Kampus Times- Perkembangan kendaraan otonom terus mengalami kemajuan berkat kecerdasan buatan (Artificial Intelligence/AI). Namun, di balik kemampuannya mengemudi secara mandiri, terdapat tantangan besar yang sering luput dari perhatian, yaitu bagaimana memastikan sistem tersebut benar-benar aman digunakan di jalan raya.
Persoalan ini menjadi fokus penelitian Dr. Mansur yang mengembangkan metode evaluasi keselamatan AI dengan pendekatan baru. Metode tersebut mampu mempercepat proses pengujian secara signifikan tanpa mengurangi tingkat akurasi hasilnya. Pendekatan ini juga membuka peluang penerapan AI yang lebih luas di berbagai sektor.
Paradoks Keselamatan Kendaraan Otonom
Semakin canggih sistem AI, semakin kecil kemungkinan kendaraan mengalami kegagalan. Sekilas kondisi ini terlihat ideal, tetapi justru menciptakan tantangan baru dalam proses evaluasi.
Bayangkan sebuah sistem hanya mengalami satu kegagalan dalam satu juta perjalanan. Untuk menemukan satu kesalahan saja, peneliti harus menjalankan jutaan simulasi atau pengujian. Proses tersebut membutuhkan waktu yang sangat lama, sumber daya komputasi besar, dan biaya yang tidak sedikit.
Kondisi ini dikenal sebagai paradoks keselamatan. Semakin aman sebuah sistem, semakin sulit membuktikan bahwa sistem tersebut benar-benar aman melalui metode pengujian konvensional.
Mengapa Metode Pengujian Lama Tidak Lagi Memadai?
Daftar Skenario Statis Memiliki Keterbatasan
Selama ini banyak pengujian kendaraan otonom menggunakan daftar skenario yang telah ditentukan sebelumnya. Kendaraan diuji menghadapi pejalan kaki, kendaraan lain, lampu lalu lintas, atau kondisi tertentu.
Pendekatan tersebut memiliki kelemahan karena AI dapat dioptimalkan hanya untuk berhasil melewati skenario yang sudah diketahui. Ketika menghadapi situasi yang benar-benar baru di dunia nyata, sistem belum tentu mampu mengambil keputusan yang tepat.
Dunia Nyata Terlalu Kompleks
Kondisi jalan selalu berubah setiap saat. Kendaraan dapat menghadapi kemacetan ekstrem, pengendara yang agresif, cuaca buruk, jalan pedesaan, hingga lingkungan perkotaan yang padat.
Seluruh variasi tersebut hampir mustahil diuji menggunakan daftar skenario yang terbatas.
Pendekatan Baru yang Dikembangkan Dr. Mansur
Untuk mengatasi persoalan tersebut, Dr. Mansur mengembangkan metodologi evaluasi berbasis AI yang jauh lebih efisien.
Pembangkitan Skenario Cerdas
Alih-alih menunggu kecelakaan muncul secara alami dalam simulasi, sistem machine learning justru menciptakan kondisi yang lebih berisiko.
Sebagai contoh, simulasi dapat dibuat menyerupai lalu lintas padat dengan perilaku pengendara yang agresif, sehingga peluang munculnya kondisi berbahaya menjadi lebih tinggi. Dengan cara ini, kelemahan sistem AI dapat ditemukan jauh lebih cepat.
Importance Sampling
Meskipun skenario ekstrem dibuat lebih sering muncul, hasil evaluasi tetap harus mencerminkan kondisi dunia nyata.
Karena itu digunakan teknik importance sampling. Setiap skenario diberi bobot statistik sesuai tingkat kemunculannya dalam kehidupan sebenarnya. Kejadian yang sangat langka memperoleh bobot lebih kecil sehingga hasil akhir tetap akurat dan tidak bias.
Algoritma DeepReach, DeepProp, dan Certified Evaluation
Penelitian ini juga menghasilkan berbagai algoritma penting, seperti DeepReach, DeepProp, dan Certified Evaluation.
Ketiga algoritma tersebut mampu mempercepat proses evaluasi hingga ratusan kali dibandingkan simulasi konvensional. Dengan percepatan ini, proses pengembangan kendaraan otonom menjadi lebih efisien sekaligus tetap menjaga standar keselamatan.
Penerapan AI Tidak Hanya untuk Kendaraan Otonom
Menariknya, metode evaluasi yang dikembangkan tidak berhenti pada industri otomotif.
Pertambangan Berkelanjutan
AI dimanfaatkan untuk membantu pengambilan keputusan dalam eksplorasi mineral secara lebih aman. Sistem dapat memperkirakan berbagai risiko sehingga dampak lingkungan, termasuk potensi gangguan geologi, dapat diminimalkan.
Dunia Kesehatan
Kolaborasi dengan peneliti Indonesia juga dilakukan untuk membantu menentukan strategi penanganan pasien stroke. AI berperan sebagai sistem pendukung keputusan sehingga tenaga medis memperoleh rekomendasi berbasis data.
Logistik dan Pertanian
Teknologi ini dimanfaatkan untuk mengoptimalkan distribusi hasil pertanian agar kualitas produk tetap terjaga selama perjalanan.
Selain itu, AI membantu menentukan lokasi strategis pembangunan stasiun pengisian kendaraan listrik berdasarkan pola mobilitas masyarakat.
Regulasi dan Hukum
Melalui kelompok riset IndoStealers, kajian juga dilakukan mengenai regulasi teknologi baru agar mampu menciptakan kebijakan yang lebih inklusif dan adaptif terhadap perkembangan AI.
Tantangan Besar pada Era Mixed Autonomy
Salah satu tantangan terbesar kendaraan otonom saat ini adalah fase mixed autonomy, yaitu kondisi ketika kendaraan otomatis harus berbagi jalan dengan kendaraan yang masih dikemudikan manusia.
Perilaku manusia sangat sulit diprediksi. Pengemudi dapat melanggar aturan, mengubah jalur secara mendadak, atau mengambil keputusan yang tidak rasional. Karena itu, AI harus mampu beradaptasi terhadap berbagai perilaku tersebut tanpa mengurangi aspek keselamatan.
AI Tidak Menghilangkan Manusia
Menurut Dr. Mansur, AI bukan bertujuan menghapus lapangan pekerjaan. Teknologi ini justru akan menggeser manusia menuju pekerjaan yang membutuhkan kreativitas, empati, komunikasi, dan kemampuan membangun hubungan antarmanusia.
Perubahan tersebut membutuhkan kesiapan sumber daya manusia melalui peningkatan kompetensi digital dan pembelajaran sepanjang hayat.
Pentingnya Etika dan Regulasi AI
Pesatnya perkembangan AI generatif, termasuk ChatGPT, menunjukkan bahwa teknologi berkembang lebih cepat dibandingkan regulasinya.
Karena itu diperlukan prinsip akuntabilitas pengguna, sistem pengamanan (safeguard), serta regulasi yang mampu memastikan AI tetap digunakan sesuai nilai kemanusiaan dan kepentingan publik.
Kolaborasi antara akademisi, pemerintah, industri, dan masyarakat menjadi fondasi penting agar inovasi AI dapat berkembang secara bertanggung jawab.
Kesimpulan
Penelitian Dr. Mansur menunjukkan bahwa evaluasi keselamatan kendaraan otonom tidak lagi dapat mengandalkan metode pengujian konvensional. Pendekatan berbasis machine learning, importance sampling, serta algoritma seperti DeepReach, DeepProp, dan Certified Evaluation mampu mempercepat proses evaluasi tanpa mengurangi tingkat akurasi. Lebih dari itu, inovasi tersebut telah memberikan manfaat pada sektor kesehatan, pertambangan, logistik, hingga regulasi. Ke depan, pengembangan AI memerlukan kolaborasi lintas disiplin, regulasi yang adaptif, dan komitmen bersama agar teknologi semakin aman, etis, serta memberikan manfaat nyata bagi masyarakat.
FAQ
- Apa tantangan terbesar dalam menguji kendaraan otonom? Tantangan utamanya adalah tingkat kegagalan yang sangat rendah sehingga diperlukan jutaan simulasi untuk menemukan satu kesalahan.
- Apa fungsi importance sampling dalam evaluasi AI? Importance sampling menjaga hasil pengujian tetap akurat dengan memberikan bobot statistik sesuai frekuensi kejadian di dunia nyata.
- Apa keunggulan algoritma DeepReach dan DeepProp? Algoritma tersebut mampu mempercepat evaluasi keselamatan AI hingga ratusan kali dibandingkan metode simulasi konvensional.
- Apakah teknologi ini hanya digunakan pada kendaraan otonom? Tidak. Metode tersebut juga diterapkan pada bidang kesehatan, pertambangan, logistik, pertanian, dan kajian regulasi teknologi.
- Apa pesan utama Dr. Mansur bagi akademisi Indonesia? Akademisi didorong untuk mempelajari AI secara interdisipliner dan aktif membangun kolaborasi agar inovasi teknologi memberikan manfaat yang lebih luas.
Sumber : https://www.youtube.com/live/IfrWiRzfLAg?si=uN0idAsDWQK1mRjx
