AI perusahaan telah bertahun-tahun mengejar skala. Model yang lebih besar, lebih banyak parameter, kumpulan data yang lebih besar, dan daya komputasi yang lebih besar menjadi tolok ukur kemajuan. Tetapi bisnis mulai mengajukan pertanyaan yang lebih praktis: apakah setiap tugas AI benar-benar membutuhkan model terbesar yang tersedia?
Seringkali, tidak demikian.
Model bahasa kecil (Small Language Models/SLM) membuka jalan baru. Dirancang dengan parameter yang lebih sedikit dan sering dioptimalkan untuk tugas atau domain tertentu, SLM dapat membawa kecerdasan lebih dekat ke aplikasi, perangkat, dan lingkungan perusahaan swasta. Bagi organisasi yang membangun solusi perangkat lunak AI, hal itu dapat mengubah percakapan dari "Seberapa kuat model ini?" menjadi "Seberapa efisien model ini memecahkan masalah bisnis?"
Solusi Perangkat Lunak AI Mungkin Tidak Membutuhkan Kecerdasan Maksimum di Mana Saja
Alur kerja perusahaan jarang membutuhkan satu model untuk mengetahui segalanya. Sebagian besar membutuhkan AI untuk melakukan pekerjaan yang telah ditentukan secara andal, cepat, dan sesuai dengan batasan operasional.
Perbedaan tersebut menciptakan ruang bagi model yang lebih kecil.
Intelijen Khusus Dapat Mengalahkan Skala Serbaguna
Bayangkan sebuah sistem AI yang mengkategorikan tiket dukungan, mengekstrak informasi dari faktur, meringkas dokumen internal, membantu teknisi, atau menjawab pertanyaan tentang kebijakan perusahaan. Tugas-tugas ini beroperasi dalam batasan yang relatif sempit.
Alih-alih menerapkan model umum yang besar, perusahaan dapat melatih, menyempurnakan, atau mendasarkan model yang lebih kecil pada terminologi, alur kerja, dan kumpulan data tertentu. SLM yang dirancang dengan baik tidak memerlukan pengetahuan ensiklopedia jika tugas sebenarnya melibatkan pemahaman produk atau proses suatu organisasi.
Oleh karena itu, persaingan AI di lingkungan perusahaan mungkin akan bergeser dari mencari model yang paling cerdas menjadi mencari kecerdasan yang tepat untuk setiap alur kerja.
Ekonomi AI Mulai Terlihat Berbeda
Biaya AI jauh melampaui sekadar memperoleh akses ke sebuah model. Setiap inferensi mengkonsumsi sumber daya komputasi. Ketika sebuah aplikasi menangani ribuan atau jutaan interaksi, perbedaan yang tampaknya kecil dalam kebutuhan komputasi dapat menjadi pertimbangan operasional yang berarti.
SLM berpotensi membutuhkan lebih sedikit daya komputasi dan memori, sehingga menjadikannya menarik untuk beban kerja perusahaan yang bervolume tinggi atau berulang.
Hal ini penting ketika perusahaan ingin menerapkan AI di seluruh layanan pelanggan, operasional, keuangan, SDM, teknik, dan fungsi lainnya. Jika setiap interaksi membutuhkan infrastruktur yang berat, penskalaan solusi perangkat lunak AI dapat menjadi sulit secara finansial dan operasional.
Model yang lebih kecil dapat memberi arsitek pilihan lain: menyimpan model yang lebih besar untuk penalaran yang kompleks sementara mengarahkan tugas yang lebih sederhana ke sistem yang lebih efisien.
Masa Depan Mungkin Merupakan Portofolio Model
Hal itu mengarah pada arsitektur perusahaan yang berbeda. Alih-alih memilih antara "LLM" dan "SLM," perusahaan dapat mengatur beberapa model sesuai dengan tugas yang ada.
Model yang lebih kecil mungkin mengklasifikasikan permintaan yang masuk. Model khusus lainnya dapat mengambil informasi perusahaan. Model yang lebih besar dapat menangani penalaran kompleks hanya jika diperlukan. Aturan dan lapisan tata kelola dapat menentukan model mana yang menerima beban kerja mana.
Pendekatan ini memperlakukan model AI sebagai sumber daya yang perlu diatur, bukan sebagai platform yang distandarisasi secara membabi buta.
Privasi Dapat Mendorong Intelijen Lebih Dekat ke Dunia Bisnis
Beberapa data perusahaan tidak boleh berpindah bebas antar sistem. Catatan keuangan, kekayaan intelektual, informasi pelanggan, data operasional, dan komunikasi internal mungkin memerlukan kontrol yang lebih ketat. Model yang lebih kecil mungkin menawarkan fleksibilitas lebih untuk penerapan dalam lingkungan cloud pribadi, infrastruktur on-premises, atau bahkan perangkat edge.
Hal itu dapat membantu organisasi menjaga beban kerja tertentu lebih dekat ke tempat data berasal. Bagi industri dengan persyaratan keamanan, latensi, atau konektivitas yang ketat, fleksibilitas penerapan ini bisa menjadi sama pentingnya dengan kinerja model.
Kecepatan Sangat Penting Ketika AI Bertemu dengan Pekerjaan Nyata
AI perusahaan semakin banyak beroperasi di dalam alur kerja di mana pengguna mengharapkan respons langsung.
Sistem manufaktur, aplikasi layanan lapangan, perangkat seluler, sistem tertanam, dan alat yang berinteraksi langsung dengan pelanggan mungkin tidak dapat mentolerir latensi yang tidak perlu.
Karena model yang lebih kecil membutuhkan lebih sedikit sumber daya komputasi, model tersebut dapat mendukung skenario di mana inferensi yang lebih cepat menjadi penting. Penerapan di edge computing juga dapat mengurangi ketergantungan pada konektivitas cloud yang konstan untuk kasus penggunaan tertentu.
Hasilnya adalah AI yang terasa bukan lagi sebagai tujuan terpisah, melainkan lebih seperti lapisan tak terlihat di dalam perangkat lunak sehari-hari.
Ukuran Kecil Tidak Selalu Berarti Lebih Baik
SLM (Structured Learning Models) masih melibatkan kompromi. Penalaran yang kompleks, tugas pengetahuan yang luas, pembuatan konten yang canggih, dan masalah yang ambigu mungkin memerlukan model yang lebih besar. Model yang lebih kecil juga membutuhkan data pelatihan yang sesuai, evaluasi, kontrol keamanan, pemantauan, dan tata kelola.
Tujuannya bukanlah untuk mengganti model bahasa yang besar. Melainkan untuk menghentikan penggunaannya secara default.
BACA JUGA: 7 Hambatan Pembelajaran Mesin yang Dapat Dihilangkan oleh Pembelajaran Mesin Otomatis
AI yang Tepat Sasaran Dapat Menjadi Keunggulan Perusahaan
Fase selanjutnya dari AI perusahaan mungkin tidak lagi berpusat pada pembangunan model yang semakin besar. Melainkan mungkin berpusat pada penugasan kecerdasan yang tepat untuk beban kerja yang tepat.
Untuk solusi perangkat lunak AI, SLM menciptakan peluang untuk meningkatkan efisiensi, mengkhususkan model di sekitar domain bisnis, memperkuat kontrol penerapan, dan mendekatkan AI ke alur kerja operasional.
Model-model besar akan tetap penting untuk banyak tugas yang kompleks. Namun, perusahaan yang belajar menggabungkan model besar dan kecil secara cerdas mungkin akan mendapatkan sesuatu yang lebih berharga daripada kekuatan AI mentah: ekonomi AI yang berkelanjutan.
Dalam teknologi perusahaan, model yang unggul mungkin tidak selalu yang terbesar. Bisa jadi itu hanyalah model yang melakukan hal yang cukup.
