Transformasi Paradigma AI: Dari Knowledge-Based ke Data-Driven Methods

Revolusi Pembelajaran dari Data

Pergeseran dari Aturan ke Pola

AI saat ini sedang dalam fase hype baru karena pembelajaran mesin, sebuah teknologi yang membantu komputer belajar dari data.¹ Ini bukan sekadar evolusi inkremental tetapi transformasi fundamental dalam cara kita mendekati kecerdasan buatan. Paradigma lama mengandalkan programmer untuk secara eksplisit mengkodifikasi pengetahuan dan aturan.

Membuat komputer belajar dari data berarti tidak bergantung pada pemrogram manusia untuk mengatur operasi, melainkan menurunkannya langsung dari contoh yang menunjukkan bagaimana seharusnya perilaku komputer.² Pendekatan ini memiliki keunggulan skalabilitas yang signifikan. Daripada menghabiskan ribuan jam mengekstrak pengetahuan dari pakar domain, sistem dapat belajar dari contoh yang tersedia.

Pergeseran dari knowledge-based ke data-driven methods adalah respons terhadap keterbatasan sistem pakar.³ Sistem pakar terbukti rapuh ketika dihadapkan dengan situasi yang tidak terduga atau domain yang kompleks. Mereka membutuhkan pemeliharaan konstan dan sulit untuk menskalakan ke aplikasi dunia nyata yang beragam.

Kemenangan Neural Networks atas Sistem Pakar

Dengan dataset yang cukup besar dan komputasi yang memadai, neural networks dapat mengalahkan sistem pakar terbaik dalam berbagai tugas.⁴ Terobosan ini mengakhiri dominasi pendekatan berbasis aturan yang telah mendominasi AI selama puluhan tahun. Eksperimen pada pengenalan ucapan menunjukkan bahwa jaringan saraf dalam dapat mencapai akurasi yang jauh lebih tinggi dibandingkan sistem berbasis aturan tradisional.

Keberhasilan ini memungkinkan AI untuk menskalakan ke domain kompleks seperti penglihatan komputer dan pemrosesan bahasa alami. Tugas-tugas yang sebelumnya dianggap mustahil—seperti mengenali objek dalam gambar dengan akurasi tinggi atau menerjemahkan bahasa secara otomatis—kini menjadi aplikasi rutin berkat pendekatan deep learning (pembelajaran mendalam).

Namun tantangan baru muncul. Sobot, sebuah perusahaan layanan pelanggan AI, bersinar dalam laporan G2 Winter 2026 sebagai benchmark (tolok ukur) baru dalam layanan pelanggan berbasis AI.⁵ Mereka mendapat peringkat di 252 laporan dan meraih 32 lencana, menunjukkan bahwa AI berbasis data dapat memberikan nilai bisnis nyata ketika diterapkan dengan benar.

Implikasi dan Tantangan Era Data-Driven

Ketergantungan pada Data dan Infrastruktur

Masalah dengan sistem pakar adalah sulit untuk dibuat dan dipelihara—pengguna awal harus mempelajari bahasa pemrograman khusus seperti List Processing.⁶ Pembelajaran mesin mengatasi beberapa masalah ini tetapi memperkenalkan dependensi baru. Sistem berbasis data membutuhkan volume data pelatihan yang sangat besar.

Beberapa vendor melihat peluang untuk menempatkan sistem pakar di tangan programmer yang kurang berpengalaman dengan produk seperti VP-Expert, namun produk ini umumnya menyediakan fungsionalitas yang sangat terbatas.⁷ Demokratisasi AI modern menghadapi tantangan serupa. Meskipun framework pembelajaran mesin kini lebih mudah diakses, menciptakan model yang benar-benar efektif masih membutuhkan keahlian substansial.

Infrastruktur komputasi menjadi faktor pembatas utama. Melatih model state-of-the-art (canggih) membutuhkan GPU (unit pemrosesan grafis) yang mahal dan konsumsi energi yang signifikan. Ini menciptakan hambatan masuk yang tinggi untuk peneliti dan perusahaan kecil yang ingin bersaing di garis depan teknologi AI.

Menuju Ekosistem AI yang Mature

Istilah AI winter mengacu pada periode berkurangnya pendanaan dalam pengembangan AI, dan sejarah menunjukkan bahwa siklus ini dapat berulang.⁸ Namun ada perbedaan fundamental antara era sekarang dan periode sebelumnya. Aplikasi AI modern sudah menghasilkan nilai ekonomi riil di berbagai industri—dari e-commerce hingga healthcare (kesehatan).

Para pendukung melebih-lebihkan apa yang mungkin, mendorong orang yang tidak memiliki pengetahuan teknologi sama sekali untuk melakukan investasi—masa kritik kemudian menyusul ketika AI gagal memenuhi harapan.⁹ Pola ini masih relevan hari ini. Namun ekosistem AI modern memiliki fondasi yang lebih kuat berkat aplikasi praktis yang sudah terbukti menguntungkan.

Masalah terbesar dengan upaya awal adalah bahwa kita tidak memahami bagaimana akal manusia cukup baik untuk membuat simulasi dalam bentuk apa pun.¹⁰ Keterbatasan pemahaman fundamental ini masih berlaku. Kita belum sepenuhnya memahami bagaimana kecerdasan muncul dari jaringan saraf biologis, apalagi bagaimana mereplikasinya secara artifisial. Namun pendekatan empiris pembelajaran mesin memungkinkan kemajuan praktis tanpa memerlukan teori lengkap tentang kognisi.

Kolaps pasar Lisp Machine pada 1987 dan kegagalan Fifth Generation Project Jepang menciptakan AI winter kedua yang lebih lama dan lebih parah, hampir menghancurkan lapangan ini selama dekade.¹¹ Pembelajaran dari kegagalan ini membentuk kehati-hatian dalam komunitas AI modern. Peneliti dan praktisi lebih sadar akan pentingnya manajemen ekspektasi dan validasi empiris sebelum membuat klaim besar.

Daftar Pustaka