Bias dalam Respons AI : Mengenal Jenis-Jenisnya dalam Model Bahasa Besar

Pendahuluan

Dalam beberapa tahun terakhir, perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) berbasis model bahasa besar (Large Language Models/LLM) berlangsung sangat cepat. Produk-produk seperti ChatGPT (OpenAI), Gemini (Google DeepMind), Claude (Anthropic), dan Mistral (Mistral AI) telah membuka cara baru dalam berinteraksi dengan teknologi: dari sekadar menjawab pertanyaan, menulis esai, menyusun kode program, hingga menghasilkan karya kreatif.

Namun, di balik semua itu, LLM membawa sebuah tantangan besar yang sering tersembunyi di balik kecanggihannya, yaitu bias.
Bias dalam AI bisa berdampak serius: mengarahkan informasi secara tidak adil, memperkuat stereotip sosial, hingga mendistorsi kebenaran yang seharusnya disajikan secara objektif.

Untuk itu, penting bagi kita untuk mengenali berbagai jenis bias yang bisa muncul dalam respons AI, agar kita bisa menggunakannya secara cerdas, kritis, dan bertanggung jawab.

Mengenal Berbagai Jenis Bias dalam Respons AI

1. Bias Data (Data Bias)

Data adalah bahan bakar utama bagi LLM. Masalah muncul ketika data yang digunakan mengandung ketidakseimbangan atau pandangan yang berat sebelah. Data internet, misalnya, penuh dengan opini yang tidak diverifikasi, stereotip gender, diskriminasi rasial, hingga prasangka budaya.

Ketika model belajar dari data semacam ini tanpa filter yang ketat, ia akan "menyerap" bias tersebut dan memunculkannya dalam respons.

Contoh konkret:
Jika dalam data pelatihan sebagian besar CEO digambarkan sebagai laki-laki kulit putih, AI bisa saja secara tidak sadar memperkuat gambaran itu ketika pengguna meminta AI mendeskripsikan sosok CEO.

Mengapa ini berbahaya?
Karena AI bisa memperkuat ketidakadilan sosial yang ada tanpa disengaja, memperkuat dominasi kelompok tertentu, dan mengabaikan kelompok yang sebenarnya juga berhak terlihat.

2. Bias Representasi (Representation Bias)