. Lajeng, informasi ingkang samenika dipunpersepsi dipunatur miturut kerangka pamikiran kangge mangertosi kahanan.
Prinsip Sistem Intelijen Pawiyatan
Sistem intelijen pawiyatan makarya kados ing ngandhap punika:
Prosèsor intelijen tumindak dhateng jagad. Jagad mangsuli kanthi asil adhedhasar tumindak punika.
Prosèsor intelijen ngekstrak kawruh ingkang saged dipun ginakaken malih saking asil-asil kasebat lan nyimpen ing panyimpen kawruh.
Nalika prosèsor intelijen tumindak bola-bali dhateng jagad, punika milih kawruh saking panyimpen kawruh lan ngginakaken kangge ngowahi cara tumindakipun.
Punika mèkanisme dhasaripun.
Nanging, kanthi dhasar, metode èkstraksi, panyimpenan, pamilihan, lan panggunaan kawruh nemtokaken menapa sistem saged nggayuh pawiyatan ingkang migunani.
Manungsa gadhah mèkanisme ingkang saged èfèktif ngekstrak, nyimpen, milih, lan ngginakaken kawruh, ingkang ndadosaken saged sinau.
Jaringan saraf, kalebet LLM, gadhah mèkanisme panyimpenan, pamilihan, lan panggunaan, sanajan bagéan èkstraksi dipun tangani déning guru èksternal. Punika ndadosaken saged sinau angger guru nyediakaken input.
Salajengipun, sistem intelijen pawiyatan saged nggayuh pawiyatan ingkang langkung komplèks kanthi ugi sinau babagan èkstraksi, panyimpenan, lan pamilihan kerangka, sarta panggunaanipun ing memori kahanan, minangka kawruh.
Jinis-jinis Kawruh
Adhedhasar prinsip punika, nalika ngrancang pawiyatan panggayuh, prelu dipunwuningani kanthi cetha wujud informasi kados pundi kawruh panggayuh punika.
Saged kemawon pawiyatan panggayuh dipun sinaoni kanthi kapisah minangka paramèter jaringan saraf.
Nanging, kawruh panggayuh boten prelu winates namung dhateng paramèter jaringan saraf. Calon ingkang réalistis inggih punika kawruh ingkang dipunserat wonten ing basa alami.
Menawi kawruh dipunserat wonten ing basa alami, punika saged dipunèkstrak lan dipun ginakaken kanthi ngoptimalaken kemampuan pangolahan basa alami saking LLM. Salajengipun, punika saged dipunanggep minangka data ing sistem IT reguler, saéngga panyimpenan lan pamilihanipun gampil.
Salajengipun, kawruh ingkang dipunserat wonten ing basa alami gampil dipunpriksa, dipunmangertosi, lan ing sawetawis kasus, dipunowahi déning manungsa lan LLM sanèsipun.
Punika ugi saged dipunpérangaken kaliyan sistem intelijen pawiyatan sanèsipun, sarta dipungabung utawi dipunpisah.
Amargi alasan-alasan punika, kawruh panggayuh ing konsep ALIS wiwitanipun badhé dipunrancang kanthi nargetaken kawruh ingkang dipunserat wonten ing basa alami.
Memori Kahanan Panggayuh lan Kerangka
Kula sampun njlèntrèhaken kaluwihan milih kawruh tèks basa alami minangka kawruh panggayuh.
Makaten ugi, tèks basa alami ugi saged dipun ginakaken kangge memori kahanan lan kerangka kangge panalaran.
Kerangka, ingkang minangka struktur konsèptual, ugi saged dipunsimpen lan dipun ginakaken ing panyimpen kawruh minangka kawruh tèks basa alami.
Nalika nginisialisasi utawi nganyari kahanan adhedhasar struktur ingkang dipunandharaken déning kerangka punika, memori kahanan adhedhasar tèks saged dipun ginakaken.
Kanthi ngrancang ALIS kangge ngginakaken format tèks boten namung kangge kawruh panggayuh nanging ugi kangge kerangka lan memori kahanan, ALIS saged ngoptimalaken kemampuan pangolahan basa alami saking LLM kangge pawiyatan panggayuh lan panalaran umum.
Kawruh Formal
Kawruh panggayuh, kerangka, lan memori kahanan saged dipungambaraken boten namung kanthi tèks basa alami nanging ugi kanthi basa formal utawi modhèl formal ingkang langkung ketat.
Sanajan kula nyerat "milih," tujuan ALIS inggih punika nggabungaken sawetawis mèkanisme pawiyatan kawruh panggayuh kangge ngidini panggunaan hibrida saking pawiyatan bawaan lan pawiyatan panggayuh.
Kawruh ingkang dipungambaraken déning basa formal utawi modhèl formal saged langkung ketat lan bébas saking ambiguitas.
Salajengipun, menawi setunggal kerangka dipunandharaken ngginakaken basa formal utawi modhèl formal, lan kahanan awal dipunjembaraken ing memori kahanan, mila modhèl formal saged dipunprosès déning prosèsor intelijen (sanès LLM) kangge nglampahi simulasi ingkang ketat lan penalaran logis.
Tuladha utami saking basa formal lan modhèl formal kasebat inggih punika basa pamrograman.
Nalika sistem sinau babagan jagad, menawi saged ngandharaken hukum dhasar lan konsep minangka program ing sajroning kerangka, punika saged dipunsimulasi déning komputer.
Kolom 1: Jinis-jinis Kawruh
Nalika kita nata kawruh ing sajroning sistem intelijen pawiyatan, dados cetha bilih kawruh saged dipunpérang dados tigang sistem lan kalih jinis.
Tigang sistem punika inggih: kawruh paramèter jaringan ingkang dipunatasi déning jaringan saraf (neural networks), kawruh alami ing basa alami, lan kawruh formal ing basa formal.
Kalih jinis punika inggih stateless lan stateful.
Kawruh paramèter jaringan stateless inggih punika kawruh intuitif, kados ingkang kapanggih ing AI pawiyatan jero (deep learning). Ciri-ciri kucing lan asu, ingkang boten saged dipunpikiraken utawi dipunidèntifikasi kanthi lésan, saged dipun sinaoni minangka kawruh paramèter jaringan stateless.
Kawruh paramèter jaringan stateful inggih punika kawruh ingkang samar, asil prosès iteratif, kados ingkang kapanggih ing AI generatif.
Kawruh alami stateless inggih punika kawruh kados tegesipun tembung.
Kawruh alami stateful inggih punika kawruh kalebet konteks ingkang wonten ing sajroning ukara.
Sawetawis kawruh alami kanthi alamiah kalebet ing kawruh paramèter jaringan stateful, nanging ugi wonten kawruh ingkang saged dipungayuh sawisé lair saking tèks basa alami.
Kawruh formal stateless inggih punika kawruh ingkang saged dipunandharaken kanthi rumus matématika ingkang boten ngemot iterasi. Kawruh formal stateful inggih punika kawruh ingkang saged dipunandharaken kanthi program.
Memori jangka pendek otak piyambak ugi saged dipun ginakaken minangka memori kahanan kangge kawruh alami lan formal.
Nanging, amargi punika memori jangka pendek, wonten masalah bilih punika angèl kangge njaga kahanan kanthi stabil. Ugi, punika boten saé kangge nyepeng kawruh ing kahanan ingkang formal, boten ambigu.
Ing sisih sanèsipun, kertas, komputer, utawi ponsel saged dipun ginakaken minangka memori kahanan kangge nyerat lan ngowahi tèks basa alami, basa formal, utawi modhèl formal.
Umumipun, data ing kertas utawi komputer asring dipunpersepsi minangka sarana nyimpen kawruh minangka panyimpen kawruh, nanging punika ugi saged dipun ginakaken minangka memori kahanan kangge ngatur pamikiran.
Mangkono, cetha bilih manungsa nglampahi aktivitas intelèktual kanthi trampil ngginakaken tigang sistem lan kalih jinis kawruh punika.
ALIS ugi gadhah potènsi kangge ningkataken kemampuanipun kanthi dramatis kanthi ngaktifaken lan ngembangaken aktivitas intelèktual ingkang ngginakaken tigang sistem lan kalih jinis kawruh ingkang sami punika.
Mliginipun, ALIS gadhah kakuwatan kangge ngginakaken panyimpen kawruh lan memori kahanan ingkang ageng sanget. Salajengipun, punika saged kanthi gampil nyiapaken sawetawis conto saking saben-saben lan nglampahi tugas-tugas intelèktual kanthi nggantos utawi nggabungaken.
Kolom 2: Orkéstrasi Intelèktual
Sanajan wonten kakuwatan ing babagan saged nyimpen kawruh ingkang ageng ing panyimpen kawruh, nanging gadhah kawruh ingkang kathah boten mesthi mènèhi kaluwihan kangge aktivitas intelèktual amargi watesan jumlah token ingkang saged dipunginakaken AI generatif ing satunggaling wekdal lan kahanan bilih kawruh ingkang boten relevan dados swara (noise).
Ing sisih sanèsipun, kanthi mbagi panyimpen kawruh kanthi trep lan nyiptakaken panyimpen kawruh khusus ingkang padhet, ingkang ngumpulaken kawruh ingkang dipunbetahaken kangge tugas intelèktual tartamtu, masalah watesan token lan swara saged dipunatasi.
Minangka ijol-ijolan, panyimpen kawruh khusus kasebat namung saged dipunginakaken kangge tugas intelèktual tartamtu wau.
Kathah aktivitas intelèktual menika kombinasi komplèks saking manéka warna tugas intelèktual. Pramila, kanthi mbagi kawruh dados panyimpen kawruh khusus miturut jinis tugas intelèktual lan mbagi malih aktivitas intelèktual dados tugas-tugas intelèktual, ALIS saged nglampahi sedaya aktivitas intelèktual kanthi nggantos-gantos antawis panyimpen kawruh khusus kanthi trep.
Punika kados orkèstra ingkang kasusun saking musisi profesional ingkang ngginakaken piranti musik ingkang bènten-bènten lan konduktor ingkang mimpin sedaya.
Liwat tèknologi sistem punika, "orkèstrasi intelèktual," ALIS badhé saged ngatur aktivitas intelèktualipun.
Désain Dhasar lan Cara Pangrembakaning ALIS
Saking ngriki, kula badhé nata pendekatan pangrembakaning ALIS.
Kados ingkang sampun dipunandharaken ing prinsip lan kolom-kolom, ALIS kanthi dhasar dipunrancang supados gampil dipunrembak fungsionalitas lan sumber dayanesipun. Punika amargi inti saking ALIS sanès wonten ing fungsi-fungsi tartamtu, nanging wonten ing prosès èkstraksi kawruh, panyimpenan, pamilihan, lan panggunaan.
Contonipun, sawetawis jinis mèkanisme èkstraksi kawruh saged dipunsiapaken, lajeng dipunpilih utawi dipun ginakaken kanthi bebarengan, gumantung saking désain sistem.
Salajengipun, ALIS saged dipundadosaken nglampahi pamilihan punika piyambak.
Panyimpenan, pamilihan, lan panggunaan ugi saged kanthi bébas dipunpilih utawi dipunparalèlaken.
Pramila, ALIS saged dipunrembak kanthi cara inkremèntal lan agil, tanpa prelu ngrancang sedaya fungsionalitas kanthi cara wadhuk (waterfall).
Wiwitaning ALIS
Samenika, mangga kita rancang ALIS ingkang prasaja sanget.
UI dhasaripun inggih punika AI saking pacelathon ingkang sampun limrah. Wiwitanipun, input pangguna badhé langsung dipunparingaken dhateng LLM. Tanggepan saking LLM lajeng badhé dipuntampilaken ing UI, lan sistem badhé ngentosi input pangguna salajengipun.
Nalika input salajengipun dumugi, LLM badhé nampi boten namung input énggal nanging ugi sedaya riwayat pacelathon antawis pangguna lan LLM ngantos wekdal punika.
Wonten ing wingkingipun UI AI pacelathon punika, kita badhé nyiapaken mèkanisme kangge ngekstrak kawruh ingkang saged dipun ginakaken malih saking riwayat pacelathon.
Punika saged dipuntambahaken dhateng sistem AI pacelathon minangka prosès ingkang dipunlampahi nalika pacelathon rampung utawi ing interval ingkang ajeg. Mesthinipun, LLM badhé dipun ginakaken kangge èkstraksi kawruh.
LLM punika badhé dipunparingi konsep lan prinsip ALIS, sesarengan kaliyan kawruh èkstraksi kawruh, minangka pituduh sistem. Menawi kawruh boten dipunèkstrak kados ingkang dipunkajengaken, pituduh sistem kedah dipunsampurnakaken lumantar uji coba.
Kawruh ingkang dipunèkstrak saking riwayat pacelathon badhé langsung dipunsimpen ing knowledge lake. Knowledge lake menika mèkanisme kangge nyimpen kawruh kanthi prasaja ing kahanan ingkang rata lan boten terstruktur sadèrèngipun dipunstrukturaken.
Salajengipun, kita badhé nyiapaken mèkanisme strukturisasi supados langkung gampil milih kawruh saking knowledge lake.
Punika tegesipun nyediakaken panyimpen vèktor embedding kangge pados semantik, kados ingkang limrahipun dipun ginakaken ing RAG, lan indèks tembung kunci, ing antawisipun.
Pilihan ingkang langkung maju kalebet ngasilaken graf kawruh utawi nglampahi klasifikasi kategori.
Kumpulan informasi terstruktur kangge knowledge lake punika badhé dipunsebat knowledge base. Sedaya knowledge base lan knowledge lake punika badhé mujudaken panyimpen kawruh.
Salajengipun, kita badhé nggabungaken panyimpen kawruh dhateng pangolahan UI pacelathon.
Punika kanthi dhasar sami kaliyan mèkanisme RAG umum. Kangge input pangguna, kawruh ingkang relevan dipunpilih saking panyimpen kawruh lan dipunparingaken dhateng LLM sesarengan kaliyan input pangguna.
Punika ndadosaken LLM kanthi otomatis ngginakaken kawruh nalika ngolah input pangguna.
Kanthi cara punika, kawruh badhé ngumpul saben pacelathon kaliyan pangguna, mujudaken ALIS ingkang prasaja ingkang ngginakaken kawruh ingkang ngumpul saking pacelathon ingkang sampun kalampahan.
Skenario Prasaja
Contonipun, bayangaken pangguna ingkang ngembangaken aplikasi wèb ngginakaken ALIS prasaja punika.
Pangguna nglapuraken bilih kodhe ingkang dipunajokaken déning LLM ngasilaken kalepatan. Sasampunipun pangguna lan LLM sesarengan ngatasi masalah, piyambakipun manggihaken bilih spésifikasi API èksternal ingkang dipunmangertosi LLM sampun lawas, lan program saged lumampah kanthi leres sasampunipun dipunlèrèsaken dhateng spésifikasi API ingkang paling énggal.
Saking benang pacelathon punika, ALIS lajeng saged ngumpulaken kawruh ing panyimpen kawruhipun: mliginipun, bilih spésifikasi API ingkang dipunmangertosi déning LLM sampun lawas, lan kados pundi spésifikasi API ingkang paling énggal.
Lajeng, sanès wekdal program ingkang ngginakaken API ingkang sami dipundamel, ALIS badhé saged ngginakaken kawruh punika kangge ngasilaken program adhedhasar spésifikasi API paling énggal wiwit wiwitan.
Pangapikan dhateng ALIS Awal
Nanging, kangge punika saged kalampahan, kawruh punika kedah dipunpilih minangka tanggepan saking input pangguna. Saged ugi kawruh punika boten langsung gegayutan kaliyan input pangguna, amargi nama API ingkang bermasalah mbok bilih boten medal ing input pangguna.
Ing kasus punika, nama API namung badhé medal nalika tanggepan saking LLM.
Pramila, kita badhé ngembangaken sakedhik ALIS prasaja kanthi nambahaken mèkanisme kangge pra-analisis lan pasca-pamariksaan.
Pra-analisis sami kaliyan "mode pamikiran" ing LLM-LLM pungkasan. Memori ingkang saged nyepeng tèks minangka memori kahanan badhé dipunsiapaken, lan pituduh sistem badhé mrentahaken LLM kangge nglampahi pra-analisis sasampunipun nampi input pangguna.
Asil pra-analisis saking LLM badhé dipunsimpen ing memori kahanan. Adhedhasar asil pra-analisis punika, kawruh badhé dipunpilih saking panyimpen kawruh.
Lajeng, riwayat pacelathon, asil pra-analisis, kawruh ingkang cocog kaliyan input pangguna, lan kawruh ingkang cocog kaliyan asil pra-analisis badhé dipunparingaken dhateng LLM kangge nampi tanggepan.
Salajengipun, asil ingkang dipunwangsulaken déning LLM ugi badhé dipun ginakaken kangge pados kawruh saking panyimpen kawruh. Kalebet kawruh ingkang kapanggih ing ngriku, LLM badhé dipunsuwun kangge nglampahi pasca-pamariksaan.
Menawi wonten masalah ingkang kapanggih, titik-titik masalah lan alesanipun badhé dipunklebetaken lan dipunwangsulaken dhateng LLM pacelathon.
Kanthi nyediakaken kalodhangan kangge milih kawruh nalika pra-analisis lan pasca-pamariksaan, kita saged ningkataken kasempatan ngginakaken kawruh ingkang sampun ngumpul.
Wawasan Ngajeng
Pendekatan damel ALIS awal lajeng nambahaken pangapikan kangge ngatasi kekiranganipun kanthi sampurna nggambaraken pangrembakan agil lan pangapikan ALIS kanthi inkremèntal.
Salajengipun, kados ingkang sampun dipun tuladhakaken, ALIS awal punika paling cocog kangge dipun ginakaken ing pangrembakan piranti lunak. Punika amargi minangka bidang ingkang dipunbetahaken sanget lan ugi bidang ingkang kawruh saged kanthi cetha dipun kumpulaken kanthi gampil.
Punika minangka jinis ingkang cetha ireng utawi pethak, nanging ugi minangka bidang ingkang wigatos ing pundi uji coba (trial-and-error), akumulasi kawruh iteratif punika prelu lan wigatos.
Sanesipun, amargi pangrembakan ALIS piyambak punika pangrembakan piranti lunak, kasunyatan bilih pangrembaka ALIS saged dados pangguna ALIS piyambak punika ugi narik kawigatosan.
Lan, sesarengan kaliyan sistem ALIS, knowledge lake ugi saged dipunpérangaken kanthi umum ing platform kados GitHub.
Punika badhé ngidinaken kathah tiyang kangge kolaborasi ing pangapikan sistem ALIS lan akumulasi kawruh, kanthi sedaya tiyang nampi mupangat saking asilipun, sarta langkung nyepetaken pangrembakan ALIS.
Mesthinipun, pamérangan kawruh boten winates namung dhateng pangrembaka ALIS nanging saged dipunkumpulaken saking sedaya pangrembaka piranti lunak ingkang ngginakaken ALIS.
Kasunyatan bilih kawruh wonten ing basa alami mènèhi kalih kaluwihan sanèsipun:
Kaluwihan kapisan inggih punika kawruh saged dipun ginakaken sanajan modhèl LLM gantos utawi dipunanyari.
Kaluwihan kaping kalih inggih punika knowledge lake ingkang ageng sanget saged dipun ginakaken minangka dataset pra-latih kangge LLM. Punika saged dipunlampahi kanthi kalih cara: kanthi ngginakaken kangge fine-tuning, utawi kanthi ngginakaken kangge pra-latih LLM piyambak.
Ing kasus punapa kemawon, menawi LLM ingkang sampun kanthi bawaan sinau kawruh ingkang ngumpul ing knowledge lake saged dipun ginakaken, pangrembakan piranti lunak badhé dados langkung èfisièn.
Salajengipun, ing pangrembakan piranti lunak, wonten manéka warna prosès kados analisis kabetahan, désain, implemèntasi, pangujian, operasi, lan pangopènan, lan kawruh khusus wonten kangge saben domain piranti lunak lan platform. Menawi mèkanisme dipundamel kangge mbagi kawruh ageng ingkang ngumpul saking perspektif punika, orkèstra ALIS ugi saged kawujud.
Mangkono, tèknologi dhasar kangge ALIS sampun cumepak. Kunci samenika inggih punika nyobi kanthi praktis manéka cara—kados kawruh èkstraksi kawruh, pamilihan kawruh ingkang trep, pambagian kawruh khusus, lan cara ngginakaken memori kahanan—kangge manggihaken pendekatan ingkang èfèktif. Ugi, nalika komplèksitas nambah, wekdal pangolahan lan béya panggunaan LLM badhé mundhak, saéngga mbetahaken optimisasi.
Prosès uji coba lan optimisasi punika saged dipunlampahi kanthi adaptif lumantar pangrembakan lan pangapikan kerangka.
Wiwitanipun, pangrembaka, minangka pangguna, mbok bilih badhé nggabungaken kerangka dhateng ALIS lumantar uji coba. Nanging, sanajan mekaten, LLM piyambak saged dipundadosaken ngasilaken ide-ide kerangka.
Lan kanthi nggabungaken kerangka dhateng ALIS ingkang ngapiki utawi manggihaken kerangka adhedhasar asil ingkang dipuntampi saking jagad lan kawruh ingkang dipunèkstrak, ALIS piyambak badhé nglampahi uji coba lan optimisasi kanthi adaptif.
ALIS ing Donya Nyata
Menawi ALIS sampun dipun apiki ngantos tataran punika, punika kedah saged sinau kawruh boten namung ing jagad pangrembakan piranti lunak nanging ugi ing manéka warna domain.
Kados pangrembakan piranti lunak, ALIS dipunajab saged ngluwèni cakupanipun dhateng manéka aktivitas intelèktual ingkang dipunlampahi manungsa ngginakaken komputer.
Sanajan ing aktivitas intelèktual ingkang murni punika, ALIS gadhah sipat AI ingkang katut wujud (embodied AI) tumrap jagad target.
Punika amargi ALIS ngakoni wates antawisipun piyambakipun kaliyan jagad, tumindak dhateng jagad liwat wates punika, lan saged nyerap informasi ingkang dipuntampi saking jagad.
Ingkang umumipun kita sebat "badan" inggih punika wates kaliyan jagad ingkang katingal fisik lan dumunung ing satunggal papan.
Nanging, sanajan watesipun boten katingal lan kasebar ing ruang, struktur panangkepan lan tumindak liwat wates punika sami kaliyan gadhah badan fisik.
Ing pangertosan punika, ALIS, nalika nglampahi aktivitas intelèktual, saged dipunanggep gadhah sipat AI ingkang katut wujud kanthi cara virtual.
Lan menawi ALIS sampun dipun apiki ngantos tataran ing pundi saged sinau kanthi trep sanajan ing jagad ingkang énggal lan boten dipunmangertosi, wonten kamungkinan bilih ALIS saged dipunintegrasikaken minangka bagéan saking AI ingkang katut wujud nyata ingkang gadhah badan fisik.
Kanthi cara punika, ALIS pungkasanipun badhé dipunterapaken ing donya nyata lan badhé wiwit sinau saking punika.