Dari statistik ke model generatif

Istilah kecerdasan buatan mencakup sekumpulan teknik yang ciri bersamanya adalah bahwa suatu sistem komputer menghasilkan keluaran, seperti prediksi, klasifikasi, rekomendasi, atau teks, yang jika tidak demikian akan memerlukan penilaian manusia. Definisi yang diadopsi oleh OECD pada 2019 dan direvisi pada 2023 menggambarkan sistem AI sebagai sistem berbasis mesin yang menyimpulkan dari masukan yang diterimanya cara menghasilkan keluaran yang dapat memengaruhi lingkungan fisik atau virtual. Baik konvensi Dewan Eropa maupun AI Act Uni Eropa (UE/EU) telah mengambil rumusan ini secara substansial, sehingga konsep tersebut memiliki inti yang sama di seluruh sistem hukum yang relevan bagi Basel.¹

Lembaga keuangan telah lama menggunakan anggota-anggota yang lebih tua dari kumpulan teknik ini. Penilaian kredit (credit scoring) berbasis regresi logistik menjadi standar dalam kredit konsumen pada tahun 1980-an dan 1990-an. Para aktuaris telah menerapkan model linear tergeneralisasi dalam penetapan harga asuransi selama puluhan tahun. Deteksi penipuan dalam pembayaran kartu telah mengandalkan jaringan saraf sejak tahun 1990-an. Metode pembelajaran mesin seperti gradient boosting dan random forest masuk ke dalam manajemen risiko dan pemantauan transaksi pada tahun 2010-an, karena metode tersebut mendeteksi pola dalam kumpulan data besar secara lebih akurat daripada aturan yang tetap.²

Model generatif berbeda dari para pendahulunya dalam dua hal yang penting bagi jasa keuangan. Model generatif bekerja dengan informasi tidak terstruktur seperti kontrak, surel, laporan riset, dan rekaman percakapan, yang merupakan sebagian besar pengetahuan sebuah bank atau kantor hukum. Model generatif juga merupakan sistem serbaguna, yang dilatih oleh segelintir penyedia dengan biaya besar dan kemudian disesuaikan oleh ribuan pengguna untuk tugas-tugas mereka sendiri. Ciri pertama menjelaskan adopsinya yang cepat di kantor belakang dan kantor tengah. Ciri kedua menjelaskan mengapa otoritas pengawas khawatir tentang konsentrasi, ketergantungan, dan terbatasnya kemampuan pengguna untuk memahami bagaimana sistem tersebut sampai pada keluarannya.³

Catatan

1. OECD, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449, diadopsi 22 Mei 2019, definisi direvisi 8 November 2023; Pasal 3 angka (1) Regulation (EU) 2024/1689 (AI Act); Pasal 2 Council of Europe Framework Convention on Artificial Intelligence and Human Rights, Democracy and the Rule of Law (CETS No. 225). Perlu diverifikasi. ↩
2. Mengenai sejarah metode statistik dan pembelajaran mesin dalam penilaian kredit, asuransi, dan deteksi penipuan, lihat ikhtisar dalam Financial Stability Board, Artificial Intelligence and Machine Learning in Financial Services, 1 November 2017. Perlu diverifikasi. ↩
3. Mengenai karakteristik model fondasi (foundation models) dan implikasinya bagi lembaga keuangan, lihat BIS, Annual Economic Report 2024, Bab III, “Artificial intelligence and the economy: implications for central banks”, Juni 2024. Perlu diverifikasi. ↩

Hanya untuk informasi umum. Artikel ini bukan merupakan nasihat hukum atau pajak, tidak menggantikan nasihat atas kasus individual, dan tidak menimbulkan hubungan antara advokat dan klien. Artikel ini mencerminkan keadaan hukum per Oktober 2026.