Calling Tools, Cara AI Berinteraksi dengan Dunia Digital

Perkembangan Artificial Intelligence (AI) telah mengubah cara manusia mencari informasi, mengolah data, hingga menyelesaikan berbagai pekerjaan. Jika sebelumnya AI hanya mampu memberikan jawaban berdasarkan pengetahuan yang diperoleh selama proses pelatihan, kini teknologi tersebut dapat melakukan lebih banyak hal dengan memanfaatkan alat eksternal. Salah satu kemampuan yang memungkinkan hal ini adalah calling tools atau pemanggilan alat.

Teknologi calling tools memungkinkan model kecerdasan buatan berinteraksi dengan berbagai sistem eksternal, seperti API (Application Programming Interface), basis data, mesin pencari, hingga perangkat lunak tertentu. Melalui kemampuan ini, AI tidak hanya memberikan jawaban berdasarkan informasi yang sudah dipelajari, tetapi juga dapat mengambil data terbaru, menjalankan perintah, melakukan perhitungan, dan mengotomatiskan berbagai proses.

Kemampuan tersebut menjadi salah satu fondasi penting dalam pengembangan AI agent atau agen AI yang mampu menjalankan tugas secara lebih mandiri. Dengan calling tools, AI dapat beralih dari sekadar asisten yang menjawab pertanyaan menjadi sistem yang mampu melakukan serangkaian tindakan untuk menyelesaikan suatu pekerjaan.

Lantas, apa sebenarnya calling tools, bagaimana cara kerjanya, dan apa saja manfaatnya dalam kehidupan sehari-hari maupun dunia bisnis?

Apa Itu Calling Tools?

Calling tools atau pemanggilan alat adalah kemampuan model kecerdasan buatan, khususnya Large Language Model (LLM), untuk berinteraksi dengan alat, fungsi, API, atau sistem eksternal guna memperluas kemampuannya dalam menyelesaikan tugas.

Dalam penggunaan AI konvensional, model menghasilkan jawaban berdasarkan pola dan informasi yang dipelajari selama proses pelatihan. Artinya, AI sangat bergantung pada pengetahuan yang sudah tersedia dalam model dan belum tentu memiliki informasi terbaru mengenai suatu peristiwa atau kondisi tertentu.

Melalui calling tools, keterbatasan tersebut dapat diatasi dengan menghubungkan AI ke berbagai sumber daya eksternal. Model dapat meminta informasi dari basis data, mengambil data secara real-time, menjalankan kode, melakukan perhitungan kompleks, hingga berinteraksi dengan aplikasi lain.

Calling tools terkadang juga disebut sebagai function calling atau pemanggilan fungsi. Kemampuan ini menjadi salah satu teknologi utama dalam pengembangan AI agen karena memungkinkan model untuk berinteraksi dengan sistem lain dan menjalankan tugas yang lebih kompleks.

Mengapa Calling Tools Penting dalam Pengembangan AI?

Large Language Model seperti LLM memiliki kemampuan memahami bahasa, menghasilkan teks, menganalisis informasi, dan menjawab berbagai pertanyaan. Namun, kemampuannya tetap memiliki keterbatasan, terutama ketika berhadapan dengan informasi yang terus berubah atau tugas yang membutuhkan akses ke sistem eksternal.

Salah satu keterbatasan utama LLM adalah ketergantungannya pada data pelatihan. Proses pelatihan model membutuhkan kumpulan data yang sangat besar, sumber daya komputasi, serta waktu yang tidak sedikit. Meskipun model telah dilatih menggunakan berbagai informasi, pengetahuan tersebut tidak secara otomatis diperbarui setiap kali terjadi peristiwa baru.

Model bahasa generasi awal, seperti GPT-2 dari OpenAI, bekerja dengan menghasilkan respons berdasarkan informasi yang telah dipelajari selama pelatihan. Model tersebut tidak memiliki kemampuan bawaan untuk mengambil informasi terbaru dari internet atau berinteraksi langsung dengan basis data eksternal.

Akibatnya, AI dapat mengalami kesulitan ketika diminta menjawab pertanyaan yang membutuhkan informasi terkini, seperti harga saham terbaru, perkembangan suatu peristiwa, atau data spesifik milik pengguna.

Untuk mengatasi keterbatasan tersebut, pengembang mulai mengintegrasikan berbagai alat eksternal, termasuk API, basis data, dan layanan pencarian informasi ke dalam sistem AI.

Melalui calling tools, model dapat mengenali kapan suatu permintaan membutuhkan informasi atau kemampuan tambahan. Selanjutnya, AI dapat memilih alat yang sesuai, mengirimkan permintaan, menerima hasil, dan mengolahnya menjadi respons yang relevan.

Kemampuan ini juga memungkinkan AI menjalankan serangkaian tugas dalam satu alur kerja. Misalnya, AI dapat mengambil informasi dari suatu layanan, memproses data tersebut menggunakan alat komputasi, kemudian menyajikan hasilnya kepada pengguna.

Dengan demikian, calling tools memperluas fungsi LLM dari sekadar menghasilkan teks menjadi sistem yang dapat berinteraksi secara dinamis dengan lingkungan digital.

Bagaimana Cara Kerja Calling Tools?

Calling tools melibatkan beberapa komponen yang saling terhubung, mulai dari pengenalan kebutuhan hingga penyajian hasil kepada pengguna.

Secara umum, calling tools melibatkan beberapa komponen utama, yaitu model AI, mekanisme pemilihan alat, antarmuka API, serta sistem pemrosesan respons. Semua komponen tersebut bekerja bersama agar AI dapat menggunakan alat eksternal secara terstruktur. Berikut enam tahapan utama dalam proses calling tools.

1. Mengenali Kebutuhan Penggunaan Alat
   Tahap pertama dimulai ketika AI menerima pertanyaan atau perintah dari pengguna. Model kemudian menganalisis permintaan tersebut untuk menentukan apakah tugas dapat diselesaikan menggunakan pengetahuan yang sudah dimilikinya atau membutuhkan bantuan alat eksternal.

   Sebagai contoh, ketika pengguna bertanya, "Bagaimana cuaca di San Francisco sekarang?", AI perlu memahami bahwa pertanyaan tersebut membutuhkan informasi cuaca terkini. Karena kondisi cuaca dapat berubah sewaktu-waktu, pengetahuan yang diperoleh selama pelatihan tidak cukup untuk memberikan jawaban yang akurat mengenai keadaan saat ini. Oleh karena itu, AI perlu menggunakan alat eksternal, seperti API cuaca.

   Dalam proses ini, sistem dapat memberikan ID pemanggilan alat yang unik pada setiap permintaan. ID tersebut berfungsi sebagai nomor pelacakan untuk menghubungkan permintaan yang dikirimkan AI dengan hasil yang dikembalikan oleh alat eksternal.

2. Memilih Alat yang Sesuai
   Setelah mengenali kebutuhan penggunaan alat, AI akan menentukan alat yang paling relevan untuk menyelesaikan tugas. Alat yang tersedia dapat berupa mesin pencari, basis data, API cuaca, layanan komputasi, atau aplikasi tertentu. Pemilihan alat dilakukan berdasarkan jenis informasi atau tindakan yang dibutuhkan pengguna. Setiap alat biasanya memiliki metadata terstruktur yang mencakup nama alat, deskripsi fungsi, parameter, serta jenis masukan dan keluaran yang diperlukan.

   Sebagai contoh, API cuaca dapat memiliki parameter berupa nama kota atau koordinat geografis. AI perlu mengidentifikasi informasi yang dibutuhkan dan menyesuaikannya dengan format masukan yang ditentukan oleh alat tersebut. Proses ini juga melibatkan penggunaan templat atau format instruksi terstruktur yang membantu model menentukan alat yang harus digunakan beserta argumen yang perlu dikirimkan.Argumen merupakan masukan terstruktur yang diberikan kepada alat atau fungsi agar dapat menjalankan tugas sesuai kebutuhan. Ketepatan argumen sangat penting karena alat eksternal biasanya hanya dapat memproses permintaan dengan format tertentu.

   Pada tahap ini, calling tools juga dapat dikombinasikan dengan Retrieval-Augmented Generation (RAG). Pendekatan RAG memungkinkan AI mengambil informasi relevan dari sumber eksternal sebelum menghasilkan jawaban.

   Dengan menggabungkan pengambilan informasi dan kemampuan pemanggilan alat, sistem dapat memanfaatkan data terstruktur maupun tidak terstruktur untuk menghasilkan respons yang lebih sesuai dengan konteks permintaan pengguna.

3. Membuat dan Mengirimkan Permintaan
   Setelah alat yang sesuai ditentukan, AI akan menyusun permintaan terstruktur berdasarkan parameter yang diperlukan. Setiap alat memiliki fungsi tertentu yang menjelaskan tugas yang dapat dilakukannya. Fungsi tersebut dapat merujuk pada dokumentasi API yang berisi informasi mengenai alamat titik akhir (endpoint), metode permintaan, parameter, dan format respons.

   Sebagai contoh, ketika menggunakan API cuaca, AI dapat menyusun permintaan yang berisi nama kota yang ingin diperiksa. Informasi tersebut kemudian dikirimkan ke layanan eksternal melalui API. Dalam banyak kasus, layanan eksternal memerlukan kunci API (API key), yaitu pengenal unik yang digunakan untuk memberikan izin dalam mengakses layanan tertentu.

   Setelah semua parameter yang diperlukan tersedia, permintaan dikirimkan ke server eksternal, umumnya melalui protokol HTTP. Server kemudian memproses permintaan tersebut dan menyiapkan data yang dibutuhkan oleh AI.Tahap ini memungkinkan model berkomunikasi dengan sistem eksternal tanpa harus memahami seluruh proses teknis yang berlangsung di dalam layanan tersebut.

4. Menerima dan Memproses Respons
   Setelah permintaan berhasil diproses, alat eksternal akan mengembalikan data kepada sistem AI. Data tersebut umumnya disajikan dalam format yang dapat dibaca mesin, seperti JSON (JavaScript Object Notation). Format ini memungkinkan sistem menyusun informasi ke dalam struktur tertentu sehingga dapat diproses lebih lanjut.

   Sebagai contoh, API cuaca dapat mengembalikan data yang mencakup suhu, tingkat kelembapan, dan kecepatan angin di suatu wilayah. AI kemudian menganalisis hasil tersebut, mengambil informasi yang relevan, dan menyusunnya menjadi jawaban yang sesuai dengan pertanyaan pengguna.

   Proses pengolahan ini penting karena data mentah dari API belum tentu mudah dipahami oleh pengguna. AI bertugas menerjemahkan informasi teknis tersebut menjadi penjelasan dalam bahasa yang lebih alami dan mudah dimengerti.

5. Menyajikan Informasi atau Menjalankan Tindakan
   Setelah data berhasil diproses, AI akan menyajikan hasilnya kepada pengguna dalam bentuk respons yang sesuai. Jika permintaan pengguna hanya membutuhkan informasi, AI dapat memberikan rangkuman berdasarkan data yang diperoleh dari alat eksternal.

   Namun, apabila permintaan melibatkan tindakan tertentu, AI dapat menggunakan alat untuk menjalankan proses tersebut. Misalnya, ketika pengguna meminta pengaturan pengingat, AI dapat berinteraksi dengan aplikasi atau layanan pengingat yang terhubung.

   Setelah sistem menerima konfirmasi bahwa tindakan telah dijalankan, AI dapat menyampaikan hasilnya kepada pengguna. Hal ini menunjukkan bahwa calling tools tidak hanya berfungsi untuk memperoleh informasi, tetapi juga memungkinkan AI melakukan tindakan melalui sistem eksternal yang tersedia.

6. Menyempurnakan Pencarian atau Tindakan
   Tahap terakhir adalah penyempurnaan berdasarkan kebutuhan pengguna. Jika pengguna meminta informasi tambahan, memperbaiki parameter, atau mengubah suatu tindakan, AI dapat mengulangi proses pemanggilan alat dengan permintaan yang telah disesuaikan.

   Sebagai contoh, setelah memperoleh informasi cuaca di San Francisco, pengguna mungkin meminta perkiraan cuaca untuk hari berikutnya. AI dapat kembali memanggil API cuaca dengan parameter yang berbeda untuk mendapatkan informasi yang dibutuhkan.

   Proses berulang ini memungkinkan AI memberikan respons yang lebih sesuai dengan konteks percakapan dan membantu menyelesaikan tugas yang membutuhkan beberapa langkah.

Peran LangChain dalam Calling Tools

Salah satu kerangka kerja yang sering digunakan untuk mengintegrasikan alat eksternal dengan LLM adalah LangChain. Kerangka kerja sumber terbuka ini membantu pengembang menghubungkan model AI dengan API, basis data, dan berbagai fungsi eksternal. LangChain menyediakan mekanisme untuk mengelola eksekusi alat, menangani masukan dan keluaran, serta mengatur interaksi antara model dan alat berdasarkan konteks permintaan.

Sebagai contoh, LangChain dapat membantu mengurai pertanyaan pengguna untuk mengambil parameter yang relevan, kemudian menyusunnya ke dalam format yang sesuai dengan kebutuhan fungsi yang akan dijalankan.

Selain itu, LangChain dapat menyimpan dan menggunakan kembali hasil pemanggilan alat sebelumnya. Kemampuan ini memungkinkan sistem mempertahankan konteks dalam percakapan yang terdiri dari beberapa giliran.

LangChain juga mendukung penggabungan beberapa alat dalam satu rangkaian proses. Misalnya, AI dapat terlebih dahulu mengambil informasi cuaca melalui API, kemudian menggunakan alat lain untuk memberikan rekomendasi pakaian berdasarkan kondisi cuaca tersebut.

Dengan pendekatan ini, pengembang dapat membangun aplikasi AI yang mampu menangani alur kerja lebih kompleks, bukan hanya menjalankan satu fungsi secara terpisah.

Jenis-Jenis Calling Tools dan Contoh Penggunaannya

Calling tools dapat digunakan dalam berbagai kebutuhan, mulai dari pencarian informasi hingga pengelolaan perangkat pintar. Berikut lima kategori utama penerapannya.

1. Pengambilan dan Pencarian Informasi
   AI dapat menggunakan alat pencarian untuk mengambil informasi terbaru dari internet, sumber berita, basis data akademik, maupun pasar keuangan. Sebagai contoh, chatbot AI dapat memanggil API pencarian untuk memperoleh harga saham terkini atau menemukan artikel penelitian tentang perkembangan teknologi AI. Informasi yang diperoleh kemudian dirangkum dan disampaikan kepada pengguna.

2. Eksekusi Kode dan Perhitungan
   Calling tools memungkinkan AI menjalankan kode atau melakukan perhitungan kompleks menggunakan mesin komputasi, seperti lingkungan eksekusi Python atau layanan matematika. Penerapannya mencakup penyelesaian persamaan, menjalankan simulasi, menganalisis data, hingga mengeksekusi potongan kode tertentu. Dengan kemampuan ini, AI dapat menggunakan alat komputasi untuk menyelesaikan tugas yang membutuhkan pemrosesan lebih lanjut.

3. Otomatisasi Proses
   AI dapat terhubung dengan berbagai aplikasi untuk mengotomatiskan pekerjaan rutin, seperti menjadwalkan rapat, mengirim email, dan mengelola daftar tugas. Melalui integrasi dengan platform seperti Google Calendar dan Zapier, AI dapat membantu menjalankan alur kerja secara terstruktur. Dalam dunia bisnis, integrasi dengan sistem CRM, keuangan, dan analitik seperti Salesforce dan QuickBooks juga dapat mendukung pengambilan data pelanggan serta penyusunan laporan keuangan.

4. Perangkat Pintar dan Pemantauan IoT
   Calling tools juga dapat digunakan untuk menghubungkan AI dengan perangkat pintar, sistem otomatisasi rumah, perangkat IoT industri, dan robotika. Melalui integrasi tersebut, sistem AI agen dapat memantau informasi dari perangkat atau mengirimkan perintah untuk mengendalikan sistem yang terhubung. Penerapan ini membuka peluang pengembangan otomatisasi yang menghubungkan berbagai perangkat dan proses dalam satu alur kerja. 

5. Integrasi dengan Basis Data dan Sistem Eksternal
   AI dapat memanggil alat yang terhubung dengan basis data untuk mengambil informasi tertentu sesuai kebutuhan pengguna. Sebagai contoh, model dapat meminta data dari suatu sistem, memproses informasi yang diterima, kemudian menyajikannya dalam bentuk rangkuman. Kemampuan ini mendukung interaksi AI dengan sumber daya digital yang berada di luar model.

Calling Tools sebagai Fondasi AI Agent

Salah satu peran penting calling tools adalah mendukung pengembangan AI agent. Berbeda dari sistem AI yang hanya menghasilkan jawaban berdasarkan perintah langsung, AI agen dapat memanfaatkan alat eksternal untuk menjalankan serangkaian tugas yang saling berkaitan.

Melalui kemampuan ini, AI agen dapat menentukan kebutuhan suatu tugas, memilih alat yang sesuai, mengambil informasi, memproses hasil, dan melanjutkan ke langkah berikutnya.

Sebagai contoh, sebuah agen AI yang diminta membantu merencanakan kegiatan dapat menggunakan alat pencarian untuk memperoleh informasi, mengambil data dari layanan tertentu, kemudian memanfaatkan alat lain untuk menyusun hasilnya.

Kemampuan menggabungkan beberapa alat dalam satu alur kerja memungkinkan AI menangani pekerjaan yang lebih kompleks dibandingkan sekadar menjawab satu pertanyaan. Meski demikian, tingkat kemandirian AI agen tetap bergantung pada alat yang terintegrasi, instruksi yang diberikan, serta batasan dan izin yang ditetapkan dalam sistem.

Kesimpulan

Calling tools merupakan kemampuan penting yang memperluas fungsi model bahasa besar dengan memungkinkan AI berinteraksi dengan API, basis data, aplikasi, dan berbagai sistem eksternal. Teknologi ini membantu mengatasi keterbatasan pengetahuan statis dengan memberikan akses terhadap informasi terbaru sekaligus memungkinkan AI menjalankan fungsi tertentu.

Melalui proses mengenali kebutuhan, memilih alat, mengirimkan permintaan, memproses respons, hingga menjalankan tindakan, AI dapat menyelesaikan tugas yang lebih kompleks dan dinamis.

Penerapannya mencakup pencarian informasi, eksekusi kode, otomatisasi proses bisnis, hingga pemantauan perangkat IoT. Integrasi dengan kerangka kerja seperti LangChain juga memungkinkan beberapa alat digunakan secara berurutan untuk membentuk alur kerja yang lebih kompleks.

Pada akhirnya, calling tools menjadi salah satu fondasi dalam peralihan AI dari asisten yang berfokus pada percakapan menjadi agen digital yang dapat berinteraksi dengan berbagai sistem dan membantu menyelesaikan pekerjaan secara lebih luas.