Ngobrolin Gemini AI bareng @EstherIrawati - Ngobrolin WEB

1:20karena digantikan oleh AI

1:22ya standar lah

1:23ya standar

1:25tapi sebelum itu kita buka dulu kali ya

1:27Sampurasun selamat malam

1:29Sampurasun

1:30ya gak berasa udah hari selasa lagi

1:34seperti biasa

1:35sudah Maret loh sudah gak berasa sudah Maret lagi

1:37ya udah

1:39hampir Q1 hampir habis

1:41Q1 sudah mau habis

1:43Sudah pencapaiannya sudah sampai mana?

1:49Oh jangan ya, jangan ditanya ya

1:50Jadi seperti biasa

1:55Kalau selesai malam itu

1:56Waktunya apa?

1:58Waktunya ngobrolin

1:59Ngobrolin

2:00Oke

2:01Nah malam hari ini

2:05Kita kedatangan tamu spesial

2:08Dari Surabaya

2:10Surabaya

2:11Dari Surabaya

2:12ada ibu dosen Esther setirawan Halo halo selamat malam Halo selamat malam Cih Esther

2:23dosen kita mohon izin mau belajar dengan Bu dosen dulu siap sendok yang dicat coba absen absen

2:36ini ada ari ada Ahmad sama ada apa politik Wah ini siapa yang sama Bu Esther siapa yang mahasiswanya

2:47Westera ancung tangan ya ada bisa dapat kalau nonton nanti nggak dapat bisa dapat sertifikat

2:56SSL sendiri pakai let's entret gratis kok gimana-gimana kabarnya kayaknya lagi bergairah

3:11sekali ya Iya betul banget ini semuanya ia iya iya sampai buat buat apa teman-teman yang belum

3:21mungkin ya mungkin bisa perkenalan singkat dulu siapa Oke setengah jam ya boleh-boleh ya salam

3:33kenal semuanya saya es terirawati saya Google developer expert di machine learning saya juga

3:39associate professor di kampus Institut Sains dan Teknologi Terpadu Surabaya dulu namanya STTS yang

3:46memang banyak teknologinya gitu jadi ya akhirnya banyak ngulik machine learning dan hari ya awal

3:54mulai juga dari website gitu ya cuman akhir-akhir ini masuk ke machine learning dan ya enjoy enjoy

4:01sedih sana gitu Wah udah banyak yang kenal ternyata ya gara-gara sudah diperkenalkan

4:08paling-paling masuk ke kanal YouTube paling-paling sebelum jadi dosen machine learning sebelumnya

4:20dosen web atau pernah jadi web developer atau gimana Coba diceritakan gimana sampai

4:26bisa nyemplung ke dunia akademik ya jadi dulu awal mulanya waktu kuliah sebenarnya paling seneng bikin website ya karena seneng tampilan dulu awal mula kuliah informatika juga seneng bikin flash sebenarnya jadi pinginnya

4:43kayak banyak gambar banyak animasi ternyata terus waktu masuk dapetnya C++ gitu ya Wah

4:49aduh terus tapi dalam perjalanan ya paling happy waktu bikin web itu terus

4:57tukang akhirnya yang bikin web cuman yaitu pembimbingnya suruh nambahin bikin sistem

5:07tanya-jawab gitu dari situ gabungin jadi dari bikin web terus juga udah ada ininya ngolah

5:14bertanya Jadi kalau orang tanya diambil kalimat pertanyaannya terus dicariin jawabannya dikumpulan

5:21dokumen kayak gitu klasifikasi ya klasifikasi ya waktu itu kayak mini-mini search engine lah tapi

5:30di restriktif domain itu dikumpulan teks yang ada di simpen gitu ya di database ya dari situ

5:39develop-develop web sampai waktu disuruh ngajar sih sebenarnya disuruh ngajar Java MA terus dari

5:48situ kok keluar teknologi Google namanya Android akhirnya mulailah Android dan ya pengembangan webnya

5:56jadi agak ke back end ya fokusnya tapi tetap kayak admin page-nya terus kayak back endnya terus pakai web

6:05Terus ya akhirnya sekarang pun sebenarnya belajar ML,

6:09tapi akhirnya kalau nggak di-deploy kan juga nggak ada yang pakai ML-nya.

6:14Jadi tetap setelah coba bikin model machine learning,

6:19akhirnya juga dibikin webnya supaya bisa diakses misalnya dari klien,

6:23backend-nya, atau bikin web klien juga sekalian.

6:27Wow.

6:29lebih susah mana Cik Bu Esther ngajarin mesin apa ngajarin mahasiswa

6:41enak model model salah kasih penalti

6:51salah nggak bisa dikasih penalti

6:55ini masih kurang benerin langsung jalan

7:10nah berarti sekarang ngajarnya ngajar mata kuliah apa ya sebenarnya gadoh-gadoh sih jadi ada

7:38Android sama web juga

7:46ini gaduh-gaduh

7:52ExpressJS

7:57itu diajarin di kampus gitu

8:02ya ya ya

8:04kampus zaman sekarang

8:06jangan disamain

8:07kalau mesin learning di kampus ada jurusan khusus atau masih masuk ke teknologi informasi

8:22ada majoring nya jadi di informatika sebenarnya kan ada informatika ada sistem informasi ada

8:29teknologi informasi jadi sebenarnya buahnya ya sekarang pilihannya gitu terus ya kalau

8:36pingin majoring di bikin mesin model machine learning ya bisa di computer science cuman

8:42sekarang kan machine learning semua harusnya udah mulai pakai ya jadi kayak di program bangkit pun

8:49sekarang semua pet itu ada AI gitu ya jadi kita sekarang lebih banyak coba menjadikan endpoint

8:57misalnya jadikan res API yang bisa diakses oleh platform manapun gitu targetnya gitu jadi akhirnya sekarang semua belajar cuman kalau komputer science itu kan belajar bikin model yang pinter

9:13Nah kalau yang internet teknologi gitu, kita fokusnya memaksimalkan aplikasi dengan,

9:22ya pakai semua API yang bisa dipakai gitu lah, yang bisa bikin web kita lebih.

9:29misalnya ada komentar sistem berarti kita gimana pakai yang mana supaya kita bisa bikin rekomendasi

9:37ini di website kita nah ini ada yang penasaran kampus-kampusnya isttetik

9:48science dan teknologi terpadu Surabaya dulu namanya sekolah tinggi teknik Surabaya jadi

10:01kita kampus swasta pertama yang informatika itu di Surabaya yang swastani juga inget dulu

10:12daftar ya ada ada ada S2 loh ini kayaknya penonton kita bukan mau daftar sih lebih mau cari talentnya

10:23mungkin ya bisa jadi bisa ya direktur langsung wah mahasiswanya bisa riak gitu ya iya mahasiswa

10:32belajar rian gitu kan ya dan riaknya ini juga sudah di embedded sama AI juga ya jadi malam hari

10:44ini kita fokusnya ke ngomongin AI yang berkaitan dengan web ya dan jempol ya Google ini kayaknya

10:52lagi on fire sekali ya lagi lagi menggebu-gebu untuk mungkin ya kita udah sempet bahas ya di

10:58di beberapa episode yang tentang AI juga

11:00yang waktu kita ngobrol bertiga

11:02itu kayaknya Google itu

11:04kayaknya agak sedikit terlambat padahal

11:06sebenarnya mereka melakukan riset

11:08bahkan siapanya lama

11:09ada tapi kan

11:11ya standar lah ya corporate company

11:14yang besar sekali

11:15dan pertimbangan

11:16dirokrasi dibandingkan sama startup

11:19yang distruksi gitu kan akhirnya

11:21terdistruplah si Google

11:23ini dan mereka akhirnya ngeluarin

11:25mulai dari BART mulai dari Vertex AI

11:28ada er studio terakhir ada jemini bacanya apa jemini apa jemini berganti nama berganti nama

11:36jadi ganti nama jadi Gema eh apa jemina jemina itu ya kalau Gema itu berarti open-open source

11:45lebih lightweight ya lebih kecil ya beringan Nah saking banyaknya ini yang muncul kita sendiri

11:56mau belajar bingung ini mulai dari mana apa yang harus sambil buka daya muling yang di

12:01studio apa itu vertex gimana paketnya ada ifarm bingung bingung bingung

12:11di sini sebenarnya udah informasi cukup lengkap ya jadi dari ada ukuran-ukurannya semakin gede

12:29semakin berat dan semakin pintar gitu ya Terus ini cara pakainya ini SDK nya ya dan seterusnya

12:37terusnya terus kemudian ada nih mulai bingung ada vertex.ai Iya Iya terus ini ada benchmarknya

12:44dan lain-lain ada banyak lah ya in a cell vertex.ai itu apa sih Bu Esther ayah kalau vertex.ai itu

12:53kalau kita pingin taruh model ya kita di cloud supaya ya kapanpun dia akan bisa diakses jadi

13:03reliable kan kalau di cloud gitu ya.

13:07Jadi kalau processingnya berat,

13:10nah kadang kita kan kalau taruh di server sendiri

13:13nggak kuat kan kapasitas processingnya.

13:16Nah Vertex AI ini dia teknologi cloud yang aman untuk kita kayak ngerun model.

13:23Sekaligus kalau ada data baru masuk,

13:26kan kalau kita bikin web terus web itu data user kan masuk terus.

13:30nah itu bisa diolah lagi lah sama kayak bergitu kan atau Gemini sekarang ngeceknya user yang masuk itu diproses lagi untuk diolah terus real time run time nah itu Oke oh di training ulang di fine tuning gitu ya

13:49Jadi Vertex AI itu platform ya, kayak platform tapi bukan model.

13:53Modelnya kita bisa pilih yang udah ada, bisa kasih model kita sendiri gitu.

13:59ya terus ada model Garden nah model Garden ini banyak sekali model-model bisa kita coba itu ada

14:0930 termasuk juga kayak lama yang open source-open source ada semua di sini ya Iya jadi kita tinggal

14:16pilih aja jadi sekarang coding itu kayak tinggal pilih mau pakai yang mana gitu Oh kayak Prasmanan

14:25Oh di chaining bisa nggak?

14:28Di chaining misalnya

14:29Saya pengen deteksi foto

14:33Pertama deteksi foto itu kan perlu deteksi ini

14:36Mungkin lebih spesifik

14:39Saya mau deteksi artis

14:43Kan database artis kan bereda tuh

14:46Yang pasti ada foto

14:47Dan foto itu di dalamnya bisa jadi orang dan bukan orang

14:51Dan artis itu kan spesifik lagi namanya

14:55jadi itu bisa di chaining gitu gak?

14:58jadi foto, ini ada orangnya

14:59terus kalau ada

15:00ini nama orangnya siapa

15:03bisa di chaining

15:04iya bisa

15:06jadi kayak

15:09bisa itu kita pilih

15:11setiap task itu pasti ada

15:13model yang tepat kan

15:14jadi task ini pakai ini

15:16nanti pakai yang itu

15:18atau juga kadang kita bandingin

15:20jadi kita pakai beberapa

15:22yang hasil terbaik itu yang kita

15:25kirim ke user kayak gitu air masih ya kayak gini klok saya ini

15:35tantangannya Emang yaitu karena kita nunuk disitu ya kita harus bayar sewa ya

15:44ya ya ngomongin soal apa banyak-banyak kayak modelnya bisa di caining gitu kita tadi sempat

15:54belakang layar sempat ngobrol tentang

15:56mid journey kan, saya juga baru tahu nih

15:58baru di info juga, ternyata

16:01si mid journey ini

16:02adalah sebenarnya di belakang layarnya adalah

16:04DALI punya OpenAI

16:06kemudian setelah

16:08DALI, terus dibagusin

16:11lagi sama stable diffusion

16:13makanya hasilnya

16:14jadi lebih bagus

16:15jadi kayak gitu kali ya maksudnya

16:18chaining gitu ya

16:20misalnya melengkapi

16:22terus ada IS clusternya

16:24gitu Nah kan ada istilah foundation model ada Lars language model itu bedanya apa ya

16:34bentar model sendiri model sendiri itu apa terus apa antara foundation sama jenis-jenis model

16:42lainnya itu apa perbedaannya apa model itu mp-mp model jadi model kan kita kan punya data terus

16:54kita ingin targetnya apa Biasanya kita labeli gitu istilahnya ya jadi kayak misalnya gambar

17:00cat and dog Oh ini ini cat ini dog jadi kita punya foto yang buahnya ini cat ini dog terus

17:06kita masukin ke sebenarnya model matematika itu jadi kalau kondisi datanya begini dikenali cat

17:14kalau kondisi datanya begitu dikenali dog Nah dari situ akhirnya itung-itung itu bentuk namanya

17:21model itu tadi jadi model ini kayak cuman program yang sudah ada angka-angkanya jadi kalau masuk

17:29gambar cat dia keluar cat kalau masuk gambar dog juga keluar dog kayak gitu sih jadi cuman istilah

17:35dibuat keren aja model gitu namanya supervised training ya supervised learning ya supervised

17:42kalau yang bisa bikin gambar kucing ya kalau yang itu nanti ke generatif lagi jadi kalau

17:54yang dulu sih fokusnya kebanyakan model-model tuh bisa deteksi jadi kayak misalnya kalau di

18:00jalan yang etele itu dia bisa tahu dari jauhnya ada plat nomornya terus ini melakukan pelanggaran

18:07Nah itu zaman dulu sih, khususnya model itu pokoknya deteksi, segmentasi, pengertian

18:14objek apa gitu cuman akhir-akhir ini fokusnya juga menciptakan sesuatu nanti yang generatif

18:21itu itu juga cuma modelnya adzan diajari untuk pinter milih dan dia jadi bikin cara ngajarin

18:36karya-karya yang banyak emang jadi kayak kita pingin miru stalnya Van Gogh berarti kita kasih

18:51bambar yang buahnya itu nah Van Gogh dari situ dia diubah-ubah dikit gitu loh jadi misalnya

19:00bagian mana dia tambahin dikit dia coba dan setelah dia mubah bandingin sama data koleksi

19:10Van Gogh ini ada yang ada berarti idenya dia ini cocok itu dengan unsupervised learning ya jadi

19:21kayak kita enggak siapin data setnya lagi tetapi dia dia biarin dia coba-coba coba nanti dia

19:28menganingkan hasil akhirnya begitukah maksudnya Iya tapi lebih lebih sering disebutnya yang

19:34jenerik itu sih kalau yang unsupervised misalnya kita ngomong data Jadi kalau anak kecil itu dikasih

19:43flashcard kan dia melihat ada cukup sama dokter di terus dia ngambil flashcard yang mirip-mirip

19:52mirip sama-sama ada kumisnya yang itu ditaruh Sidi yang yang enggak ada kumis itu data yang

20:04mirip-mirip dikelompokin gitu yang menentukan atau tidaknya si algoritma algoritma atau

20:15bisa menghiasi kita ada algoritmanya sih tapi aku dimana tuh tujuannya ya ngambilin data-data

20:24di dalam misalnya gambar itu terus setelah diambil datanya kita cocokin mirip-mirip enggak perlu

20:31dan kalau ada outlier gitu itu gimana misalnya tiba-tiba ada gambar kuda gimana ngajarin dia

20:40biar tahu bahwa itu bukan cat dan bukan dog jangan dipaksain jangan dihitung sebagai salah

20:45satu dari keduanya itu jadi waktu apa kudanya dicocokin sama cat nggak mirip dicocokin sama

20:57dog nggak mirip akhirnya dia dijauhin kamu grup baru sendirian gitu Jadi kalau and Super

21:03keseleksi itu kayak emang kayak kita main games itu biasanya yang pakai baju warna sama Ayo

21:10kumpul terus kayak kita bisa main games di LDK gitu kan nanti ada sih pakai baju beda

21:17sendiri ya udah dia sendirian enggak ada enggak ada temennya di sana gitu sebagai salah satu

21:26lanjut lanjut lanjut lanjut saya salah satu apa dosen yang ngajarin mesin learning sempat

21:37kepikiran enggak eh bakal sebuming sekarang Nah itu dulu enggak kepikiran jadi kayak banyak ide

21:45itu belum dibikin papernya itu dosen harus bikin paper jadi masih pengabdian masyarakat

21:53nice masih ngumpulin banyak ide yang mau dikeluarin pelan-pelan gitu kan jadi kayak

22:01mau dicicil keluarinya tiba-tiba semua yang dikumpulin ini udah bisa jadi kayak

22:08solid itu tiba-tiba yang yang yang aku rasa keren itu sekarang dobsolid semua lebih saja

22:15udah diobrol sama Juman nah sebenarnya sih ke sadar gak sadar ya dulu kita kayak Google

22:27Assistant tuh kan udah bisa tanya misalnya restoran terdekat apa kayak gitu jadi sebenarnya

22:33teknologi itu sudah ada tapi kan masih belum di open karena takut tadi itu ethics jadi ethics di AI ini

22:42jadi akhirnya masih limited diproteksi dalam perusahaan sekarang zamannya harus di open semua akhirnya

22:53Nah kan ya tadi ngomongin sebenarnya teknologi kan sudah lama.

22:58Bahkan kalau kita bisa membuat sedikit agak lebih menyederhanakan lah.

23:05Menyederhanakan kayak large lanjus model itu kan sebenarnya sederhananya auto complete kan.

23:12Tapi auto-complete yang

23:13Menerus gitu kan

23:14Kalau misalkan kita ketik di google gitu kan

23:17Bagaimana caranya terus kita spasi

23:19Kadang-kadang munculkan auto-complete nya

23:21Itu kan sebenarnya udah generatif AI kan ya

23:24Jadi emang

23:26Beda deh

23:27Beda-beda

23:28Beda auto-complete

23:29Kalau suggestion itu

23:32Berdasarkan database

23:34Berdasarkan

23:35Berdasarkan

23:37Keseringan muncul

23:40frekuensi lebih tepatnya

23:42sedangkan

23:46kalau yang generatif AI itu beneran

23:48dia bisa ngerti konteks sebelumnya

23:50dan dia mau kemana

23:52menurut saya

23:54coba mungkin menurut Ibu Esther

23:56gimana

23:57ya karena

24:01sebenarnya kumpulan data di web

24:04itu kan LLM itu

24:06ada kayak berapa parameter

24:07berapa billion parameters

24:10itu sebenarnya karena dia itu diolah dari semua data teks di internet.

24:16Jadi kalau data teksnya semakin banyak, dia semakin tahu variasi.

24:20Jadi habis kata misalnya saya makan, terus dia next-nya ini apa gitu.

24:26Nah next-nya itu karena datanya itu besar dan banyak,

24:31akibatnya kan bisa ditebak variannya ya.

24:34Jadi sebenarnya kalau dalam chat itu memang kayak keluar kata selanjutnya,

24:38korekata selanjutnya itu memang sebenarnya sumber datanya dari internet itu jadi memang kayak banyak-banyak

24:46jadi kadang kok katanya chatbot itu kayak kadang kasar gitu ya kadang kayak gitu karena emang data yang dia olah

24:56jadi salah satu tantangannya memang memfilter supaya data yang si chatbot ini gak jadi sebuah karakter tertentu yang

25:05apa kayak nggak kurang beritu ya kayak etikal gitu kan Nah itu soalnya memang sumber datanya

25:12dari internet Jadi kalau salah salah knowledge-nya itu ya dia bisa jadi kayak menyedutkan salah satu

25:20pihak yaitu bisa gitu jadi emang aja masing-masing cuman kayak bener katanya Ivan ada yang dia bisa

25:29dari sekitar kan jadi kayak kata sebelumnya nanti kira-kira kedepannya bahasa Pak tapi

25:36ya benar juga pusat pengetahuannya itu sebenarnya koleksi teks internet itu yang terus di modelkan

25:43itu supaya bisa pinter gitu ya jadi semua data yang ada gitu kalau misalnya datanya dari orang

25:53saya makan runcak cingur gitu ya kalau dari Jogja saya makan budet jadi kalau

26:02tergantung apa yang enak itu ya mungkin kalau dia satuan ya jadi setelah teks berikutnya

26:14makanya kalau bisa kita lihat dua atau tiga

26:19teks-teks satu

26:20kalimatnya naco juga kan

26:23jadi gak nyambung

26:24kalau LLM kayaknya dia melihat

26:29kata-kata yang dari awal

26:31yang kita, saya makan titik-titik kan

26:33habis titik-titik dia

26:34suggest lagi berdasarkan itu

26:36habis makan saya mandi misalkan

26:38jadi berdasarkan itu dan masih nyambung

26:41mungkin bedanya itu kali ya

26:43Hai sama caranya enggak cara ngajarin modelnya satu kalimat yang panjang itu nanti kata kedua

26:51sama kata kelima disembunyikan Nah itu suruh nebak jadi ngajarin itu apa ada satu kalimat

26:59itu yang ini ditutup terus yang itu ditutup itu kek ngajarin orang kayak ngajarin anak-anak kan

27:07Hai atau bakat yang ini sama tak Pak kata yang itu cuman ujung-ujungnya ujung-ujungnya saat

27:14memproses kata baik itu kata ataupun image ataupun video dia itu akan mengubah data itu menjadi ini kan ya apa namanya vektor kan ya di ya ya eh eh datanya itu yang dia baca itu vektor kan akhirnya angka paling

27:35Coba Mas Riza buka itu yang playground dan sudah itulah yang dasarnya yang membuat saya sedikit

27:46mengerti sensor ini apa namanya ini masuknya ke mesin neural network Iya ini ada layarnya

27:56dalamnya jadi dibuat dari sini gitu ya basicnya dari sini paling dasar terus yang dikuatkan oleh

28:08Google jadi sebenarnya yang pertama ngide itu dari Google di main itu namanya attention Jadi

28:15kalau kita punya kalimat panjang kan ada bagian penting dari kalimat yang perlu diambil ada yang

28:20mencuaikin nah yang penting itu itu pakai attention ke papernya Google di-mind attention

28:27is all we need jadi intinya dalam gambar dalam teks yang penting itu kita dapat yang penting

28:33di dalamnya itu yang perlu diolahin itu bisa memilah data yang penting sama data yang mungkin

28:43tidak terlalu penting gitu ya jadi kayak dalam kalimat ini kata penentu yang mana yang mau

28:51lanjut ke kata-kata selanjutnya nah ini ini ini dasarnya semuanya sebenarnya ya openai juga

29:00ngambilnya dari sini semuanya ya semuanya ini salah satu tonggak bersejarah juga buat ya Iya

29:092017 balik lagi ke sini tadi Ivan mau ya bercerita coba di play aja itu kan maksudnya ada ada input

29:19x1 dan ada layer neurons nya itu dan output neonatron ada tuh Jadi kalau kita lihat dia

29:26ini kan melakukan klasifikasi dia adalah nih itu parameter semua tuh di atas to the learning

29:32rate ada aktivasi segala macam saya nggak ngerti itu ada hubungannya dengan parameter ini masukin

29:38numus matematikanya jadi semangat linear regression ini helo wordnya ya linear regression ya Iya jadi

29:48segera cepet seberapa cepat dia itu kan epos itu kan ini luping jumlahnya ya pos untuk melakukan

29:56classification data ini enggak enggak kalau sudah begini dia enggak enggak belajar-belajar

30:01karena nggak terjadi apa-apa yang nggak bakal nambah jadi nggak terjadi apa-apa nah kalau

30:07ini kan sudah selesai di 100 epots berarti cepet ininya proses learningnya dan kita kalau ngetrain

30:17model itu juga nggak bisa semakin lama di train juga bukan batis makin bagus over training juga

30:23jadi jadi bias karena terlalu apa namanya overthinking ya kayak kalau orang over

30:29thinking terlalu spesifik terlalu spesifik jadi nggak bisa general terlalu spesifik

30:33jadi hanya hanya kasus itu aja kasus itu aja yang dia tahu

30:38oh iya iya ngerti kalau dia diajarin dengan gambar kucing dan anjing yang spesifik itu doang

30:43malah dia nganggep kucing lain itu bukan sesuai sama kriterianya

30:50Iya jadi makanya ngetrend model itu susah karena harus cari balance ini yang mahal sebenarnya model

30:58ini kan ya Iya ini betul makanya butuh GPU itu ya makanya Nvidia ini lagi yaitulah lagi populer lagi

31:10jadi kedepannya pekerjaan yang mahal itu dan bisa ngetrend ini makanya sekolah lagi STS

31:18abis itu jadi ambasador ya

31:24ambasador nah oke sekarang kita ke pembahasan tentang si Gemini nya sendiri Gemini itu tadi

31:38sudah sempat disebut ya dari Google ngeluarin seperti chat GPT yang adalah namanya awalnya

31:44Bart kemudian jadi Gemini terus sebagai web developer kita bisa ya selain chatting chatting nanyain coding dan lain kita bisa bikin apa sih pakai Gemina ini Banyak itu kayak bikin summary session bisa terus kayak nge misalnya soal matematika atau soal logika soal olimpiade gitu bisa

32:09terus start apa ngarang cerita bisa ngarang cerita terus misalnya sentimen classification

32:20jadi kayak sekarang ke para pemilik usaha itu kan suka pengen tahu brand-nya dia itu di masyarakat

32:27pandangannya kayak apa sih Nah kita bisa ambil pos-pos di sosmed kita lempar kita bisa tahu

32:33banyak kan review positif negatif ya tentang produknya terus bisa membantu coding nyari

32:42bisa jadi bener-bener banyak sekali fiturnya yang multimodal bisa kita tanya ini cacok

32:57bisa sama teksnya atau kita masukin gambar enaknya kecilnya apa ya itu juga bisa jadi

33:04jadi tapi kan model satu ini multimodel modelnya dua ya maksudnya model-model model-model bisa

33:15sama image gitu saya zaman dulu teks-teks sendiri image sendiri sekarang bisa diolah barengan masuk

33:25Oke nah kalau mau mulai ah saya pengen belajar Gemini gimana caranya nah langsung aja pakai

33:34Google i-studio jadi Google i-studio ini tuh prototyping kalau kita tahu sekarang kan Figma

33:41ya misalnya prototyping untuk web untuk app nah disini kita bisa prototyping kita bisa ambil data

33:49Terus langsung coba

33:51Pengen diapain datanya

33:53Nah ini ada tiga jenis chat

33:55Chat prom itu kita bisa

33:58Kayak chat-chat untuk minta sesuatu

34:00Jadi kita bisa ngajarin juga

34:02Jemena ini

34:04Misalnya saya punya dua kalimat

34:06Kalimat pertama itu

34:07Positif, kalimat kedua negatif

34:10Nah kalau saya punya kalimat baru

34:12Ini positif atau negatif

34:14Nah itu juga bisa

34:15Bisa

34:17kayak untuk sentimen analisis juga berarti ujung-ujung terus bisa juga kita bikin chat

34:26sih jadi kayak kita kalau punya web untuk customer service CS nya sebelum ketemu yang

34:33orang kan biasanya dicoba bantu solve dulu ya masalahmu apa gitu biasanya kalau saya

34:40layani dengan eic justru malah emosi saya Iya udah teranyur justru ketemu orangnya langsung marah-marah

34:51sebelum ketemu ditanya-tanyain terus ya bener enggak masalahmu ini bukan mungkin masalahmu

35:01ini apakah menyelesaikan tidak akhirnya terakhir ketemu orangnya udah sempurna

35:08harusnya di entertain dulu ya Nah ini AI studio ini kita bisa pakai harus

35:19modelnya itu gratis kah atau gimana sekarang masih free ya kan sekarang masih free ya oh

35:25lebih dulu ya Senin harga naik selasa ngobrolin web Oh jadi misalkan kita disini kasih instruksi

35:38misalkan apa gitu kamu adalah chatbot yang apa ya pintar baik itu misalnya asal Surabaya

35:45terus kita bisa pilih modelnya terus kalau yang apa option-option ini apa

35:54ini apa stop sekuensi ini apa ada setiap ini apa Oke topi-topi asal Iya jadi kalau

36:04ya itu kita tahukan halu ya jadi kadang pernah enggak kemarin yang di grup itu

36:11kan nanya

36:13misalnya mas Risa ini siapa ya

36:15terus

36:16mengarang indah ya

36:19itu bukan halu

36:21itu beneran wish

36:22bisa melihat masa depan

36:24tapi pakai she bukan pakai he

36:28jadi mendoakan menjadi perempuan gitu ya bukan-bukan jadi ini non gender-specific

36:35ya itu halusinasi nya kenapa tuh kenapa bisa mengarang di luar yang beneran enggak tahu

36:51gimana itu data nya karena sebenarnya kan tujuannya dia itu harus pinter ya Jadi kalau bisa itu dia

36:58pasti berusaha jawab jadi nggak mau kan dia bilang I don't know sorry itu kan harus secara mungkin

37:06jadi kadang ya di tengah perjalanan dia kalau nggak ketemu dia cari yang kandidatnya gitu Jadi

37:14pakai engine kalau kita sorting itu kan hasil setiap atas paling relevan bahwa akan relevan

37:21makin bawa kemenang jauh nah ketika dia nggak bisa jawab langsung dia akan mencari cara untuk

37:27menjawab Oh mungkin ini bisa sih bawahnya Nah itu temperature tuh bisa kita atur sih kita

37:34ingin semakin akurat atau dia agak-agak ngarang sedikit boleh jadi mungkin itu apa

37:43suka-suka ya boleh ngaco boleh jadi kalau semakin besar semakin bisa halus sih jadi

37:53kalau semakin kecil semakin kurang kreatif gitu ya ya pokoknya ketat banget gitu jadi

38:00enggak boleh enggak boleh ngarang-ngarang nemen gitu jadi kalau no berarti nggak usah ngarang

38:06ispoko e kalau belum bisa jawab ya udah bilang nggak bisa Oke tapi kalau makin tinggi dia boleh

38:14makin membayang-bayangkan gitu ya menjeneret sebelumnya jadi provisiasi ya berarti temperatur

38:21improvisasi ya benar boleh improve seberapa banyak sih gitu Oh berarti bisa kita bisa bikin satu

38:30chatbot untuk misalnya kita hidup di tempat kerja kita jadi kita bisa tidur tetapi kalau ada si

38:37bos kita nyari Hey Van tolong ini dong nanti si chatbotnya sebagai Ivan yang membalas gitu jadi

38:44Oke siap bos

38:46Tenang aja bos

38:48Bisa pasti bisa nanti gue kerjain

38:50Bisa buat kita train

38:53Bisa

38:54Jadi bisa diajarin seperti Ivan gitu

38:57Kayak

38:58Kalau jawab chat harus gimana

39:01Mungkin budaya

39:03Kumpulin historinya

39:04History sama si bos aja

39:07Bisa

39:08Impersonating orang

39:11Bisa memang

39:12jadi bisa yang udah ada di WhatsApp kita ekspor semua masukin ini jadi kita bisa liburan ke

39:22isa liburan kemana gitu yang jawab chatnya gitu kalau lain tapi nggak kerja dong kalau

39:28kalau misalkan kita pengen siainya kalau nggak tahu ya bilang aja nggak tahu itu bisa disetkan

39:48temperatur yang nongkrong itu lagi temperature nggak usah lah ngarang-ngarang ya dikasih instruksi

39:54juga bisa ya kalau kamu nggak tahu jawab aja nggak tahu jangan sok tahu kalau nggak tahu nggak tahu

39:59semua sebelah juga Iya Iya risiko dari beda dan jawab salah kan bisa bahaya misalnya kalau medis

40:06orang-orang pantuan di bilang Oh itu panggir kulit sering banget ya Emang ini saya tergantung

40:22tujuannya Jadi kalau kayak bikin story nah bolehlah temperaturnya tinggi art-art kayak

40:30kreatif ya kreatifitasnya tinggi gitu ya

40:33tergantung tujuannya sih

40:39jadi kalau bikin gambar pun

40:41kalau temperature tinggi nanti dia makin

40:43berani bikin variasi gitu

40:45ada sisi positifnya

40:47kalau apa AI generated

40:49bentuk jari tangan

40:51ketahuan

40:53wah ini saya baru

40:55lihat juga nih baru ngelihat disini ada safety setting ya Kalau di yang lain tuh enggak ada kayaknya belum sampai sana Oh ada ini dibikin dengan matang banget openai kayaknya enggak ada di enggak ada openai

41:09belum ada nah ya dan topi ini apa nah top ini kita yaitu sama tapi ini semakin banyak jadi

41:21ini kan dia mencoba bikin hasil itu kan dari beberapa percobaan nah kalau semakin besarkannya

41:28berarti semakin banyak yang kayak alkan didat jawabannya itu banyak muncul gitu kayak lima

41:35kali muncul Oh berarti baru kita percaya gitu opres hope getresho oke oke topkah sama Tope

41:47topi apa nah topi ini lebih ke arah probabilitas jadi ya hasilnya itu harus

41:57jadi kau semakin tinggi semakin agak ngaca gitu kau semakin rendah untuk lebih realistis

42:09sebenarnya sih saling mendukung ya cuman ya itu kayak setting model generatifnya itu mau

42:17dibatasi atau semakin bervariasi gitu oke nah kalau kita bisa belajar sendiri ya

42:25ya jadi sama tadi yang di demo ini funkat itu ya ada epok itu loh

42:40misalnya kita mau ngatur urutannya hasilnya kayak apa Nah itu bisa kalau udah di stop ya udah berarti

42:52harus berhenti sampai apa misalnya sampai ketemu titik udah stop atau kalau di kalimat ya Oh jadi

43:00sudah stop atau pingin terus lanjut jawab gitu Jadi kalau sampai ketemu titik berarti kalimat

43:08pertama dia akan berhenti lah gitu Oh oke baru tahu Nah misalkan nih kita udah udah set temperatur udah

43:19set semuanya terus kita mau taruh chat ini misalkan kita bikin chatbot atau apapun kita

43:26mau taruh mau bikin aplikasi gitu riang atau apapun gitu gimana caranya langsung get nah itu

43:33Iya bener ini jadi ini enaknya sih ya kita bisa langsung embed ke program kita ke website kita

43:41gitu mau pakai bahasa apapun JavaScript bisa Kotlin bisa ya ini yang disupport gitu ya tapi

43:51tetap ini ya koneksi internet berarti bukan embedded ya dia bukan lokal bukan lokal bukan

43:57di browser gitu lokal bisa pakai itu ada terus kalau spesifik aslinya bisa ada tensorflow.js

44:08ada kok solusi banyak alternatif kalau pengen di lokal itu bisa juga cuman kalau di lokalin

44:20berarti kayak untuk spesifik ya jadi kita siapkan emang kayak misalnya ini khusus chatbot untuk

44:26sistem restoran berarti kita ngajarin ya dia bisa jawabin pertanyaan ini ada menu yang mengandung

44:34MSG enggak gitu-gitu loh jadi dia internnya di topik tertentu Nah itu kita bisa ajarin Nah tapi

44:42kalau ditanya yang lain misalnya tiba-tiba suruh bikin puisi nggak bisa karena kan kita fly ya

44:49tapi bisa dari sini jadi maksudnya pakai Google

44:56Studio bisa generate pf-light model gitu bisa atau enggak

45:01kalau ini model buatannya Google kan jempol ya khusus coba-coba playground

45:10untuk mengakses si Gemini tadi itu kita dikasih gurinya doang Iya kita butuh

45:17tapi akhirnya bisa di sini ya masih berhasil bisa di-generate di sini oke Wah seru ya tadi ada prom

45:28galerinya tuh enak kalau misalnya bingung kan dari awal mau ngapain Iya contohnya aja itu udah ada contoh promnya terkita bisa lebih kreator gimana cepet itu ngebuka studio udah ada udah ada

45:48video kontennya instruksinya nah curate identify backwoods Oke jadi kita bisa upload foto coba ada

45:57gambar foto makanan terus kita suruh bikin resep dari foto itu pakai Google Drive image

46:05bisa diklik switch to official model to Insert image

46:09yang vision ini

46:18kucing-kucing

46:28makan kredit makan ya pakai kredit kita kan itu cuma ya enggak seberapa sih

46:47Wah ada tahu itu kek terus instruksinya nah coba bener kalau misalnya kita masukin bukan makanan

46:58ini gimana menolak atau gimana aksesor itu pernah cari naja kan itu ekstrem atau jenis itu kan

47:05bagus arus diolah-olah kalau jawabannya salah Oh ya tahu ini salah nanti dia nyelidiki ini

47:13salah bener-bener kita perlu riset atau kita langsung upload image lagi aksep boleh-boleh

47:20ya udah di-upset terus kita image lagi gambar kucing-kucing kucing-kucing coba

47:29nolak-nolak Oh ya coba ini iseng sekali jadi makanan kucing tuh nggak boleh

47:43nah coba masukin makanan-makanan Indonesia ke apalah durian

47:55gambar teman ada nggak

48:00kemudian

48:04jadi apa makanan atau apalah kue-kue Indonesia

48:13mensih-mansih minyak udah makan sip ini Ayo mas

48:17replik bisa nggak ya harus masuk ke not distracted utut bisa întm bisa Oh iya

48:32Oh ya, upload aja.

48:38Mana? Oh ini.

48:40Upload bawah. Google Drive ya?

48:42Gak bisa. Bawah, nah itu upload.

48:45Google Drive.

48:47Larinya ke Google Drive. Oh, upload.

48:48Oh, gak apa-apa sih.

48:50Drive. Oh, bisa drag ya.

48:52Bisa drag.

48:54Ini format image-nya agak aneh.

48:56Bisa gak ya? J-F-I-F.

48:59Apa itu? Gak bisa.

49:00Makanya harus cari yang

49:02yang lain ya ini apa image-nya nah ini jpeg Oke oke aman aman eh tadi ini ya browse Oh ini aja

49:16dia harus ini dia harus terima webp nanti atau jpeg 40

49:25kayaknya itu dalamnya kelihatan ada sayur-sayur lumpia

49:38ya ya ya mirip itu 0,4 soalnya nggak yakin ya boleh dinaikin ya biar gak halal gak halal lagi

49:53parah banget isiannya agak ground pop walaupun bisa nge gimana Oke upload lagi

50:13apa-apa ini lagi nggak training atau kita lagi coba supaya modelnya kan kita cuman

50:27ini kok kita cuman pakai ini tetap salah Iya kayaknya mungkin ini ada di internet mungkin

50:35lumpia soalnya dia nganggep itu lumpia padahal riso warnanya mirip ya Iya sama-sama sama-sama

50:45debuting sih enggak terima enggak terima penasaran sama kodenya ini ada instruksi khusus enggak ya

50:53maksudnya resepi gitu nggak ada ya kalau konsum API biasa kita Google Maps aja gitu

51:03kan cuma ini maksudnya ini kan ada akurat Oh iya ada ini kan instruksi kan ya kirim

51:11prom ya itu prom prom prom prom ya Iya oke Wah hanya 84 88 baris tinggal copy-paste Iya betul

51:23sekali jadi kayak sekarang ah ff-nya udah ini semua nih bisa aku recommender gitu misalnya

51:32dan bisa konsumsi biasa aja kan kayak pakai SDK jatuhnya ya kalau misalkan mau pakai Fetch bisa

51:45pakai yang cural aja begini kan kirim pos ya kan pakai Fetch bisa atau mau pakai SDK berarti harus

51:52install npm install dulu tinggal require atau import pertanyaan saya kalau misalnya dosen ini

52:04kalau lagi periksa tugas atau perang asiswa yang pakai eh I generate punya ada nggak ada

52:12ada misalnya

52:17misalnya

52:17punya GPT

52:20kayak

52:22anti GPT

52:25jadi memang susah

52:31cuma kayak ada beberapa

52:33kata yang gara-gara GPT

52:35itu baru sering muncul

52:36misalnya kata DELF

52:38itu D-E-L-V-E

52:41itu sekarang semua-semua will.jpg dulu enggak ada kata itu muncul gitu Nah itu biasanya udah mulai

52:50tahu ini pakai GBT gitu hahaha mereka nggak bisa ngipulin dosen ini ya gurunya ya berarti habis

52:58habis episode ini nanti ada yang bikin instruksi do not use the English words yang sekiranya

53:08ketahui oleh pelajar Indonesia

53:10ada yang nanya nih

53:16kenapa Gemini Pro

53:18visionnya gak ada di saya

53:20yang settingan ini ya Gemini Pro

53:22vision ya itu request ya

53:24Indonesia gak sih jangan-jangan lagi

53:28dimana soalnya emang

53:30di beberapa negara itu kayak

53:32belum open ada masih

53:34di limit loh gitu

53:35belum semua lagi di Indonesia bukan nih

53:38vision enggak ada ya enggak ada itu spesial keren harus request dulu gitu enggak enggak kayaknya ini

53:48Indonesia justru udah udah ada kan ya udah udah Indonesia lumayan sih open semua oke Indonesia

54:02semua ya mungkin mungkin ini belum semua belum semua user ke bagian mungkin di rolling mungkin

54:10kalau di blognya sih udah udah available gratis buat semua musim gak harus special request sih

54:21ya berarti apes

54:23apes

54:25oke

54:27oke

54:29oh berarti ini Gemini AI Studio ini

54:31ekivalennya sama kayak OpenAI API gitu ya

54:38cara pakainya

54:40Gemini AI

54:42Nah kalau misalkan nanti model ini

54:44AI Studio itu kayak playgroundnya kan, kayak koternya

54:47Untuk pakai si Gemini API-nya

54:51Nah nanti kalau misalkan kita butuh model ini untuk di deploy baru pakai Vertex AI

54:58Atau Vertex AI ini kita bisa pakai model selain Gemini kan ya

55:02Nah kalau ini kan kita terbatas nih, cuma bisa milih antara itu

55:05Oke oke

55:07dan yang menarik di

55:12Vertex AI itu model garden

55:14ada imagine itu jadi imagine

55:16itu kan yang dari text

55:18bisa bikin gambar nah itu

55:20itu ada di model

55:22gardennya Vertex AI lumayan

55:24gitu kita bisa coba nah itu loh

55:26ini

55:27salah sorry

55:29ini

55:30ini

55:30oh ini

55:34oh iya berarti tadi kita belum

55:36ada apa deskripsi generatif yaitu ada banyak ada

55:42text-to-text contohkan ada text-to-image ya Terus ada text-to-speech

55:49begitu juga ada sebaliknya kan ya speech-to-text ya ini salah satunya ya

55:57ada kita oke Google dan spesifikasi nah cuman spesifikasi ya itu cuman spesifikasi kayak enggak

56:06enggak belum divariasi ya tapi kalau teks-teks kan sekarang kita jadi bisa pinter ngomong bahasa apa

56:13aja Iya dan suaranya kita bisa menirukan suara artis rekening atau siapa gitu ya suara kita juga

56:20bisa jadi kita masukin aja sampel suara gitu menari tekstur video juga sudah ada kan ya sudah

56:28sudah mulai kita bahas ya waktu kapan itu yang apa salah satu stasiun TV newscast ya

56:36Oh ini seperti meet journey atau beda lagi ya tapi ini punya Google gitu Jadi kalau kita mau pakai

56:52ini kita harus menggunakan vertex-vertex modelnya doang nggak bisa langsung dipakai Iya yang kita

57:02boleh panggil langsung itu yang itu to yang menaik Oh Jemaah Oh Jemaah Jemaah yaitu yang

57:10boleh kita download terus kita pakai-pakai tanpa connect ke Cloud tanpa connect API

57:18jadi kalau misalkan teman-teman di kantor enggak Wah kita nggak boleh pakai LLM yang

57:25ada di Cloud seperti Open AI dan lain-lain data bocor datanya Iya datanya dipakai untuk

57:30bisa pakai download Jema lokal bisa dideploy di on-premise gitulah kira-kira ya bener Oke itu

57:39trainingnya bisa dikustom kasih kalau si Jema bisa ya fine tuning jatuhnya ya jadi fine tuning itu

57:49kita kasih data kita kita suruh dia harus ngitung lagi sesuai data kita jadi dia nanti pinter untuk

57:57kita gitu tapi ngitungnya enggak dari belakang tapi cuman step terakhir yang tadi di diagramnya

58:06Ivan itu ini yang disuruh itu ular cuman yang terakhir nah ini kan ini ada bisa nambah layer

58:13namanya nah ini kan ada tuh hidden layer hidden layer yang plus minum tambah Nah itu bisa tambah

58:22mau berapa nah makin panjang itu makin pinter Oh lama tradingnya tapi makin lama butuh komputer

58:31yang super tanggi semakin ini semakin mahal ya Nah yang free train lmc nih itu kan memang perusahaan

58:41perusahaan unicorn yang bisa bangunkan Nah kita bisa pakai tapi kita nyuruh dia fine-tune aja

58:49di layar yang terakhir jadi terakhir itu nyesuai data kita gitu sebenarnya udah lama banget ini

58:57masih jadi tensel flow sudah ada kan juga dan sopro model kayak belum booming gitu masih inget

59:05gue pakai itu image image net ya image yang paling terkenal untuk mendeteksi Objek Objek dari gambar Ya Yang ada memes kan

59:20Dia di belakangnya tiba-tiba ada human gitu.

59:24Padahal kosong, nggak ada.

59:26Iya, iya.

59:29Yang goib-goib ya.

59:31Deteksi.

59:33Deteksi human.

59:34pertama tahun magara itu belum apa silikon Valley kan hotdog hotdog or not ya itu pertama

59:46kan Masnya jodhnya justru di pertama kali yang kasih foto hotdog apa itunya programnya bisa

59:53bilang itu hotbook dan kirain canggih banget kan makanan apapun cuma coba ternyata dikasih

1:00:01barang lain apapun cuma bilang not hotdog jadi kayak apa joknya itu ternyata modelnya bego

1:00:07banget cuma bisa ngebedain hotdog doang makanan apa objek lain apapun nggak bisa

1:00:13kalau seneng drakor itu yang drakor naik ada startup namanya ada dapurnya Oh iya

1:00:23ioi startup ya tahu-tahu yang dia tahu nonton-nonton eh tapi anian meskipun drakor tapi itu pengetahuan

1:00:34tentang startupnya bagus loh dididik banyak menjelaskan of funding itu apa mau cenderet

1:00:41itu apa ada keterangannya itu berarti yang nulis orgel orang yang infol dengan startup

1:00:48Iya terus yang yang menang saat apa di sana dapat funding kan yang pakai gitu Oh sambungannya gitu

1:00:58Iya Nah misalkan nih dari model Garden saya mau pakai jemini Gemini Pro misalkan gimana caranya

1:01:04detail Iya detail terus ini langsung video ya atau bisa dikasih notebooknya itu langsung ini

1:01:15terus nanti waktunya habisin ini kredit

1:01:24nanti harus report lagi kan ya Oke ini tutorialnya ini caranya

1:01:39tapi ini kayak explore-explore itu nanti nanti kita udah oke terus kita masukin ke

1:01:51terus jadi endpoint jadi endpoint Oh masing-masing step tuh jadi kayak

1:02:02endpoint ya jadi sebenarnya kita seolah-olah bikin seperti ini tapi versi sendiri ya

1:02:09bisa banyak bisa chaining bisa combine

1:02:14bisa combine juga multimodal dan lain-lain

1:02:17oke itu oke menarik ya

1:02:23apalagi yang bisa kita explore

1:02:27nah kalau tadi kan chat kalau freeform gimana freeform

1:02:32nah freeform itu kita kayak bisa

1:02:36itu dikasih contoh se-categori di tes

1:02:42fungsin explain it to me

1:02:48itu so guys the best framework to learn

1:02:55perang dengan web-web development paling jawabnya yang punya Google ya

1:03:05imperaturnya berapa nih mau kreatif atau mau kreatif dulu ya

1:03:10haluh haluh haluh haluh ya yang terjadi Oh enggak ya Wah jawabnya cukup relevan ya normal

1:03:21kok jawabannya normal ya Oke tetap masukin anggular loh jangan begitu ah Oke sekarang

1:03:31temperaturnya 0 ya

1:03:33kayaknya seperti itu

1:03:35mungkin kita bisa kerasa

1:03:37anus ya apa

1:03:38oh ada svelte

1:03:40cuma kebalik aja

1:03:42sama cuma maksudnya dari akurasi sama ya mungkin itu cerita tadi jadi kayak kita coba nya dia selalu generate gitu pakai bahasa Indonesia aja masih bisa kok

1:03:59irawati irawati Oh iya boleh coba ini dia strik ya strik

1:04:13halunya halunya ekstrim

1:04:34lu luar biasa World Championship Asian Games one of the most successful Indonesian

1:04:41badminton players of all time will go up

1:04:44gimana kalau dia disuruh kreatif ini

1:04:50normal-normal

1:04:53bisnis woi

1:04:57PT Tirta Fresindo Jaya

1:05:02lahir di Semarang berbesar 1954

1:05:09masuk forbes lu masa orangnya ada kayaknya cuma musim namanya Apakah exactly kayak gitu

1:05:22nyoba-nyoba Eka nyoba Eka Eka Eka Jayani Ayu nintas

1:05:38ini temperaturnya berapa

1:05:45Indonesia

1:06:02g-cash chercher

1:06:03asyik keren-keren keren-keren

1:06:08suami lalu banget kan dikasih suami Wah nggak ada yang bener mungkin ini ya who is

1:06:27kau yang terkenal ya Nah kalau ini harus pinter lah kalau dia lupa ya ini sendiri loh kalau salah

1:06:37atau dibalik who is

1:06:43kalau orang berkenal

1:06:49pasti tahu Iya bener kan ya kayak ini sih kayak kalau itu tadi temperature tuh efeknya kalau dia

1:07:02enggak enggak nemu gitu loh Jadi kalau dia enggak nemu baru dia mulai halu kalau dia nemu di

1:07:08ya bener gitu tapi itu tuh dia deket dari mana ya Iya bener-bener kenapa chess player kan misalnya

1:07:20dia nama itu dia nggak dapet data yang cukup okelah nah coba tiba-tiba ada chess player

1:07:27pernah kejuaraan ini itu itu udah mengarang bebas sebebas-bebasnya ya ya tergantung kemiripan di

1:07:38ya di di neuronnya dia itu salah satu enggak tahu gimana karena kita nggak bisa tebak kalau model

1:07:46itu kan sudah kayak black box ya Eh udah hal udah kompleks banget Oke manusia ya kalau dia udah

1:07:53teranjur dia punya mindset cara pikir tertentu ya akan eh pola cara mikirnya ada polanya tapi

1:08:01kita yang di luar kita enggak tahu exactly cara mikir dia gimana gitu kayak orang ya

1:08:07suatu saat suatu saat nanti ada ada satu apa namanya bidang ilmu atau spesialis itu namanya

1:08:16psikolog AI jadi kalau AI nya sakit perusahaan punya AI ianya sakit dan halu dibawa ke psikolog AI tapi masih mudah terlalu Iya halunya masih istilahnya masih kata kan kadang

1:08:36saya suka sering menemu random ini aja random karakter aja jadi yang kata-kata yang mungkin

1:08:45bahasa yang lain ya bahasa negara lain atau gimana gitu ya Oh cuma bukan enggak make sense ya mau saya

1:08:52jawabannya nggak make sense sama sekali kan orang masih bisa percaya lah ya gitu walaupun halu

1:08:56meyakinkan lo cukup menyadari harusnya positif kalau yang dulu open.ai ada nanti yang ngotot

1:09:03kamu sudah menunggu itu serempak itu males banget sih sampai kalau sampai orangnya tawar-menawar

1:09:10kalau udah berargumen gas saya nggak meninggal coba mana obituarinya nggak ada kamu sudah meninggal di

1:09:18tahun berapa Oke nah kalau yang tim Google kan katanya sih enggak keluar-keluar soalnya

1:09:25responsibel AI jadi dia kayak mau ngefilter enggak boleh negatif belas adbot ini jadi kayak nggak

1:09:31boleh marah-marah nggak boleh hate speech nggak boleh Wah itu ngefilter data di internet itu berat

1:09:38jadi kayak di filter dulu supaya knowledge-nya ini baik hati gitu lah

1:09:42yes nah ini kita udah mulai ada gambaran lah ya kalau kita mau bikin produk atau mau bikin aplikasi web untuk memanfaatkan AI

1:09:54kira-kira menurut Bu Esther kalau kita sebagai web developer itu apakah kita perlu tahu cara bekerja RLM

1:10:03MLM perlu tahu mesin learning itu kayak gimana cara training itu tadi yang berhasil grafik

1:10:09atau black box aja seperti yang seberapa jauh seberapa jauh yang perlu kita klik kita ekspor

1:10:17kalau menurutku sih yang penting tahu tool yang tepat ya jadi tepat Nah itu aja yang penting sih

1:10:28kalau sampai ke dalamnya itu kayak kayak udah susah kalau kita mau ini apa kayak lubnya gimana

1:10:36di dalam itu kalau kita mau bongkar kita mau ubah-ubah itu udah kayak ya udah jauh banget

1:10:44karena kan ya kita kalau misalnya bikin elemen sendiri pun bisa saya cuman kayak nggak mungkin

1:10:50ngalain yang udah punya parameter yang di bilion brak 7 billion parameter gitu jadi lebih baik sih

1:10:57kita kayak tadi fine tuning jadi kita butuh apa kita kumpulkan datanya kita lempar kayak gitu

1:11:06pakai aja tool-tool yang sekarang udah banyak banget misalnya mau bikin recommender di web

1:11:11nah pakai aja misalnya data server recommender jadi kalau customer mau disarankan misalnya

1:11:18nonton film apa atau beli produk apa Nah itu kita jangan sampai enggak enggak masih itu karena semua

1:11:26kan udah ada cuma tinggal pakai tool yang mana kita explore aja gitu apalagi sekarang bisa tanya

1:11:33kan jadi tanya aja ke Gemini aku punya website ini API yang mana yang bisa aku pakai sampai

1:11:41tanya format data masuknya kayak apa gimana fine tuning nya Nah itu kita tinggal tanya aja terus

1:11:48coba explore gitu Oke kalau misalnya pakai vertex ya ini bu kalau misalnya ada saya ada kasus

1:11:56contohnya situsnya situsnya sudah ada dan taruhlah situsnya situs resep ya resep masakan dan dia sudah

1:12:04punya 1000 1000 2000 resep masakan dan kita mau spesifik training resep masakan yang ada di

1:12:13database kita supaya kalau ditanya AI hanya yang bersamputan yang di database kita aja itu pakai

1:12:19vertex AI kah atau gimana bisa sih cuman bisa juga kita misalkan pakai Gema tadi itu bisa juga

1:12:29jadi kita yang penting siapin datanya terus kita nanti lempar ke model yang kita inginkan nah kalau

1:12:38itu kan lebih ke arah sebenarnya kalau memang mau ditaruh di Google Cloud sih

1:12:42jadi kalau memang pengen ditaruh di Google Cloud

1:12:45ya kita bisa pakai itu dengan mudah

1:12:48jadi tinggal pilih-pilih-pilih

1:12:50itu masuk beres

1:12:51tapi kalau mau di platform lain ya kita

1:12:56harus yaitu tadi kita download yang bisa open source models terus kita cocokin kita fine tune dengan data kita

1:13:05senantium bebas ya mau kita deploy dimana

1:13:08itu maksudnya di retrain ya retrain pakai JMA di retrain pakai data kita kah?

1:13:14itu kah maksudnya?

1:13:15retrain atau fine tuning?

1:13:17fine tuning lebih tepatnya

1:13:18fine tuning istilahnya ya

1:13:19fine tuning karena gak seluruhnya dilatih ulang

1:13:25tapi yang dilatih ulang hanya yang terakhir

1:13:27gitu. Konten resepnya.

1:13:30Nah fine tuning itu sebenarnya

1:13:31exactly gimana sih prosesnya kan tadi harus

1:13:33di convert menjadi faktor.

1:13:36Misalnya data kita

1:13:36JSON itu ada toolsnya atau

1:13:39ada. Jadi data

1:13:41JSON kita nanti namanya embedding.

1:13:44Nah di frontend AI

1:13:45Oh itu yang namanya embedding.

1:13:48Jadi gimana

1:13:49data kita itu kita ubah

1:13:51jadi angka supaya bisa diproses

1:13:53sama modelnya.

1:13:54Nah, embedding sendiri itu juga banyak tekniknya.

1:13:58Yang penting sih kita cari, ini yang untuk kita mengolah data teks, kita embedding teks.

1:14:03Kalau gambar, kita embedding gambar.

1:14:05Kalau multimodal, berarti memang pilih embedding yang untuk multimodal, kayak gitu.

1:14:10Terus, ya, bisa juga Vertex AI untuk embeddingnya, Tok.

1:14:14Bisa juga semuanya satu pipeline, ya, jadi dari embedding terus diolah sampai core.

1:14:21Hasilnya juga bisa, gitu.

1:14:22itu cuman kelebihannya kalau di vertex AI kan kalau ada update misalnya model terbaru misalnya

1:14:30parameternya nambah gitu kita bisa langsung dapat yang terbarukan gitu kalau kita kalau kita nonton

1:14:42lokal ya kita download lagi kita tes lagi itulah ya Oke tadi itu ada fine tuning kalau nggak salah

1:14:49ada satu lagi yang sebelum penting yang misalkan dia transfer baca dari dokumen PDF transfer

1:14:59learning biasanya kalau selanjutnya woi woi woi transfer learning itu misalnya nih dia pinter

1:15:10deteksi

1:15:12ini ya kucing sama

1:15:14cat atau dog gitu ya

1:15:16terus kita ambil kita suruh

1:15:18deteksi animal yang lain

1:15:20itu juga bisa gitu

1:15:21jadi misalnya kita cari

1:15:24kita tergantung kebutuhan ya

1:15:26misalnya kita maunya

1:15:28model yang lengkap itu kan pasti

1:15:30lebih besar file size dan sebagainya kalau kita mau yang model ekonomis nah kita bisa pakai yang

1:15:37enggak terlalu besar kita coba pakai teknik transfer learning itu tadi itu cukup besar cuman

1:15:43sekarang Emang karena buahnya yang ngembangkan kayaknya udah jarang gitu ya yang penting sekarang

1:15:50tinggal pakai fine tuning itu proses penting itu sendiri mahal gak sih nah berat gak sih

1:16:01kalau di lokal ya kalau di lokal Emang kayak tapi jauh lebih ringan daripada kita sendiri sih Oh

1:16:11tapi memang kadang ya beberapa tahun lalu kayak aku mau nyoba kadang sampai itu dua hari gitu

1:16:18baru keluar hasilnya dua hari dengan dulu iya dengan data sebanyak apa jadi deg-degan ya

1:16:27biasanya kayak ribuan kalimat gitu misalnya sentimen analisis ribuan kalimat tuh kadang

1:16:33kayak ya itu kalau pakai komputer yang tanpa GPU itu kayak deg-degan gitu jadi kayak nunggu

1:16:39hasilnya dua hari lagi kalau berubah gitu ya Nah tetapi sekarang ya karena udah banyak model yang

1:16:50kita tinggal fine tune sih jadi ya nggak usah bangun sendiri gitu ngapain effort terlalu

1:16:55beratkan gitu ada apa ya udah ada model dasarnya tinggal kita tambahin dulu ekstranya aja gitu ya

1:17:04jadi udah nggak usah reuse aja terus di custom ya nah ini ada pertanyaan menarik nih dari Iqmalil terkait data yang kita upload untuk training itu privasinya gimana

1:17:19nah emang sih

1:17:23kalau kita

1:17:24kan dijamin sih sama provider cloud

1:17:27misalnya kita taruh di webtech sih

1:17:29Google kayak punya

1:17:30aturan-aturan enkripsi apa

1:17:32terus kita juga harus memastikan datanya

1:17:35secure juga sih

1:17:36cuman kalau tadi yang sempat kita ngobrolin

1:17:39kalau merasa gak mau data itu masuk ke platform lain

1:17:43berarti kita ambil aja open source model kita taruh di lokal.

1:17:48Di lokal sendiri.

1:17:49Contohnya Gema.

1:17:52Nah contohnya.

1:17:55Itu dijamin datanya gak bakal di training ulang sama provider cloud ya.

1:18:01Ya karena kita lokal kan bisa kok itu.

1:18:04Karena cuma kita yang punya.

1:18:07Cuma kita yang punya.

1:18:09Oke, kalau begitu mungkin untuk sesi kali ini kita udahan dulu,

1:18:15sudah hampir satu setengah jam kita ngobrol-ngobrol tentang AI.

1:18:21Bingung kita mau mulai dari mana, kayaknya sudah mulai ada gambaran.

1:18:24Mudah-mudahan teman-teman juga dapat sedikit gambaran.

1:18:29Ini kalau mau nyoba bagaimana?

1:18:32Mungkin ada yang mau, sebelum kita udahan ada yang mau ditambahkan dari Bu Esther?

1:18:36Kalau dari aku sih ya

1:18:39Ya segera dicoba gitu ya

1:18:41Karena emang sekarang

1:18:43Ya kita kayak perlu

1:18:45Pembeda kan kalau kita kayak bikin

1:18:47Startup atau web atau app

1:18:49Kayak apa pembeda app kita

1:18:51Dengan yang lain biasanya kan

1:18:53Personalization, customization

1:18:56Jadi

1:18:57Semuanya itu bisa

1:18:59Dikembangkan dan

1:19:01Dengan tool-tool AI sekarang kita

1:19:03Gak usah develop sendiri udah bisa pakai

1:19:05pakai aja misalnya kita ngolah lognya user terus kita bisa tahu dia seneng yang apa Nah itu semua

1:19:14kalau bisa kayak data yang kita dapetin dari app juga jangan didiamin aja tapi kita bikin rekomendasi and dari data itu kita bikin personalization jadi bestian sama AI gitu ya segera tanya si AI ini kamu bisa bantu aku apa sih gitu kita cari kita

1:19:33cari apa aja yang AI bisa support untuk project kita terus tapi yang penting sih yang tadi yang

1:19:40ethical dan responsible AI jadi jangan gunakan tuh hal-hal yang kurang baik tapi kita fokus

1:19:47mencari kelebihan dari

1:19:49AI itu

1:19:50oh iya ya sekarang tuh

1:19:53kalau dulu kita mau bikin recommendation

1:19:55sistem mau bikin sentiment analysis

1:19:57tuh kayaknya wah kita butuh data

1:19:59ribuan gitu kan

1:20:00udah ada modelnya

1:20:03tinggal tambahin

1:20:04kita masukin data kita sendiri aja ya

1:20:07udah cukup gitu ya

1:20:08jauh lebih

1:20:11gampang ya

1:20:12kalau pengen coba-coba di mediumku

1:20:15juga ada beberapa tutorial

1:20:16jadi di warna mediumnya apa mediumnya mediumnya ya Esther Irawati dikari aja ya medium.com kalau

1:20:30begitu Terima kasih banyak buat bu Esther udah mampir-mampir ke sini juga Makasih juga udah

1:20:39boleh masuk di ini ya ngobrolin web sukses terus asli Makasih doa sukses

1:20:46ya jangan ajak paling yang langsung ya Iya ajak paling paling enggak main catur yang

1:21:00satu yang langsung ya ya sama Grandmaster siapa itu ya ya ya ya oke kalau gitu mungkin kita

1:21:09udahan dulu Terima kasih banyak buat semua yang udah nonton mudah-mudahan dapat manfaatnya dari

1:21:14obrolan kita malam hari ini

1:21:15kita ketemu lagi

1:21:17minggu depan

1:21:19seperti biasa di hari yang sama

1:21:22selasa malam, jadi sampai jumpa

1:21:24bye bye