Evolusi Sistem Pakar AI: Dari Kejayaan 1970-an hingga Kebangkitan Pembelajaran Mesin

Kemunculan dan Arsitektur Sistem Pakar

Respons Pragmatis terhadap Kegagalan AI Awal

Sistem pakar muncul sebagai jawaban atas kegagalan AI mencapai ambisi besar di dekade sebelumnya. Pendekatan baru ini lebih realistis. "Sistem pakar pertama kali muncul pada 1970-an dan lagi pada 1980-an sebagai upaya untuk mengurangi persyaratan komputasi yang ditimbulkan oleh AI menggunakan pengetahuan para pakar"¹. Berbeda dari upaya memprogram kecerdasan umum, sistem pakar mengandalkan basis pengetahuan terkodifikasi dari spesialis domain tertentu.

Representasi pengetahuan menjadi kunci. "Sejumlah representasi sistem pakar muncul, termasuk berbasis aturan (yang menggunakan pernyataan if-then) dan logika fuzzy (yang mengandalkan teori himpunan untuk membangun hubungan)"². Contoh sukses seperti DENDRAL untuk kimia organik dan MYCIN untuk diagnosis medis mencapai kinerja mendekati pakar manusia. Ini membuktikan AI bisa praktis ketika fokus dipersempit.

Aplikasi Awal dalam Dunia Nyata

Kesuksesan awal sistem pakar memicu optimisme besar di kalangan peneliti dan industri. MYCIN, misalnya, mampu mendiagnosis infeksi darah dengan akurasi tinggi. DENDRAL membantu ahli kimia mengidentifikasi struktur molekul organik dari data spektrometer massa. Sistem-sistem ini menunjukkan bahwa pengetahuan eksplisit dari pakar domain, ketika dikodifikasi dengan benar, dapat menghasilkan solusi bernilai tinggi.

Era keemasan ini menarik investasi besar dari pemerintah dan korporasi yang melihat potensi komersial. Banyak perusahaan mulai mengembangkan sistem pakar untuk berbagai industri—dari keuangan hingga manufaktur. Ekspektasi tinggi bahwa teknologi ini akan merevolusi berbagai sektor menciptakan hype yang kemudian terbukti berlebihan.

Keterbatasan dan Kolaps Sistem Pakar

Kompleksitas Pengembangan dan Pemeliharaan

Euforia tidak berlangsung lama. Kelemahan mendasar mulai terungkap. "Masalah dengan sistem pakar adalah sulit untuk dibuat dan dipelihara. Pengguna awal harus mempelajari bahasa pemrograman khusus seperti List Processing (LisP)"³. Proses knowledge acquisition terbukti sangat mahal, memakan waktu, dan tidak menskalakan (scalable) dengan baik. Mengekstrak pengetahuan dari pakar manusia dan mengkodifikasinya dalam aturan formal adalah bottleneck serius.

Upaya menyederhanakan pengembangan justru memperburuk situasi. "Beberapa vendor melihat peluang untuk menempatkan sistem pakar di tangan programmer yang kurang berpengalaman dengan produk seperti VP-Expert, yang mengandalkan pendekatan berbasis aturan. Namun, produk ini umumnya menyediakan fungsionalitas yang sangat terbatas dalam menggunakan basis pengetahuan yang luas"⁴. Sistem menjadi rapuh dan tidak adaptif terhadap perubahan kondisi atau pengetahuan baru.

AI Winter dan Penurunan Investasi Drastis

Kegagalan memenuhi ekspektasi berlebihan memicu krisis kepercayaan yang parah. "Istilah musim dingin AI (AI winter) mengacu pada periode berkurangnya pendanaan dalam pengembangan AI"⁵. Siklus hype dan kekecewaan ini menghancurkan investasi. Para pendukung melebih-lebihkan kemampuan teknologi, menarik investor yang kurang memahami limitasi teknis. Ketika sistem pakar gagal memenuhi janji-janji besar, pendanaan anjlok drastis.

Kolaps pasar Lisp Machine dan kegagalan sistem pakar menskalakan hampir menghancurkan lapangan AI selama satu dekade penuh. Stigma dari kegagalan ini begitu dalam hingga banyak peneliti menghindari istilah "AI" bahkan ketika mengerjakan proyek relevan. Industri kehilangan minat, universitas mengurangi program riset, dan talenta berpindah ke bidang lain. Era gelap AI telah tiba—dampaknya terasa hingga akhir 1980-an dan awal 1990-an.

Daftar Pustaka