Oleh Ahmadie Thaha, Kolumnis
REPUBLIKA.CO.ID, JAKARTA -- Coba bayangkan sebuah lorong buku yang membentang lima abad. Di sana menumpuk naskah filsafat, peta kuno, kitab agama, sastra, sejarah, hingga gambar fabel dari zaman yang sudah sangat jauh.
Lalu datang mesin pemindai. Kamera memotret tiap lembar. Komputer membaca tulisannya. Gambar dipisahkan dari halaman. Seluruh isi kertas perlahan berubah jadi data.
Itu kemudian membuat hari ini mahasiswa di Jakarta atau peneliti di Istanbul sudah tak perlu lagi terbang ke London, Inggris, untuk mencari data. Cukup buka laptop, ketik kata kunci, dan sebagian isi buku tua itu langsung muncul di layar.
Proyek raksasa ini bukan sekadar mengunggah berkas. Ini pemindahan ingatan manusia ke dalam mesin.
Semuanya bermula pada 2005. British Library di Inggris menggandeng Microsoft untuk memindai puluhan ribu buku langka terbitan 1510 sampai 1900. Microsoft waktu itu menggelontorkan dana jutaan dolar demi proyek ini.
Saat kemitraan selesai, British Library Labs melangkah lebih jauh. Pada 2013, mereka memotong lebih dari satu juta gambar ilustrasi dari halaman-halaman tersebut lalu melepasnya gratis ke Flickr Commons.
Sekarang, repositori alias simpanan raksasa berukuran 626 GB yang berisi 1,08 juta gambar dari 25 juta halaman buku itu dikemas ulang. Ia kini nongkrong di Hugging Face dengan nama British Library Book Images.
Datanya gila-gilaan. Bayangkan ukuran file sebesar 626 Gigabyte. Kalau Anda memakai ponsel pintar dengan kapasitas penyimpanan rata-rata 128 Gigabyte, data itu butuh hampir lima unit ponsel penuh untuk menampung seluruh gambarnya saja.
Belum lagi jika kita menghitung 25 juta halaman teks yang harus dibaca, diurai, dan disimpan dalam memori komputer. Angka itu jauh melampaui tumpukan lembar kertas fisik yang muat di dalam satu gedung perpustakaan biasa.
Inilah lautan informasi digital hasil ribuan tahun otak manusia. Buku tertuanya terbit tahun 1510. Itu artinya ada jejak pikiran manusia yang usianya sudah lebih dari lima abad.
Proyek digitalisasi tersebut meruntuhkan tembok gedung. Dulu, buku langka cuma punya satu alamat: London. Sekarang, data buku itu bisa pindah ke mana saja.
Ingatan lima abad lalu pun berubah menjadi bahan baku data. Buku bukan lagi sekadar benda di rak. Ia sudah jadi data yang bisa Anda cari, hitung, bandingkan, atau racik sebagai bahan melatih sistem kecerdasan buatan (AI).
Sederhananya, kumpulan data berukuran raksasa yang sudah dikelompokkan dan diatur agar mudah dibaca komputer itulah yang disebut dataset.
Jika buku biasa dibaca manusia lembar demi lembar, dataset adalah bahan mentah yang disantap sekaligus oleh komputer. Di dalamnya, ribuan teks, gambar, dan catatan pendukung sudah disusun sedemikian rupa agar mesin bisa langsung mengolahnya tanpa bingung.
Dengan begitu, peneliti bisa menghitung berapa kali kata tertentu muncul dalam ribuan buku. Ahli bahasa tinggal melacak pergeseran makna kata dari zaman ke zaman. Sejarawan bisa membandingkan cara sebuah bangsa menggambarkan kota, perang, hingga penyakit.
Mesin pun belajar mengenali pola dari semua itu. Tapi ada satu masalah besar. Koleksi ini bukan cermin jujur seluruh sejarah manusia. Ia cuma cermin yang memilih sudut pandangnya sendiri.
Dari 1,08 juta gambar di Hugging Face itu, sepertiganya berasal dari dekade 1890-an. Koleksi sebelum tahun 1800 cuma menyumbang 1,6 persen.
Kalau Anda memakai seluruh dataset itu untuk melatih AI tanpa membenahi pembagian datanya, AI Anda bakal terobsesi pada zaman Victoria dan tidak paham zaman lainnya.
Ada juga persoalan yang lebih mendasar. Mesin tidak memindai seluruh buku yang pernah ada di bumi. Mesin cuma memindai buku milik perpustakaan tertentu, yang kebetulan selamat dari bencana, lalu dipilih manusia untuk didigitalkan.
Mesin tidak pernah memilih sendiri makanannya. Manusia yang menentukan. Siapa yang memilih buku untuk dipindai, dialah yang menentukan pengetahuan apa yang kelak mudah ditemukan AI.
Proyek raksasa begini ternyata bukan cuma milik Inggris. Google Books di Amerika Serikat sudah duluan memindai lebih dari 40 juta buku dalam 400 bahasa. Untuk buku tanpa hak cipta, Google mengizinkan Anda mengunduhnya secara gratis.
Ada pula HathiTrust, hasil kerja sama kampus riset yang menyimpan 17 juta volume digital berisi 6,2 miliar halaman. Sistem mereka bahkan sanggup menganalisis teks jutaan buku sekaligus.
Ikuti Whatsapp Channel Republika