 |
| Sumber Gambar : Kumparan |
Jogjaterkini.id - Meta menghadirkan Muse Spark Open, model kecerdasan buatan (AI) yang dirancang untuk menangani berbagai pekerjaan digital, mulai dari pemrograman hingga pengolahan video melalui aplikasi desktop. Model ini menawarkan pendekatan berbeda dibandingkan layanan AI konvensional karena bobot modelnya dapat diakses oleh pengembang untuk digunakan sesuai kebutuhan.
Salah satu hal yang menarik dari Muse Spark Open adalah potensinya untuk dijalankan secara lokal di komputer Mac. Dengan pendekatan tersebut, pemrosesan AI dapat dilakukan langsung pada perangkat pengguna tanpa harus selalu mengandalkan server penyedia layanan melalui internet.
Namun, kemampuan tersebut memiliki konsekuensi terhadap kebutuhan perangkat keras. Dengan jumlah parameter mencapai 816 miliar, Muse Spark Open membutuhkan kapasitas memori yang sangat besar agar dapat dijalankan secara lokal.
Muse Spark Open Mengusung Konsep Open-Weight
Muse Spark Open merupakan model AI dengan pendekatan open-weight, yaitu model yang bobot hasil pelatihannya dibuka agar dapat diakses dan dimanfaatkan oleh pihak lain. Bobot tersebut berisi nilai-nilai yang dipelajari model selama proses pelatihan untuk mengenali pola, memahami masukan, serta menghasilkan respons.
Konsep ini memberikan keleluasaan lebih besar dibandingkan model AI tertutup atau proprietary. Pada model tertutup, pengguna umumnya berinteraksi melalui layanan yang disediakan perusahaan pengembang. Sementara itu, model open-weight memungkinkan pengembang mengunduh model dan menjalankannya pada infrastruktur yang mereka miliki, selama sesuai dengan ketentuan penggunaannya.
Meski demikian, open-weight tidak selalu berarti sepenuhnya open-source. Ketersediaan bobot model tidak otomatis menjamin bahwa seluruh data pelatihan, kode sumber, dan proses pengembangannya turut dibuka.
Bagi pengembang, pendekatan open-weight dapat memberikan kesempatan untuk menguji kemampuan model, menyesuaikan implementasi, serta mengintegrasikannya ke dalam sistem yang dikembangkan sendiri.
Memiliki 816 Miliar Parameter dan Context Window 1 Juta Token
Dari sisi spesifikasi, Muse Spark Open dibekali 816 miliar parameter. Parameter merupakan komponen matematis yang digunakan model AI untuk memproses informasi dan menghasilkan keluaran berdasarkan pola yang dipelajari selama pelatihan.
Jumlah parameter yang besar menunjukkan skala model yang dikembangkan. Namun, besarnya parameter tidak secara otomatis menjamin bahwa sebuah model akan selalu lebih unggul dalam setiap tugas. Kualitas hasil tetap dipengaruhi oleh metode pelatihan, arsitektur model, jenis pekerjaan, dan cara penggunaannya.
Muse Spark Open juga memiliki context window sebesar 1 juta token. Context window merupakan kapasitas informasi yang dapat dipertimbangkan model dalam satu rangkaian pemrosesan, termasuk ketika menerima instruksi, membaca dokumen, atau mempertahankan konteks percakapan.
Kapasitas tersebut berpotensi membantu model menangani pekerjaan yang membutuhkan banyak informasi sekaligus. Misalnya, menganalisis dokumen panjang, memahami konteks proyek pemrograman, atau memproses berbagai instruksi dalam satu alur kerja.
Selain memproses teks, Muse Spark Open mendukung kemampuan multimodal. Artinya, model ini dirancang untuk menangani lebih dari satu jenis informasi sehingga penggunaannya tidak terbatas pada percakapan berbasis teks.
Meta mengklaim model tersebut mampu bersaing dengan sejumlah model open-weight populer lainnya. Meski begitu, perbandingan performa tetap perlu mempertimbangkan hasil pengujian pada tugas yang sama dan kondisi penggunaan yang setara.
Menjalankan AI Secara Lokal Membutuhkan RAM 1 TB
Salah satu aspek yang perlu diperhatikan sebelum menggunakan Muse Spark Open adalah kebutuhan perangkat kerasnya. Walaupun model ini dioptimalkan untuk komputer Mac, menjalankannya secara lokal tidak bisa disamakan dengan menggunakan aplikasi AI biasa.
Menurut laporan Engadget yang dikutip dalam informasi mengenai model tersebut, Muse Spark Open membutuhkan RAM minimal 1 TB untuk penggunaan lokal. Model ini juga disebut akan berjalan optimal pada Mac Studio yang menggunakan chip M5 Ultra.
Kebutuhan memori tersebut membuat Muse Spark Open lebih relevan bagi pengguna dengan perangkat komputasi kelas atas, seperti pengembang profesional atau organisasi yang memiliki infrastruktur khusus.
RAM berperan penting karena model dengan ukuran besar membutuhkan ruang memori untuk menyimpan bobot dan menjalankan proses komputasi. Selain itu, kebutuhan aktual dapat dipengaruhi oleh format model, metode kuantisasi, panjang konteks yang digunakan, serta konfigurasi perangkat lunak.
Dengan demikian, pengguna Mac biasa tidak bisa langsung mengasumsikan bahwa perangkatnya mampu menjalankan model ini secara penuh hanya karena sistem operasi yang digunakan sesuai.
Bagi pengguna yang tidak memiliki perangkat dengan kapasitas memori sebesar itu, akses melalui layanan API dapat menjadi pilihan yang lebih praktis. Melalui pendekatan tersebut, pengembang dapat memanfaatkan kemampuan model tanpa harus menyediakan seluruh sumber daya komputasi secara mandiri.
Bisa Membantu Pemrograman hingga Memperbaiki Bug
Meta menguji Muse Spark Open untuk menangani berbagai pekerjaan desktop dengan pendekatan agen AI. Dalam skenario ini, AI tidak hanya memberikan jawaban atas perintah pengguna, tetapi juga membantu menjalankan serangkaian tindakan untuk menyelesaikan suatu pekerjaan.
Pengujian tersebut dilakukan dengan mengintegrasikan model bersama Muse Code, terminal pemrograman berbasis AI milik Meta. Kombinasi ini digunakan untuk menguji kemampuan model dalam menjalankan alur kerja pengembangan perangkat lunak.
Salah satu penerapannya dilakukan pada Mastodon, platform media sosial terdesentralisasi. Dalam pengujian tersebut, Muse Spark Open digunakan untuk membantu memperbaiki bug, menambahkan fitur, hingga membangun aplikasi secara menyeluruh.
Kemampuan seperti ini berpotensi membantu pengembang mengurangi pekerjaan rutin dalam proses pembuatan perangkat lunak. Model AI dapat dimanfaatkan untuk menelaah kode, mengidentifikasi masalah, serta membantu menyusun perubahan berdasarkan instruksi yang diberikan.
Meski demikian, hasil pekerjaan yang dihasilkan AI tetap perlu ditinjau. Pengujian kode, pemeriksaan keamanan, dan evaluasi terhadap fungsi aplikasi masih diperlukan agar perubahan yang dilakukan tidak menimbulkan masalah baru.
Muse Spark Open Diuji untuk Mengedit Video
Penggunaan Muse Spark Open tidak hanya diarahkan pada pemrograman. Meta juga menguji model tersebut pada DaVinci Resolve, perangkat lunak penyuntingan video yang digunakan dalam produksi profesional.
Dalam pengujian itu, model digunakan untuk meninjau dan memotong rekaman video. Pengujian tersebut memperlihatkan potensi penggunaan AI untuk membantu pekerjaan yang biasanya dilakukan melalui aplikasi desktop dengan berbagai tahapan teknis.
Jika kemampuan tersebut dapat diterapkan secara luas, pengguna berpotensi memberikan instruksi dalam bahasa sehari-hari untuk membantu menyelesaikan pekerjaan tertentu di aplikasi. AI kemudian dapat menjalankan tindakan yang diperlukan berdasarkan instruksi dan konteks yang tersedia.
Pendekatan ini berbeda dari penggunaan chatbot yang hanya menghasilkan teks atau memberikan petunjuk kepada pengguna. Agen AI diarahkan untuk membantu menyelesaikan tugas melalui interaksi dengan perangkat lunak.
Walaupun demikian, kemampuan model dalam lingkungan pengujian tidak serta-merta berarti seluruh proses penyuntingan video dapat dilakukan secara otomatis tanpa pengawasan. Ketepatan hasil, kompleksitas proyek, dan kompatibilitas dengan aplikasi tetap menjadi faktor penting.
Keunggulan Model Open-Weight bagi Pengembang
Ketersediaan bobot model memberikan sejumlah peluang bagi pengembang yang ingin membangun aplikasi berbasis AI. Salah satunya adalah fleksibilitas dalam menentukan lingkungan penerapan, baik melalui infrastruktur sendiri maupun layanan yang mendukung model tersebut.
Pengembang juga dapat mempertimbangkan penyesuaian model untuk kebutuhan tertentu, bergantung pada akses yang diberikan dan ketentuan penggunaan yang berlaku. Fleksibilitas ini dapat berguna bagi perusahaan yang ingin mengintegrasikan AI ke dalam sistem internal atau mengembangkan produk dengan karakteristik khusus.
Penggunaan lokal juga berpotensi memberikan keuntungan dari sisi privasi dan kendali data. Jika pemrosesan benar-benar dilakukan di perangkat sendiri tanpa mengirimkan informasi ke layanan eksternal, ketergantungan terhadap server pihak ketiga dapat dikurangi.
Namun, manfaat tersebut perlu dilihat berdasarkan implementasi yang digunakan. Penggunaan API tetap melibatkan layanan penyedia, sedangkan pemrosesan lokal membutuhkan perangkat keras, pemeliharaan, dan pengelolaan keamanan tersendiri.
Dari sisi biaya, model open-weight juga tidak selalu lebih murah dalam semua situasi. Pengguna perlu memperhitungkan investasi perangkat, konsumsi listrik, kebutuhan penyimpanan, serta biaya operasional lainnya. Untuk kebutuhan tertentu, layanan AI berbasis API justru bisa lebih ekonomis.
Muse Spark Open Tersedia Melalui Platform API
Selain opsi penggunaan lokal, Muse Spark Open disebut telah tersedia melalui sejumlah platform API. Ketersediaan ini membuka peluang bagi pengembang untuk mengintegrasikan kemampuan model ke dalam aplikasi tanpa harus menjalankan seluruh model pada komputer mereka sendiri.
API memungkinkan sebuah aplikasi mengirimkan permintaan ke layanan model dan menerima hasil pemrosesan untuk digunakan pada fitur yang dikembangkan. Pendekatan ini dapat dimanfaatkan untuk membangun asisten digital, alat bantu pemrograman, atau sistem otomatisasi pekerjaan.
Sebelum menggunakannya, pengembang perlu memeriksa dokumentasi platform yang menyediakan model tersebut. Informasi mengenai biaya, batas penggunaan, dukungan fitur multimodal, serta ketentuan akses dapat berbeda antarpenyedia.
Pada akhirnya, Muse Spark Open menawarkan pendekatan AI yang menggabungkan fleksibilitas model open-weight dengan potensi otomatisasi pekerjaan digital. Kemampuannya untuk membantu coding, menangani bug, dan berinteraksi dengan perangkat lunak penyuntingan video menunjukkan bahwa pemanfaatan AI semakin mengarah pada penyelesaian tugas, bukan sekadar menghasilkan jawaban.
Meski demikian, kebutuhan RAM yang sangat besar menjadi pertimbangan utama bagi pengguna yang ingin menjalankannya secara lokal. Karena itu, pilihan antara penggunaan lokal dan API sebaiknya disesuaikan dengan kemampuan perangkat, kebutuhan pekerjaan, pertimbangan privasi, serta anggaran yang tersedia.
