01
Yayasan AI
Understand what AI is, how systems learn, where they fail, and how to judge claims without hype.
Perpustakaan AI gratis
Teknis panduanGratis selamanya.
177 panduan berbahasa Inggris sederhana, jalur pembelajaran terstruktur, dan perpustakaan terbuka — dibuat oleh lembaga nonprofit 501(c)(3) independen sehingga siapa pun dapat memahami AI modern.
177Panduan gratis
1Trek topik
~2 minSesuai panduan
~6hReading time
Mulai di sini
Five outcome-based courses
Each course includes explicit outcomes, mapped competencies, practice activities, and an applied capstone.
02
Pengguna AI yang bertanggung jawab
Use AI productively while protecting privacy, checking outputs, and preserving human accountability.
03
AI di Tempat Kerja
Evaluate workplace use cases, run safe pilots, measure value, and communicate changes responsibly.
04
Kebijakan & Masyarakat AI
Analyze AI systems through rights, equity, governance, safety, and public-interest outcomes.
05
Membangun dengan Sistem AI
Understand language models, retrieval, agents, evaluation, cost, and deployment safeguards through practical system design.
Trek topik
Jelajahi berdasarkan trek
Lompatlah ke area yang Anda minati. Setiap trek memiliki beberapa panduan berbahasa Inggris.
Dasar-dasarKonsep inti: cara kerja AI pada tingkat tinggi.84 panduan Bahasa AILLM, NLP, ChatGPT, bisikan, dan pemahaman teks.155 panduan AI visualPembuatan gambar, visi komputer, video, dan desain.133 panduan Audio AISuara, musik, podcasting, dan AI yang mengutamakan audio.117 panduan PerusahaanProfil OpenAI, Anthropic, Google, Meta, dan banyak lagi.121 panduan AplikasiBagaimana AI muncul dalam coding, pencarian, agen, dan kehidupan sehari-hari.111 panduan IndustriAI di bidang kesehatan, keuangan, pendidikan, energi, dan banyak lagi.91 panduan TeknisChip, fine-tuning, RAG, vektor, dan infrastruktur AI.177 panduan MasyarakatBias, privasi, hak cipta, keamanan, dan masa depan AI.30 panduan
Perpustakaan lengkap
Semua panduan
177 dari 1019 panduan yang ditampilkan. Filter berdasarkan trek atau cari di atas.
Teknis
Penyajian Pra-Pengisian dan Dekode Terpilah
Arsitektur penyajian yang membagi inferensi model bahasa besar menjadi dua fase terpisah—pengisian awal dan dekode—dan menjalankannya pada kumpulan GPU yang berbeda.
TeknisPerutean Inferensi LLM dan Penyeimbangan Beban
Lapisan kontrol yang memutuskan replika model, GPU, atau backend mana yang harus menangani setiap permintaan LLM yang masuk, dan cara menyebarkan lalu lintas sehingga tidak ada satu server pun yang…
TeknisParalelisme Tensor untuk Model Besar
Cara untuk membagi perhitungan di dalam satu lapisan jaringan saraf di beberapa GPU sehingga model yang terlalu besar untuk satu perangkat tetap dapat berjalan.
TeknisRefleksi Diri di Agent Loops
Refleksi diri memungkinkan agen AI mengkritik keluaran dan tindakannya sendiri di tengah tugas, lalu merevisi berdasarkan kritik tersebut.
TeknisPenalaran Pohon Pikiran
Tree-of-Thoughts memungkinkan model mengeksplorasi banyak jalur penalaran secara paralel, seperti cabang pohon, alih-alih hanya terpaku pada satu jalur pemikiran.
TeknisPenalaran Grafik Pemikiran
Graph-of-Thoughts memodelkan penalaran sebagai jaringan tempat pemikiran dapat bergabung, berputar, dan terhubung secara bebas, bukan hanya bercabang.
TeknisKetidakseimbangan Kelas dan Pengambilan Sampel Ulang
Ketidakseimbangan kelas terjadi ketika satu hasil melebihi hasil lainnya — seperti 99,9% transaksi sah versus 0.
TeknisPembuat enkode otomatis
Autoencoder adalah jaringan saraf yang belajar mengompresi data menjadi kode ringkas dan kemudian merekonstruksinya, memaksa jaringan untuk hanya menangkap sebagian besar…
TeknisJaringan Siam dan Kerugian Triplet
Jaringan siam menggunakan dua atau lebih cabang yang identik dan berbagi bobot untuk mempelajari kemiripan dua masukan, alih-alih mengklasifikasikan masing-masing masukan.
TeknisPembelajaran Multi-Tugas
Pembelajaran multi-tugas melatih satu model untuk melakukan beberapa tugas terkait sekaligus, berbagi representasi internal di seluruh tugas tersebut.
TeknisPrediksi Konformal
Prediksi konformal membungkus model apa pun untuk menghasilkan keluaran himpunan atau interval yang dijamin berisi jawaban sebenarnya dengan probabilitas yang dipilih, misalnya 90%.
TeknisKalibrasi Probabilitas
Kalibrasi berarti probabilitas yang dinyatakan oleh suatu model sesuai dengan kenyataan: ketika dikatakan 70%, kejadian tersebut seharusnya terjadi sekitar 70% dari keseluruhan waktu.
Finished reading? Prove it.
Check what you learned with topic quizzes, then explore our structured courses and current certification requirements. Core guides remain free to read.