ChatGPT dan alat kecerdasan buatan generatif lainnya semakin populer. Jika Anda pernah menggunakan alat ini, Anda mungkin menyadari bahwa Anda mengungkapkan pikiran Anda (dan mungkin emosi) melalui pertanyaan dan interaksi Anda dengan platform AI. Jadi bisa dibayangkan banyaknya data yang dikumpulkan oleh alat AI ini dan pola yang dapat mereka ekstrak dari cara kita berpikir.

Dampak dari praktik bisnis ini sangat jelas: ekonomi AI baru muncul dengan mengumpulkan, mengkodifikasi, dan memonetisasi pola yang berasal dari pikiran dan perasaan kita. Gangguan ke dalam keintiman dan kognisi kita akan jauh lebih besar dibandingkan dengan media sosial dan platform teknologi yang ada.

Oleh karena itu, kami berisiko menjadi korban “perbudakan pengetahuan” di mana perusahaan dan/atau monopoli AI pemerintah mengontrol akses kami ke pengetahuan kami.

Jangan sampai kita mengizinkannya. Kami telah “memiliki” pola pikir kami sejak dahulu kala, kami juga harus memiliki pola pikir yang diperoleh secara otomatis melalui AI. Dan kita bisa melakukannya!

Salah satu cara untuk memastikan kita tetap memegang kendali adalah melalui pengembangan AI dari bawah ke atas, yang memungkinkan secara teknis dan diinginkan secara etis. AI bottom-up dapat muncul melalui pendekatan open-source, dengan fokus pada data berkualitas tinggi.

Pendekatan sumber terbuka: Dasar teknis untuk AI bottom-up

AI bottom-up menantang pandangan dominan bahwa platform AI yang kuat hanya dapat dikembangkan menggunakan data besar, seperti halnya dengan ChatGPT, Bard, dan model bahasa besar (LLM) lainnya.

Menurut sebuah bocoran dokumen dari Google berjudul “We have no Moat, and Nother Does OpenAI”, open source AI bisa mengungguli model raksasa seperti ChatGPT.

Faktanya, itu sudah terjadi. Platform sumber terbuka Vicuna, Alpaca, dan LLama mendekati kualitas ChatGPT dan Bard, platform AI berpemilik terkemuka, seperti yang diilustrasikan di bawah ini.

Solusi open source juga lebih hemat biaya. Menurut dokumen Google yang bocor: “Mereka melakukan hal-hal dengan parameter $100 dan 13 miliar yang kami perjuangkan dengan $10 juta dan 540 miliar. Dan mereka melakukannya dalam hitungan minggu, bukan bulan.”

Solusi open source juga lebih cepat, lebih modular, dan lebih ramah lingkungan dalam artian membutuhkan lebih sedikit energi untuk pemrosesan data.

Data berkualitas tinggi: Bahan bakar untuk AI bottom-up

Saat algoritme untuk AI bottom-up menjadi semakin tersedia, fokus bergeser untuk memastikan data berkualitas lebih tinggi. Saat ini, algoritme sebagian besar disetel secara manual melalui pelabelan data yang terutama dilakukan di negara-negara berbahasa Inggris berbiaya rendah seperti India dan Kenya. Misalnya, kumpulan data ChatGPT dianotasi di Kenya. Praktik ini tidak berkelanjutan karena menimbulkan banyak pertanyaan terkait hukum ketenagakerjaan dan perlindungan data. Itu juga tidak dapat memberikan keahlian mendalam, yang sangat penting untuk mengembangkan sistem AI baru.

Di Diplo, organisasi yang saya pimpin, kami telah berhasil bereksperimen dengan pendekatan yang mengintegrasikan pelabelan data ke dalam operasi harian kami, mulai dari penelitian hingga pelatihan dan manajemen. Serupa dengan penanda kuning dan post-it, kami membuat anotasi teks secara digital saat melakukan kursus, melakukan penelitian, atau mengembangkan proyek. Melalui interaksi seputar teks, kami secara bertahap membangun AI dari bawah ke atas.

Hambatan utama dalam proses bottom-up ini bukanlah teknologi, melainkan kebiasaan kognitif yang seringkali mendukung kontrol atas pengetahuan dan berbagi informasi. Berdasarkan pengalaman kami di Diplo, dengan berbagi pemikiran dan pendapat tentang teks dan masalah yang sama, kami secara bertahap meningkatkan kedekatan kognitif tidak hanya di antara rekan kerja kami sebagai manusia, tetapi juga antara manusia dan algoritme AI kami. Dengan cara ini, saat kami membangun AI dari bawah ke atas, kami juga mengembangkan jenis organisasi baru yang tidak hanya mengakomodasi penggunaan AI, tetapi juga mengubah cara kami bekerja bersama.

Bagaimana AI bottom-up akan memengaruhi manajemen AI?

ChatGPT telah memicu ketakutan manajemen yang besar, termasuk seruan dari Elon Musk, Yuval Harari, dan ribuan ilmuwan terkemuka untuk menangguhkan pengembangan AI karena model AI besar menimbulkan risiko besar bagi masyarakat, termasuk konsentrasi pasar, kekuatan kognitif, dan masyarakat yang tinggi. Sebagian besar ketakutan dan kekhawatiran ini dapat diatasi dengan AI bottom-up, mengembalikan AI kepada warga dan komunitas.

Dengan mempromosikan AI dari bawah ke atas, banyak masalah manajemen yang disebabkan oleh ChatGPT dapat diselesaikan hanya dengan mencegah monopoli data dan pengetahuan. Kami akan mengembangkan AI kami berdasarkan data kami, yang akan memastikan privasi dan perlindungan data. Karena kami memiliki kendali atas sistem AI kami, kami juga akan memiliki kendali atas kekayaan intelektual. Dengan cara dari bawah ke atas, kami dapat memutuskan kapan akan menyumbangkan pola AI mereka ke organisasi yang lebih luas, dari komunitas hingga negara dan seluruh umat manusia.

Dengan demikian, banyak ketakutan terkait AI, termasuk yang muncul terkait kelangsungan hidup umat manusia (mengesampingkan apakah itu realistis atau tidak), akan menjadi kurang menonjol melalui kepemilikan AI dan pola pengetahuan kita.

AI bottom-up akan sangat penting untuk pengembangan masyarakat yang inklusif, inovatif, dan demokratis. Ini dapat mengurangi risiko sentralisasi daya, yang diwarisi dari AI generatif. Mekanisme hukum, kebijakan, dan pasar saat ini tidak dapat menangani risiko monopoli pengetahuan dari AI generatif. Jadi, AI bottom-up adalah cara praktis untuk mempromosikan “sistem operasi” sosial baru yang dibangun di sekitar sentralitas orang, martabat, keinginan bebas, dan realisasi potensi kreatif mereka, seperti yang diusulkan Diplo melalui kami humanisme pendekatan, kami mulai mengembangkan pada 2019.

Akankah AI bangkit dari bawah ke atas?

Solusi teknologi untuk AI bottom-up dapat dilakukan saat ini. Apakah kita akan menggunakannya sebagai alternatif AI top-down? Untuk saat ini, itu tetap menjadi dugaan siapa pun. Beberapa individu dan komunitas mungkin memiliki lebih banyak insentif dan kemampuan untuk bereksperimen dengan AI bottom-up daripada yang lain. Beberapa mungkin terus mengandalkan AI top-down karena kelembaman belaka. Dan kedua pendekatan itu bahkan bisa hidup berdampingan. Tapi kita berutang pada diri kita sendiri dan umat manusia untuk mempertanyakan apa yang disajikan kepada kita, dan untuk mengeksplorasi dan mendorong alternatif. Dan, akhirnya, untuk membuat keputusan berdasarkan informasi.

Pendapat yang diungkapkan dalam artikel ini adalah milik penulis sendiri dan tidak mencerminkan posisi redaksi Al Jazeera.