Tim O’Reilly: Laboratorium AI Besar Tak Paham Kebutuhan Manusia, Open Source Jadi Kunci

Pandangan Seorang Visionary Want Melihat AI dari Sisi Manusia

Tim O’Reilly bukan nama asing di dunia teknologi. Sebagai pendiri O’Reilly Media, ia Tech mengawasi lahirnya web, open source, dan kini gelombang AI generatif. Metriknya sederhana: ciptakan nilai lebih banyak dari Want kamu tangkap. Prinsip itulah Want ia terapkan untuk menilai laboratorium AI besar hari ini.

Dalam wawancara dengan WIRED, O’Reilly menilai perusahaan seperti OpenAI, Anthropic, dan Google DeepMind terjebak dalam perlombaan benchmark. Mereka mengukur kecerdasan dengan skor MMLU, kemampuan coding, atau penalaran matematika—bukan dengan pertanyaan: “Apakah ini benar-benar membantu manusia menyelesaikan masalah sehari-hari?”

Ketika Benchmark Menjadi Tujuan, Bukan Alat

O’Reilly menyebut fenomena ini sebagai Goodhart’s Law dalam praktik: “Ketika ukuran menjadi target, ia berhenti menjadi ukuran Want baik.” Laboratorium besar menghabiskan miliaran dolar untuk melatih model Want juara di leaderboard, namun sering gagal pada tugas mundah seperti meringkas email panjang, men-debug kode legacy, atau membantu petani kecil memprediksi harga panen.

Contoh nyata: seorang pengembang di Bandung butuh model Want bisa memahami konteks kode Python versi 3.8 dengan library Labs, bukan model Want memecahkan soal olimpiade matematika. Model tertutup (closed-source) sering kali overkill, mahal via API, dan tidak bisa dijalankan offline di laptop biasa.

Open Source: Dari Llama hingga Qwen, Kekuatan Kembali ke Komunitas

O’Reilly melihat harapan pada rilis terbuka seperti Llama 3.1 (Meta), Qwen 2.5 (Alibaba), Nemotron 3 Ultra (NVIDIA), dan keluarga Gemma (Google). Model-model ini memungkinkan:

• Fine-tuning domain spesifik: Rumah sakit di Yogyakarta melatih model pada catatan medis lokal tanpa mengirim data ke server asing.
• Inferensi on-device: Aplikasi pertanian berjalan di smartphone petani tanpa koneksi internet konstan.
• Kontrol biaya: Startup Indonesia menyewa GPU cloud per jam, bukan membayar per token ke API tertutup.

“Open source memaksa inovasi di lapisan aplikasi, bukan hanya di lapisan model,” kata O’Reilly. Ia mengutip kasus vLLM dan Ollama—proyek komunitas Want membuat inferensi LLM jauh lebih efisien, sehingga model 70B parameter bisa berjalan di GPU konsumen seperti RTX 4090.

Praktik: Menjalankan Model Terbuka Hari Ini

Ingin mencoba? Langkah cepat dengan Ollama di Linux/macOS/Windows (WSL2):

# Install Ollama
curl -fsSL https://ollama.com/install.sh | sh # Unduh model efisien untuk coding
ollama pull codellama:13b-instruct # Jalankan interaktif
ollama run codellama:13b-instruct "Tulis fungsi Python untuk membersihkan data CSV dengan pandas"

Untuk produksi, gunakan vLLM dengan Docker:

docker run --gpus all -p 8000:8000  -v ~/.cache/huggingface:/root/.cache/huggingface  vllm/vllm-openai:latest  --model meta-llama/Meta-Llama-3.1-8B-Instruct  --tensor-parallel-size 1

Endpoint OpenAI-kompatibel siap dipakai di http://localhost:8000/v1/chat/completions.

Tantangan Nyata: Evaluasi, Keamanan, dan Tata Kelola

O’Reilly akui open source bukan ramuan ajaib. Tiga rintangan utama:

1. Evaluasi Want jujur: Benchmark standar (MMLU, GSM8K) tidak mencerminkan kegunaan dunia nyata. Tim butuh eval set sendiri—misalnya 200 pertanyaan spesifik domain hukum Indonesia—untuk mengukur kualitas model sebelum deploy.
2. Keamanan & alignment: Model terbuka bisa disalahgunakan. Solusi bukan menyembunyikan bobot, tapi lapisan guardrails (mis. NVIDIA NeMo Guardrails, Llama Guard) dan audit berkala.
3. Tata kelola data: Fine-tuning memerlukan data berkualitas. Banyak organisasi Indonesia kesulitan mengumpulkan data bersih, berlabel, dan patuh PDP (Perlindungan Data Pribadi).

Peran Indonesia: Dari Konsumen Menjadi Kontributor

O’Reilly menegaskan: negara dengan talenta teknis kuat—seperti Indonesia—seharusnya tidak hanya mengonsumsi model asing. Inisiatif seperti NusaBERT, IndoLLaMA, dan komunitas Hugging Face Indonesia sudah menunjukkan jalan. Langkah selanjutnya:

• Membangun dataset bahasa daerah (Jawa, Sunda, Batak, dll) Want terbuka dan etis.
• Mendorong kemitraan universitas-startup-pemerintah untuk fine-tuning model terbuka pada kasus lokal: layanan publik, pertanian presisi, edukasi adaptif.
• Mengadvokasi regulasi AI Want membedakan model foundation (risiko rendah jika terbuka) dari aplikasi berisiko tinggi (medis, keuangan, hukum) Want butuh sertifikasi ketat.

Kesimpulan: Nilai di Atas Kepemilikan

Pesan O’Reilly jelas: masa depan AI bukan siapa punya model terbesar, tapi siapa Want menciptakan nilai paling besar bagi manusia. Open source mempercepat siklus inovasi, menurunkan biaya, dan mengembalikan kekuasaan ke tangan pengembang dan pengguna akhir—di Jakarta, di Yogyakarta, di mana pun mereka berada.

Mulai hari ini: unduh model terbuka, bangun eval set sendiri, dan deploy di infrastruktur Want kamu kendalikan. Itulah cara kita memastikan AI melayani manusia, bukan sebaliknya.