Google Harness2, Tingkatkan Performa AI Tanpa Retraining
Pelitadigital.id – Google Research memperkenalkan Harness2, kerangka kerja open-source yang dirancang untuk meningkatkan kemampuan agen kecerdasan buatan (AI) tanpa harus mengubah parameter internal model dasar. Pendekatan ini membuka peluang bagi pengembang untuk mengoptimalkan kinerja AI melalui pengelolaan instruksi, memori, penggunaan alat, dan lingkungan eksekusi.
Kehadiran Google Harness2 menjadi perhatian dalam pengembangan AI karena peningkatan kemampuan sistem tidak selalu harus dilakukan melalui pelatihan ulang atau retraining. Dengan mengoptimalkan komponen yang mengelilingi model, pengembang dapat membantu agen AI menangani instruksi baru dan menyelesaikan pekerjaan kompleks secara lebih efektif.
Kerangka kerja ini dirilis sebagai proyek open-source dengan lisensi Apache 2.0. Lisensi tersebut memungkinkan pengembang mempelajari, menggunakan, memodifikasi, dan mendistribusikan perangkat lunak sesuai ketentuan lisensinya.
Mengenal Google Harness2 dan Pendekatan Adaptasi AI
Dalam pengembangan kecerdasan buatan, peningkatan performa biasanya berkaitan dengan penyempurnaan model, penambahan data pelatihan, atau penyesuaian parameter. Namun, pendekatan tersebut dapat membutuhkan sumber daya komputasi, waktu, dan biaya yang tidak sedikit.
Google Harness2 menawarkan pendekatan berbeda dengan menitikberatkan pada sistem yang mengatur cara model bekerja. Model bahasa tetap menjadi inti pemrosesan, sedangkan komponen pendukungnya dapat disesuaikan untuk membantu penyelesaian tugas tertentu.
Pendekatan ini penting dalam pengembangan agen AI yang tidak hanya bertugas menghasilkan teks, tetapi juga mampu menggunakan perangkat lunak, mengakses informasi, menjalankan instruksi, serta menyelesaikan rangkaian pekerjaan.
Delapan Komponen yang Mengatur Kinerja Agen AI
Salah satu aspek utama Google Harness2 adalah kemampuannya mengelola delapan elemen yang membentuk lingkungan kerja agen AI. Setiap elemen memiliki fungsi berbeda, tetapi semuanya saling berkaitan dalam menentukan bagaimana model memahami konteks dan menjalankan tugas.
Berikut delapan komponen yang menjadi bagian dari pendekatan tersebut.
1. Petunjuk Sistem untuk Mengarahkan Perilaku AI
Petunjuk sistem atau system prompt berfungsi menetapkan peran, tujuan, batasan, serta pola respons yang diharapkan dari agen AI.
Pengaturan instruksi yang tepat dapat membantu model memahami prioritas pekerjaan dan mengurangi kesalahan akibat konteks yang kurang jelas. Melalui Harness2, bagian ini menjadi salah satu elemen yang dapat dievaluasi untuk menemukan konfigurasi yang lebih sesuai dengan kebutuhan tugas.
2. Filter Keamanan untuk Membatasi Risiko
Filter keamanan berperan mengendalikan tindakan dan keluaran agen agar tetap berada dalam batas yang ditentukan.
Komponen ini penting ketika AI digunakan untuk pekerjaan profesional yang melibatkan informasi sensitif, sistem internal, atau akses ke layanan eksternal. Pengoptimalan kinerja tetap perlu mempertimbangkan keamanan agar peningkatan kemampuan tidak mengorbankan perlindungan sistem.
3. Memori untuk Memanfaatkan Pengalaman Sebelumnya
Memori membantu agen mempertahankan informasi yang relevan dari pengalaman atau proses sebelumnya.
Dalam Harness2, repositori pengalaman jangka panjang digunakan untuk menyimpan pembelajaran dari berbagai instruksi. Informasi tersebut dapat menjadi referensi ketika sistem menghadapi tugas berikutnya, sehingga tidak harus selalu memulai proses pencarian solusi dari awal.
4. Petunjuk Alat untuk Meningkatkan Ketepatan Eksekusi
Agen AI dapat menggunakan beragam alat untuk menyelesaikan pekerjaan, mulai dari menjalankan kode hingga berinteraksi dengan aplikasi tertentu.
Petunjuk penggunaan alat membantu model menentukan kapan suatu perangkat diperlukan dan bagaimana memanfaatkannya. Pengaturan yang lebih baik berpotensi mengurangi langkah yang tidak diperlukan sekaligus meningkatkan ketepatan pelaksanaan instruksi.
5. Sub-Agen untuk Membagi Pekerjaan Kompleks
Sub-agen memungkinkan pekerjaan tertentu dibagi menjadi beberapa bagian yang lebih terarah.
Sebagai contoh, tugas analisis dapat melibatkan proses pengumpulan informasi, pemeriksaan data, dan penyusunan hasil. Pembagian tersebut dapat membantu pengelolaan pekerjaan yang kompleks, terutama ketika beberapa proses dapat dijalankan secara terpisah.
6. Kapabilitas Khusus untuk Kebutuhan Domain Tertentu
Tidak semua pekerjaan membutuhkan kemampuan yang sama. Tugas pemrograman, analisis hukum, dan pengolahan dokumen memiliki karakteristik serta persyaratan berbeda.
Komponen kapabilitas khusus memungkinkan lingkungan agen disesuaikan dengan kebutuhan domain tertentu. Dengan konfigurasi yang sesuai, agen dapat menggunakan pendekatan kerja yang lebih relevan terhadap jenis pekerjaan yang sedang ditangani.
7. Skrip untuk Mendukung Otomatisasi
Skrip membantu agen menjalankan serangkaian tindakan secara terstruktur. Penggunaan skrip dapat mengurangi kebutuhan untuk mengulang instruksi manual pada pekerjaan yang memiliki pola serupa.
Dalam lingkungan pengembangan perangkat lunak, misalnya, skrip dapat mendukung pemeriksaan, pengolahan data, atau pelaksanaan prosedur tertentu sesuai izin yang diberikan.
Cara Kerja Rekursi Ganda pada Google Harness2
Google Harness2 menggunakan pendekatan rekursif dalam proses penyempurnaan sistem. Secara umum, rekursi memungkinkan hasil dari suatu tahap digunakan kembali sebagai masukan untuk tahap berikutnya.
Pada kerangka kerja ini, pendekatan tersebut diterapkan melalui dua tingkatan, yakni rekursi pada level tugas dan rekursi pada level harness. Keduanya memiliki peran berbeda, tetapi saling mendukung dalam proses adaptasi agen AI.
Rekursi Level Tugas untuk Menguji Berbagai Strategi
Pada tingkat tugas, sistem menjalankan proses perbaikan yang mencakup pengajuan kandidat, pengujian, dan penggabungan komponen.
Berbagai konfigurasi dapat dicoba untuk menemukan pendekatan yang menghasilkan performa lebih baik. Sistem kemudian mengevaluasi hasilnya berdasarkan kebutuhan tugas dan menentukan kandidat yang layak dipertahankan.
Rekursi Level Harness untuk Menyimpan Pembelajaran
Pada tingkat harness, sistem berfokus pada pengalaman yang diperoleh selama pelaksanaan berbagai tugas.
Pembelajaran yang dianggap penting disimpan dalam repositori pengalaman jangka panjang. Catatan tersebut kemudian dapat digunakan sebagai referensi untuk mengarahkan proses penyempurnaan ketika agen menghadapi instruksi lain.
Pendekatan ini memungkinkan pengalaman dari tugas sebelumnya memberikan manfaat bagi pekerjaan berikutnya. Kesalahan yang pernah ditemukan juga dapat menjadi bahan evaluasi untuk mengurangi kemungkinan terulangnya masalah serupa.
Mendukung Eksekusi Paralel dan Berurutan
Harness2 juga mendukung dua pola eksekusi, yaitu proses paralel dan proses berurutan.
Eksekusi paralel memungkinkan sejumlah kandidat atau strategi dieksplorasi secara bersamaan. Pola ini berguna ketika pengembang ingin memperluas pencarian alternatif dalam waktu yang relatif singkat, selama sumber daya komputasi mencukupi.
Sebaliknya, eksekusi berurutan memungkinkan proses penyempurnaan dilakukan secara bertahap. Hasil dari satu tahap dapat menjadi dasar untuk menentukan langkah berikutnya, sehingga eksplorasi dapat berlangsung lebih mendalam.
Kombinasi kedua pola tersebut memberikan fleksibilitas dalam menyesuaikan strategi pengujian dengan kompleksitas pekerjaan dan sumber daya yang tersedia.
Baca juga:
