Machine Learning dan AI Agentic, Kombinasi Baru Sistem AI

Perkembangan Artificial Intelligence (AI) membuat teknologi semakin mampu membantu manusia menyelesaikan berbagai pekerjaan. Namun, tidak semua sistem AI bekerja dengan cara yang sama. Ada model machine learning tradisional yang sangat unggul dalam mengenali pola dan menghasilkan prediksi, tetapi ada pula sistem berbasis agentic reasoning yang dirancang untuk merencanakan langkah, menggunakan berbagai alat, beradaptasi, hingga mengambil tindakan.

Keduanya sebenarnya tidak harus saling menggantikan. Justru, kombinasi antara machine learning tradisional dan agentic reasoning dapat menghasilkan sistem AI yang lebih fleksibel dan mampu menangani persoalan dunia nyata yang kompleks.

Lantas, bagaimana cara kerja keduanya dan mengapa kombinasi tersebut semakin penting?

Memahami Cara Kerja Machine Learning Tradisional

Pada dasarnya, machine learning merupakan teknologi yang memungkinkan komputer mempelajari pola dari data dan menggunakan pola tersebut untuk menghasilkan prediksi atau keputusan. Salah satu pendekatan yang banyak digunakan adalah supervised learning. Dalam metode ini, model dilatih menggunakan data yang telah diberi label. Model kemudian belajar menemukan hubungan antara input dan output.

Contohnya dapat ditemukan dalam berbagai bidang.

Model pendeteksi penipuan dapat dilatih menggunakan jutaan transaksi untuk mempelajari ciri-ciri transaksi yang mencurigakan. Model prediksi churn dapat mempelajari karakteristik pelanggan yang kemungkinan berhenti menggunakan sebuah layanan. Sementara itu, model peramalan permintaan dapat mempelajari hubungan antara data penjualan masa lalu dan kemungkinan permintaan di masa depan.

Keunggulan utama model-model tersebut adalah kemampuannya menjalankan tugas khusus secara cepat dan konsisten. Setelah dilatih, sebuah model dapat memproses permintaan dalam jumlah sangat besar, bahkan dalam waktu yang sangat singkat.

Model juga dapat memberikan hasil yang relatif konsisten. Dalam lingkungan produksi, karakteristik ini sangat penting karena perusahaan membutuhkan sistem yang dapat bekerja secara stabil dan menghasilkan keputusan yang dapat dipantau maupun diaudit.

Namun, kemampuan tersebut sekaligus menunjukkan keterbatasan machine learning tradisional. Model pada umumnya dirancang untuk menyelesaikan tugas tertentu berdasarkan input yang diberikan. Model menerima data, menjalankan fungsi yang telah dipelajarinya, lalu menghasilkan output. Model tidak secara otomatis mengetahui apa yang harus dilakukan berikutnya.

Mengapa Machine Learning Tradisional Memiliki Keterbatasan?

Masalah di dunia nyata sering kali jauh lebih rumit dibandingkan sekadar memberikan input dan menunggu output.

Bayangkan seseorang mengajukan pinjaman kepada bank. Sebuah model machine learning dapat memprediksi kemungkinan pemohon gagal membayar pinjaman berdasarkan data seperti pendapatan, riwayat kredit, jumlah pinjaman, dan berbagai fitur lainnya. Model kemudian menghasilkan nilai probabilitas.

Namun, keputusan pemberian pinjaman tidak berhenti di sana. Bank mungkin masih perlu memeriksa dokumen penghasilan, mencari ketidaksesuaian informasi, meminta data tambahan, menentukan apakah kasus tertentu perlu diperiksa manusia, dan akhirnya membuat penjelasan mengenai keputusan yang diambil.

Model prediksi dapat menjadi bagian penting dalam proses tersebut, tetapi tidak dapat mengelola seluruh rangkaian pekerjaan secara mandiri. Keterbatasan serupa muncul ketika informasi yang diperlukan belum tersedia sejak awal.

Dalam penyelidikan insiden keamanan siber, misalnya, analis mungkin tidak mengetahui sejak awal log mana yang paling relevan. Mereka perlu melakukan pencarian, melihat hasilnya, menentukan informasi berikutnya yang dibutuhkan, kemudian melakukan pemeriksaan tambahan.

Model tradisional yang hanya bekerja berdasarkan input tetap tidak dirancang untuk menjalankan proses seperti itu. Masalah lainnya muncul ketika sistem harus mengambil tindakan.

Model yang memprediksi kerusakan sebuah mesin memang dapat memberikan peringatan bahwa peralatan memiliki risiko mengalami kegagalan. Namun, model tersebut tidak secara otomatis menghubungi teknisi, membuat jadwal perawatan, atau memperbarui sistem pemeliharaan.

Dengan kata lain, machine learning tradisional sangat baik dalam memberikan prediksi, tetapi masih membutuhkan komponen lain untuk mengubah prediksi tersebut menjadi proses dan tindakan nyata.

Mengenal Agentic Reasoning

Di sinilah konsep agentic reasoning menjadi menarik. Secara sederhana, sistem agentic dapat dipahami sebagai sistem AI yang tidak hanya memberikan jawaban, tetapi juga mampu menentukan langkah apa yang perlu dilakukan untuk mencapai tujuan tertentu.

Sebuah agen dapat mengamati kondisi atau informasi yang tersedia, menentukan tindakan berikutnya, menggunakan alat yang diperlukan, melihat hasil tindakan tersebut, kemudian menyesuaikan langkah berikutnya. Pendekatan ini berbeda dengan model tradisional yang biasanya memiliki pola kerja lebih sederhana: input masuk, model melakukan pemrosesan, lalu output keluar.

Sistem agentic bekerja melalui serangkaian langkah. Dalam perkembangan AI modern, sistem semacam ini umumnya menggunakan large language model (LLM) sebagai salah satu komponen penalaran. LLM membantu agen memahami tujuan, menyusun rencana, menentukan alat yang relevan, membaca hasil, serta memutuskan tindakan selanjutnya.

Karena itu, agen dapat menangani tugas yang membutuhkan proses lebih panjang dan dinamis.

Misalnya, ketika diminta menyelidiki suatu masalah, agen tidak harus langsung memberikan jawaban. Agen dapat menentukan informasi apa yang diperlukan, mengambil data dari sumber tertentu, menganalisis hasilnya, kemudian melakukan langkah tambahan jika informasi yang diperoleh belum mencukupi.

Empat Kemampuan Utama Agentic Reasoning

Ada empat kemampuan utama yang membuat agentic reasoning berbeda dari machine learning tradisional, yaitu perencanaan, penggunaan alat, adaptasi, dan tindakan.

1. Mampu Membuat Perencanaan
   Agen dapat memecah sebuah tujuan besar menjadi beberapa langkah yang lebih kecil. Misalnya, tujuan akhirnya adalah menentukan apakah sebuah klaim asuransi mencurigakan. Untuk mencapai tujuan tersebut, agen dapat merencanakan sejumlah langkah, mulai dari mengambil data pemegang polis, memeriksa informasi klaim, menjalankan model pendeteksi penipuan, membandingkan dengan klaim sebelumnya, hingga menentukan jalur pemeriksaan.

   Agen juga dapat memantau langkah yang sudah dilakukan dan menentukan apa yang masih harus dikerjakan. Kemampuan ini membuat sistem tidak sekadar menghasilkan satu output, tetapi dapat mengelola proses menuju tujuan tertentu.

2. Mampu Menggunakan Berbagai Alat
   Agen juga dapat terhubung dengan berbagai perangkat atau layanan eksternal. Alat tersebut dapat berupa database, API, mesin pencari, kalkulator, sistem perusahaan, maupun model AI khusus lainnya. Kemampuan ini penting karena agen tidak harus bergantung hanya pada informasi yang tersedia ketika model AI dilatih.

   Jika membutuhkan data terbaru, agen dapat mengambil data dari sumber yang tersedia. Jika membutuhkan perhitungan tertentu, agen dapat menggunakan alat perhitungan. Jika membutuhkan analisis khusus, agen dapat memanggil model lain yang memang dirancang untuk tugas tersebut. Dengan demikian, agen berfungsi seperti koordinator yang menghubungkan berbagai kemampuan dalam satu proses.

3. Mampu Beradaptasi
   Dunia nyata tidak selalu berjalan sesuai rencana. Sebuah pencarian dapat menghasilkan informasi yang tidak relevan. Database mungkin tidak memiliki data yang diharapkan. Sebuah API dapat memberikan hasil yang berbeda dari perkiraan.

   Sistem tradisional biasanya membutuhkan aturan khusus untuk menangani setiap kemungkinan tersebut. Agen memiliki pendekatan yang lebih fleksibel. Ketika memperoleh hasil yang tidak sesuai harapan, agen dapat mengevaluasi situasi dan mengubah langkah berikutnya.

   Misalnya, jika pencarian pertama tidak menghasilkan informasi yang cukup, agen dapat mencoba pencarian lain. Jika data menunjukkan adanya ketidaksesuaian, agen dapat melakukan pemeriksaan tambahan. Proses inilah yang membentuk siklus tindakan, memperoleh hasil, mengevaluasi, kemudian menyesuaikan tindakan.

4. Mampu Mengambil Tindakan
   Kemampuan terakhir adalah menjalankan tindakan nyata. Agen dapat dirancang untuk mengirim pesan, menulis data ke database, memanggil API, menjalankan alur kerja, atau memicu proses otomatis lainnya.

   Karena itu, hasil dari sistem agentic tidak harus berhenti dalam bentuk teks, angka, atau prediksi. Output-nya dapat berupa tindakan. Perbedaan inilah yang membuat konsep agentic semakin menarik untuk diterapkan pada proses bisnis.

Mengapa Machine Learning dan Agentic Reasoning Sebaiknya Digabungkan?

Meskipun memiliki karakteristik berbeda, machine learning tradisional dan agentic reasoning sebenarnya dapat saling melengkapi. Machine learning unggul dalam pengenalan pola dan prediksi berdasarkan data. Sementara itu, agen unggul dalam mengatur proses dan menentukan langkah berikutnya.

Model pendeteksi penipuan, misalnya, dapat dilatih menggunakan jutaan transaksi. Karena secara khusus dirancang untuk mengenali pola penipuan, model tersebut dapat melakukan tugas tersebut secara cepat dan konsisten. Tidak masuk akal jika agen mencoba menggantikan kemampuan tersebut dengan meminta LLM menebak apakah sebuah transaksi merupakan penipuan hanya berdasarkan penalaran umum.

Sebaliknya, agen dapat menggunakan model pendeteksi penipuan sebagai salah satu alatnya. Agen bertugas menentukan kapan model tersebut perlu digunakan, data apa yang harus diberikan, bagaimana hasilnya harus ditafsirkan dalam konteks pekerjaan yang lebih luas, dan tindakan apa yang perlu dilakukan setelah hasil diperoleh.

Inilah prinsip dasar sistem hibrida. Model machine learning menangani prediksi khusus, sedangkan agen menangani orkestrasi proses.

Contoh Penerapan pada Klaim Asuransi

Untuk memahami konsep tersebut dengan lebih jelas, bayangkan sebuah perusahaan asuransi yang ingin mengotomatisasi pemeriksaan klaim. Dalam sistem tradisional, perusahaan dapat memiliki model machine learning yang bertugas mendeteksi kemungkinan penipuan. Model tersebut menerima sejumlah data, seperti nilai klaim, riwayat pemegang polis, informasi penyedia layanan, serta karakteristik lain yang dianggap relevan.

Setelah diproses, model menghasilkan skor atau probabilitas yang menunjukkan seberapa besar kemungkinan klaim tersebut merupakan penipuan. Jika skornya tinggi, klaim kemudian diteruskan kepada petugas untuk diperiksa.

Pendekatan tersebut sudah berguna, tetapi prosesnya masih dapat diperluas dengan sistem agentic. Ketika klaim baru masuk, agen dapat mengambil data pemegang polis dari database. Setelah itu, agen memberikan data yang relevan kepada model pendeteksi penipuan.

Jika skor yang diperoleh berada di atas batas tertentu, agen dapat melakukan pemeriksaan lanjutan. Agen dapat mencari klaim historis yang memiliki karakteristik serupa. Agen juga dapat memeriksa klaim lain yang pernah diajukan oleh penyedia layanan yang sama.

Jika ditemukan perbedaan atau ketidaksesuaian dalam dokumen, agen dapat mencatat temuan tersebut. Semua informasi kemudian digabungkan menjadi sebuah ringkasan.

Pada tahap akhir, agen dapat mengarahkan klaim ke antrean pemeriksaan yang sesuai dan menyertakan informasi mengenai alasan klaim tersebut ditandai. Dalam skenario ini, model machine learning tetap menjalankan tugas utamanya, yakni memprediksi kemungkinan penipuan. Agen tidak menggantikan model tersebut. Agen justru memanfaatkan model sebagai bagian dari proses yang lebih besar.

Apa Keuntungan Pendekatan Hibrida?

Pendekatan ini menawarkan sejumlah keuntungan.

Pertama, perusahaan tetap dapat menggunakan model machine learning yang sudah dibangun dan diuji sebelumnya. Model tersebut tidak harus dibuang hanya karena perusahaan mulai menggunakan teknologi agentic.

Kedua, kemampuan model dapat dimanfaatkan dalam lebih banyak alur kerja. Model yang sebelumnya hanya menghasilkan skor dapat ditempatkan sebagai salah satu komponen dalam proses otomatis yang lebih luas.

Ketiga, sistem dapat menjadi lebih fleksibel. Ketika kondisi berubah, agen dapat menentukan langkah berbeda berdasarkan informasi yang ditemukan.

Keempat, kombinasi tersebut dapat mengurangi pekerjaan manual yang bersifat repetitif. Manusia tidak harus melakukan setiap langkah pemeriksaan secara manual, tetapi tetap dapat dilibatkan ketika sistem menemukan kasus yang membutuhkan pertimbangan lebih lanjut.

Namun, penerapan sistem seperti ini tetap membutuhkan pengawasan yang baik. Agen yang memiliki akses terhadap berbagai alat dan sistem harus diberikan batasan yang jelas. Tidak semua tindakan sebaiknya dilakukan secara otomatis, terutama jika berhubungan dengan keputusan berisiko tinggi.

Karena itu, desain sistem perlu memperhatikan keamanan, kontrol akses, audit, validasi hasil, serta mekanisme persetujuan manusia ketika diperlukan.

Machine Learning Tradisional Tidak Akan Hilang

Munculnya AI agentic bukan berarti machine learning tradisional menjadi tidak relevan. Justru sebaliknya, model tradisional masih memiliki peran penting karena banyak tugas membutuhkan prediksi yang cepat, konsisten, dan spesifik. Sistem agentic akan menjadi lebih kuat ketika dapat memanfaatkan model-model khusus tersebut sebagai bagian dari kemampuannya.

Jika dianalogikan, machine learning dapat berperan sebagai spesialis yang memiliki keahlian tertentu. Agen kemudian bertindak sebagai koordinator yang menentukan kapan dan bagaimana para spesialis tersebut digunakan. Satu model mungkin bertugas mendeteksi penipuan. Model lain memprediksi risiko kredit. Model berikutnya melakukan klasifikasi dokumen. Agen dapat mengoordinasikan semuanya berdasarkan kebutuhan proses.

Dengan pendekatan tersebut, organisasi tidak perlu memilih antara model AI tradisional dan agen. Keduanya dapat ditempatkan dalam arsitektur yang sama.

Dari AI yang Memprediksi Menjadi AI yang Bertindak

Selama bertahun-tahun, keberhasilan penerapan machine learning banyak diukur dari seberapa akurat sebuah model membuat prediksi. Namun, bagi organisasi, prediksi hanyalah salah satu bagian dari pekerjaan.

Perusahaan tidak hanya ingin mengetahui apakah transaksi kemungkinan merupakan penipuan. Mereka ingin mengetahui apa yang harus dilakukan setelah prediksi tersebut muncul. Mereka tidak hanya ingin mengetahui apakah mesin berpotensi rusak. Mereka ingin memastikan perawatan dilakukan sebelum kerusakan terjadi.

Mereka tidak hanya ingin mengetahui bahwa terdapat gangguan rantai pasok. Mereka juga ingin menemukan langkah terbaik untuk mengatasinya. Di sinilah kombinasi machine learning dan agentic reasoning menjadi penting.

Machine learning menyediakan kemampuan untuk memahami pola dan menghasilkan prediksi berdasarkan data. Sementara itu, agentic reasoning memberikan lapisan yang dapat merencanakan, mengumpulkan informasi, menggunakan berbagai alat, mengevaluasi hasil, beradaptasi, dan menjalankan tindakan.

Keduanya bukan teknologi yang harus dipertentangkan. Jika dirancang dengan tepat, machine learning tradisional dapat menjadi "mesin spesialis" di dalam sebuah sistem agentic, sedangkan agen berperan sebagai pengelola alur kerja.

Pada akhirnya, pendekatan tersebut membawa AI selangkah lebih dekat dari sekadar sistem yang memberikan prediksi menjadi sistem yang membantu menyelesaikan pekerjaan.

Inilah alasan mengapa integrasi machine learning tradisional dengan agentic reasoning menjadi salah satu pendekatan penting dalam pengembangan sistem AI modern. Kekuatan prediksi dari model khusus dapat dipadukan dengan kemampuan perencanaan dan tindakan dari agen, sehingga menghasilkan sistem yang lebih adaptif, terhubung, dan mampu menangani proses dunia nyata yang terdiri dari banyak tahapan.