PENJELASAN SEDERHANA
Apa Itu Large Language Model?
Dari prediksi kata berikutnya hingga menjadi asisten yang berguna, idenya lebih sederhana daripada namanya.
Large language model adalah teknologi di balik asisten AI paling mumpuni saat ini. Halaman ini menjelaskan apa itu LLM, bagaimana cara kerjanya tanpa rumus matematika, dan mengapa memahami dasarnya membuat Anda menjadi pengguna yang lebih tajam dan efektif.
Large language model (LLM) adalah jenis AI yang dilatih dengan kumpulan teks yang sangat besar untuk memprediksi kata, frasa, atau kalimat berikutnya yang paling berguna berdasarkan sebuah prompt. Selama pelatihan, model menyesuaikan miliaran parameter internal untuk menangkap pola bahasa: tata bahasa, fakta, gaya penalaran, bahkan kode. Saat inferensi, model menghasilkan jawaban token demi token, memilih setiap kata berdasarkan konteks. Hasilnya adalah sistem yang bisa menulis, bernalar, menerjemahkan, dan menjawab pertanyaan tanpa pernah diprogram secara khusus untuk salah satunya.
Diterbitkan
Pelajaran gratis · tanpa akunKenalan dengan ClaudeMengapa Claude?6 mntMulai pelajaran gratisKONSEP INTI
Cara Kerja Large Language Model
Empat gagasan menjelaskan sebagian besar yang dilakukan LLM, dan sebagian besar hal yang membuat orang terkejut.
Prediksi token berikutnya
Pada intinya, LLM belajar memprediksi kata (atau token) berikutnya yang paling masuk akal berdasarkan semua yang muncul sebelumnya. Satu tugas ini, diterapkan dalam skala sangat besar, menghasilkan kemampuan berbahasa yang mengejutkan.
Dilatih dengan teks
Sebelum Anda mengobrol dengan LLM, model itu sudah memproses sebagian besar teks tertulis: buku, artikel, kode, percakapan. Ia menyetel bobot internalnya agar sesuai dengan pola dalam data tersebut.
Parameter, bukan aturan
Berbeda dengan sistem AI lama yang dibangun dari aturan yang ditulis manual, LLM menyimpan pengetahuan sebagai miliaran bobot numerik. Tidak ada insinyur yang menulis 'langit itu biru'; model menyimpulkannya dari pola di jutaan contoh.
Kemampuan yang muncul sendiri
Kemampuan seperti menerjemahkan, merangkum, dan bernalar bertahap tidak diprogram satu per satu. Semuanya muncul sebagai efek samping dari menjadi sangat piawai memprediksi teks dalam skala besar.
DI BALIK LAYAR
Pelatihan vs. Inferensi: Dua Fase yang Sangat Berbeda
Pelatihan adalah proses mahal yang dilakukan sekali untuk membangun model. Kumpulan teks yang sangat besar dialirkan berulang kali melalui jaringan saraf. Setiap kali model salah menebak kata berikutnya, bobotnya digeser sedikit agar lebih baik. Setelah iterasi yang tak terhitung, bobot itu stabil menjadi sesuatu yang menangkap pemahaman luas tentang bahasa.
Inferensi adalah yang terjadi saat Anda mengetik pesan. Model mengambil prompt Anda, memprosesnya melalui bobot yang sudah tetap itu, lalu menghasilkan jawaban kata demi kata. Pada tahap ini tidak ada proses belajar; model hanya menerapkan apa yang sudah diketahuinya. Ini penting karena model tidak bisa memperbarui pengetahuannya secara langsung dari percakapan Anda.
Antara pelatihan mentah dan asisten yang matang, sebagian besar model melewati fine-tuning tambahan dengan umpan balik manusia. Orang menilai jawaban dari sisi kegunaan dan akurasi, lalu model disesuaikan agar lebih memilih keluaran yang dinilai lebih tinggi. Inilah yang mengubah sebuah peramal teks menjadi sesuatu yang terasa seperti asisten yang penuh pertimbangan, bukan sekadar pelengkap otomatis mesin pencari.
KETERBATASAN YANG JUJUR
Mengapa LLM Kadang Keliru
Memahami jenis kegagalannya membuat Anda menjadi pengguna yang lebih baik dan membantu menangkap kesalahan sebelum berdampak.
Halusinasi
Ketika LLM tidak punya pengetahuan yang andal, ia bisa tetap menghasilkan jawaban yang terdengar meyakinkan. Model belajar bahwa teks yang lancar dan percaya diri itu dihargai, sehingga diam atau 'saya tidak tahu' terasa tidak wajar bagi model.
Batas pengetahuan
Data pelatihan punya tanggal batas. Peristiwa, makalah, atau fakta yang muncul setelah tanggal itu tidak ada dalam bobot model, kecuali model diberi alat untuk mencarinya.
Batas konteks
Setiap LLM punya jendela konteks (context window): jumlah teks yang bisa ia simpan dalam memori kerja sekaligus. Informasi di luar jendela itu tidak terlihat oleh model saat ia menyusun jawaban.
Pencocokan pola, bukan penalaran
LLM sangat piawai mengenali dan melanjutkan pola. Pada masalah baru yang menuntut penalaran yang benar-benar baru, model bisa kesulitan atau salah dengan penuh percaya diri, dengan cara yang akan cepat disadari pembaca yang teliti.
KETERAMPILAN PRAKTIS
Mengapa Prompt Lebih Penting daripada yang Dikira Kebanyakan Orang
Model yang Anda ajak bicara itu tetap; bobotnya tidak berubah antarpercakapan. Yang bisa Anda ubah adalah prompt: konteks, instruksi, dan contoh yang Anda berikan. Prompt yang samar memaksa model menebak maksud Anda. Prompt yang spesifik mempersempit kemungkinan jawaban ke arah yang benar-benar Anda butuhkan.
Karena itu prompt engineering adalah keterampilan nyata, bukan sekadar istilah populer. Memberi model sebuah peran ('Anda adalah pengacara pajak yang meninjau klausul ini'), format ('jawab dalam tiga poin'), atau contoh yang sudah dikerjakan ('ini jawaban yang baik untuk pertanyaan serupa') secara konsisten meningkatkan mutu keluaran. Anda tidak sedang mengelabui model; Anda mengurangi ketidakpastiannya tentang seperti apa jawaban yang baik.
Memahami bahwa model memprediksi token berikutnya yang berguna juga menjelaskan mengapa ia peka terhadap pilihan kata. Dua prompt yang bagi Anda bermakna sama bisa mengaktifkan pola yang sangat berbeda dalam model. Pelajaran praktisnya: ketika jawaban meleset, susun ulang prompt, jangan sekadar mengulang.
Memahami LLM adalah fondasinya. Menggunakannya dengan baik adalah keterampilannya.
Membaca tentang prediksi token berikutnya adalah konteks yang berguna. Namun berlatih langsung teknik prompt, mengerjakan contoh nyata, dan membangun naluri tentang apa yang berhasil adalah tempat pemahaman berubah menjadi kemampuan. Kurikulum Nightschool AI bersifat praktik langsung sejak pelajaran pertama.
Pertanyaan yang Sering Diajukan
LLM singkatan dari apa?
LLM adalah singkatan dari large language model. 'Large' (besar) merujuk pada skala data pelatihan dan jumlah parameter internal yang dimiliki model. 'Language model' (model bahasa) menggambarkan fungsinya: memodelkan probabilitas urutan teks, yang dalam praktiknya berarti memprediksi kata berikutnya yang berguna berdasarkan sebuah prompt.
Apa bedanya LLM dengan mesin pencari?
Mesin pencari mengindeks dokumen yang sudah ada dan menampilkan yang paling relevan dengan kueri Anda. LLM menghasilkan teks baru dengan memprediksi seperti apa jawaban yang berguna, berdasarkan pola yang tertanam dalam bobotnya selama pelatihan. Mesin pencari menemukan; LLM menyusun. Banyak asisten AI kini menggabungkan keduanya: model menghasilkan teks sementara lapisan pengambilan data memberinya akses ke informasi terkini.
Mengapa LLM berhalusinasi?
Halusinasi terjadi karena LLM dioptimalkan untuk menghasilkan teks yang lancar dan masuk akal, bukan untuk memverifikasi fakta sebelum menjawab. Ketika data pelatihan tidak memberi sinyal yang andal, model tetap bisa menghasilkan jawaban yang terdengar yakin dengan memperpanjang pola yang tampak paling mungkin. Memeriksa keluaran LLM terhadap sumber yang otoritatif adalah praktik yang baik setiap kali akurasi itu penting.
Apakah LLM bisa belajar dari percakapan kita?
Tidak, tidak secara langsung. Bobot model tetap saat inferensi. Percakapan Anda mungkin disimpan dan dipakai pada putaran pelatihan berikutnya, tergantung kebijakan penyedia, tetapi model yang sedang Anda ajak bicara saat ini tidak berubah selagi Anda mengetik. Beberapa sistem meniru memori dengan menyisipkan ringkasan percakapan sebelumnya ke dalam jendela konteks, dan itu tidak sama dengan belajar yang sebenarnya.
Apa itu token?
Token adalah satuan yang diproses dan diprediksi oleh LLM. Dalam bahasa Inggris, token biasanya berupa satu kata atau potongan kata yang umum; kata yang lebih panjang bisa dipecah menjadi beberapa token. LLM menghasilkan teks satu token pada satu waktu, memilih tiap token berdasarkan konteks yang terkumpul. Jendela konteks dan harga penggunaan biasanya dinyatakan dalam token, bukan kata atau karakter.
Apa bedanya LLM dengan asisten AI seperti Claude?
LLM adalah model dasarnya: jaringan saraf yang sudah dilatih. Asisten AI seperti Claude adalah LLM ditambah lapisan fine-tuning, pelatihan keselamatan, dan sering kali alat tambahan seperti pencarian web atau eksekusi kode. Anggap LLM sebagai mesinnya dan asisten sebagai kendaraan yang sudah jadi: teknologi inti yang sama, dibentuk menjadi sesuatu yang berguna dan aman untuk pemakaian sehari-hari.
Apakah LLM yang lebih besar selalu lebih baik?
Belum tentu. Skala membantu, tetapi kualitas data pelatihan, teknik fine-tuning, dan tugas yang dikerjakan sama pentingnya. Model yang lebih kecil dan disetel dengan baik sering mengungguli yang lebih besar pada tugas yang terfokus. Bidang ini telah bergeser dari 'makin besar makin baik' ke pengoptimalan seluruh alurnya: arsitektur, data, penyelarasan, dan efisiensi inferensi secara bersamaan.
Apakah prompting keterampilan yang layak dipelajari?
Ya. Karena LLM memprediksi teks yang berguna berdasarkan konteks, cara Anda membingkai permintaan langsung membentuk apa yang dihasilkan model. Peran yang jelas, format yang spesifik, contoh yang sudah dikerjakan, dan batasan yang eksplisit secara konsisten meningkatkan mutu keluaran. Prompting bukan jalan pintas untuk alat yang terbatas; itulah cara Anda menyampaikan maksud kepada sistem yang tidak bisa membaca pikiran Anda.
Praktikkan hari ini
Mengetahui cara kerja LLM adalah langkah pertama. Langkah kedua adalah mahir bekerja dengannya.