Selain itu, beberapa jurnal juga membahas tentang tantangan dan hambatan yang dihadapi dalam pengembangan kecerdasan buatan, serta solusi yang diusulkan untuk mengatasi masalah tersebut. Salah satu tantangan utama yang dihadapi dalam pengembangan kecerdasan buatan adalah kurangnya data yang berkualitas. Data yang digunakan dalam pelatihan model AI harus lengkap, akurat, dan representatif untuk menghasilkan hasil yang akurat dan dapat diandalkan. Namun, seringkali sulit untuk mendapatkan data yang memenuhi kriteria ini, terutama dalam kasus di mana data tersebut sensitif atau sulit untuk diperoleh.
Selain itu, masalah lain yang sering dihadapi dalam pengembangan kecerdasan buatan adalah interpretabilitas model. Beberapa model AI, seperti jaringan saraf tiruan yang dalam, dapat menjadi hitam yang sulit dipahami oleh manusia. Hal ini dapat menyulitkan untuk memahami bagaimana model membuat keputusan dan mengapa model tersebut memilih suatu tindakan tertentu. Untuk mengatasi masalah ini, beberapa penelitian telah mengusulkan metode untuk meningkatkan interpretabilitas model, seperti menggunakan teknik visualisasi atau membuat model yang lebih sederhana dan mudah dipahami.
Referensi:
1. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
2. Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?”: Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135-1144.
3. Zou, J., & Schiebinger, L. (2018). AI can be sexist and racist – it’s time to make it fair. Nature, 559(7714), 324-326.
