Lo pernah nggak sih, lagi nongkrong sama temen-temen yang kerja di tech startup, terus mereka ngomongin LLM, RAG, RLHF dengan pede banget kayak lagi ngomongin makanan? Meanwhile lo diem aja kayak orang bingung. Tenang, lo nggak sendirian. Dunia AI emang lagi bikin vocabulary baru yang bikin bahkan orang-orang tech sekelas kadang garuk-garuk kepala.
Kabar baiknya, kita udah compile glosarium AI paling komprehensif yang bakal bikin lo jadi orang paling OP di antara teman-teman lo. Dari arti sebenarnya AGI sampe kenapa AI kadang ngarang-ngarang cerita (hallucination), semua dijelasin dengan bahasa yang gampang dipahami. Gaspol!
LLM: Otak di Balik ChatGPT yang Lo Pake Setiap Hari
Large Language Model alias LLM adalah model AI yang jadi otak di balik asisten virtual yang lo pake sehari-hari — ChatGPT, Claude, Gemini, sampe Copilot. Bayangin LLM sebagai jaringan neural yang terdiri dari miliaran numerical parameters yang belajar hubungan antara kata-kata dan frase, bikin semacam multidimensional map yang超级 kompleks.
LLM diciptakan dari encoding patterns yang mereka temukan di billions of books, articles, dan transcripts. Jadi ketika lo ngetik prompt, modelnya bakal generate the most likely pattern yang cocok sama input lo. Intinya sih, LLM belajar bahasa dari data yang masif, terus pakai pola itu buat merespons.
AI Agent: Helper yang Bekerja Tanpa Lo Suruh
Nah, ini istilah yang lagi hot banget di 2025. AI agent adalah tool yang pake teknologi AI buat ngerjain serangkaian tugas FOR lo — beyond capability AI chatbot biasa. Contoh konkretnya? Filing expenses, booking tickets, oder bahkan nulis dan maintenance code.
Tapi perlu dicatat, AI agent ini ruangnya masih emergent dan "AI agent" bisa berarti hal berbeda-beda tergantung konteks. Infrastructure-nya juga masih dalam tahap development. Basic conceptnya sih imply autonomous system yang bisa nggambar dari multiple AI systems buat ngelakuin multi-step tasks.
Hallucination: Ketika AI Mulai Ngarang Cerita
Ini nih yang sering bikin orang cringe sama AI. Hallucination adalah istilah yang dipake industri AI buat deskripsiin momen ketika model bikin sesuatu — literally nge-generate incorrect information. Dan ini obviously a huge problem.
Hallucinations produce output yang mislead dan bisa lead to real-life risks. Bayangin lo nanya soal kesehatan, terus AI kasih medical advice yang salah. Serem kan? Masalah ini thought to arise karena gaps in training data, dan ini lagi mendorong shift ke vertical AI models — domain-specific AI yang require narrower expertise buat reduce knowledge gaps.
Compute & GPU: Bensin yang Bikin AI Bisa Jalan
Compute generally refers ke computational power yang allow AI models buat operate. Istilah ini sering jadi shorthand buat hardware kinds kayak GPUs, CPUs, TPUs, dan infrastructure lain yang form the bedrock of modern AI industry.
Kenapa GPU jadi heartbeat of AI industry? Karena GPUs dirancang khusus buat perform thousands of calculations in parallel. Ini yang bikin training model AI jadi jauh lebih cepat dibanding pakai hardware tradisional. Parallelization is fundamental to both training dan inference — jadi semakin banyak chip yang bisa kerja bareng, semakin cepat dan cost-effective model bisa di-build.
Deep Learning & Neural Network: Otak Buatan yang Tiru Cara Kerja Neuron
Deep learning adalah subset dari self-improving machine learning di mana AI algorithms didesain dengan multi-layered artificial neural network (ANN) structure. Structure ini draws inspiration dari interconnected pathways of neurons di human brain.
Yang bikin deep learning OP adalah kemampuannya buat identify important characteristics in data themselves, tanpa require human engineers buat define features secara manual. Through repetition dan adjustment, algorithms bisa improve their own outputs. Tapi balik lagi, deep learning systems butuh data points yang super banyak (millions atau lebih) dan training time yang lebih lama dibanding simpler machine learning algorithms.
Chain of Thought: Cara AI "Thinking" Sebelum Jawab
Lo pernah nggak sih, ditanya pertanyaan simple tapi harus pake kertas dan pensil buat jawab? Contoh classic: farmer punya chickens dan cows, total 40 heads dan 120 legs. Lo harus nulis persamaan matematika buat dapet jawabannya.
Nah, chain-of-thought reasoning dalam konteks AI artinya breaking down problems into smaller, intermediate steps buat improve quality of output. Biasanya takes longer, tapi jawabannya lebih likely to be correct, especially dalam logic atau coding context. Reasoning models developed from traditional LLMs dan optimized for chain-of-thought thinking thanks to reinforcement learning.
GAN, Diffusion, dan Distillation: Teknologi di Balik AI yang "Kreatif"
GAN (Generative Adversarial Network) adalah machine learning framework yang underpin developments dalam generative AI buat produce realistic data — termasuk deepfake tools. GAN pake pair of neural networks: generator yang bikin output dan discriminator yang evaluasi. Dua-duanya programming buat try to outdo each other.
Diffusion adalah tech yang jadi jantung banyak AI image, music, dan text generators. Inspired by physics, diffusion systems slowly "destroy" structure of data by adding noise until there's nothing left, terus learn "reverse diffusion" process buat restore the destroyed data.
Distillation meanwhile adalah teknik extract knowledge dari large AI model pake "teacher-student" model. Developers kirim requests ke teacher model, record outputs, terus pake itu buat train student model yang lebih kecil dan efisien. Ini likely cara OpenAI develop GPT-4 Turbo dari GPT-4.
AGI: The Ultimate Goal yang Belum Ada yang Succeed
AGI atau Artificial General Intelligence adalah istilah yang nebulous banget. Secara umum, AGI refers ke AI yang lebih capable dari average human di banyak, kalau nggak most tasks.
Sam Altman once ngomong AGI sebagai "equivalent of a median human that you could hire as a coworker." Meanwhile OpenAI's charter defines AGI sebagai "highly autonomous systems that outperform humans at most economically valuable work." Google DeepMind punya definisi slightly different — they view AGI as AI that's at least as capable as humans di most cognitive tasks.
Confused? Same. Even experts di forefront of AI research masih nggak agree soal definisi ini.
Inference vs Training: Dua Fase Kehidupan AI
Inference adalah process of running an AI model — setting a model loose buat make predictions atau draw conclusions dari previously seen data. Tapi inference can't happen without training; a model must learn patterns in data dulu sebelum bisa effectively extrapolate.
Training meanwhile refers ke data being fed in order that the model can learn from patterns dan generate useful outputs. Training can be expensive karena requires lots of inputs, dan volumes required lagi trending upwards terus.
Fine-tuning, Transfer Learning, dan Weights
Fine-tuning refers ke further training AI model buat optimize performance buat more specific task atau area — typically by feeding new, specialized data. Banyak AI startups yang take LLMs as starting point terus fine-tune based on their own domain-specific knowledge.
Transfer learning meanwhile adalah teknik di mana previously trained AI model dipake sebagai starting point buat develop new model for different but related task. Ini bisa drive efficiency savings dan useful when data for the target task is limited.
Weights adalah numerical parameters yang determine how much importance (or weight) is given ke different features in training data — thereby shaping AI model's output. Model training starts with randomly assigned weights, tapi as process unfolds, weights adjust as model seeks to arrive at output that more closely matches target.
RAMageddon: Krisis RAM yang Bikin Harga Gaming Console Naik
Ini istilah yang funny tapi problemnya serious. RAMageddon adalah istilah buat random access memory shortage yang lagi sweep tech industry. As AI industry blossom, biggest tech companies dan AI labs are buying so much RAM buat power data centers mereka, there's not much left for the rest of us.
Dampaknya? Industries kayak gaming harus raise console prices karena harder to find memory chips. Consumer electronics mengalami smartphone shipments dip yang biggest in more than a decade. Dan geral enterprise computing suffers karena companies can't get enough RAM for their own data centers.
MCP: USB-C Port untuk AI
Model Context Protocol (MCP) adalah open standard yang lets AI models connect ke outside tools dan data — files, databases, apps kayak Slack dan Google Drive — tanpa developer build custom connector buat every single pairing.
Think of it as USB-C port for AI. Anthropic introduce MCP di 2024 dan later hand it over to Linux Foundation, terus adopted oleh OpenAI, Google, dan Microsoft. bikin jadi salah satu fastest-spreading standards recent AI history.
Token: Mata Uang yang Lo Bayar ke AI
Tokens adalah basic building blocks of human-AI communication — discrete segments of data yang udah diproses atau diproduces oleh LLM. Mereka diciptakan melalui proses called tokenization, yang break down raw text into bite-sized units yang language model can digest.
Dalam enterprise settings, tokens juga determine cost — most AI companies charge untuk LLM usage on per-token basis. Meaning, semakin banyak lo pake, semakin dalam dompet lo.
Token throughput meanwhile adalah measure of how much AI work a system can handle at once. High token throughput is key goal buat AI infrastructure teams, karena determine how many users bisa served simultaneously dan how quickly each receives response.
Geek Opinion
Jadi intinya, glossary ini adalah cheat sheet yang bikin lo nggak perlu lagi pura-pura ngerti waktu orang-orang ngomongin AI di meeting. Dari understanding LLMs yang jadi otak semua AI assistant sampe hallucination yang bikin lo harus double-check setiap output, semua terminology ini bakal bikin lo lebih confident dalam navigasi dunia AI yang super rapidly evolving ini.
Yang paling menarik buat gue pribadi adalah konsep MCP — USB-C port for AI ini beneran game-changer kalau implemented dengan benar. Bayangin AI yang bisa akses semua tools dan data lo tanpa setup ribet. Also, konsep reasoning models yang optimized for chain-of-thought thinking bakal makin powerful di masa depan.
Oh iya, validation loss juga istilah yang underrated tapi super penting buat ngerti gimana AI "belajar" dan kapan model mulai memorize daripada genuinely understand. Keep this glossary sebagai reference, dan lo bakal jadi orang yang orang lain refer ke ketika mereka bingung soal AI terms.
