Mimpi untuk memiliki AI yang kuat seperti ChatGPT langsung di kalkulator TI-84 Plus CE Python Anda tentunya sangat menggoda. Bayangkan menghadapi masalah matematika yang kompleks, menghasilkan potongan kode, atau bahkan hanya memiliki mitra percakapan yang canggih tepat di saku Anda, dapat diakses selama ujian atau sesi belajar larut malam. Namun, kenyataan dari penerapan prestasi semacam itu jauh lebih rumit daripada yang mungkin terlihat pada awalnya. TI-84 Plus CE Python, sementara merupakan kalkulator yang mampu untuk tujuan yang dimaksudkan, menghadapi beberapa keterbatasan kritis yang membuat pemindahan langsung ChatGPT pada dasarnya tidak mungkin. Keterbatasan ini berasal dari perangkat keras kalkulator, batasan memori, daya pemrosesan, dan kompleksitas yang melekat pada model bahasa besar (LLM) seperti ChatGPT. Kami akan menjelajahi tantangan ini secara rinci, memeriksa potensi (meskipun terbatas) solusi alternatif, dan akhirnya menilai kelayakan untuk mencapai tujuan ambisius ini. Penjelajahan ini akan melibatkan pemahaman tentang arsitektur LLM, keterbatasan TI-84 Plus CE Python, dan hambatan konektivitas jaringan yang mungkin ada.
Anakin AI
Hambatan paling signifikan untuk menjalankan ChatGPT langsung di TI-84 Plus CE Python adalah perangkat keras kalkulator. Prosesor di TI-84 Plus CE Python adalah prosesor berbasis Z80. Kecepatan jam relatif lambat dibandingkan dengan komputer modern atau bahkan smartphone, yang dibangun untuk menangani perhitungan kompleks. Menjalankan LLM seperti ChatGPT memerlukan daya komputasi yang besar, terutama selama inferensi (menghasilkan respons). Prosesor akan kesulitan melakukan perkalian matriks dan perhitungan kompleks lainnya yang diperlukan untuk ChatGPT dapat menghasilkan bahkan respons sederhana dalam rentang waktu yang wajar.
Selanjutnya, memori terbatas yang tersedia di TI-84 Plus CE Python adalah hambatan penting. ChatGPT, dalam keseluruhan, adalah model yang sangat besar dengan miliar parameter. Parameter ini, yang mewakili bobot dan bias yang dipelajari dari jaringan saraf, mengkonsumsi sejumlah besar ruang penyimpanan. TI-84 Plus CE Python hanya memiliki beberapa megabyte RAM, jauh lebih sedikit daripada yang diperlukan untuk memuat bahkan versi yang jauh lebih kecil dari ChatGPT. Bahkan jika Anda bisa entah bagaimana memampatkan model, RAM tidak akan cukup untuk menyimpan data yang diperlukan untuk pemrosesan selama inferensi. Memori terbatas ini tidak hanya membatasi ukuran model tetapi juga sangat menghambat kinerja runtime.
Akhirnya, sistem operasi dan lingkungan perangkat lunak TI-84 Plus CE Python tidak dirancang untuk menjalankan model AI berskala besar. Meskipun kalkulator mendukung Python, pustaka dan kerangka kerja yang tersedia terbatas dibandingkan dengan ekosistem yang tangguh yang ditemukan di komputer desktop yang didedikasikan untuk pembelajaran mesin. Oleh karena itu, tidak mungkin untuk memuat seluruh model ChatGPT ke dalam TI-84.
Sementara pemindahan lengkap ChatGPT tidak mungkin, seseorang dapat menjelajahi beberapa solusi alternatif untuk mencapai bentuk fungsionalitas mirip AI yang sangat terbatas di kalkulator. Misalnya, Anda bisa mencoba membuat chatbot kecil yang berbasis aturan yang merespons kata kunci atau frasa tertentu. Pendekatan ini tidak melibatkan LLM yang sebenarnya, tetapi lebih kepada sekumpulan aturan dan respons yang telah ditentukan sebelumnya.
Contohnya, Anda bisa menulis skrip Python yang mencari kata kunci tertentu dalam input pengguna dan kemudian mengeluarkan respons yang sesuai. Jika pengguna mengetik "hitung turunan," skrip bisa meminta mereka untuk memasukkan ekspresi dan kemudian menggunakan fungsi diferensiasi simbolik bawaan (jika tersedia) untuk menghitung turunannya. Pendekatan rudimenter ini meniru beberapa aspek fungsi ChatGPT, tetapi pada akhirnya dibatasi oleh aturan yang telah ditentukan sebelumnya. Chatbot hanya dapat menjawab pertanyaan di dalam kodenya dan tidak digeneralisasi untuk setiap topik.
Pendekatan lain adalah memanfaatkan sumber daya eksternal melalui panggilan API. Metode ini melibatkan menghubungkan TI-84 Plus CE Python ke server eksternal yang menjalankan model bahasa yang lebih besar. Alih-alih menjalankan ChatGPT langsung di kalkulator, TI-84 Plus CE Python akan mengirim input pengguna ke server, yang kemudian memproses input dan mengirimkan kembali respons. Pendekatan ini membuat kalkulator bergantung pada server eksternal yang menjalankan LLM. Pengguna hanya dapat menghasilkan output jika terhubung ke server.
Penggunaan API untuk berinteraksi dengan layanan AI eksternal merupakan pendekatan yang lebih menjanjikan, tetapi tetap menantang. Banyak organisasi menawarkan API yang memungkinkan pengembang mengakses model AI yang telah dilatih sebelumnya, termasuk model bahasa. Anda bisa menulis skrip Python di TI-84 Plus CE Python yang mengirimkan prompt teks ke API seperti OpenAI atau API model bahasa Google. API akan memproses prompt dan mengembalikan respons, yang kemudian akan ditampilkan di layar kalkulator Anda.
Namun, pendekatan ini memerlukan koneksi internet aktif untuk TI-84 Plus CE Python, yang tidak tersedia dengan mudah. Anda perlu menghubungkan kalkulator ke smartphone atau menggunakan adaptor Wi-Fi yang mendukung pemrograman Python. Selain itu, berinteraksi dengan API biasanya memerlukan autentikasi dan melibatkan penanganan data JSON, yang dapat merepotkan pada perangkat dengan daya pemrosesan terbatas.
Pertimbangan lain adalah biaya. Meskipun dengan kunci API gratis untuk eksperimen, setelah batas tertentu, API ini umumnya tidak gratis, dan Anda perlu membeli penggunaan API berdasarkan jumlah permintaan atau jumlah data yang diproses. Misalnya, jika Anda sering mengirimkan prompt ke API, Anda mungkin akan menanggung biaya yang signifikan. Oleh karena itu, pendekatan ini dapat dicoba untuk eksperimen tetapi mungkin tidak praktis untuk penggunaan sehari-hari.
Meskipun tantangan praktisnya besar, penting juga untuk mempertimbangkan implikasi etis dari menjalankan AI, bahkan dalam bentuk terbatas, pada perangkat seperti TI-84 Plus CE Python. Model AI, terutama model bahasa besar, bisa rentan terhadap bias dan dapat menghasilkan konten yang tidak pantas. Jika Anda menggunakan API untuk mengakses layanan AI eksternal, Anda bergantung pada penyedia layanan untuk mengurangi risiko ini. Namun, jika Anda membuat chatbot berbasis aturan sendiri, Anda perlu menyadari potensi konsekuensi yang tidak diinginkan.
Misalnya, jika chatbot Anda dirancang untuk memberikan nasihat tentang masalah matematika, itu bisa menghasilkan solusi yang salah atau menyesatkan. Demikian juga, jika chatbot digunakan untuk tujuan pendidikan, penting untuk memastikan bahwa konten akurat dan tidak bias. Anda juga harus transparan dengan pengguna tentang keterbatasan AI dan secara jelas menyampaikan bahwa itu bukan pengganti untuk keahlian manusia.
Aspek etis lainnya adalah privasi data. Jika skrip Anda mengumpulkan input pengguna dan mengirimkannya ke server eksternal, Anda harus memastikan bahwa data ditangani dengan aman dan bahwa Anda mematuhi semua regulasi privasi yang berlaku. Anda juga harus menginformasikan pengguna tentang bagaimana data mereka digunakan dan memberi mereka opsi untuk menolak. Pengembangan AI yang bertanggung jawab melibatkan mempertimbangkan dengan cermat implikasi etis ini dan mengambil langkah-langkah untuk mengurangi risiko potensial.
Mari kita dalami cara mengatur koneksi jarak jauh. Meskipun sulit, itu bukanlah hal yang mustahil. Tujuan utamanya adalah menggunakan kalkulator sebagai perangkat relay untuk menghubungi sistem yang menjalankan LLM. Anggaplah kita memiliki server cloud yang menjalankan Flask yang menangani permintaan API untuk berkomunikasi dengan API ChatGPT.
Siapkan server dengan Flask. Anda akan memerlukan server cloud untuk menjalankannya. AWS (instans EC2), Google Cloud, atau server cloud lainnya bisa digunakan. Gunakan Python Flask untuk membuat API sederhana yang berkomunikasi secara internal dengan API ChatGPT.
Instal paket Python requests. Ini harus dilakukan di server cloud.
pip install requests
Buat titik akhir API di Flask
from flask import Flask, request, jsonify
import requests # untuk mendapatkan data dari ChatGPT
app = Flask(__name__)
@app.route('/ask', methods=['POST'])
def ask_chatgpt():
data = request.get_json()
prompt = data['prompt']
# Ganti dengan kunci API OpenAI Anda yang sebenarnya
openai_api_key = 'YOUR_OPENAI_API_KEY'
url = 'https://api.openai.com/v1/completions'
headers = {
'Content-Type': 'application/json',
'Authorization': f'Bearer {openai_api_key}'
}
payload = {
'model': 'text-davinci-003', # atau model pilihan Anda
'prompt': prompt,
'max_tokens': 150 # Sesuaikan sesuai kebutuhan
}
try:
response = requests.post(url, headers=headers, json=payload)
response.raise_for_status() # Menaikkan HTTPError untuk respons yang buruk (4xx atau 5xx)
json_response = response.json()
answer = json_response['choices'][0]['text'].strip()
print(answer)
return jsonify({'answer': answer})
except requests.exceptions.RequestException as e:
return jsonify({'error': str(e)}), 500
if __name__ == '__main__':
app.run(debug=True, host='0.0.0.0', port=5000)
Skrip TI-84 Python
import requests
def ask_chatgpt(prompt):
api_url = "YOUR_API_ENDPOINT" # Ganti dengan URL server Flask Anda
headers = {'Content-Type': 'application/json'}
data = {'prompt': prompt}
try:
response = requests.post(api_url, headers=headers, json=data)
response.raise_for_status() # Menaikkan HTTPError untuk respons yang buruk
json_response = response.json()
answer = json_response['answer']
return answer
except requests.exceptions.RequestException as e:
return f"Error: {str(e)}"
# Contoh penggunaan
user_prompt = input("Tanya ChatGPT: ")
response = ask_chatgpt(user_prompt)
print(f"Respons ChatGPT: {response}")
Menjalankan TI-84 Anda harus mencari tahu sendiri bagaimana memuat kode ke TI-84. Ada banyak sumber daya online.
Pendekatan ini tergantung pada kemampuan Python TI-84 untuk menggunakan requests sehingga dapat terhubung ke API. Juga pastikan untuk memeriksa apakah TI-84 terhubung ke internet melalui WIFI.
Sementara menjalankan ChatGPT sepenuhnya di TI-84 Plus CE Python mungkin tetap tidak praktis di masa mendatang, kemajuan di bidang AI edge bisa jadi menjembatani kesenjangan. AI edge mengacu pada penerapan model AI di perangkat edge, seperti smartphone, sistem terembed, dan bahkan kalkulator yang lebih canggih. Tujuannya adalah untuk melakukan pemrosesan AI secara lokal, tanpa mengandalkan server cloud, yang dapat mengurangi latensi, meningkatkan privasi, dan memungkinkan fungsionalitas offline.
Seiring teknologi AI edge berkembang, kita mungkin akan melihat pengembangan model AI yang lebih efisien dan terkompresi yang dapat berjalan di perangkat dengan sumber daya terbatas. Misalnya, teknik seperti kuantisasi model, pemangkasan, dan distilasi pengetahuan dapat mengurangi ukuran dan kompleksitas model AI tanpa mengorbankan akurasi secara signifikan. Selain itu, kemajuan dalam akselerator perangkat keras, seperti unit pemrosesan saraf (NPU), dapat memungkinkan perangkat edge untuk melakukan perhitungan AI lebih efisien. Apakah kita bisa benar-benar melakukannya di TI-84 tidaklah pasti.
