Cara Kerja ChatGPT dan Large Language Model: Dari Training hingga Conversasi

Tentu, ini draf artikel lengkap tentang cara kerja ChatGPT dan Large Language Model:

---

Pernahkah Anda bertanya-tanya, bagaimana sebuah program komputer bisa memahami pertanyaan Anda, bahkan yang paling kompleks sekalipun, lalu menjawabnya dengan begitu lancar dan relevan, seolah sedang berbicara dengan seorang teman? Fenomena ini bukan lagi fiksi ilmiah, melainkan realitas yang kita alami bersama melalui kehadiran ChatGPT. Sejak kemunculannya, ChatGPT telah merevolusi cara kita berinteraksi dengan teknologi, membuka mata kita akan potensi luar biasa dari kecerdasan buatan. Namun, di balik kemampuan ajaibnya, tersembunyi sebuah arsitektur kompleks yang disebut Large Language Model (LLM). Bagaimana sebenarnya cara kerja ChatGPT dan model bahasa besar lainnya, dari proses pelatihan yang masif hingga akhirnya mampu bercakap-cakap dengan kita secara natural? Mari kita selami lebih dalam misteri di balik teknologi yang sedang mengubah dunia ini.

Revolusi ChatGPT yang Mengubah Dunia

Kemunculan ChatGPT pada akhir tahun 2022 bagai meteor yang melesat di langit teknologi. Dalam hitungan minggu, jutaan orang di seluruh dunia berbondong-bondong mencobanya, terpukau dengan kemampuannya menghasilkan teks, menulis kode, meringkas informasi, bahkan menciptakan puisi. Dampaknya terasa di berbagai sektor, mulai dari pendidikan, bisnis, hingga industri kreatif. Mahasiswa menggunakannya untuk riset, marketer untuk ide konten, dan programmer untuk debugging.

Namun, di tengah euforia, muncul pula pertanyaan mendasar: apakah ini sekadar "trik" pemrograman canggih ataukah sebuah lompatan besar dalam kecerdasan buatan? Kunci untuk memahami fenomena ini terletak pada pemahaman tentang Large Language Model, arsitektur AI yang menjadi otak di balik ChatGPT. Kemampuannya bukan semata-mata meniru, melainkan memprediksi, menggenerasi, dan mengolah informasi dengan cara yang sebelumnya sulit dibayangkan oleh mesin. Ini bukan lagi tentang sekadar menjawab pertanyaan berdasarkan database, melainkan "memahami" konteks dan menghasilkan respons yang koheren dan kontekstual.

Apa Itu Large Language Model (LLM)?

Bayangkan sebuah perpustakaan raksasa yang tidak hanya menyimpan buku, tetapi juga telah "membaca" dan "memahami" setiap kata, kalimat, dan paragraf di dalamnya. Bukan itu saja, perpustakaan ini juga telah mengenali pola-pola bahasa, hubungan antar kata, dan bahkan nuansa emosi dari jutaan tulisan. Itulah analogi sederhana untuk Large Language Model (LLM).

Secara teknis, LLM adalah jenis model kecerdasan buatan yang dirancang untuk memproses dan memahami bahasa manusia dalam skala yang sangat besar. Model ini dibangun menggunakan arsitektur deep learning, khususnya transformer architecture, yang memungkinkan mereka memproses urutan data (seperti kata-kata dalam kalimat) secara paralel dan efisien. Fokus utama LLM adalah memprediksi kata berikutnya dalam sebuah urutan, berdasarkan miliaran contoh teks yang telah mereka pelajari. Semakin banyak data yang mereka latih, semakin baik mereka dalam memahami tata bahasa, sintaksis, semantik, bahkan pragmatik bahasa.

Mengapa Disebut "Large" (Besar)?

Kata "Large" pada LLM merujuk pada beberapa aspek: Ukuran Data Pelatihan: LLM dilatih dengan dataset* teks yang sangat besar, seringkali mencakup miliaran bahkan triliunan kata dari internet (buku, artikel, website, forum, dll.). Contohnya, GPT-3 dilatih dengan sekitar 45 TB data teks. * Jumlah Parameter: LLM memiliki miliaran hingga triliunan parameter. Parameter ini adalah "penyesuaian" internal dalam model yang dioptimalkan selama proses pelatihan. Semakin banyak parameter, semakin kompleks pola yang bisa dipelajari model dan semakin canggih kemampuannya. GPT-3, misalnya, memiliki 175 miliar parameter. Skala Komputasi: Untuk melatih model sebesar ini, dibutuhkan daya komputasi yang sangat besar dan infrastruktur hardware* yang canggih, seperti ribuan GPU (Graphics Processing Unit) yang bekerja secara bersamaan selama berminggu-minggu atau berbulan-bulan.

Proses Training: Dari Data hingga Model

Cara kerja ChatGPT dan LLM lainnya dimulai dari sebuah proses yang sangat intensif: pelatihan. Anggaplah proses ini seperti anak kecil yang belajar berbicara dan memahami dunia, namun dalam skala yang jauh lebih masif dan cepat.

Tahap 1: Pre-training (Pelatihan Awal)

Ini adalah fase paling fundamental. Model diberikan corpus (kumpulan teks) yang sangat luas dari internet, seperti Wikipedia, buku digital, artikel berita, forum diskusi, dan berbagai situs web. Pada tahap ini, tujuan utamanya adalah agar model belajar: * Tata Bahasa dan Sintaksis: Bagaimana kata-kata disusun menjadi kalimat yang benar. * Semantik: Makna dari kata-kata dan frasa. * Pengetahuan Umum: Berbagai fakta dan informasi yang terkandung dalam teks. * Pola Bahasa: Bagaimana kata-kata sering muncul bersamaan (kolokasi), dan bagaimana konteks memengaruhi makna.

Dalam fase pre-training, LLM diajarkan dengan tugas-tugas seperti: * Masked Language Modeling (MLM): Model diminta untuk memprediksi kata yang "disembunyikan" (di-masking) dalam sebuah kalimat. Contoh: "Bunga mawar berwarna [MASK]." Model harus memprediksi "merah", "putih", dll. * Next Sentence Prediction (NSP): Model harus memprediksi apakah dua kalimat berurutan memiliki hubungan logis atau tidak.

Proses ini dilakukan secara unsupervised learning, artinya tidak ada manusia yang secara eksplisit "melabeli" data. Model belajar sendiri dari pola-pola dalam data.

Tahap 2: Fine-tuning (Penyempurnaan)

Setelah pre-training yang masif, model memiliki pemahaman bahasa yang luas. Namun, ia mungkin belum optimal untuk tugas-tugas spesifik atau untuk berinteraksi secara percakapan. Di sinilah fine-tuning berperan, terutama untuk model seperti ChatGPT.

Untuk ChatGPT, fine-tuning dilakukan dengan metode yang disebut Reinforcement Learning from Human Feedback (RLHF). Proses ini melibatkan: 1. Data Demonstrasi: Sekelompok pelatih manusia (annotator) menuliskan percakapan ideal antara pengguna dan asisten AI. Mereka memberikan contoh bagaimana AI harus merespons berbagai jenis pertanyaan dan instruksi. Ini membantu model belajar gaya percakapan yang diinginkan, seperti bersikap membantu, informatif, dan tidak berbahaya. 2. Perbandingan Respons: Model menghasilkan beberapa respons untuk suatu prompt. Pelatih manusia kemudian memberi peringkat respons mana yang terbaik, mana yang kurang baik, dan seterusnya. Ini melatih "model reward" yang akan mengevaluasi kualitas respons. 3. Reinforcement Learning: Model utama kemudian dilatih menggunakan algoritma reinforcement learning, dengan model reward sebagai panduan. Tujuannya adalah agar model menghasilkan respons yang mendapatkan skor tinggi dari model reward, yang pada gilirannya mencerminkan preferensi manusia.

Melalui RLHF, ChatGPT tidak hanya belajar bahasa, tetapi juga belajar untuk menjadi asisten AI yang bermanfaat, jujur, dan tidak berbahaya, sesuai dengan nilai-nilai yang ditanamkan oleh manusia.

Token, Parameter, dan Cara LLM Memahami Bahasa

Untuk memahami bagaimana LLM memproses informasi, kita perlu mengenal dua konsep kunci: token dan parameter.

Token: Blok Bangunan Bahasa Digital

Ketika kita mengetik "cara kerja ChatGPT", komputer tidak melihatnya sebagai empat kata. Sebaliknya, teks tersebut dipecah menjadi unit-unit yang lebih kecil yang disebut token. Token bisa berupa kata, bagian dari kata, angka, atau tanda baca.

* Contoh: "cara kerja ChatGPT" mungkin dipecah menjadi token: "cara", "kerja", "Chat", "G", "PT". * "Universitas" bisa jadi "Uni", "vers", "itas".

Setiap token ini kemudian diubah menjadi representasi numerik (vektor) yang disebut embedding. Embedding ini menangkap makna dan hubungan kontekstual dari token tersebut. Token yang memiliki makna serupa atau sering muncul dalam konteks yang sama akan memiliki embedding yang "dekat" satu sama lain dalam ruang multidimensional. Ketika Anda memberikan prompt, LLM akan mengubah prompt tersebut menjadi urutan embedding token.

Parameter: Jaringan Saraf yang Belajar

Parameter adalah "penyesuaian" atau "berat" dalam jaringan saraf LLM. Bayangkan mereka sebagai miliaran sakelar kecil yang dapat disesuaikan. Selama pelatihan, model belajar bagaimana mengatur sakelar-sakelar ini untuk memprediksi token berikutnya dengan akurat.

Jaringan Saraf Transformer: LLM modern menggunakan arsitektur transformer, yang memiliki mekanisme "perhatian" (attention mechanism). Mekanisme ini memungkinkan model untuk menimbang pentingnya setiap token dalam input* saat memproses token lain. Ini krusial karena makna sebuah kata seringkali bergantung pada kata-kata di sekitarnya. Memprediksi Token Berikutnya: Ketika Anda memberikan prompt* "Apa cara kerja ChatGPT?", model akan memproses token-token ini. Berdasarkan miliaran pola yang telah dipelajari dari data pelatihan, ia akan memprediksi token mana yang paling mungkin muncul berikutnya, lalu token berikutnya lagi, dan seterusnya, hingga membentuk sebuah kalimat atau paragraf yang relevan. Proses ini berulang, memprediksi satu token pada satu waktu, hingga respons selesai.

Jadi, ketika kita mengatakan LLM "memahami" bahasa, sebenarnya ia tidak memiliki kesadaran seperti manusia. Ia adalah mesin prediksi statistik yang sangat canggih, yang telah belajar pola-pola bahasa dengan sangat mendalam sehingga responsnya terasa seperti pemahaman.

Mengapa ChatGPT Bisa Berbicara Natural?

Kemampuan ChatGPT menghasilkan percakapan yang natural dan koheren adalah salah satu daya tarik utamanya. Ada beberapa faktor yang berkontribusi pada hal ini:

* Skala Data dan Model: Dengan triliunan token data pelatihan dan miliaran parameter, ChatGPT telah terpapar pada hampir setiap gaya penulisan dan percakapan yang ada di internet. Ini memberinya basis data yang tak tertandingi untuk memahami nuansa bahasa. Arsitektur Transformer: Mekanisme attention dalam arsitektur transformer* memungkinkan model untuk mempertimbangkan seluruh konteks kalimat (bukan hanya kata-kata terdekat) saat memprediksi kata berikutnya. Ini membantu menjaga konsistensi dan koherensi topik dalam percakapan yang panjang. * Reinforcement Learning from Human Feedback (RLHF): Seperti yang dijelaskan sebelumnya, RLHF adalah kunci utama. Dengan adanya umpan balik dari manusia, model tidak hanya belajar menghasilkan teks yang benar secara tata bahasa, tetapi juga teks yang: * Relevan: Menjawab pertanyaan sesuai konteks. * Membantu: Memberikan informasi yang berguna. * Aman: Menghindari konten berbahaya atau bias. * Koheren: Menjaga alur percakapan tetap logis. * Natural: Menggunakan gaya bahasa yang mendekati manusia. Kemampuan Generatif: ChatGPT bukan hanya mencari jawaban dari database. Ia menggenerasi respons baru berdasarkan pola yang telah dipelajari. Ini memungkinkannya untuk merangkai kalimat yang unik, kreatif, dan disesuaikan dengan prompt* pengguna, bukan sekadar menyalin informasi yang sudah ada. Memori Konteks (Context Window): Dalam sebuah percakapan, ChatGPT dapat "mengingat" percakapan sebelumnya dalam batas tertentu (disebut context window*). Ini memungkinkannya untuk membangun respons yang relevan dengan apa yang telah dibicarakan sebelumnya, membuat interaksi terasa lebih seperti percakapan sungguhan.

Kombinasi dari semua faktor ini menjadikan ChatGPT bukan sekadar chatbot, melainkan sebuah entitas AI yang mampu berinteraksi secara cerdas dan natural.

Limitasi dan Hallusinasi AI

Meskipun canggih, ChatGPT dan LLM lainnya tidak sempurna. Mereka memiliki keterbatasan inheren yang penting untuk dipahami. Salah satu fenomena paling menarik dan sekaligus problematis adalah "halusinasi" AI.

Apa Itu Hallusinasi AI?

Hallusinasi AI adalah ketika model menghasilkan informasi yang salah, tidak relevan, atau sepenuhnya dibuat-buat, namun disajikan dengan sangat percaya diri seolah-olah itu adalah fakta. Ini seperti seseorang yang berbicara dengan lancar dan meyakinkan, tetapi informasinya keliru.

* Contoh: Anda bertanya tentang peristiwa sejarah, dan ChatGPT memberikan tanggal, nama, dan detail yang terdengar masuk akal tetapi sebenarnya tidak pernah terjadi. * Penyebab: Hallusinasi dapat terjadi karena beberapa alasan: * Keterbatasan Data Pelatihan: Jika data pelatihan mengandung bias, informasi yang salah, atau tidak mencakup topik tertentu secara mendalam, model mungkin "mengisi kekosongan" dengan prediksi yang salah. * Pola Statistik: Model dilatih untuk memprediksi urutan kata yang paling mungkin secara statistik. Terkadang, urutan kata yang paling mungkin secara statistik tidak selalu akurat secara faktual. * Ketiadaan Pemahaman Sejati: LLM tidak "memahami" dunia seperti manusia. Mereka tidak memiliki akal sehat, kesadaran, atau kemampuan untuk memverifikasi fakta di dunia nyata. Mereka hanya memanipulasi simbol berdasarkan pola yang telah dipelajari. * Over-optimasi untuk Kelancaran: Model mungkin diprogram untuk menghasilkan respons yang lancar dan koheren, bahkan jika itu berarti mengorbankan akurasi.

Limitasi Lainnya:

Keterbatasan Pengetahuan: Pengetahuan LLM terbatas pada data pelatihan hingga tanggal tertentu. Mereka tidak memiliki akses real-time ke internet (kecuali diintegrasikan dengan tool* pencarian) dan tidak tahu peristiwa yang terjadi setelah data pelatihan mereka dikumpulkan. * Bias dalam Data: Jika data pelatihan mengandung bias sosial, rasisme, seksisme, atau pandangan sempit, model dapat mereplikasi bias tersebut dalam responsnya. * Kurangnya Akal Sehat: LLM tidak memiliki akal sehat manusia atau pemahaman intuitif tentang dunia fisik. Mereka dapat membuat kesalahan logis yang jelas bagi manusia. * Kreativitas Terbatas: Meskipun bisa menghasilkan teks kreatif, kreativitas LLM seringkali merupakan remix dari pola yang sudah ada, bukan inovasi sejati. * Keamanan dan Privasi: Ada kekhawatiran tentang penggunaan data pribadi dalam pelatihan dan potensi model untuk menghasilkan konten yang tidak aman atau penyalahgunaan.

Penting bagi pengguna untuk selalu kritis dan memverifikasi informasi yang diberikan oleh LLM, terutama untuk topik-topik penting.

Perbandingan GPT-4, Claude, dan Gemini

Dunia LLM terus berkembang pesat, dengan berbagai pemain utama yang berlomba-lomba menghadirkan model terbaik. Tiga nama besar yang sering dibandingkan adalah GPT-4 (OpenAI), Claude (Anthropic), dan Gemini (Google). Meskipun semuanya berbasis arsitektur transformer dan dilatih dengan data masif, ada perbedaan karakteristik dan fokus.

* GPT-4 (OpenAI): * Karakteristik: Dikenal sebagai salah satu LLM paling kuat dan serbaguna. Mampu menangani tugas-tugas kompleks, penalaran multi-modal (teks dan gambar), dan menghasilkan teks yang sangat koheren. Memiliki jendela konteks yang sangat besar, memungkinkannya memproses dokumen yang panjang. Kelebihan: Sangat mahir dalam menulis, meringkas, menerjemahkan, dan melakukan coding*. Menunjukkan kemampuan penalaran yang lebih baik dibandingkan pendahulunya. Fokus: Umumnya berfokus pada performa state-of-the-art di berbagai benchmark* dan aplikasi.

* Claude (Anthropic): Karakteristik: Dikembangkan dengan fokus kuat pada "AI yang dapat dipercaya dan etis". Anthropic, perusahaan di baliknya, didirikan oleh mantan karyawan OpenAI dan menekankan Constitutional AI* – serangkaian prinsip panduan yang ditanamkan dalam pelatihan model untuk mengurangi bias dan keluaran berbahaya. Kelebihan: Cenderung lebih aman, kurang bias, dan menghasilkan respons yang lebih "berhati-hati". Sangat baik untuk tugas-tugas yang membutuhkan kehati-hatian dan kepatuhan etika. Memiliki context window* yang sangat besar. * Fokus: Keamanan, etika, dan mengurangi risiko AI.

* Gemini (Google): Karakteristik: Model multi-modal asli yang dirancang sejak awal untuk memahami dan beroperasi di berbagai jenis informasi (teks, kode, audio, gambar, video). Google mengklaim Gemini sebagai model yang paling fleksibel dan kuat. Tersedia dalam berbagai ukuran (Ultra, Pro, Nano) untuk berbagai use case*. Kelebihan: Unggul dalam penalaran multi-modal, pemahaman konteks yang kaya dari berbagai media, dan efisiensi. Versi Pro digunakan untuk Bard, dan Nano untuk perangkat mobile*. * Fokus: Multi-modalitas, efisiensi, dan skalabilitas di berbagai platform.

Meskipun ada perbedaan, semua model ini terus berinovasi, belajar dari satu sama lain, dan mendorong batas kemampuan AI. Pilihan model seringkali bergantung pada kebutuhan spesifik proyek dan prioritas (misalnya, akurasi, etika, atau multi-modalitas).

Masa Depan LLM dalam 5 Tahun Ke Depan

Lima tahun ke depan akan menjadi periode yang transformatif bagi Large Language Model. Kita tidak hanya akan melihat peningkatan kemampuan, tetapi juga integrasi yang lebih dalam ke dalam berbagai aspek kehidupan.

1. Peningkatan Kemampuan dan Akurasi: * Penalaran yang Lebih Canggih: LLM akan semakin mampu melakukan penalaran yang kompleks, memecahkan masalah multi-langkah, dan "memahami" konsep abstrak dengan lebih baik. * Multimodalitas yang Lebih Baik: Kemampuan untuk memproses dan menghasilkan tidak hanya teks, tetapi juga gambar, video, audio, dan bahkan data sensorik lainnya akan menjadi standar. Interaksi dengan AI akan terasa lebih alami dan kaya. Pengurangan Hallusinasi: Melalui teknik pelatihan yang lebih canggih, fact-checking* otomatis, dan integrasi dengan basis pengetahuan eksternal, tingkat halusinasi akan menurun secara signifikan. * Personalized AI: LLM akan dapat beradaptasi lebih baik dengan gaya, preferensi, dan pengetahuan spesifik setiap individu, menciptakan pengalaman yang sangat personal.

2. Integrasi Mendalam dalam Berbagai Sektor: Pendidikan: Asisten belajar personal, pembuatan materi ajar adaptif, dan feedback* otomatis untuk siswa. * Kesehatan: Diagnosis awal, asisten penelitian medis, penulisan laporan medis, dan bantuan dalam pengembangan obat. Bisnis: Otomatisasi layanan pelanggan yang lebih baik, analisis pasar yang mendalam, pembuatan konten pemasaran yang dinamis, dan tool* pengambilan keputusan. Kreatif: Penulisan naskah, desain grafis, produksi musik, dan game development* akan semakin dibantu oleh AI generatif. Programming: Generasi kode yang lebih canggih, debugging otomatis, dan tool* pengembangan perangkat lunak yang lebih cerdas.

3. Model yang Lebih Efisien dan Terjangkau: Komputasi yang Efisien: Penelitian akan fokus pada pengembangan model yang lebih kecil namun tetap kuat, membutuhkan daya komputasi yang lebih sedikit untuk pelatihan dan inferensi. Ini akan membuat LLM lebih mudah diakses dan diterapkan di perangkat edge (perangkat keras lokal) seperti smartphone*. Open-source dan Desentralisasi: Akan ada lebih banyak model LLM open-source* yang kuat, mendorong inovasi dan mengurangi monopoli teknologi.

4. Tantangan Etika dan Regulasi: * Keamanan dan Bias: Seiring AI menjadi lebih kuat, tantangan terkait bias, keamanan, dan potensi penyalahgunaan akan semakin relevan. Regulasi yang lebih ketat akan diperlukan. * Dampak Sosial dan Ekonomi: Perdebatan tentang dampak AI terhadap lapangan kerja, pendidikan, dan masyarakat secara keseluruhan akan terus berlanjut, mendorong kebutuhan akan kebijakan yang bijaksana.

Masa depan LLM menjanjikan era di mana AI menjadi mitra yang lebih cerdas, lebih intuitif, dan lebih terintegrasi dalam kehidupan kita, membantu kita memecahkan masalah, berkreasi, dan belajar dengan cara yang belum pernah ada sebelumnya.

Kesimpulan

Perjalanan kita memahami cara kerja ChatGPT dan Large Language Model membawa kita pada sebuah kesadaran bahwa di balik antarmuka percakapan yang mulus, tersembunyi keajaiban rekayasa dan komputasi. Dari pelatihan awal yang melahap triliunan token data hingga penyempurnaan melalui umpan balik manusia, LLM tidak sekadar meniru, melainkan memprediksi dan menggenerasi teks dengan pemahaman pola bahasa yang mendalam. Mereka adalah orkestra statistik yang menghasilkan simfoni kata-kata yang koheren.

Namun, penting untuk selalu mengingat bahwa meskipun cerdas, LLM bukanlah entitas yang memiliki kesadaran, perasaan, atau pemahaman sejati tentang dunia. Mereka adalah tool yang sangat kuat dengan keterbatasan, termasuk potensi halusinasi dan bias. Sebagai pengguna, kebijaksanaan dan sikap kritis adalah kunci untuk memanfaatkan potensi LLM secara maksimal. Masa depan LLM menjanjikan integrasi yang lebih dalam, kemampuan yang lebih canggih, dan tantangan etika yang baru. Dengan memahami dasar-dasar ini, kita dapat berpartisipasi secara aktif dalam membentuk masa depan AI yang bertanggung jawab dan bermanfaat bagi semua. Mari kita terus belajar dan beradaptasi dengan revolusi teknologi yang sedang kita alami ini.

FAQ

Q: Apakah ChatGPT benar-benar memahami apa yang saya katakan? A: Tidak seperti manusia, ChatGPT tidak memiliki pemahaman sadar atau kesadaran. Ia memproses input Anda secara statistik, memprediksi urutan kata yang paling mungkin menghasilkan respons yang relevan dan koheren berdasarkan pola yang telah dipelajar...

Q: Dari mana ChatGPT mendapatkan informasinya? A: ChatGPT dilatih menggunakan dataset teks yang sangat besar dari internet, termasuk buku, artikel, situs web, dan berbagai sumber publik lainnya. Pengetahuannya terbatas pada data pelatihan tersebut hingga tanggal tertentu.

Q: Mengapa ChatGPT kadang memberikan informasi yang salah (halusinasi)? A: Halusinasi terjadi karena LLM adalah model prediksi statistik. Terkadang, urutan kata yang paling mungkin secara statistik tidak selalu akurat secara faktual, atau model mengisi kekosongan informasi dengan prediksi yang salah namun terdengar meyak...

Q: Apakah data saya aman saat menggunakan ChatGPT? A: OpenAI, pengembang ChatGPT, menyatakan bahwa percakapan dapat digunakan untuk melatih model, kecuali jika Anda memilih untuk menonaktifkan riwayat chat. Penting untuk tidak membagikan informasi sensitif atau pribadi yang tidak ingin Anda dibagikan.

Q: Apa bedanya ChatGPT dengan mesin pencari seperti Google? A: Mesin pencari mengindeks halaman web dan memberikan tautan ke informasi yang ada. ChatGPT menggenerasi respons baru berdasarkan pengetahuan yang telah dilatihnya, meringkas, menjelaskan, atau bahkan menciptakan teks, tanpa selalu memberikan sumb...