Artificial Intelligence: Pengertian, Jenis, dan Cara Kerjanya
Artificial intelligence kini hadir dalam semakin banyak aktivitas sehari-hari. Rekomendasi film, asisten virtual, navigasi, chatbot, hingga sistem yang mendeteksi transaksi mencurigakan merupakan beberapa contoh penggunaan teknologi ini. Di lingkungan perusahaan, penerapannya bahkan lebih luas mulai dari mengotomatisasi pekerjaan berulang hingga membantu menganalisis data dan mengambil keputusan.
Namun, artificial intelligence atau AI tidak hanya merujuk pada teknologi yang dapat menghasilkan teks dan gambar. Di baliknya terdapat berbagai teknologi, seperti machine learning, deep learning, natural language processing, hingga generative AI, yang memiliki cara kerja dan fungsi berbeda.
Bagi tim IT, perkembangan AI di IT juga membawa perubahan besar. AI dapat membantu mengelola tiket layanan, mendeteksi anomali pada jaringan, mengidentifikasi ancaman keamanan, dan memprediksi gangguan sebelum berdampak pada pengguna. Lalu, sebenarnya apa yang dimaksud dengan artificial intelligence, bagaimana cara kerjanya, dan sejauh mana teknologi ini dapat diterapkan dalam bisnis dan manajemen IT?
Apa itu artificial intelligence?
Artificial intelligence adalah teknologi yang memungkinkan komputer atau mesin menjalankan tugas yang umumnya membutuhkan kecerdasan manusia. Tugas tersebut dapat mencakup memahami bahasa, mengenali pola, memecahkan masalah, membuat prediksi, dan memberikan rekomendasi.
Berbeda dengan software konvensional yang hanya mengikuti serangkaian aturan tetap, sistem AI dapat mempelajari pola dari data. Semakin relevan dan berkualitas data yang digunakan, semakin baik pula kemampuannya dalam menghasilkan prediksi atau respons.
Sebagai contoh, sistem keamanan dapat menggunakan AI untuk mempelajari pola login pengguna. Ketika muncul aktivitas yang tidak biasa, seperti akses dari lokasi atau perangkat baru, sistem dapat menandainya sebagai potensi ancaman. Dalam layanan IT, AI juga dapat mempelajari tiket-tiket sebelumnya untuk mengategorikan permintaan baru, menyarankan solusi, atau mengarahkannya kepada teknisi yang tepat.
Istilah artificial intelligence sendiri mencakup berbagai teknologi dan pendekatan. Machine learning, deep learning, natural language processing, computer vision, dan generative AI merupakan beberapa teknologi yang berada di dalam cakupan AI.
Bagaimana cara kerja artificial intelligence?
Cara kerja artificial intelligence dapat berbeda-beda tergantung pada jenis teknologi dan tujuan penggunaannya. Namun, secara umum, sistem AI bekerja dengan memproses data, mempelajari pola, lalu menggunakan pola tersebut untuk menghasilkan prediksi, rekomendasi, atau respons.
Prosesnya biasanya meliputi beberapa tahap berikut.
1. Pengumpulan dan persiapan data
AI membutuhkan data sebagai bahan untuk belajar. Data tersebut dapat berupa teks, gambar, rekaman suara, data transaksi, log keamanan, metrik performa jaringan, atau riwayat tiket layanan.Sebelum digunakan, data perlu diperiksa dan dipersiapkan agar relevan, konsisten, dan dapat diproses oleh sistem. Kualitas data sangat berpengaruh terhadap akurasi hasil yang diberikan AI.
2. Training model
Pada tahap training, algoritma menganalisis data untuk menemukan pola dan hubungan tertentu. Misalnya, sistem dapat mempelajari karakteristik email yang sebelumnya dikategorikan sebagai spam atau pola aktivitas yang berkaitan dengan serangan siber. Hasil dari proses ini adalah model AI yang dapat digunakan untuk mengenali pola serupa pada data baru.
3. Menghasilkan prediksi atau respons
Setelah melalui proses training, model dapat menerima data baru dan menghasilkan output. Output tersebut dapat berupa prediksi, klasifikasi, rekomendasi, peringatan, atau konten baru. Sebagai contoh, AI dalam sistem IT service management dapat menganalisis isi tiket yang baru dibuat, menentukan kategorinya, memperkirakan tingkat prioritas, dan merekomendasikan teknisi yang sesuai.
4. Evaluasi dan penyempurnaan
Performa model perlu dievaluasi secara berkala untuk memastikan hasilnya tetap akurat dan relevan. Model dapat diperbarui menggunakan data atau feedback baru agar mampu menyesuaikan diri dengan perubahan kondisi. Dalam operasional IT, langkah ini penting karena pola penggunaan sistem, karakteristik gangguan, dan metode serangan siber terus berkembang.
Perbedaan AI, machine learning, deep learning, dan generative AI
Artificial intelligence, machine learning, deep learning, dan generative AI sering digunakan dalam pembahasan yang sama. Meskipun saling berkaitan, keempatnya memiliki cakupan dan fungsi yang berbeda.
Artificial intelligence
Artificial intelligence merupakan istilah yang paling luas. AI mencakup berbagai teknologi yang memungkinkan komputer melakukan tugas yang biasanya membutuhkan kecerdasan manusia, seperti memahami bahasa, mengenali pola, memecahkan masalah, dan mengambil keputusan. Sistem berbasis aturan sederhana hingga model generative AI yang kompleks dapat termasuk dalam cakupan artificial intelligence.
Machine learning
Machine learning merupakan bagian dari AI yang memungkinkan sistem mempelajari pola dari data tanpa harus diprogram secara khusus untuk setiap kemungkinan. Sebagai contoh, sistem monitoring dapat mempelajari pola penggunaan resource dalam kondisi normal. Ketika terjadi peningkatan yang tidak biasa, sistem dapat mendeteksinya sebagai anomali yang perlu diperiksa.
Deep learning
Deep learning adalah bagian dari machine learning yang menggunakan neural network dengan banyak lapisan untuk memproses data yang kompleks. Teknologi ini banyak digunakan untuk pengenalan suara, pemrosesan bahasa, analisis gambar, dan deteksi pola dalam data berukuran besar. Deep learning membutuhkan data dan daya komputasi yang lebih besar dibandingkan sebagian besar metode machine learning tradisional.
Generative AI
Generative AI adalah jenis AI yang dapat menghasilkan konten baru berdasarkan pola yang dipelajari dari data. Konten tersebut dapat berupa teks, gambar, audio, video, kode, maupun rangkuman informasi. Dalam manajemen IT, generative AI dapat digunakan untuk merangkum percakapan tiket, membuat artikel knowledge base, menghasilkan script, atau membantu pengguna mencari informasi melalui percakapan menggunakan bahasa sehari-hari.
Sederhananya, AI merupakan bidang utamanya, machine learning adalah salah satu cara membangun sistem AI, deep learning merupakan pendekatan yang lebih kompleks dalam machine learning, sedangkan generative AI berfokus pada pembuatan output baru.
Jenis-jenis artificial intelligence
Artificial intelligence dapat dikelompokkan berdasarkan tingkat kemampuan maupun fungsi yang dijalankannya. Karena menggunakan dasar pengelompokan yang berbeda, satu sistem AI dapat masuk ke lebih dari satu jenis sekaligus.
Narrow AI
Narrow AI atau weak AI dirancang untuk menjalankan tugas tertentu dalam ruang lingkup yang terbatas. Teknologi ini tidak memiliki kecerdasan umum seperti manusia, tetapi dapat bekerja dengan sangat baik untuk fungsi yang telah ditentukan. Sebagian besar AI yang digunakan saat ini termasuk dalam kategori narrow AI. Contohnya antara lain recommendation engine, filter spam, sistem pengenalan wajah, virtual assistant, dan teknologi untuk mendeteksi anomali pada jaringan.
Artificial general intelligence
Artificial general intelligence atau AGI merujuk pada konsep AI yang mampu memahami, mempelajari, dan menjalankan berbagai jenis tugas pada tingkat yang menyerupai kecerdasan manusia. Berbeda dengan narrow AI yang hanya berfokus pada fungsi tertentu, AGI diharapkan dapat menerapkan pengetahuan dari satu bidang ke bidang lainnya. Namun, teknologi dengan kemampuan tersebut masih bersifat teoretis dan belum tersedia saat ini.
Predictive AI
Predictive AI menggunakan data historis untuk memperkirakan kejadian atau hasil pada masa mendatang. Sistem akan mencari pola dalam data, kemudian menggunakannya untuk menghasilkan prediksi. Dalam operasional IT (AI Ops), predictive AI dapat membantu memperkirakan potensi gangguan, mendeteksi pola insiden berulang, memprediksi kapasitas infrastruktur, atau menentukan tingkat prioritas suatu tiket.
Generative AI
Generative AI dapat menghasilkan konten baru, seperti teks, gambar, audio, video, dan kode. Sistem ini mempelajari pola dari data training, kemudian menggunakannya untuk membuat output berdasarkan instruksi pengguna. Di lingkungan perusahaan, generative AI dapat membantu merangkum dokumen, menyusun respons, membuat knowledge base, menghasilkan script, dan mempermudah pencarian informasi.
Agentic AI
Agentic AI tidak hanya memberikan jawaban atau menghasilkan konten, tetapi juga dapat merencanakan dan menjalankan serangkaian tindakan untuk mencapai tujuan tertentu. Sistem ini biasanya bekerja dengan menggunakan tools, mengakses sumber data, dan menyesuaikan langkah berdasarkan hasil yang diperoleh.
Sebagai contoh, AI agent dalam IT service management dapat menganalisis permintaan pengguna, mencari solusi yang relevan, menjalankan workflow, memperbarui tiket, lalu mengeskalasi masalah kepada teknisi jika diperlukan. Penerapannya tetap memerlukan batas kewenangan, kontrol akses, dan pengawasan manusia yang jelas.
Apa saja contoh artificial intelligence dalam keseharian?
Artificial intelligence telah digunakan dalam berbagai layanan yang sering kita gunakan sehari-hari. Penerapannya terkadang tidak terlihat secara langsung karena AI bekerja di balik sistem untuk menganalisis data dan menyesuaikan layanan. Beberapa contoh penggunaan artificial intelligence antara lain:
Rekomendasi konten dan produk
Platform streaming, marketplace, dan media sosial menggunakan AI untuk mempelajari riwayat serta pola interaksi pengguna. Informasi tersebut digunakan untuk merekomendasikan film, musik, produk, atau konten yang dianggap relevan.
Asisten virtual dan chatbot
Asisten virtual menggunakan natural language processing untuk memahami pertanyaan dan memberikan respons. Penerapannya dapat ditemukan pada aplikasi layanan pelanggan, perangkat pintar, dan portal layanan internal perusahaan.
Navigasi dan prediksi perjalanan
Aplikasi navigasi menganalisis lokasi, kondisi lalu lintas, dan data perjalanan sebelumnya untuk menentukan rute serta memperkirakan waktu tiba. Rekomendasi rute dapat berubah ketika sistem mendeteksi kemacetan atau gangguan di jalan.
Filter spam
Layanan email menggunakan machine learning untuk mengenali karakteristik pesan mencurigakan. Sistem dapat mempelajari pola dari pengirim, isi pesan, tautan, dan interaksi pengguna untuk menentukan apakah suatu email termasuk spam atau phishing.
Deteksi transaksi mencurigakan
Perbankan dan layanan keuangan menggunakan AI untuk menganalisis pola transaksi. Aktivitas yang berbeda dari kebiasaan pengguna, seperti transaksi dengan nominal atau lokasi yang tidak biasa, dapat ditandai untuk diperiksa lebih lanjut.
Pengenalan wajah dan suara
AI dapat mengidentifikasi karakteristik wajah atau suara untuk mendukung autentikasi pengguna. Teknologi ini banyak digunakan untuk membuka perangkat, memverifikasi identitas, dan mengakses aplikasi tertentu. Contoh-contoh tersebut menunjukkan bahwa AI tidak selalu berbentuk chatbot atau robot. Dalam banyak kasus, AI bekerja sebagai bagian dari sistem yang membantu mengenali pola, membuat prediksi, dan memberikan rekomendasi.
Penerapan artificial intelligence dalam manajemen IT
Di lingkungan perusahaan, artificial intelligence dapat membantu tim IT mengelola sistem yang semakin kompleks dan menghasilkan data dalam jumlah besar. AI dapat menganalisis data tersebut, menemukan pola yang sulit terlihat secara manual, serta membantu tim mengambil tindakan lebih cepat.
Penerapannya tidak menggantikan seluruh peran teknisi. AI lebih banyak digunakan untuk mengurangi pekerjaan berulang, memprioritaskan masalah, dan memberikan informasi yang dibutuhkan teknisi untuk mengambil keputusan.
AI untuk IT service management
Dalam IT service management, AI dapat membantu tim help desk menangani tiket secara lebih efisien. Sistem dapat menganalisis isi permintaan, menentukan kategori dan prioritas, merekomendasikan solusi, serta mengarahkan tiket kepada teknisi yang sesuai.
Generative AI juga dapat digunakan untuk merangkum percakapan, menyusun respons, membuat artikel knowledge base, dan membantu pengguna menemukan informasi melalui virtual assistant. Dengan demikian, teknisi dapat lebih berfokus pada insiden yang membutuhkan analisis atau penanganan langsung.
ManageEngine menerapkan AI melalui Zia di ServiceDesk Plus untuk mendukung klasifikasi tiket, rekomendasi solusi, sentiment analysis, prediksi masalah, dan interaksi berbasis percakapan.
AI untuk monitoring dan observability
Infrastruktur IT dapat menghasilkan berbagai metrik, event, dan alert dari jaringan, server, aplikasi, serta layanan cloud. Ketika seluruh informasi tersebut diperiksa secara manual, tim IT dapat kesulitan membedakan masalah penting dari alert yang tidak membutuhkan tindakan segera.
AI membantu monitoring jaringan dengan mempelajari pola performa, menentukan baseline, mendeteksi anomali, dan memperkirakan tren penggunaan resource. Kemampuan ini membantu tim beralih dari penanganan yang reaktif menuju pengelolaan infrastruktur yang lebih proaktif.
Sebagai contoh, OpManager menggunakan prediksi berbasis machine learning untuk membantu menganalisis performa jaringan dan memperkirakan kebutuhan kapasitas.
AI untuk cybersecurity
Tim keamanan perlu menganalisis log dan security event dalam jumlah besar untuk menemukan aktivitas mencurigakan. Sistem berbasis AI dan machine learning dapat membantu mengenali pola perilaku normal, kemudian menandai aktivitas yang menyimpang dari pola tersebut.
Dalam solusi Security Information and Event Management, kemampuan ini dapat digunakan untuk mendeteksi login tidak biasa, perubahan privilege, pergerakan lateral, atau aktivitas pada waktu yang tidak lazim. AI juga membantu mengurangi alert noise agar tim SOC dapat memprioritaskan ancaman yang paling berisiko.
Log360, misalnya, menggunakan machine learning dalam kemampuan user and entity behavior analytics untuk menganalisis pola pengguna dan entitas serta mendeteksi anomali yang berpotensi menunjukkan ancaman.
AI untuk analisis data IT
Data IT sering kali tersebar di berbagai sistem, seperti service desk, aplikasi monitoring, endpoint management, dan platform keamanan. AI dapat membantu menemukan hubungan di antara data tersebut dan menyajikannya menjadi insight yang lebih mudah dipahami.
Melalui Analytics Plus, misalnya, Zia menggunakan AI, machine learning, dan natural language processing untuk membantu pengguna menganalisis data menggunakan pertanyaan dalam bahasa sehari-hari. Sistem kemudian dapat menyajikan jawaban dalam bentuk laporan, visualisasi, dan insight otomatis. Melalui pendekatan ini, tim IT tidak harus selalu membuat query atau laporan secara manual untuk mendapatkan informasi yang dibutuhkan.
Apa saja ancaman keamanan di era artificial intelligence?
Perkembangan artificial intelligence tidak hanya memberikan manfaat bagi perusahaan. Teknologi yang sama juga dapat dimanfaatkan untuk membuat serangan siber menjadi lebih cepat, meyakinkan, dan sulit dikenali. AI memungkinkan threat actor menganalisis informasi target, membuat konten palsu, dan menyesuaikan pola serangan dalam skala yang lebih besar. Di sisi lain, sistem AI yang digunakan perusahaan juga dapat menjadi target serangan. Beberapa ancaman yang perlu diperhatikan antara lain:
Phishing dan rekayasa sosial berbasis AI
Generative AI dapat digunakan untuk membuat email phishing dan pesan palsu dengan bahasa yang lebih natural. Pesan tersebut dapat disesuaikan dengan jabatan, kebiasaan, atau konteks pekerjaan target menggunakan informasi yang tersedia secara publik. Deepfake suara atau video juga dapat digunakan untuk menyamar sebagai atasan, kolega, maupun pihak tepercaya. Jika tidak diverifikasi, permintaan palsu tersebut dapat menyebabkan pencurian kredensial, pengiriman data sensitif, atau transaksi yang tidak sah.
Serangan siber yang semakin otomatis
Threat actor dapat menggunakan AI untuk mempercepat pencarian celah keamanan, mengembangkan atau memodifikasi pola serangan, dan menguji berbagai pendekatan secara otomatis. Kemampuan tersebut memungkinkan serangan dilakukan dalam skala yang lebih besar dengan waktu persiapan yang lebih singkat, bahkan ransomware berbasis AI kian beragam. Pola serangan juga dapat terus diubah agar lebih sulit dikenali oleh sistem keamanan yang hanya mengandalkan aturan atau signature tetap.
Kebocoran data melalui shadow AI
Shadow AI terjadi ketika karyawan menggunakan aplikasi AI tanpa persetujuan atau pengawasan organisasi. Misalnya, pengguna memasukkan kode, dokumen internal, data pelanggan, atau informasi bisnis ke layanan generative AI untuk membantu menyelesaikan pekerjaan. Tanpa kebijakan dan kontrol yang jelas, organisasi tidak dapat memastikan bagaimana data tersebut diproses, disimpan, atau digunakan oleh penyedia layanan. Kondisi ini dapat meningkatkan risiko kebocoran data, pelanggaran privasi, dan ketidakpatuhan terhadap regulasi.
Serangan terhadap sistem AI
Sistem AI juga dapat menjadi target serangan. Melalui data poisoning, penyerang dapat memasukkan data yang telah dimanipulasi untuk memengaruhi proses training dan hasil yang diberikan model. Teknik seperti prompt injection juga dapat digunakan untuk memanipulasi instruksi, melewati batasan sistem, atau mendorong AI menampilkan informasi yang seharusnya tidak dapat diakses. Jika AI terhubung dengan aplikasi dan workflow perusahaan, manipulasi tersebut berpotensi memengaruhi tindakan yang dijalankan sistem. Ancaman ini menunjukkan bahwa penggunaan AI perlu disertai perlindungan terhadap pengguna, data, model, dan sistem yang terhubung dengannya. Organisasi perlu menetapkan kebijakan penggunaan AI, membatasi akses ke data sensitif, memantau aktivitas pengguna, serta menerapkan deteksi dan respons ancaman secara berkelanjutan.
Apa saja risiko dan tantangan penggunaan artificial intelligence?
Selain menghadapi ancaman siber berbasis AI, organisasi perlu mempertimbangkan risiko yang muncul dari penggunaan teknologi AI itu sendiri. Hasil yang tidak akurat, pengelolaan data yang kurang tepat, serta tidak adanya pengawasan dapat memengaruhi keputusan dan operasional perusahaan.
Keamanan dan privasi data
Sistem AI memerlukan data untuk melakukan training, menghasilkan respons, atau menjalankan analisis. Data tersebut dapat mencakup informasi pelanggan, data karyawan, kode aplikasi, dokumen internal, hingga catatan operasional perusahaan.
Risiko muncul ketika organisasi tidak memiliki visibilitas terhadap data yang dikirimkan ke sistem AI, lokasi penyimpanannya, dan pihak yang dapat mengaksesnya. Data sensitif juga dapat terekspos apabila pengguna memasukkannya ke layanan AI publik tanpa kontrol yang memadai.
Karena itu, organisasi perlu menetapkan klasifikasi data, membatasi jenis informasi yang boleh diproses, dan memastikan penggunaan AI sesuai dengan kebijakan keamanan serta ketentuan perlindungan data pribadi.
Bias dan kualitas data
Kualitas output AI sangat bergantung pada data yang digunakan untuk melatih dan mengoperasikannya. Jika data tidak lengkap, tidak akurat, sudah kedaluwarsa, atau tidak mewakili kondisi sebenarnya, model dapat menghasilkan rekomendasi yang kurang tepat.
Bias dalam data juga dapat menyebabkan AI memberikan hasil yang tidak seimbang kepada kelompok atau kondisi tertentu. Masalah ini menjadi semakin penting ketika AI digunakan untuk mendukung keputusan yang berkaitan dengan rekrutmen, penilaian risiko, pemberian akses, atau layanan pelanggan. Organisasi perlu memeriksa sumber dan kualitas data secara berkala serta menguji hasil AI pada berbagai skenario sebelum menggunakannya dalam proses penting.
Hallucination dan ketidakakuratan
Generative AI dapat menghasilkan informasi yang terdengar meyakinkan meskipun tidak sepenuhnya benar. Kondisi ini dikenal sebagai hallucination. Model AI pada dasarnya menghasilkan respons berdasarkan pola dalam data, bukan memahami kebenaran informasi seperti manusia. Dalam operasional IT, respons yang keliru dapat menghasilkan langkah troubleshooting yang tidak sesuai, script yang tidak aman, atau rangkuman insiden yang kehilangan informasi penting. Risikonya semakin besar jika output tersebut langsung digunakan tanpa pemeriksaan.
Karena itu, informasi yang dihasilkan AI perlu diverifikasi, terutama sebelum digunakan untuk membuat keputusan atau menjalankan perubahan pada sistem produksi.
Kurangnya transparansi
Beberapa model AI bekerja sebagai black box sehingga sulit menjelaskan alasan di balik suatu prediksi atau rekomendasi. Pengguna mungkin menerima hasil tanpa mengetahui data, pola, dan faktor yang memengaruhinya. Kurangnya transparansi dapat menyulitkan organisasi ketika perlu melakukan audit, mengevaluasi kesalahan, atau menjelaskan keputusan kepada pihak yang terdampak. Perusahaan juga dapat kesulitan menentukan tanggung jawab apabila keputusan berbasis AI menimbulkan kerugian.
Ketergantungan berlebihan pada AI
Kemudahan yang diberikan AI dapat membuat pengguna terlalu mengandalkan rekomendasi sistem. Padahal, AI tidak selalu memahami konteks bisnis, dampak keputusan, maupun kondisi yang belum tercakup dalam data. Ketergantungan berlebihan juga dapat mengurangi kemampuan tim dalam melakukan analisis secara mandiri. Ketika sistem AI tidak tersedia atau menghasilkan output yang salah, organisasi mungkin kesulitan menjalankan proses secara manual.
AI sebaiknya digunakan sebagai pendukung pengambilan keputusan, bukan sebagai satu-satunya sumber penilaian. Untuk proses berisiko tinggi, organisasi tetap perlu menerapkan human oversight atau validasi oleh pihak yang memiliki keahlian terkait.
Kepatuhan dan tata kelola AI
Penggunaan AI membutuhkan aturan yang menjelaskan siapa yang boleh menggunakan teknologi tersebut, data apa yang dapat diproses, serta keputusan apa yang boleh dijalankan secara otomatis. Tanpa tata kelola yang jelas, penggunaan AI dapat berkembang tanpa visibilitas dan kontrol dari organisasi.
Kebijakan juga perlu mencakup proses persetujuan, manajemen akses, pencatatan aktivitas, evaluasi model, penanganan insiden, dan mekanisme penghentian sistem ketika terjadi masalah. Risiko-risiko tersebut tidak berarti organisasi harus menghindari artificial intelligence. Sebaliknya, perusahaan perlu menerapkannya secara bertahap dengan kontrol keamanan, tata kelola, dan pengawasan manusia yang sesuai.
Manfaatkan AI untuk operasional IT yang lebih cerdas
Artificial intelligence membantu tim IT menganalisis data, mendeteksi masalah, dan mengotomatisasi pekerjaan dengan lebih efisien. Namun, penerapannya tetap membutuhkan data berkualitas, infrastruktur yang siap, keamanan, dan tata kelola yang jelas. Melalui pendekatan yang tepat, AI dapat membantu organisasi membangun operasional IT yang lebih proaktif tanpa mengurangi kontrol atas sistemnya.
Pelajari bagaimana solusi ManageEngine membantu organisasi mengelola dan mengamankan lingkungan IT secara lebih efisien.