![]() |
| gambar : miro.medium.com |
Perkembangan AI generatif membuat banyak sistem digital kini menjadikan large language model (LLM) sebagai pusat hampir seluruh proses pengambilan keputusan. Model seperti GPT atau Claude sangat kuat dalam memahami bahasa, melakukan reasoning, menyusun rencana, dan menghasilkan teks. Namun, tidak semua pekerjaan dalam sebuah sistem AI membutuhkan kemampuan tersebut. Banyak tugas sebenarnya hanya membutuhkan keputusan terstruktur: apakah sebuah pesan perlu dijawab, ke bagian mana sebuah permintaan harus diarahkan, seberapa tinggi tingkat urgensinya, atau apakah hasil kerja sebuah model perlu diteruskan kepada manusia. Di sinilah JEV, yang dikembangkan TypeSafe AI sebagai model judgment terstruktur, menawarkan pendekatan yang berbeda.
Alih-alih menghasilkan paragraf teks bebas, JEV dirancang untuk mengevaluasi sebuah state berdasarkan pertanyaan bertipe dan mengembalikan hasil yang dapat langsung digunakan oleh perangkat lunak. Pendekatan ini mencakup primitive seperti Noul untuk penilaian biner, Choice untuk memilih salah satu dari sejumlah opsi, dan Score untuk memberikan penilaian berdasarkan rubrik tertentu. Keuntungan utamanya bukan semata-mata karena JEV “lebih pintar” daripada LLM, melainkan karena keluarannya lebih terstruktur dan lebih mudah dijadikan bagian dari logika aplikasi. Program tidak perlu menafsirkan kembali kalimat panjang yang dihasilkan model untuk mengetahui keputusan apa yang sebenarnya dibuat.
Karena itu, hubungan JEV dan LLM lebih tepat dipahami sebagai pembagian tugas daripada persaingan. LLM dapat menangani pekerjaan yang membutuhkan pemahaman dan reasoning yang luas, seperti membaca dokumen, menyusun rencana, menjelaskan suatu persoalan, atau menghasilkan respons kepada pengguna. JEV dapat ditempatkan sebelum proses tersebut untuk melakukan triase dan menentukan jalur yang tepat, atau setelahnya untuk mengevaluasi hasil yang dihasilkan LLM. Sebuah sistem bahkan dapat menggunakan JEV untuk menentukan apakah sebuah kasus cukup aman untuk diproses otomatis, perlu dikirim kembali kepada LLM untuk analisis lebih lanjut, atau harus diteruskan kepada manusia.
Arsitektur semacam ini juga membuka kemungkinan penggunaan AI yang lebih efisien. Bayangkan sebuah layanan digital menerima ribuan pesan setiap hari. Tidak semua pesan membutuhkan LLM berkapasitas besar. Pesan sederhana seperti ucapan terima kasih, pertanyaan rutin, atau permintaan yang sudah memiliki prosedur tetap dapat disaring pada tahap awal. Kasus yang lebih kompleks dapat diteruskan kepada LLM, sedangkan hasil LLM dapat kembali diperiksa oleh lapisan judgment sebelum tindakan dijalankan. Namun, tingkat confidence dari JEV tidak boleh dianggap sebagai jaminan kebenaran. Threshold seperti 80 atau 90 persen merupakan kebijakan yang harus ditentukan oleh pengembang berdasarkan risiko, pengujian, dan kalibrasi sistem.
Pada akhirnya, arsitektur AI yang kuat mungkin bukan sistem yang menyerahkan seluruh pekerjaan kepada satu model, melainkan sistem yang membagi pekerjaan kepada komponen yang tepat. LLM dapat berperan sebagai mesin reasoning dan komunikasi, JEV sebagai lapisan judgment dan routing, kode sebagai pelaksana tindakan yang deterministik, dan manusia sebagai pengambil keputusan untuk kasus yang berada di luar batas otomatisasi. Dengan pola tersebut, JEV tidak perlu dipandang sebagai pengganti LLM. Nilai sebenarnya justru muncul ketika keduanya ditempatkan pada fungsi yang berbeda namun saling melengkapi: LLM membantu sistem memahami dan berpikir, JEV membantu sistem menilai dan memilih, sedangkan perangkat lunak memastikan keputusan tersebut dijalankan secara konsisten.

No comments:
Post a Comment