Selama bertahun-tahun, AI Kemajuan telah diukur berdasarkan skala: model yang lebih besar, kumpulan data yang lebih besar, jendela konteks yang lebih panjang. Setiap terobosan baru menjanjikan bahwa jika kita memberikan lebih banyak data kepada sistem, kita akan mendapatkan wawasan yang lebih tajam.
Namun, setidaknya di luar pelatihan, asumsi tersebut bermasalah. Karena model menyerap perintah yang lebih lama, sering kali model tersebut menjadi kurang dapat diandalkan. Model mempunyai lebih banyak pilihan, yang membuatnya lebih cenderung fokus pada hal yang salah.
Para peneliti menyebut konteks ini membusuk: ketika sistem AI memproses lebih banyak informasi, detail yang tidak relevan mengacaukan memori kerjanya. Dampaknya bisa berupa tanggapan yang kurang akurat, biaya yang lebih tinggi, dan hilangnya kepercayaan secara bertahap.
Eksperimen terbaru oleh Microsoft untuk menciptakan “Magentic Marketplace” yang dipimpin oleh AI menunjukkan bagaimana AI bisa gagal di sini. Direktur pelaksana laboratorium, Ece Kamar, menjelaskan, “Kami melihat bahwa model-model saat ini benar-benar kewalahan karena memiliki terlalu banyak pilihan.”
Bagaimana kebusukan konteks mulai terjadi
Sebagian besar data perusahaan berada dalam dokumen—PDFlaporan, dan file internal yang dipotong-potong untuk pembuatan augmented pengambilan (RAG). Saat pengguna mengajukan pertanyaan, sistem mengambil bagian yang tampak serupa secara semantik dan mengirimkannya ke model bahasa besar (LLM) sebagai konteks.
Masalahnya adalah kesamaan tidak sama dengan relevansi. Sebuah fragmen mungkin terlihat cocok, tetapi tidak memiliki definisi kunci atau pengecualian. Tanpa konteks tambahan, sebuah fragmen mungkin hanya berupa kebisingan.
AI akhirnya menyulap terlalu banyak informasi, tanpa memahami bagian mana yang benar-benar penting dan mana yang hanya menimbulkan lebih banyak gangguan dalam sistem.
Cara mengatasinya bukanlah dengan menjejalkan lebih banyak teks, melainkan menemukan teks yang lebih relevan dengan pertanyaan bisnis yang ada. Hal ini berarti melengkapi AI dengan lapisan pengetahuan yang mencerminkan bagaimana dunia sebenarnya bekerja, sebagai jaringan entitas dan hubungan, bukan titik data yang tidak terhubung.
Berpikir dalam koneksi, bukan dokumen
Manusia tidak masuk akal dokumentetapi dalam hubungan. Grafik pengetahuan menangkap hubungan tersebut secara eksplisit: orang, tempat, produk, dan hubungan di antara mereka.
Saat data disimpan dan dicari dalam bentuk grafik, pengambilan beralih dari “perkiraan terdekat” ke “jawaban terbaik yang didukung”. Seorang asisten hukum, misalnya, mungkin bertanya tentang klausul kontrak.
Pencarian kata kunci atau vektor dapat menghasilkan satu klausa yang tampak relevan, sementara sistem berbasis grafik memahami bahwa klausa tersebut termasuk dalam definisi yang lebih luas dan mengambil semua bagian terkait. Jawabannya lebih lengkap dan kontekstual, dan ini menghindari masalah dalam mencoba menghubungkan informasi di berbagai bagian.
Hasil akhirnya adalah model tersebut membutuhkan token yang jauh lebih sedikit untuk menghasilkan jawaban yang relevan.
Mengapa grafik membangun kepercayaan
Transparansi adalah keuntungan utama lainnya dari grafik. Penyematan vektor, proses matematis yang digunakan AI untuk menghubungkan kata-kata serupa, sangat berguna untuk mesin tetapi sama sekali tidak dapat dibaca oleh manusia.
Sebaliknya, grafik mudah dilihat dan dipahami. Ini mencatat rangkaian fakta yang digunakan sistem untuk mencapai suatu kesimpulan, beserta sumber dan izin yang terlibat. Itu dapat divisualisasikan dengan cara yang masuk akal bagi manusia.
Ketertelusuran tersebut sangat berharga dalam lingkungan yang diatur. Jauh lebih mudah untuk membenarkan suatu keputusan ketika Anda dapat menunjukkan jalannya datadan mengapa keputusan itu dibuat, bukan hanya menunjuk pada sekelompok angka yang tidak jelas. Tata kelola dan penjelasan bawaan membuat AI berbasis grafik siap digunakan dan dapat dipercaya bagi perusahaan.
Jangan menunggu GPT-6
Beberapa pemimpin bertanya mengapa mereka harus mengkhawatirkan konteks ketika model masa depan akan lebih cerdas. Memang benar bahwa model bahasa besar berkembang dengan cepat. Namun betapapun cakapnya mereka, mereka tidak akan pernah dilatih berdasarkan data perusahaan swasta Anda.
Model dasar juga bekerja seperti mesin pencari dengan kemampuan penalaran yang luar biasa namun tidak memiliki indeks informasi perusahaan Anda. Hal ini dapat menghasilkan jawaban, namun tanpa diberikan konteks yang tepat, hal tersebut tidak dapat mengetahui bagian mana dari pengetahuan Anda yang otoritatif, terkini, atau paling relevan dengan pertanyaan.
Bahkan ketika LLM mencapai versi dua digit, mereka masih memerlukan cara yang terstruktur dan aman untuk mengakses hal-hal unik dalam sebuah bisnis.
Itulah sebabnya hambatan dalam adopsi AI beralih dari kekuatan komputasi ke organisasi data. Pertanyaan kuncinya bukan lagi “Model mana yang harus saya gunakan?” Ini adalah “Seberapa baik pengetahuan saya terorganisir?”
Membuat grafik lebih mudah digunakan
Basis data grafik pernah memiliki reputasi sulit dipelajari. Hal ini terjadi satu dekade yang lalu, ketika tim harus menciptakan skema mereka sendiri dari awal. Ada dua perubahan yang membuatnya lebih mudah diakses.
Pertama, Graph Query Language (GQL) kini menjadi standar ISO internasional. Ini adalah bahasa data baru pertama yang distandarisasi sejak SQL beberapa dekade lalu. GQL memberi para insinyur bahasa deklaratif bersama untuk bekerja dengan data grafik, bahasa yang melengkapi SQL daripada bersaing dengannya.
Standardisasi menghasilkan peningkatan interoperabilitas, dokumentasi yang lebih jelas, dan keahlian yang terdefinisi dengan baik untuk tujuan perekrutan.
Kedua, berkat AI, platform grafik modern kini mengotomatiskan pekerjaan yang sebelumnya memerlukan keahlian khusus. Pemodelan terbantu, templat domain, dan penelusuran hibrid, yang memadukan kueri vektor dan grafik dengan mulus, kini didukung dan dipercepat oleh AI dengan agen.
Ini adalah langkah perubahan dalam membuat teknologi lebih mudah digunakan dan diterapkan. Tim menghabiskan lebih sedikit waktu untuk menyusun struktur data dan lebih banyak waktu untuk bertanya secara nyata bisnis pertanyaan.
Keuntungan lapisan pengetahuan
Organisasi cerdas menyadari bahwa hasil AI yang paling kuat berasal dari perpaduan model yang kuat dengan pengetahuan yang terorganisir dengan baik, terhubung, dan kontekstual. Model adalah mesin penalaran; grafik adalah perancah yang menyimpan fakta-fakta yang benar.
Ketika pengambilan dipandu oleh koneksi, maka akan menghasilkan konteks dengan kualitas lebih tinggi dan hasil yang lebih baik. LLM dapat menghabiskan lebih sedikit upaya untuk mengisi kekosongan, dan lebih banyak memberikan alasan yang akurat dan dapat dijelaskan. Respons meningkat, latensi turun, dan biaya turun. Yang terpenting, pengguna mulai mempercayai jawabannya.
Kita beralih dari era yang ditentukan oleh komputasi mentah ke era yang ditentukan oleh konteks terorganisir. Permintaan yang lebih panjang dan model yang lebih besar akan tetap penting, namun struktur, kejelasan, dan keterhubungan akan lebih penting.
Jika Anda menginginkan AI yang konsisten, cepat, dan dapat dipercaya, jalan ke depannya tidaklah “lebih besar.” Ini lebih terorganisir.
Kami telah menampilkan pembuat situs web AI terbaik.
Artikel ini dibuat sebagai bagian dari saluran Expert Insights TechRadarPro tempat kami menampilkan para pemikir terbaik dan tercemerlang di industri teknologi saat ini. Pandangan yang diungkapkan di sini adalah milik penulis dan belum tentu milik TechRadarPro atau Future plc. Jika Anda tertarik untuk berkontribusi, cari tahu lebih lanjut di sini: https://www.techradar.com/news/submit-your-story-to-techradar-pro
