Masya Allah, ChatHPT menuai sukses, hari pertama launching langsung diserbu puluhan ribu pertanyaan, seperti data berikut:
ChatHPT berangkat dari HPT, tetapi juga memanfaatkan berbagai fatwa dan referensi keilmuan yang relevan. Melalui bantuan AI, ChatHPT memudahkan penelusuran dan pemahaman rujukan, bukan menghasilkan fatwa atau putusan baru.
Tentu saja sesuai TUPOKSI-nya, ChatHPT memang memudahkan penelusuran dan pemahaman rujukan, TETAPI bukan menghasilkan fatwa atau putusan baru. sehingga belum mau menjawab pertanyaan di luar tupoksi-nya. Diantaranya pertanyaan yang berkaitan dengan hitungan ilmu falak, seperti tanggal KHGT dan status astronomi matahari dan hilal, meskipun dapat menjawab pertanyaan tentang fatwa waris tapi belum mau menjawab hitungannya untuk kasus tertentu. Ini bukan, kelemahan tapi memang sesuai tupoksi-nya.
Agentic AI RAGMINI: Alternatif Lain ChatHPT
Kecerdasan buatan generatif berkembang sangat cepat, tetapi kemampuan menghasilkan kalimat yang meyakinkan tidak selalu identik dengan kemampuan memberikan jawaban yang benar, dapat dilacak, dan sesuai sumber. Tantangan inilah yang mendorong berkembangnya Retrieval-Augmented Generation (RAG): model bahasa tidak hanya mengandalkan pengetahuan yang tersimpan di dalam parameternya, melainkan terlebih dahulu mengambil informasi dari sumber eksternal yang relevan.
Gagasan di atas menjadi salah satu fondasi pengembangan Agentic AI RAGMINI, yang kini bergerak dari chatbot fikih menuju platform pengetahuan yang menggabungkan pencarian sumber, analisis relevansi, verifikasi jawaban, pertumbuhan basis pengetahuan, dan komputasi numerik.
Agentic AI RAGMINI menjadi pelengkap ChatHPT karena selain dibekali database fatwa tarjih dari buku Tanya Jawab Agama jilid 1 s/d 8 dan juga kumpulan fatwa dari buku Berita Resmi Muhammadiyah, tetapi juga dibekali algoritma yang mampu menganalisis dan melakukan hitungan komputasi terkait status astronomi benda langit, menghitung tanggal KHGT, menghitung posisi matahari dan hilal, mampu menghitung kasus waris dalam kasus tertentu dan berbagai kasus hitungan lain
https://ragmini.kasmui.cloud/
Secara konseptual, arah ini sejalan dengan penelitian Lewis dan kawan-kawan yang memperkenalkan RAG sebagai penggabungan memori parametrik model bahasa dengan memori nonparametrik yang dapat diambil kembali melalui mekanisme retrieval. Pendekatan tersebut penting karena pengetahuan eksternal lebih mudah diperbarui, dapat diperiksa asalnya, dan berpotensi mengurangi ketergantungan pada ingatan internal model. Dalam konteks RAGMINI, prinsip ini diterapkan secara praktis: sistem berusaha mencari dasar jawaban dari database pengetahuan sebelum meneruskan pertanyaan ke sumber AI lain.
Inti gagasan RAGMINI bukan membuat AI “terdengar pintar”, tetapi membuat jawaban mempunyai jalur pengetahuan yang dapat dicari, diperiksa, diperbarui, dan—untuk pertanyaan numerik—dihitung oleh mesin yang sesuai.
RAG Berlapis: Mencari Kandidat, Memeriksa Makna, lalu Memverifikasi Bukti
RAGMINI menggunakan alur RAG berlapis. Pencarian awal memanfaatkan BM25 sebagai mekanisme candidate recall. BM25 merupakan salah satu model pemeringkatan klasik dan sangat berpengaruh dalam bidang temu kembali informasi. Robertson dan Zaragoza menjelaskan BM25 sebagai hasil penting dari Probabilistic Relevance Framework, yang dirancang untuk menilai keterkaitan dokumen dengan kueri berdasarkan karakteristik statistik istilah. Dalam RAGMINI, fungsi BM25 tidak diperlakukan sebagai keputusan akhir, melainkan sebagai penyaring awal untuk menemukan kandidat pengetahuan yang layak diperiksa lebih lanjut.
Tahap berikutnya adalah pemeriksaan semantik. Kandidat yang secara leksikal tampak cocok belum tentu benar-benar menjawab pertanyaan. Karena itu, RAGMINI memeriksa hubungan substantif antara pertanyaan dan potongan dokumen. Referensi yang dipilih kemudian harus mempunyai bukti yang benar-benar terdapat di dalam sumber. Mekanisme ini penting karena salah satu kelemahan sistem generatif adalah kemungkinan membuat kutipan, nomor, atau pernyataan sumber yang terdengar masuk akal tetapi sebenarnya tidak ada.
Secara ringkas, alurnya dapat dipahami sebagai: pertanyaan → pencarian kandidat → pemeringkatan relevansi → pemeriksaan bukti → penyusunan jawaban → pemeriksaan sitasi → pemeriksaan kualitas → jawaban. Prinsip seperti ini memiliki kemiripan tujuan dengan perkembangan mutakhir RAG reflektif. Penelitian Self-RAG, misalnya, menunjukkan bahwa kualitas dan faktualitas dapat ditingkatkan ketika sistem tidak sekadar mengambil dokumen, tetapi juga menilai kapan retrieval diperlukan serta merefleksikan relevansi sumber dan hasil generasinya.
Jawaban tidak dipaksa jika bukti lokal tidak mencukupi
Salah satu keputusan desain yang penting adalah tidak memaksa database lokal menjawab semua pertanyaan. Jika bukti belum mencukupi, RAGMINI dapat melanjutkan pencarian melalui AI Fikih dan, bila masih diperlukan, Google AI Mode. Jalur ini menjadikan sumber eksternal sebagai mekanisme fallback, bukan sebagai pengganti otomatis terhadap basis pengetahuan lokal. Dengan demikian, sistem tetap mempunyai hierarki: pengetahuan tersimpan dicari terlebih dahulu, sumber tambahan digunakan ketika diperlukan, dan hasil eksternal dapat diproses untuk memperkaya pengetahuan berikutnya.
Highlight: Perbedaan penting antara RAG yang sederhana dan RAG yang lebih bertanggung jawab terletak pada proses setelah retrieval. Dokumen yang ditemukan belum otomatis benar, relevan, atau cukup. Karena itu, pemeriksaan relevansi, bukti, sitasi, dan kualitas jawaban merupakan bagian yang sama pentingnya dengan proses pencarian.
Database yang Bertumbuh, tetapi Bukan Model yang Melatih Ulang Dirinya Sendiri
RAGMINI mengembangkan konsep Agentic Knowledge Growth. Basis pengetahuan kurasi dipertahankan, sedangkan pengetahuan baru dapat disimpan ke bagian database berikutnya secara bertahap. Ketika kapasitas satu bagian mendekati batas yang ditetapkan, sistem dapat meneruskan penyimpanan ke bagian selanjutnya. Pertanyaan baru yang sebelumnya tidak mempunyai jawaban lokal dengan demikian dapat menjadi pengetahuan yang dapat ditemukan kembali pada interaksi berikutnya.
Istilah “belajar sendiri” perlu dipahami secara tepat. Yang bertumbuh adalah basis pengetahuan eksternal, bukan bobot model bahasa yang melatih ulang dirinya secara otomatis. Pembedaan ini penting secara ilmiah. Literatur RAG menekankan keunggulan memori nonparametrik karena pengetahuan dapat diperbarui tanpa harus melakukan retraining model utama. Survei Gao dan kawan-kawan juga menempatkan RAG sebagai pendekatan penting untuk menghadapi pengetahuan yang usang, halusinasi, dan keterlacakan jawaban melalui integrasi sumber eksternal.
Pertumbuhan pengetahuan tetap memerlukan kendali. Dalam rancangan RAGMINI, penyimpanan baru disertai pemeriksaan duplikasi, validitas database, ukuran berkas, mekanisme penguncian ketika menulis, serta penulisan atomik untuk mengurangi risiko kerusakan data. Konten dari AI eksternal tidak otomatis diperlakukan sebagai fatwa atau sumber primer. Posisi ini penting: semakin besar kemampuan sistem untuk menambah pengetahuan, semakin besar pula kebutuhan terhadap disiplin provenance, klasifikasi sumber, dan verifikasi.
