Pendahuluan

Kecerdasan buatan sedang menjadi salah satu teknologi paling berpengaruh dalam kehidupan modern. Kita menjumpainya saat mesin pencari menyusun hasil penelusuran, aplikasi peta memperkirakan kemacetan, kamera ponsel memperbaiki foto, sistem rekomendasi menyarankan film, model bahasa membantu menulis draf, dan perangkat lunak medis membantu dokter membaca citra klinis. Namun, di balik semua contoh itu, ada pertanyaan yang lebih mendasar: apa sebenarnya yang membuat sebuah sistem disebut “cerdas”?

Dalam kehidupan sehari-hari, kita menyebut seseorang cerdas ketika ia dapat memahami situasi, belajar dari pengalaman, mengambil keputusan, menyesuaikan diri terhadap keadaan baru, dan menjelaskan alasan tindakannya. Pada komputer, kata “cerdas” tidak berarti komputer memiliki kesadaran atau pengalaman batin seperti manusia. Dalam buku ini, kecerdasan buatan atau artificial intelligence (AI) akan dipahami sebagai bidang yang mempelajari cara membuat sistem komputasional yang mampu menjalankan tugas-tugas yang biasanya membutuhkan kemampuan kognitif, seperti mengenali pola, membuat prediksi, merencanakan tindakan, memahami bahasa, atau memecahkan masalah. Rumusan modern semacam ini sejalan dengan pendekatan dalam buku teks AI klasik, yang memandang AI sebagai studi tentang agen yang menerima masukan dari lingkungan dan memilih tindakan untuk mencapai tujuan tertentu (Russell & Norvig, 2021).

Pendahuluan ini tidak dimaksudkan untuk langsung membahas semua teknik AI secara rinci. Tujuannya adalah memberi orientasi: mengapa AI penting, bagaimana buku ini akan membangun pemahaman dari dasar, dan sikap belajar seperti apa yang diperlukan agar pembaca tidak hanya mampu memakai alat AI, tetapi juga memahami prinsip yang membuatnya bekerja.

Mengapa AI perlu dipelajari dengan serius?

Ada perbedaan besar antara menggunakan AI dan memahami AI. Seseorang dapat mengetik prompt ke sebuah chatbot dan memperoleh jawaban yang tampak meyakinkan. Namun, tanpa pemahaman yang cukup, sulit untuk menilai apakah jawaban itu benar, apakah model sedang “mengarang”, apakah data yang digunakan mengandung bias, atau apakah sistem tersebut aman dipakai dalam konteks penting seperti pendidikan, hukum, kesehatan, atau keuangan.

AI modern tidak lahir dari satu ide tunggal. Ia merupakan pertemuan antara matematika, statistika, ilmu komputer, optimisasi, kognisi, linguistik, rekayasa perangkat lunak, dan desain sistem. Karena itu, buku ini tidak memulai dari tren terbaru, melainkan dari fondasi. Kita akan bergerak dari konsep sederhana seperti data, fungsi, probabilitas, dan kesalahan prediksi, lalu menuju model klasik machine learning, neural network, deep learning, Transformer, large language model, sistem berbasis retrieval, agentic AI, reinforcement learning, model multimodal, MLOps, etika, hingga perdebatan ilmiah tentang artificial general intelligence.

Pendekatan bertahap ini penting karena banyak istilah AI terdengar lebih misterius daripada kenyataannya. Misalnya, kata model dalam AI tidak selalu berarti tiruan fisik seperti miniatur bangunan. Model adalah struktur matematis atau komputasional yang digunakan untuk memetakan masukan menjadi keluaran. Jika masukan berupa luas rumah, jumlah kamar, dan lokasi, lalu keluaran berupa estimasi harga, maka model mencoba menangkap hubungan antara ciri-ciri rumah dan harga. Jika masukan berupa kalimat, lalu keluaran berupa kata berikutnya yang mungkin muncul, maka model bahasa mencoba menangkap pola statistik dan semantik dalam teks.

Contoh sederhana ini memperlihatkan ide inti yang akan berulang sepanjang buku: sistem AI modern sering kali bekerja dengan mempelajari pola dari data. Inilah wilayah machine learning atau pembelajaran mesin. Tom Mitchell merumuskan machine learning sebagai studi tentang program komputer yang meningkat kinerjanya pada suatu tugas melalui pengalaman, dengan ukuran kinerja tertentu (Mitchell, 1997). Rumusan ini berguna karena menekankan tiga unsur: ada tugas, ada pengalaman atau data, dan ada ukuran keberhasilan.

Sebagai contoh, bayangkan kita ingin membuat sistem yang membedakan surel spam dan bukan spam. Tugasnya adalah klasifikasi surel. Pengalamannya adalah kumpulan surel lama yang sudah diberi label “spam” atau “bukan spam”. Ukuran kinerjanya dapat berupa akurasi, precision, recall, atau metrik lain yang akan kita pelajari kemudian. Sistem tidak diberi daftar aturan manual seperti “jika ada kata diskon maka spam”, sebab aturan seperti itu mudah gagal. Sebaliknya, sistem belajar dari banyak contoh sehingga dapat mengenali kombinasi pola yang lebih kaya.

Dari aturan eksplisit ke pembelajaran dari data

Pada masa awal komputasi, banyak sistem cerdas dibayangkan sebagai kumpulan aturan eksplisit. Jika kondisi A terjadi, lakukan tindakan B. Pendekatan ini masih berguna dalam banyak sistem, terutama ketika aturan domain jelas. Misalnya, dalam sistem validasi formulir, kita dapat menulis aturan: jika kolom tanggal lahir kosong, tampilkan pesan kesalahan. Aturan seperti itu mudah dipahami dan mudah diuji.

Namun, banyak masalah nyata terlalu kompleks untuk ditulis sebagai daftar aturan lengkap. Bagaimana menulis aturan eksplisit untuk mengenali wajah dalam foto dengan berbagai pencahayaan, usia, ekspresi, dan sudut kamera? Bagaimana menulis aturan lengkap untuk menerjemahkan kalimat yang maknanya bergantung pada konteks? Bagaimana menulis aturan yang mencakup seluruh variasi bahasa manusia?

Di sinilah machine learning menjadi penting. Alih-alih menulis semua aturan secara manual, kita menyediakan data dan prosedur pembelajaran. Model kemudian menyesuaikan parameter internalnya agar keluaran yang dihasilkan semakin sesuai dengan contoh yang diberikan. Parameter adalah nilai numerik di dalam model yang dapat diubah selama proses pelatihan. Pada regresi linear sederhana, parameter dapat berupa kemiringan garis dan titik potong. Pada neural network besar, parameter dapat berjumlah jutaan hingga ratusan miliar.

Contoh paling sederhana adalah prediksi harga rumah menggunakan satu ciri, misalnya luas bangunan. Kita dapat memulai dengan model garis lurus:

\[ \hat{y} = wx + b \]

Di sini, \(x\) adalah luas rumah, \(\hat{y}\) adalah prediksi harga, \(w\) adalah bobot yang menentukan seberapa besar pengaruh luas terhadap harga, dan \(b\) adalah bias atau konstanta tambahan. Pelatihan berarti mencari nilai \(w\) dan \(b\) yang membuat prediksi mendekati harga sebenarnya pada data pelatihan. Meskipun contoh ini sederhana, pola pikirnya sama dengan banyak sistem AI modern: tentukan bentuk model, ukur kesalahan, lalu perbaiki parameter agar kesalahan menurun.

Neural network dan deep learning

Salah satu keluarga model paling penting dalam AI modern adalah neural network atau jaringan saraf tiruan. Nama ini terinspirasi oleh sistem saraf biologis, tetapi model komputasional yang digunakan dalam AI bukanlah simulasi lengkap otak manusia. Neural network adalah komposisi fungsi matematis yang tersusun dalam lapisan-lapisan. Setiap lapisan mengubah representasi data menjadi representasi baru yang diharapkan lebih berguna untuk tugas tertentu.

Jika sebuah jaringan memiliki banyak lapisan, kita menyebut pendekatan ini deep learning. Kata “deep” merujuk pada kedalaman komposisi lapisan, bukan pada kedalaman makna secara filosofis. Buku Deep Learning oleh Goodfellow, Bengio, dan Courville menjelaskan bahwa kekuatan deep learning terletak pada kemampuan model mempelajari representasi bertingkat dari data, misalnya dari tepi sederhana dalam citra, menjadi bentuk, bagian objek, lalu objek utuh (Goodfellow et al., 2016).

Contohnya, dalam pengenalan gambar kucing, lapisan awal model mungkin merespons pola sederhana seperti garis miring atau tekstur. Lapisan berikutnya dapat merespons bentuk telinga, mata, atau kumis. Lapisan yang lebih dalam dapat menggabungkan pola tersebut menjadi konsep yang lebih dekat dengan “kucing”. Tentu saja model tidak memahami kucing seperti manusia memahami hewan peliharaan; ia mempelajari pola numerik yang berguna untuk membedakan gambar kucing dari gambar lain.

Gagasan representasi bertingkat ini akan menjadi jembatan menuju banyak topik dalam buku: convolutional neural network untuk citra, recurrent neural network untuk sekuens, Transformer untuk bahasa, dan model multimodal yang menggabungkan teks, gambar, audio, video, atau tindakan.

Mengapa Transformer mengubah arah AI modern?

Dalam beberapa tahun terakhir, banyak kemajuan AI modern berkaitan dengan arsitektur bernama Transformer. Arsitektur ini diperkenalkan dalam makalah “Attention Is All You Need” dan menggunakan mekanisme attention, yaitu cara bagi model untuk menimbang bagian-bagian masukan yang paling relevan ketika membangun representasi (Vaswani et al., 2017).

Untuk memahami ide attention secara intuitif, bayangkan kalimat:

“Budi meletakkan buku di atas meja karena itu terlalu berat untuk dibawa.”

Kata “itu” mengacu pada apa? Manusia menggunakan konteks untuk menebak bahwa “itu” kemungkinan mengacu pada “buku”, bukan “meja”, karena yang dibawa adalah buku. Mekanisme attention memungkinkan model memberi bobot berbeda pada kata-kata sebelumnya ketika memproses suatu token. Token adalah unit teks yang diproses model, bisa berupa kata, bagian kata, tanda baca, atau unit lain tergantung tokenizer yang digunakan.

Transformer menjadi fondasi banyak large language model (LLM), yaitu model bahasa berskala besar yang dilatih pada korpus teks besar untuk memprediksi atau menghasilkan teks. Model bahasa pada dasarnya mempelajari distribusi kemungkinan urutan token. Jika diberi konteks “Ibu pergi ke pasar untuk membeli”, model akan memperkirakan token berikutnya yang masuk akal, misalnya “sayur”, “buah”, atau “ikan”. Pada skala besar, kemampuan sederhana memprediksi token berikutnya dapat mendukung perilaku yang tampak kompleks, seperti merangkum, menerjemahkan, menjawab pertanyaan, menulis kode, dan mengikuti instruksi. Studi tentang GPT-3 menunjukkan bahwa model bahasa berskala besar dapat melakukan beberapa tugas dengan sedikit contoh dalam prompt, meskipun tetap memiliki banyak keterbatasan (Brown et al., 2020).

Penting untuk menjaga keseimbangan pemahaman. LLM sangat berguna, tetapi tidak boleh disamakan begitu saja dengan kecerdasan manusia. Model dapat menghasilkan jawaban yang lancar tetapi keliru, membuat kutipan palsu, atau gagal pada penalaran yang membutuhkan konsistensi ketat. Fenomena jawaban yang tampak meyakinkan tetapi tidak berdasar sering disebut hallucination dalam literatur AI. Kajian tentang risiko foundation model menekankan bahwa model berskala besar membawa peluang besar sekaligus risiko terkait bias, keandalan, penyalahgunaan, biaya komputasi, dan tata kelola (Bommasani et al., 2021). Kritik terhadap model bahasa juga mengingatkan bahwa kelancaran linguistik tidak otomatis berarti pemahaman, kebenaran, atau tanggung jawab sosial (Bender et al., 2021).

Karena itu, buku ini akan mengajarkan LLM bukan sebagai “mesin ajaib”, melainkan sebagai sistem statistik-komputasional yang kuat, terbatas, dan harus dievaluasi secara hati-hati.

Apa yang dimaksud dengan AGI?

Di bagian akhir buku, kita akan membahas artificial general intelligence (AGI). Istilah ini sering dipakai dalam diskusi publik, tetapi maknanya tidak selalu konsisten. Secara umum, AGI merujuk pada sistem AI yang memiliki kemampuan umum lintas tugas, bukan hanya unggul pada satu tugas sempit. Namun, “umum” dapat didefinisikan dengan banyak cara: mampu belajar tugas baru, mampu bernalar, mampu merencanakan, mampu membangun model dunia, mampu beradaptasi dalam lingkungan baru, atau mampu menjalankan pekerjaan kognitif yang luas.

Legg dan Hutter mengusulkan definisi formal kecerdasan sebagai kemampuan agen mencapai tujuan dalam berbagai lingkungan, meskipun definisi tersebut merupakan salah satu pendekatan teoritis dan bukan kesepakatan tunggal tentang AGI (Legg & Hutter, 2007). Dalam buku ini, kita akan memperlakukan AGI sebagai topik ilmiah yang harus dibedakan dari spekulasi. Kita akan bertanya: kemampuan apa yang sudah dapat diukur? Benchmark apa yang valid? Apa perbedaan antara generalisasi nyata dan penghafalan pola? Bagaimana menilai otonomi, keselamatan, dan alignment?

Kata alignment akan muncul beberapa kali. Secara sederhana, alignment adalah upaya membuat perilaku sistem AI sesuai dengan tujuan, nilai, batasan, dan kepentingan manusia. Contohnya, chatbot medis tidak cukup hanya mampu menulis jawaban yang terdengar profesional; ia juga harus menolak memberi diagnosis berbahaya tanpa konteks klinis, menyatakan ketidakpastian, dan mendorong pengguna mencari tenaga kesehatan ketika perlu. Alignment bukan sekadar membuat model “patuh”, tetapi juga berkaitan dengan keselamatan, kejujuran, dan akuntabilitas.

Cara buku ini membangun pemahaman

Buku ini dirancang seperti perjalanan bertahap. Setiap bagian menyiapkan bagian berikutnya.

Pertama, kita akan membangun peta besar AI. Pembaca akan membedakan AI, machine learning, deep learning, dan LLM. Ini penting agar istilah tidak bercampur. Semua deep learning termasuk machine learning, tetapi tidak semua machine learning adalah deep learning. LLM adalah jenis model bahasa modern yang biasanya berbasis deep learning dan Transformer, tetapi AI jauh lebih luas daripada LLM.

Kedua, kita akan mempelajari fondasi matematika. Banyak pembaca merasa cemas ketika melihat aljabar linear, kalkulus, probabilitas, atau optimisasi. Namun, matematika dalam AI bukan hiasan; ia adalah bahasa yang membuat kita dapat menjelaskan model dengan tepat. Misalnya, vektor membantu kita merepresentasikan data sebagai daftar angka. Turunan membantu kita mengetahui arah perubahan loss. Probabilitas membantu kita menyatakan ketidakpastian. Optimisasi membantu kita mencari parameter yang lebih baik. Kita tidak akan memakai matematika untuk mempersulit, tetapi untuk memperjelas.

Ketiga, kita akan mempelajari data dan pipeline pembelajaran. AI yang baik tidak hanya ditentukan oleh arsitektur model, tetapi juga oleh kualitas data. Jika data pelatihan bias, model dapat mewarisi bias. Jika data uji bocor ke data latih, evaluasi menjadi terlalu optimistis. Jika label tidak konsisten, model belajar dari sinyal yang berisik. Karena itu, pembagian train-validation-test, pembersihan data, representasi fitur, dan dokumentasi dataset akan dibahas sejak awal.

Keempat, kita akan masuk ke supervised learning, unsupervised learning, model klasik, dan evaluasi. Bagian ini penting bahkan bagi pembaca yang tertarik pada LLM, karena prinsip seperti generalisasi, overfitting, regularisasi, metrik evaluasi, baseline, dan ablation study tetap berlaku pada sistem AI modern. Overfitting berarti model terlalu menyesuaikan diri dengan data pelatihan sehingga kinerjanya buruk pada data baru. Contohnya, mahasiswa yang menghafal jawaban latihan tanpa memahami konsep mungkin mendapat nilai tinggi pada soal yang sama, tetapi gagal saat soal diubah sedikit. Model AI dapat mengalami masalah serupa.

Kelima, kita akan mempelajari neural network dan deep learning secara teknis. Kita akan membahas forward pass, loss function, backpropagation, gradient descent, fungsi aktivasi, optimizers, initialization, dropout, batch normalization, dan diagnosis pelatihan. Banyak istilah ini akan dijelaskan dari awal saat tiba waktunya. Pada tahap ini, pembaca diharapkan mulai melihat bahwa “melatih model” bukan sekadar menjalankan kode, tetapi proses ilmiah yang memerlukan hipotesis, eksperimen, pengukuran, dan koreksi.

Keenam, kita akan bergerak ke domain utama: computer vision, data sekuensial, natural language processing, Transformer, pretraining skala besar, LLM dalam praktik, fine-tuning, alignment, retrieval-augmented generation, agentic AI, reinforcement learning, dan AI multimodal. Bagian ini menghubungkan fondasi dengan teknologi mutakhir.

Ketujuh, kita akan menutup dengan aspek produk, interpretabilitas, etika, tata kelola, AGI, dan agenda riset masa depan. AI tidak hidup di ruang hampa. Model yang akurat di notebook eksperimen belum tentu aman, murah, cepat, adil, atau sesuai regulasi ketika dipakai oleh ribuan orang. Seorang praktisi AI yang baik harus memahami sistem teknis sekaligus konsekuensi sosialnya.

Sikap belajar yang diperlukan

Belajar AI pada tingkat sarjana membutuhkan dua sikap yang tampak berlawanan tetapi sebenarnya saling melengkapi: rasa ingin tahu dan skeptisisme ilmiah.

Rasa ingin tahu membuat kita berani bertanya: mengapa model bisa belajar? Apa yang terjadi jika data berubah? Mengapa Transformer bekerja sangat baik untuk bahasa? Bagaimana model menghasilkan jawaban? Apakah mungkin sistem AI memiliki kemampuan umum?

Skeptisisme ilmiah membuat kita berhenti sebelum menerima klaim terlalu cepat. Jika sebuah model dikatakan “lebih cerdas”, kita bertanya: diukur dengan benchmark apa? Dibandingkan baseline apa? Apakah data uji bebas dari kebocoran? Apakah hasilnya signifikan secara statistik? Apakah performa tinggi pada satu dataset berarti sistem aman di dunia nyata? Apakah demo yang mengesankan mencerminkan kemampuan umum atau hanya contoh yang dipilih dengan hati-hati?

Kedua sikap ini akan menjaga pembaca dari dua ekstrem. Ekstrem pertama adalah menganggap AI hanya hype dan tidak perlu dipelajari. Ini keliru, karena AI memang telah menghasilkan kemajuan teknis nyata dan aplikasi bernilai tinggi. Ekstrem kedua adalah menganggap AI sebagai kecerdasan ajaib yang selalu benar. Ini juga keliru, karena model AI tetap merupakan sistem buatan manusia yang bergantung pada data, tujuan pelatihan, desain evaluasi, dan konteks penggunaan.

Contoh peta mental: satu tugas, banyak pendekatan

Untuk melihat bagaimana berbagai konsep dalam buku ini terhubung, ambil satu tugas sederhana: membuat sistem yang menjawab pertanyaan mahasiswa tentang materi kuliah.

Pendekatan pertama adalah sistem berbasis aturan. Kita menulis daftar pertanyaan dan jawaban. Jika mahasiswa bertanya “Kapan ujian?”, sistem menjawab berdasarkan kalender. Sistem ini mudah dikendalikan, tetapi kaku.

Pendekatan kedua adalah machine learning klasik. Kita mengumpulkan contoh pertanyaan dan mengklasifikasikannya ke dalam kategori seperti jadwal, nilai, materi, atau administrasi. Model seperti regresi logistik atau support vector machine dapat membantu memilih kategori. Sistem ini lebih fleksibel, tetapi masih terbatas pada label yang disediakan.

Pendekatan ketiga adalah neural network untuk memahami teks. Model memetakan pertanyaan ke representasi vektor, lalu menggunakan representasi itu untuk klasifikasi atau pencarian jawaban. Sistem dapat menangkap pola bahasa yang lebih kaya.

Pendekatan keempat adalah LLM. Mahasiswa dapat bertanya dalam bahasa alami, dan model menghasilkan jawaban yang lebih luwes. Namun, jika model tidak terhubung ke sumber resmi, ia dapat memberikan jawaban yang salah tentang jadwal atau kebijakan kampus.

Pendekatan kelima adalah retrieval-augmented generation. Sistem mencari dokumen resmi terlebih dahulu, misalnya silabus, kalender akademik, dan peraturan, lalu meminta LLM menjawab berdasarkan dokumen tersebut. Ini membantu mengurangi jawaban yang tidak berdasar, meskipun tidak menghilangkan seluruh risiko.

Pendekatan keenam adalah agentic AI. Sistem tidak hanya menjawab, tetapi dapat menjalankan langkah-langkah: mencari jadwal, memeriksa prasyarat mata kuliah, membuat rangkuman materi, mengirim pengingat, atau membuka tiket bantuan. Pada tahap ini, risiko meningkat karena model diberi kemampuan bertindak. Evaluasi, otorisasi, keamanan, dan audit menjadi sangat penting.

Satu contoh ini memperlihatkan arah perjalanan buku: dari aturan sederhana, ke pembelajaran dari data, ke model representasi, ke LLM, ke sistem terintegrasi yang harus dirancang secara bertanggung jawab.

Tujuan akhir buku ini

Setelah menyelesaikan buku ini, pembaca diharapkan memiliki empat kemampuan utama.

Pertama, pembaca mampu memahami konsep inti AI secara teknis, bukan hanya sebagai istilah populer. Ketika mendengar kata embedding, attention, fine-tuning, reward model, atau hallucination, pembaca dapat menjelaskan maknanya dengan contoh.

Kedua, pembaca mampu membaca hasil eksperimen AI dengan kritis. Misalnya, pembaca dapat menilai apakah suatu klaim didukung metrik yang tepat, baseline yang adil, data yang sesuai, dan evaluasi yang dapat direproduksi.

Ketiga, pembaca mampu merancang sistem AI sederhana hingga menengah dengan pertimbangan rekayasa yang masuk akal: data, model, evaluasi, deployment, monitoring, biaya, latency, privasi, dan keamanan.

Keempat, pembaca mampu mengikuti perkembangan AI modern tanpa mudah tersesat oleh hype. Bidang ini bergerak cepat, tetapi prinsip dasarnya tidak berubah secepat nama produk. Pemahaman tentang data, optimisasi, generalisasi, representasi, evaluasi, dan risiko akan tetap berguna meskipun arsitektur dan alat berubah.

AI modern adalah bidang yang menantang karena menyatukan teori dan praktik. Ia membutuhkan matematika, tetapi juga intuisi. Ia membutuhkan eksperimen, tetapi juga kehati-hatian. Ia membuka peluang kreatif, tetapi juga membawa tanggung jawab. Buku ini mengajak Anda mempelajarinya dengan cara yang bertahap, jernih, dan ilmiah.

Mari mulai dengan peta besar kecerdasan buatan.

References

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623.

Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., Donahue, C., … Liang, P. (2021). On the Opportunities and Risks of Foundation Models. arXiv:2108.07258.

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Legg, S., & Hutter, M. (2007). Universal Intelligence: A Definition of Machine Intelligence. Minds and Machines, 17, 391–444.

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.