Dataset
Artinya
Dataset adalah kumpulan data yang dikumpulkan dan dirapikan untuk satu tujuan, misalnya melatih, menguji, atau mengukur kemampuan sebuah program AI.
Diperbarui · diperiksa Syamil Jihad
Perumpamaannya
Bayangkan bank soal di tempat les persiapan masuk kampus: ribuan soal tahun lalu lengkap dengan kunci jawabannya. Siswa belajar dari bank soal itu. Lalu saat tryout, soalnya diambil dari tumpukan lain, supaya ketahuan apakah siswa benar-benar paham atau cuma hafal. Dataset AI juga dipecah begitu: bagian untuk latihan dan bagian untuk ujian, dan glosarium Google menyarankan satu contoh tidak masuk ke dua bagian sekaligus.
Bedanya, siswa bisa protes kalau kunci jawabannya aneh. AI menelan saja kunci yang salah.
Contoh nyata
Sahabat-AI, model bahasa Indonesia dari GoTo dan Indosat, mencantumkan isi datasetnya di halaman resminya. Model 9B versi pertamanya dilatih lanjutan dengan sekitar 50 miliar token. Lebih dari separuhnya (53,3%) berasal dari kumpulan teks berbahasa Indonesia SEA-LION Pile.
Yang menarik ada di bahasa daerah. Teks bahasa Jawa yang tersedia cuma 0,92 miliar token, jadi diulang 1,6 kali sampai 1,5 miliar. Teks bahasa Sunda lebih sedikit lagi, 0,39 miliar token, dan diulang 3,8 kali.
Artinya buat kamu: kalau AI terasa kaku saat diajak ngobrol pakai bahasa daerah, salah satu sebabnya bisa ada di dataset. Bahan bacaannya memang tipis.
Salah kaprah
"Dataset itu sama dengan database." Database adalah sistem penyimpan data yang terus dipakai dan diubah aplikasi. Dataset adalah kumpulan data yang disiapkan untuk satu tujuan. Glosarium Google mencontohkan dataset sederhana berupa lembar kerja atau file CSV.
"Dataset terkenal pasti isinya sudah benar." Curtis Northcutt dan rekan (2021) memeriksa 10 dataset uji populer dan memperkirakan rata-rata minimal 3,3% labelnya salah. Di set validasi ImageNet, dataset gambar yang sangat terkenal, angkanya minimal 6%.
"Chat-ku nggak mungkin masuk dataset." Bisa masuk. Google menulis aktivitas di aplikasi Gemini dipakai untuk mengembangkan layanannya, termasuk melatih model AI generatif, selama setelan "Simpan Aktivitas" menyala. Pengguna Claude Free, Pro, Max, dan Ultra memilih sendiri lewat Privacy Settings.
Istilah terkait
- Training modelTraining model adalah proses mengajari model AI dengan memperlihatkan banyak sekali contoh berulang-ulang, sambil terus membetulkan angka-angka di dalamnya sampai tebakannya makin tepat.
- Machine learningMachine learning adalah cara membuat komputer pintar dengan memberinya banyak sekali contoh, sehingga ia menemukan polanya sendiri, bukan dengan menuliskan aturannya satu per satu.
- Model AIModel AI adalah hasil akhir pelatihan AI, berupa berkas berisi banyak sekali angka, yang menerima masukan seperti pertanyaan atau foto lalu menghasilkan keluaran seperti jawaban, tebakan, atau gambar.
- BenchmarkBenchmark adalah kumpulan soal atau tugas yang sama untuk semua model AI, sehingga kemampuan model bisa diukur dengan angka dan dibandingkan.
- TokenToken adalah potongan kecil teks, bisa satu kata utuh, sepotong kata, atau tanda baca, yang dibaca dan ditulis AI seperti ChatGPT, Gemini, dan Claude.
- Fine-tuningFine-tuning adalah proses melatih lagi model AI yang sudah jadi dengan contoh tambahan, supaya model itu terbiasa dengan gaya, format, bahasa, atau tugas tertentu.
- AlgoritmaAlgoritma adalah serangkaian langkah yang jelas untuk menyelesaikan suatu masalah, dari cara menghitung pembagian sampai cara aplikasi memilih video yang muncul di berandamu.
- Computer visionComputer vision adalah cabang AI yang membuat komputer bisa mengenali isi foto dan video, misalnya wajah, pelat nomor, tulisan, atau benda di jalan.
- Open source AIOpen source AI adalah AI yang boleh dipakai, dipelajari, diubah, dan dibagikan siapa saja untuk tujuan apa pun, lengkap dengan kode, model jadinya, dan keterangan rinci soal data latihnya.