Pengenalan
Kedengaran utopia. Namun, ia tidak mustahil. Ini kerana pada ketika itu, tahap pencapaian perkhidmatan dalam talian sepenuhnya (E2E) sektor awam telah pun melebihi 80% dan MyGDX telah pun diperluaskan kepada lebih daripada 50 buah agensi kritikal kerajaan Malaysia.
Segalanya bermula pada tahun 2024, dipelopori oleh AIshah atau Artificial Intelligent Shared Helper and Assistant yang telah dibangunkan oleh Jabatan Digital Negara (JDN). Dilancarkan pada 22 Julai 2024 oleh Menteri Digital, YBhg. Gobind Singh Deo bersama-sama Ketua Pengarah JDN ketika itu iaitu YBrs. Ts. Dr. Fazidah pada hari bersejarah Majlis Perhimpunan Bulanan Jabatan Digital Negara.
Berdasarkan perbendaharaan kata dari Dewan Bahasa dan Pustaka, chatbot adalah program perisian kecerdasan buatan untuk berinteraksi dan berbual dengan pengguna. Namun secara umumnya, ia adalah program komputer yang direka khusus untuk berinteraksi dengan manusia dalam bentuk perbualan (Chakraborty et al., 2023) bagi mencapai tujuan tertentu; antaranya perkhidmatan pelanggan, pemasaran, kaji selidik, pembantu maya, dan lain-lain.
Dunia kini sedang dilanda fenomena chatbot generasi terbaharu yang dikuasakan oleh model bahasa raya atau Large Language Model (LLM) yang jauh lebih pintar. Gartner Inc. menyatakan chatbot yang dikuasakan oleh LLM ini akan menjadi saluran perkhidmatan pelanggan pilihan utama oleh sepertiga daripada organisasi kajiannya menjelang 2027 (Gartner, 2022). Chatbot ini jauh mengatasi kekangan-kekangan teknologi Artificial Intelligence (AI) terdahulu, yang dilihat mampu menyamai pesona seorang agen manusia (Laavanya Ramaul et al., 2024). Pada ruang lingkup umum, antara faedah penggunaan chatbot yang dikuasakan oleh LLM ini adalah:
1. Perkhidmatan pelanggan lebih efisien:
Chatbot tersedia 24/7 dan sentiasa bersedia melayani keperluan pelanggan tanpa batasan masa dan lokasi (Vassilakopoulou et al., 2022). Dalam ekosistem hibrid manusia-chatbot, sokongan chatbot dapat mengurangkan risiko lesu upaya operator manusia.
2. Pengoptimuman kos:
Automasi interaksi pelanggan yang bersifat rutin dapat mengurangkan kos operasi keseluruhan secara signifikan, sama ada daripada aspek kapasiti, lokasi fizikal mahupun masa operasi.
3. Pengalaman hospitaliti yang diperibadikan:
Chatbot boleh dilatih supaya mempunyai pesona dan boleh ditambahbaik berterusan berdasarkan profil pelanggan, menjadikan pengalaman keseluruhan yang lebih bermakna.
4. Pengukuran analitik:
Antara artifak interaksi chatbot dan pelanggan adalah data berharga; demografi dan tingkah laku. Analisis berpaksikan data ini dapat memacu penambahbaikan hospitaliti berterusan.
5. Kebolehskalaan:
Sama seperti sumber teknologi maklumat lain, kapasiti chatbot boleh diskalakan selaras permintaan tanpa kebergantungan terus kepada intervensi manusia.
Aplikasi Chatbot
Berikut adalah beberapa contoh penggunaan chatbot dalam perkhidmatan kerajaan:
1. Hebahan Maklumat:
Chatbot boleh dijadikan sebagai saluran alternatif bagi hebahan mengenai perkhidmatan kerajaan, pekeliling, garis panduan, dan lain-lain. Contohnya, baru-baru ini, Pekeliling Perkhidmatan Bilangan 1 Tahun 2024, Pelaksanaan Sistem Saraan Perkhidmatan Awam Bagi Pegawai Perkhidmatan Awam Persekutuan telah dikeluarkan oleh Jabatan Perkhidmatan Awam (JPA). Pertanyaan-pertanyaan mengenai dokumen 1000 mukasurat ini boleh ditangani dengan baik oleh chatbot.
2. Agen Perkhidmatan Kerajaan dalam Talian:
Ketersediaan ekosistem E2E dengan enjin integrasi MyGDX membolehkan rakyat melaksanakan urusan kerajaan (pendaftaran, permohonan, pembayaran) melalui antaramuka chatbot yang ringkas dan mesra pengguna seolah-olah berurusan dengan pegawai khidmat pelanggan di kaunter.
3. Aduan dan Kaunseling:
Chatbot boleh berperanan sebagai saluran untuk menangani aduan awam secara automatik dan memberikan kaunseling asas kepada pengguna. Sebagai contoh, chatbot yang diintegrasikan dengan sistem pengurusan aduan seperti Sistem Pengurusan Aduan Awam (SISPAA) boleh membantu pengguna melaporkan masalah dan mendapatkan maklum balas segera mengenai status aduan mereka. Ini memudahkan penyelesaian isu secara efisien tanpa memerlukan interaksi manusia yang berterusan.
4. Penjanaan Teks:
Antara penggunaan paling popular LLM adalah untuk membuat rumusan dokumen seperti penulisan laporan, surat rasmi, minit mesyuarat, ringkasan dokumen Jawatankuasa Pemandu ICT (JPICT) dan Jawatankuasa Teknikal ICT Sektor Awam (JTISA). Fungsi ini boleh disalurkan melalui chatbot yang mesra pengguna.
Jenis-Jenis Chatbot
Pada umumnya, chatbot terbahagi kepada dua kategori utama iaitu jenis pintar dan bukan pintar. Chatbot menu atau butang, peraturan, dan kata kunci pada umumnya bukanlah berjenis pintar. Manakala, chatbot suara boleh dikuasakan oleh AI, menjadikannya berjenis hibrid. Berikut penerangan bagi setiap satunya:
1. Kepintaran Buatan:
Avatar ini dikuasakan oleh model bahasa raya (LLM) yang membolehkannya memahami dan bertindak balas terhadap pelbagai soalan dan arahan bahasa tabi’i dengan lebih bijak. Chatbot pintar terbahagi kepada dua format iaitu statik (benaman) dan avatar tiga dimensi (3D). Chatbot berjenis statik biasanya dipaparkan dalam laman web dalam bentuk imej avatar yang statik, sama ada imej dua dimensi atau dua dimensi. Manakala chatbot avatar pula jauh lebih interaktif dan maju kerana menggabungkan elemen-elemen multimedia (suara, visual), pengecaman suara /wajah/visual, dalam satu pesona interaktif tiga dimensi.
2. Menu/Butang:
Chatbot jenis ini menawarkan pilihan menu atau butang tetap. Antara kekurangan chatbot jenis ini adalah ia tidak fleksibel dan mungkin akan membebankan pengguna jika bilangan pilihan menu terlalu besar.
3. Peraturan:
Chatbot berasaskan peraturan menggunakan set peraturan atau logik yang diprogramkan secara khusus bagi menentukan tindak balasnya. Ia sesuai bagi senario dengan aliran perbualan yang boleh diramalkan dan mungkin kurang fleksibel menangani soalan diluar skop pengaturcaraannya.
4. Suara:
Chatbot suara menggunakan teknologi pengecaman suara untuk berinteraksi dengan pengguna. Ia berguna dalam persekitaran yang memerlukan interaksi tanpa skrin.
5. Kata Kunci:
Chatbot ini bergantung pada pengesanan kata kunci dalam input pengguna untuk menentukan maklum balas. Keberkesanannya bergantung kepada keupayaan untuk mengenali kata kunci dengan tepat.
6. Chatbot Hibrid:
Chatbot yang menggabungkan pelbagai teknik seperti peraturan, kata kunci, dan kecerdasan buatan bagi meningkatkan kecekapan dan ketepatan maklum balas.
Proses Pembangunan
Berdasarkan Rajah 1, berikut adalah penerangan mengenai proses pembangunan AIshah.
Rajah 1 Proses Pembangunan AIshah
1. Pemahaman Bisnes:
Langkah paling kritikal dalam pembangunan AIshah adalah pemahaman yang mendalam dan jelas mengenai keperluan bisnes semua pemegang taruh. Skop bisnes yang kabur boleh mengakibatkan pengalaman pengguna yang tidak memuaskan serta penggunaan sumber yang tidak cekap. Contohnya, pembangunan chatbot untuk lobi pejabat dan laman web mungkin memerlukan pendekatan yang berbeza dari segi data dan pesona interaksi. Pada fasa ini, soalan-soalan yang perlu ditanya merangkumi lima W (Who, What, When, Where, Why) dan H (How):
- Tujuan (what): Apakah objektif utama pembangunan chatbot?
- Mengapa perlu chatbot? (why): Apakah sebenarnya masalah yang ia akan selesaikan?
- Siapakah pengguna? (who): Siapakah yang akan menggunakan chatbot ini?Bilakah ia digunakan? (when): Bilakah chatbot ini boleh diakses oleh pengguna
- Di manakah ia akan diletakkan? (where): Lokasi atau platform yang sesuai untuk chatbot?
- Bagaimanakah ia berfungsi? (how): Bagaimanakah interaksi dengan pengguna akan berlaku dan bagaimanakah ia mengendalikan permintaan mereka?
Jawapan kepada persoalan-soalan ini akan memandu fasa-fasa seterusnya supaya tidak tersasar dan menepati objektif.
1. Pemprosesan Data:
Kedua-dua aspek di bawah mempengaruhi secara langsung kualiti sesebuah chatbot:
i. Arkitektur Maklumat:
The Information Architecture Institute mentakrifkan arkitektur maklumat sebagai amalan untuk menyusun sesuatu koleksi maklumat (korpus) supaya ia mudah diakses dan difahami (Rex Hartson et al, 2019). Ini sangat kritikal kerana chatbot cenderung mengalami halusinasi apabila berhadapan dengan data yang tidak teratur atau berkualiti rendah, terutamanya dalam jumlah yang besar. Pada asasnya, chatbot dengan satu sumber data sahaja mampu berfungsi dengan baik, namun, apabila korpus data bertambah, ia cenderung untuk memberikan output yang kurang tepat.
Justeru, semasa pembangunan AIshah penulis telah bereksperimen dengan beberapa arkitektur maklumat kerana berhadapan dengan isu kualiti carian data dan output AIshah. Arkitektur terbaik setakat ini adalah dengan membahagikan struktur maklumat kepada dua kategori utama iaitu maklumat korporat dan garis panduan yang dibeza-bezakan setiapnya per agensi. Ini membolehkannya tidak keliru apabila ditanya soalan mengenai garis panduan umum, atau maklumat korporat sesebuah agensi. Hasilnya, ia mampu diuruskan dengan baik menerusi carian hibrid yang menggabungkan kaedah semantik dan kata kunci berdasarkan metadata.
ii. Pembersihan Data:
Pada asasnya, pembersihan data adalah minimum kerana menggunakan terus maklumat agensi sedia ada. Namun, perlu dipastikan tidak terdapat elemen-elemen tertentu seperti imej yang boleh mengganggu proses pengekstrakan teks.
2. Pemodelan:
Proses pemodelan melibatkan perkara-perkara berikut:
i. Kejuruteraan Arahan:
Kejuruteraan arahan adalah arahan khas dan spesifik yang perlu dipatuhi oleh LLM. Ia ibarat otak kepada sesuatu chatbot dan asas kepada pesona sesuatu chatbot.
ii. Embedding/Fine Tuning:
Embedding adalah proses penukaran data teks kepada bentuk vektor atau nombor yang boleh difahami oleh model AI.
4. Pengujian:
Fasa ini melibatkan pengujian model yang meliputi:
i. Pengesahan Model:
Ini memastikan model yang dibangunkan menepati kriteria dan objektif yang ditetapkan. Pengesahan model merangkumi pengujian ketepatan jawapan yang diberikan oleh AIshah—bergantung kepada pelbagai jenis pertanyaan, samada soalan itu sah mahupun tidak, serta kebolehannya mengesan konteks yang betul.
- Ethical AI:
Pada asasnya, aspek ini sangat kritikal bagi sesuatu entiti yang melibatkan kaunter hadapan. AIshah juga diuji seupayanya bagi mengelakkan sebarang bias yang tidak diingini, terutamanya apabila ia berurusan dengan pertanyaan sensitif. Pengujian ini juga memastikan bahawa chatbot tidak menimbulkan persepsi yang salah, yang mampu memberikan impak negatif kepada imej kerajaan.
5. Pemasangan:
Setelah diuji, chatbot dipasang dalam persekitaran produksi. AIshah boleh dicapai di Portal Rasmi Jabatan Digital Negara, https://www.jdn.gov.my/.
6. Pemantauan:
Reinforcement Learning from Human Feedback (RLHF): Maklum balas pengguna menerusi elemen-elemen emoji thumbs up, dan thumbs down serta sejarah perbualan dalam log interaksi digunakan secara langsung untuk memperbaiki prestasi AIshah samada daripada segi ketepatan fakta mahupun halusinasi.
Arkitektur
Berdasarkan Rajah 2, keseluruhan arkitektur AIshah disokong oleh LLM yang berfungsi sebagai teras atau enjin utama pengolahan dan pemahaman maklumat.
Rajah 2 Arkitektur AIshah
Bagi memberikan gambaran yang lebih jelas, arkitektur AIshah diterangkan secara berperingkat seperti berikut:
1. Pertanyaan Pengguna:
Proses bermula apabila pengguna mengemukakan pertanyaan kepada AIshah, seperti contoh “Siapa Ketua Pengarah JDN?” Bahasa slanga atau pasar juga disokong oleh AIshah. Walau bagaimanapun, jawapan akan sentiasa diberikan dalam Bahasa Malaysia rasmi.
2. Proses Pemikiran:
Agen RAG (Retrieval-Augmented Generation) akan menganalisis pertanyaan tersebut dan membuat inferen awal untuk memahami maklumat yang diperlukan.
3. Pemilihan Alat:
Agen RAG akan memilih alat yang bersesuaian seperti fungsi carian direktori staf atau penapis carian yang boleh membantu dalam proses penjanaan jawapan. Dalam contoh ini, ia akan mula mencari tentang “KP JDN” dari repositori maklumat yang terdiri daripada teks berstruktur dan tidak berstruktur. Data ini pada awalnya dibersihkan dan ditukarkan ke dalam bentuk vektor yang membolehkannya memahami semantik. Carian kata kunci berdasarkan metadata fail sumber juga disokong bagi menambahbaik ketepatan carian (carian hibrid).
4. Pemerhatian:
Setelah maklumat diperoleh daripada alat carian, agen RAG akan membuat sintesis terhadap maklumat yang dijumpai. Dalam contoh ini, ia menjumpai maklumat yang menyatakan “Ts. Dr. Fazidah binti Abu Bakar” adalah Ketua Pengarah Jabatan Digital Negara (JDN).
5. Proses Pemikiran:
Agen akan bertanya semula kepada dirinya sendiri, “Adakah maklumat ini betul?” sebagai satu mekanisme untuk memeriksa ketepatan maklumat yang diperoleh. Ini mungkin berlaku berkali-kali sehingga ia melepasi nilai ambang ketepatan tertentu.
6. Jawapan Akhir:
Akhirnya, chatbot akan memberikan jawapan tuntas kepada pengguna, seperti “Ketua Pengarah Jabatan Digital Negara (JDN) adalah YBrs. Ts. Dr. Fazidah binti Abu Bakar”.
Penutup
AIshah hanyalah satu pencetus revolusi bagi pengembaraan transformasi digital sektor awam Malaysia. Memanfaatkan kecerdasan buatan, AIshah bukan sahaja menetapkan piawaian baharu, bahkan ia mampu merubah lanskap pengalaman hospitaliti perkhidmatan kerajaan—satu transformasi dramatik kepada perkhidmatan yang sentiasa tersedia, lebih cekap, dan cakna kepada denyut nadi dan suara rakyat. Dengan penambahbaikan berterusan, AIshah akan memainkan peranan penting dalam merealisasikan visi kerajaan untuk perkhidmatan awam yang lebih maju dan inklusif.
AIshah menjanjikan transformasi pesona yang lebih dramatik dan interaktif pada masa hadapan. Nantikan artikel pada siri seterusnya.
Rujukan
Carian umum. Dewan Bahasa Dan Pustaka (DBP). Retrieved August 30, 2024, from https://prpm.dbp.gov.my/Cari1?keyword=chatbot&d=94740&#LIHATSINI
Gartner predicts chatbots will become a primary customer service channel within five years. (2022, July 22). Gartner. Retrieved August 30, 2024, from https://www.gartner.com/en/newsroom/press-releases/2022-07-27-gartner-predicts-cha tbots-will-become-a-primary-customer-service-channel-within-five-years
Chakraborty, C., Pal, S., Bhattacharya, M., Dash, S., & Lee, S. S. (2023). Overview of Chatbots with special emphasis on artificial intelligence-enabled ChatGPT in medical science. Frontiers in artificial intelligence, 6, 1237704.
Vassilakopoulou, P., Haug, A., Salvesen, L. M., & Pappas, I. O. (2022). Developing human/AI interactions for chat-based customer services: lessons learned from the Norwegian government. European Journal of Information Systems, 32(1), 10–22.
Laavanya Ramaul, Paavo Ritala, Mika Ruokonen, Creational and conversational AI affordances: How the new breed of chatbots is revolutionizing knowledge industries, Business Horizons, Volume 67, Issue 5, 2024, Pages 615-627.
Rex Hartson, Pardha Pyla, Chapter 7 – Usage Research Data Elicitation, Editor(s): Rex Hartson, Pardha Pyla, The UX Book (Second Edition), Morgan Kaufmann, 2019, Pages 117-142.