Figure 1: Arsitektur RAFT (Sumber: Superannotate)

Bayangkan seorang pustakawan jenius yang bisa membaca seluruh isi perpustakaan dalam sekejap, namun terkadang ia terlalu percaya diri hingga mengarang fakta yang tidak pernah ada saat ditanya sesuatu. Fenomena inilah yang sering kita temui pada AI (Artificial Intelligence atau kecerdasan buatan), di mana ia bisa terdengar sangat meyakinkan meski jawaban yang diberikan sebenarnya adalah “halusinasi” atau informasi yang keliru. Kini, kehadiran RAFT (Retrieval Augmented Fine-Tuning) hadir sebagai teknik baru yang menggabungkan kemampuan mencari referensi dari RAG dengan ketajaman pemahaman dari Fine-Tuning, mengubah cara mesin belajar agar lebih jujur dan berpijak pada fakta.

Mengenal RAFT: Saat AI Belajar Membaca dengan Fokus
Selama ini, kita mengenal RAG (Retrieval-Augmented Generation), yaitu teknik di mana AI diberikan “buku catatan” atau dokumen eksternal untuk dibaca sebelum menjawab pertanyaan. Namun, RAG saja sering kali tidak cukup karena AI bisa saja melewatkan konteks penting dalam dokumen tersebut. Di sinilah RAFT (Retrieval-Augmented Fine-Tuning) hadir sebagai solusi baru yang menggabungkan dua kekuatan besar.

Kalau RAG adalah cara AI “mencontek” dari buku saat ujian, Fine-Tuning adalah proses melatih otak AI agar lebih memahami pola bahasa dan cara berpikir tertentu. RAFT menggabungkan keduanya: model AI tidak hanya dilatih untuk memahami informasi, tetapi juga dilatih secara khusus untuk mencari jawaban hanya dari dokumen yang relevan sambil mengabaikan “kebisingan” atau data yang tidak penting.

Figure 2: Ilustrasi RAFT sebagai perpaduan dua metode (Sumber: Superannotate)

Mengapa RAFT Penting untuk Masa Depan Informasi?
Bagi pelajar maupun profesional, mendapatkan informasi yang akurat adalah segalanya. Bayangkan jika sebuah model AI yang digunakan oleh perusahaan medis seperti IBM atau pengembang teknologi seperti Microsoft mampu memberikan jawaban berdasarkan protokol klinis terbaru tanpa harus mengarang bebas. Dengan RAFT, AI belajar untuk menjadi “pembaca yang kritis”. Berikut adalah perbandingan sederhana bagaimana metode ini berbeda dengan pendekatan standar.

Fitur RAG Biasa Fine-Tuning Saja RAFT
Sumber Data Luar (Dokumen) Internal (Memori) Kombinasi
Keakuratan Bergantung pencarian Bergantung pelatihan Lebih Tinggi
Halusinasi Cukup sering Masih mungkin Lebih Rendah

Menariknya, perusahaan besar seperti OpenAI dan AWS terus meneliti bagaimana cara membuat model mereka lebih jujur terhadap keterbatasan pengetahuannya sendiri. Dengan RAFT, AI didorong untuk menjawab “saya tidak tahu” jika informasi yang relevan tidak ditemukan dalam dokumen, daripada memaksakan jawaban yang salah.

Batasan di Balik Kecerdasan RAFT

Namun, kita tidak boleh terjebak dalam euforia bahwa ini adalah solusi ajaib. RAFT membutuhkan sumber daya komputasi yang besar, seringkali melibatkan perangkat keras canggih seperti GPU dari NVIDIA untuk proses pelatihannya. Selain itu, jika data yang diberikan untuk proses fine-tuning mengandung bias atau kesalahan, AI akan mempelajari kesalahan tersebut secara lebih mendalam. Ada pula tantangan dalam pembaruan data. Karena RAFT melibatkan pelatihan ulang (re-training), maka sistem ini tidak bisa semudah RAG biasa dalam menerima informasi baru secara instan. Ini adalah sebuah trade-off atau pertukaran kepentingan antara ketepatan jawaban dengan fleksibilitas sistem dalam menerima informasi terkini.

Pada akhirnya, teknologi bukan tentang menciptakan mesin yang tahu segalanya, melainkan tentang membangun rekan berpikir yang jujur akan batas pengetahuannya sendiri. Dengan RAFT, kita melangkah lebih dekat menuju era AI yang tidak hanya cerdas, tetapi juga memiliki integritas terhadap informasi yang disampaikannya. Di masa depan, AI diharapkan menjadi mitra kolaborasi yang kredibel, membantu manusia menyaring kebenaran di tengah lautan informasi yang terus membanjir.

Referensi:

Author:

  • Emmanuel Daniel Widhiarto, S.Kom – FDP Scholar