UAS Teknologi Terbaru REGA

Era komputasi ubikuitas (Ubiquitous Computing) ditandai oleh:

• Dominasi komputer mainframe di setiap aspek kehidupan.

• Integrasi komputasi yang mulus ke dalam lingkungan sehari-hari, seringkali tidak terlihat oleh pengguna.

• Peningkatan dramatis dalam ukuran dan kompleksitas perangkat komputasi personal.

• Ketergantungan eksklusif pada koneksi internet kabel untuk semua perangkat.

Konvergensi teknologi seperti AI, IoT, dan Blockchain secara fundamental mengubah lanskap teknologi dengan:

• Mendorong setiap teknologi untuk berkembang secara terpisah tanpa interaksi.

• Memungkinkan penciptaan sistem yang lebih cerdas, otonom, terdistribusi, dan aman yang sebelumnya tidak mungkin.

• Mengurangi kebutuhan akan inovasi karena kompleksitas yang meningkat.

• Menyebabkan penurunan investasi dalam riset dan pengembangan.

"Singularity" dalam konteks teknologi mengacu pada:

• Momen ketika satu teknologi tertentu mencapai puncaknya.

• Titik hipotetis di mana kecerdasan buatan melampaui kecerdasan manusia, memicu pertumbuhan teknologi yang tidak terkendali dan tak dapat diprediksi.

• Penciptaan teknologi yang hanya dapat digunakan oleh satu orang.

• Penemuan algoritma kompresi data yang sangat efisien.

Gelombang inovasi teknologi terbaru (misalnya, setelah era internet dan mobile) paling menonjolkan:

• Peningkatan kecepatan pemrosesan CPU secara linier dan Penemuan kembali teknologi telekomunikasi analog.

• Kemampuan untuk mengumpulkan, memproses, dan mendapatkan wawasan dari data skala besar dengan otomasi dan kecerdasan.

• Penemuan kembali teknologi telekomunikasi analog.

• Fokus eksklusif pada pengembangan software tanpa hardware dan Penemuan kembali teknologi telekomunikasi analog.

Perbedaan mendasar antara Machine Learning (ML) dan Deep Learning (DL) adalah:

• ML hanya menggunakan data terstruktur, DL menggunakan data tidak terstruktur.

• DL adalah subset dari ML yang menggunakan jaringan saraf tiruan berlapis-lapis (deep neural networks) untuk belajar representasi data secara otomatis.

• ML memerlukan feature engineering secara manual, sedangkan DL tidak.

• DL hanya digunakan untuk tugas klasifikasi, ML untuk regresi.

Reinforcement Learning (RL) paling tepat dijelaskan sebagai:

• Metode pembelajaran mesin di mana model belajar dari data berlabel yang besar.

• Pendekatan di mana agen belajar membuat keputusan di suatu lingkungan untuk memaksimalkan "reward" kumulatif melalui trial-and-error.

• Algoritma yang mengelompokkan data tanpa label.

• Proses transfer pengetahuan dari satu model ke model lain.

Konsep "Bias" dalam Artificial Intelligence paling kritis dampaknya pada:

• Kecepatan komputasi model AI.

• Keadilan dan akurasi keputusan yang dibuat oleh sistem AI, terutama jika data pelatihan merefleksikan prasangka sosial.

• Jumlah memori yang dibutuhkan oleh model AI.

• Warna antarmuka pengguna aplikasi AI.

Apa yang dimaksud dengan "Generative AI" dan mengapa ini menjadi terobosan signifikan?

• AI yang hanya dapat memprediksi pola dari data yang ada.

• AI yang dapat menghasilkan konten baru (teks, gambar, audio) yang belum pernah ada sebelumnya, seringkali dengan kualitas yang mirip dengan buatan manusia, membuka peluang untuk kreativitas otomatis dan personalisasi masif.

• AI yang hanya berfungsi di lingkungan industri.

• AI yang memerlukan intervensi manusia secara terus-menerus.

Lapisan "Edge Layer" dalam arsitektur IoT bertanggung jawab atas:

• Penyimpanan data jangka panjang di cloud.

• Akuisisi data dari sensor, pra-pemrosesan data, dan eksekusi komputasi terbatas di dekat sumber data.

• Analisis data kompleks di pusat data.

• Antarmuka pengguna untuk aplikasi mobile.

Protokol komunikasi IoT seperti MQTT (Message Queuing Telemetry Transport) sangat populer karena:

• Memiliki overhead yang sangat besar, cocok untuk bandwidth tinggi.

• Dirancang sebagai protokol lightweight dengan publish/subscribe model, efisien untuk perangkat berdaya rendah dan jaringan ter.