Bukan Tentang Apa yang AI Bisa Lakukan untuk Kita, Tapi Apa yang Kita Bisa Lakukan untuk AI

Kebanyakan orang melihat kecerdasan buatan (AI) melalui lensa satu arah. Teknologi ini hanya ada untuk melayani manusia dan mencapai tingkat efisiensi, akurasi, dan produktivitas yang baru. Tapi apa jika kita melewatkan setengah dari persamaan? Dan apa jika, dengan melakukan hal ini, kita hanya memperkuat kelemahan teknologi?

AI masih dalam tahap bayi dan masih menghadapi keterbatasan signifikan dalam penalaran, kualitas data, dan pemahaman konsep seperti kepercayaan, nilai, dan insentif. Perbedaan antara kemampuan saat ini dan “kecerdasan” yang sebenarnya sangat besar. Kabar baiknya? Kita dapat mengubah ini dengan menjadi kolaborator aktif daripada konsumen pasif AI.

Manusia memegang kunci evolusi cerdas dengan menyediakan kerangka penalaran yang lebih baik, memberi makan data yang berkualitas, dan menjembatani kesenjangan kepercayaan. Sebagai hasilnya, manusia dan mesin dapat bekerja berdampingan untuk mencapai kemenangan bersama – dengan kolaborasi yang lebih baik menghasilkan data yang lebih baik dan hasil yang lebih baik.

Mari kita pertimbangkan apa yang bisa terlihat seperti hubungan simbiosis yang lebih baik dan bagaimana, sebagai mitra, kolaborasi yang bermakna dapat menguntungkan kedua sisi persamaan AI.

Hubungan yang diperlukan antara manusia dan mesin

AI tidak diragukan lagi sangat baik dalam menganalisis dataset yang besar dan mengotomatisasi tugas yang kompleks. Namun, teknologi ini masih secara fundamental terbatas dalam berpikir seperti kita. Pertama, model dan platform ini bergelut dengan penalaran di luar data pelatihan mereka. Pengenalan pola dan prediksi statistik tidak menjadi masalah, tetapi penilaian kontekstual dan kerangka logis yang kita anggap sebagai hal yang biasa lebih sulit untuk direplikasi. Kesenjangan penalaran ini berarti AI sering gagal ketika dihadapkan pada skenario yang halus atau penilaian etika.

Kedua, ada “sampah masuk, sampah keluar” kualitas data. Model saat ini dilatih pada dataset yang besar dengan dan tanpa izin. Informasi yang tidak diverifikasi atau bias digunakan tanpa atribusi yang tepat atau otorisasi, menghasilkan AI yang tidak diverifikasi atau bias. “Diet data” model ini oleh karena itu dipertanyakan pada yang terbaik dan acak pada yang terburuk. Berguna untuk memikirkan dampak ini dalam istilah nutrisi. Jika manusia hanya makan makanan sampah, kita lambat dan lesu. Jika agen hanya mengonsumsi materi hak cipta dan bahan kedua, kinerja mereka sama-sama terhambat dengan output yang tidak akurat, tidak dapat diandalkan, dan umum daripada spesifik. Ini masih jauh dari pengambilan keputusan otonom dan proaktif yang dijanjikan dalam gelombang agen yang akan datang.

Kritis, AI masih buta terhadap siapa dan apa yang dia interaksikan. AI tidak dapat membedakan antara pengguna yang sejalan dan tidak sejalan, bergelut untuk memverifikasi hubungan, dan gagal memahami konsep seperti kepercayaan, pertukaran nilai, dan insentif pemangku kepentingan – elemen inti yang mengatur interaksi manusia.

Masalah AI dengan solusi manusia

Kita perlu memikirkan platform AI, alat, dan agen kurang sebagai pelayan dan lebih sebagai asisten yang kita dapat bantu melatih. Pertama, mari kita lihat penalaran. Kita dapat memperkenalkan kerangka logis baru, pedoman etika, dan pemikiran strategis yang sistem AI tidak dapat kembangkan sendiri. Melalui pengarahan yang hati-hati dan pengawasan yang cermat, kita dapat melengkapi kekuatan statistik AI dengan kebijaksanaan manusia – mengajar mereka untuk mengenali pola dan memahami konteks yang membuat pola tersebut bermakna.

Demikian pula, bukan membiarkan AI dilatih pada informasi apa pun yang dapat mereka ambil dari internet, manusia dapat mengkurasi dataset yang lebih berkualitas yang diverifikasi, beragam, dan bersumber etis.

Ini berarti mengembangkan sistem atribusi yang lebih baik di mana pembuat konten diakui dan dikompensasikan untuk kontribusi mereka pada pelatihan.

Kerangka kerja yang muncul membuat ini memungkinkan. Dengan menggabungkan identitas online di bawah satu bendera dan memutuskan apakah dan apa yang mereka nyaman untuk dibagikan, pengguna dapat melengkapi model dengan informasi zero-party yang menghormati privasi, persetujuan, dan peraturan. Lebih baik lagi, dengan melacak informasi ini pada blockchain, pengguna dan pembuat model dapat melihat dari mana informasi berasal dan mengkompensasikan pembuat dengan tepat untuk menyediakan “minyak baru” ini. Ini adalah bagaimana kita mengakui pengguna untuk data mereka dan membawa mereka ke dalam revolusi informasi.

Akhirnya, menjembatani kesenjangan kepercayaan berarti melengkapi model dengan nilai dan sikap manusia. Ini berarti merancang mekanisme yang mengenali pemangku kepentingan, memverifikasi hubungan, dan membedakan antara pengguna yang sejalan dan tidak sejalan. Sebagai hasilnya, kita membantu AI memahami konteks operasionalnya – siapa yang diuntungkan dari tindakannya, apa yang menyumbang pada perkembangannya, dan bagaimana nilai mengalir melalui sistem yang dia ikuti.

Misalnya, agen yang didukung oleh infrastruktur blockchain cukup baik dalam hal ini. Mereka dapat mengenali dan memprioritaskan pengguna dengan keterlibatan ekosistem yang terbukti melalui reputasi, pengaruh sosial, atau kepemilikan token. Ini memungkinkan AI untuk menyelaraskan insentif dengan memberikan bobot lebih besar kepada pemangku kepentingan dengan kulit di dalam permainan, menciptakan sistem tata kelola di mana pendukung yang diverifikasi berpartisipasi dalam pengambilan keputusan berdasarkan tingkat keterlibatan mereka. Sebagai hasilnya, AI lebih dalam memahami ekosistemnya dan dapat membuat keputusan yang dipandu oleh hubungan pemangku kepentingan yang sebenarnya.

Jangan Hilangkan Elemen Manusia dalam AI

Banyak yang telah dikatakan tentang munculnya teknologi ini dan bagaimana itu mengancam untuk menggantikan industri dan menghapus pekerjaan. Namun, dengan memasang pengaman, kita dapat memastikan bahwa AI melengkapi pengalaman manusia daripada menggantinya. Misalnya, implementasi AI yang paling sukses tidak menggantikan manusia tetapi memperluas apa yang dapat kita capai bersama. Ketika AI menangani analisis rutin dan manusia menyediakan arahan kreatif dan pengawasan etika, kedua belah pihak memberikan kekuatan unik mereka.

Ketika dilakukan dengan benar, AI berjanji untuk meningkatkan kualitas dan efisiensi proses manusia yang tak terhitung jumlahnya. Tapi ketika dilakukan dengan salah, itu terbatas oleh sumber data yang dipertanyakan dan hanya meniru kecerdasan daripada menampilkan kecerdasan yang sebenarnya. Ini tergantung pada kita, sisi manusia dari persamaan, untuk membuat model ini lebih pintar dan memastikan bahwa nilai, penilaian, dan etika kita tetap di jantungnya.

Kepercayaan tidak dapat dinegosiasikan untuk teknologi ini untuk menjadi mainstream. Ketika pengguna dapat memverifikasi ke mana data mereka pergi, melihat bagaimana data mereka digunakan, dan berpartisipasi dalam nilai yang mereka ciptakan, mereka menjadi mitra yang mau daripada subjek yang enggan. Demikian pula, ketika sistem AI dapat memanfaatkan pemangku kepentingan yang sejalan dan pipa data yang transparan, mereka menjadi lebih dapat dipercaya. Sebagai gantinya, mereka lebih mungkin untuk mendapatkan akses ke ruang pribadi dan profesional yang paling penting, menciptakan roda setir akses data yang lebih baik dan hasil yang lebih baik.

Jadi, memasuki fase AI berikutnya, mari kita fokus pada menghubungkan manusia dan mesin dengan hubungan yang dapat diverifikasi, sumber data yang berkualitas, dan sistem yang presisi. Kita harus bertanya tidak apa yang AI dapat lakukan untuk kita, tapi apa yang kita dapat lakukan untuk AI.