Dari Jawaban Teks Menuju Komputasi: Ketika AI Harus Menghitung, Bukan Menebak
Kekuatan khas RAGMINI terletak pada upaya menjembatani AI berbasis bahasa dengan mesin komputasi. Tidak semua pertanyaan seharusnya dijawab dengan prosa. Pertanyaan tentang jadwal salat, arah kiblat, posisi Bulan, elongasi, ketinggian hilal, kalender Hijriah, atau fenomena astronomi membutuhkan angka yang berasal dari perhitungan, bukan sekadar kalimat yang tampak meyakinkan. Karena itu, RAGMINI dapat menerjemahkan bahasa alami pengguna menjadi parameter yang diteruskan ke mesin komputasi SOLUNA.
Pendekatan tersebut memiliki hubungan konseptual dengan paradigma reasoning and acting. Penelitian ReAct menunjukkan manfaat ketika model bahasa tidak hanya menghasilkan alasan verbal, tetapi juga melakukan tindakan terhadap sumber atau lingkungan eksternal untuk memperoleh informasi tambahan. Dalam konteks RAGMINI, “tindakan” itu dapat berbentuk permintaan kepada mesin komputasi: AI memahami maksud pengguna, sedangkan perhitungan numerik dilakukan oleh komponen khusus yang dirancang untuk menghasilkan angka.
Untuk pertanyaan numerik, prinsip yang lebih aman adalah: AI memahami pertanyaan, tetapi mesin hitung menghasilkan angkanya. Jika mesin komputasi tidak memberikan data, AI tidak semestinya menggantinya dengan perkiraan yang dikarang.
KHGT, Neo-MABIMS, hilal, gerhana, kiblat, dan jadwal salat
Integrasi komputasi memungkinkan RAGMINI menangani konversi kalender KHGT, kalender bulanan, jadwal salat, arah kiblat, analisis hilal, gerhana Matahari dan Bulan, peta langit, waktu Matahari terbenam, serta posisi benda langit. Untuk permintaan tertentu, sistem dapat membedakan parameter geosentris dan toposentris, waktu manual dan Magrib lokal, maupun kebutuhan perbandingan antara metode KHGT dan Neo-MABIMS. Keunggulan metodologisnya terletak pada pemisahan tugas: model bahasa bertindak sebagai antarmuka percakapan, sedangkan angka diambil dari API atau arsip komputasi yang sesuai.
Arsitektur semacam ini membuat RAGMINI lebih dekat pada knowledge-and-tool augmented AI daripada chatbot generatif biasa. Jawaban tekstual dan jawaban numerik tidak diperlakukan sebagai persoalan yang sama. Untuk pertanyaan fikih, yang ditekankan adalah keterlacakan dalil dan sumber. Untuk astronomi, yang ditekankan adalah parameter, metode, dan hasil komputasi. Untuk analisis hilal, bahkan dapat ditambahkan data lingkungan seperti suhu, kelembapan, tutupan awan, presipitasi, dan angin, dengan tetap membedakan kondisi meteorologis dari bukti keterlihatan hilal itu sendiri.
Analitik Jawaban: Tidak Langsung Membenarkan Premis Pengguna
Sistem tanya-jawab yang bertanggung jawab tidak semestinya menganggap semua premis pengguna sebagai fakta. Pertanyaan yang diawali “benarkah”, “katanya”, “viral”, atau “apakah benar fatwa ini” mengandung klaim yang perlu diuji. RAGMINI dirancang agar pola semacam itu diperlakukan sebagai objek verifikasi. Sistem dapat mencari bukti pendukung maupun bukti yang berlawanan sebelum menyusun kesimpulan.
Pada pertanyaan yang mengatasnamakan Muhammadiyah, Tarjih, HPT, fatwa, atau keputusan resmi, tuntutan terhadap kualitas sumber harus lebih tinggi. Demikian pula pada kutipan Al-Qur’an dan hadis: teks Arab, terjemahan, nomor surah/ayat, dan keterangan riwayat tidak boleh dihasilkan berdasarkan tebakan. Prinsip ini bukan sekadar persoalan teknis, tetapi menyangkut integritas informasi. Semakin sensitif otoritas suatu klaim, semakin ketat pula standar verifikasinya.
Empat Lapisan Nilai RAGMINI
| Lapisan | Fungsi Utama | Nilai Tambah |
|---|---|---|
| Retrieval | Mencari kandidat pengetahuan dari database. | Mengurangi ketergantungan pada memori internal model. |
| Verifikasi | Memeriksa relevansi, bukti, kutipan, dan kualitas jawaban. | Mendorong jawaban yang lebih dapat ditelusuri. |
| Pertumbuhan Pengetahuan | Menyimpan pengetahuan baru secara terkontrol. | Basis pengetahuan dapat berkembang tanpa melatih ulang model. |
| Komputasi | Meneruskan kebutuhan numerik kepada mesin hitung khusus. | Memisahkan bahasa generatif dari sumber angka ilmiah. |
RAGMINI sebagai Arah Baru AI Pengetahuan Terapan
RAGMINI menunjukkan bahwa nilai sebuah aplikasi AI tidak harus diukur dari seberapa besar model bahasa yang dipakai. Nilai sistem justru dapat lahir dari arsitektur keseluruhan: bagaimana pengetahuan disimpan, bagaimana sumber dicari, bagaimana relevansi diperiksa, bagaimana klaim diverifikasi, bagaimana pengetahuan baru ditambahkan, dan bagaimana persoalan numerik dialihkan kepada mesin komputasi yang tepat.
Pendekatan ini juga memberi pelajaran yang lebih luas bagi pengembangan AI keislaman dan AI ilmiah. Sistem yang baik bukan hanya mampu menjawab banyak pertanyaan, tetapi juga mengetahui kapan harus mencari, kapan harus meragukan, kapan harus memverifikasi, kapan harus menggunakan sumber resmi, dan kapan harus menyerahkan perhitungan kepada alat yang lebih tepat. Di sinilah RAG, verifikasi sumber, pertumbuhan basis pengetahuan, dan komputasi dapat dipadukan dalam satu pengalaman percakapan.
Kesimpulan: RAGMINI bukan sekadar AI yang menjawab. Arah pengembangannya adalah sistem yang mencari, menilai, memverifikasi, memperkaya pengetahuan, dan menghitung. Kekuatan utamanya bukan pada klaim bahwa AI selalu benar, melainkan pada upaya membangun jalur yang membuat jawaban semakin dapat diperiksa dan hasil numerik semakin dapat dipertanggungjawabkan.
Sumber Rujukan
- Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33 (NeurIPS 2020). NeurIPS.
- Robertson, S., & Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. Foundations and Trends in Information Retrieval, 3(4), 333–389. DOI: 10.1561/1500000019.
- Asai, A., Wu, Z., Wang, Y., Sil, A., & Hajishirzi, H. (2024). Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection. International Conference on Learning Representations (ICLR 2024). ICLR Proceedings.
- Yao, S., Zhao, J., Yu, D., et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations (ICLR 2023). ML Anthology.
- Gao, Y., Xiong, Y., Gao, X., et al. (2024). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997. arXiv DOI.
- https://ragmini.kasmui.cloud/, dokumen teknis internal RAGMINI, RAG Cerdas yang Terus Bertumbuh, Menganalisis, dan Menghitung, bahan pengembangan sistem.
