Meskipun Large Language Models (LLM) mendominasi perhatian dalam pengembangan Artificial Intelligence (AI), tantangan terkait biaya pelatihan yang tinggi (mencapai jutaan dolar), waktu pelatihan yang lama (berbulan-bulan), dan kebutuhan sumber daya komputasi yang besar mendorong pergeseran tren. Banyak perusahaan perangkat lunak, terutama yang ingin mempercepat pengembangan solusi AI, kini mulai beralih ke Small Language Models (SLM).
SLM menawarkan pendekatan yang lebih efisien karena membutuhkan daya komputasi dan memori yang lebih rendah. Model ini dapat dilatih menggunakan dataset yang lebih kecil dan dirancang untuk tugas-tugas yang lebih spesifik, sehingga tidak hanya lebih cepat untuk dilatih dan diimplementasikan, tetapi juga mampu menyaingi atau bahkan melampaui model lain dengan ukuran serupa untuk tugas tersebut.
Dengan parameter yang lebih sedikit, SLM dapat dibangun atau diadaptasi dari LLM yang sudah ada. Ukurannya yang lebih kecil juga memungkinkan SLM dijalankan secara lokal (on-premise) tanpa ketergantungan penuh pada penyimpanan cloud.
SLM yang bersifat open-source menjadi semakin ideal bagi bisnis. Dengan pelatihan menggunakan dataset perusahaan yang dipilih secara selektif, model ini dapat membantu menyaring konten yang tidak relevan atau tidak pantas, serta mengatasi isu krusial seperti tata kelola, risiko, privasi, dan mitigasi bias.
SLM sangat cocok untuk bisnis yang ingin mengadopsi AI, terutama dengan keterbatasan sumber daya, anggaran, atau waktu. Pasar SLM diproyeksikan akan tumbuh stabil sebesar 15% dalam lima tahun ke depan.
Dalam konteks perencanaan bisnis, AI diperkirakan dapat menyederhanakan proses dengan foundation model yang lebih cepat dalam meramalkan variabel. Sebagai contoh, SLM seperti Tiny Time Mixers (TTM) mampu menghasilkan outputberbasis waktu secara cepat untuk memprediksi tren di berbagai bidang, termasuk kemacetan lalu lintas, konsumsi listrik, keuangan, dan ritel.
Kolaborasi antara SLM dan LLM juga menunjukkan potensi besar. Misalnya, TTM dapat bekerja sama dengan LLM seperti Granite 3.2 dari IBM. Kombinasi ini memanfaatkan kecepatan TTM dengan kemampuan penalaran mendalam dan pemahaman kontekstual dari Granite 3.2, menghasilkan respons yang lebih cepat dan akurat, serta menyempurnakan alur kerja pemecahan masalah melalui chain-of-thought reasoning.
Perusahaan yang mengimplementasikan AI perlu menyeimbangkan antara kekuatan dan kepraktisan. Analogi yang sering digunakan adalah SLM seperti mobil balap (cepat untuk tugas spesifik) dan LLM seperti truk tronton (kuat untuk beban besar).
Model yang menawarkan rasio performa-terhadap-ukuran yang tinggi, sambil memaksimalkan keamanan, kinerja, dan efisiensi biaya, akan lebih mudah diintegrasikan ke dalam lingkungan bisnis.
Oleh karena itu, banyak perusahaan kini cenderung mengadopsi pendekatan hybrid, yaitu menggabungkan LLM dan SLM. Model yang lebih besar (LLM) digunakan terlebih dahulu untuk menyelesaikan masalah bisnis yang kompleks. Setelah solusi ditemukan, model yang lebih kecil (SLM) digunakan untuk mereplikasi temuan tersebut secara cepat dan efisien dari segi biaya.
Di masa mendatang, SLM diprediksi akan memainkan peran penting dalam evolusi agen AI. Model ini dapat mendukung tingkat otonomi yang lebih tinggi, penalaran yang lebih canggih, dan kemampuan pemecahan masalah yang semakin kompleks pada agen AI.
Kemampuan agen yang krusial seperti penalaran lanjutan dan pemanggilan fungsi spesifik (penting untuk terhubung dengan API eksternal, mengevaluasi ulang pendekatan, dan melakukan koreksi diri) dapat didukung oleh SLM.
“Inilah sebabnya mengapa banyak perusahaan yang semakin melirik SLM,” ujar Roy Kosasih, Presiden Direktur, IBM Indonesia. “Dengan memanfaatkan sistem AI atau menjalankan AI generatif berdasarkan model bahasa yang lebih kecil atau model yang sesuai dengan kebutuhan, biaya operasional AI dapat dikurangi secara signifikan. Hal ini tidak hanya meningkatkan efisiensi, tetapi juga meningkatkan akurasi, mempercepat proses, dan pada akhirnya meningkatkan keuntungan.”
Dengan demikian, SLM menjadi komponen penting dalam lanskap AI di tahun 2025 dan seterusnya, menawarkan keseimbangan antara kekuatan komputasi dan kepraktisan implementasi bagi berbagai jenis bisnis dan aplikasi.
Disclosure: Artikel ini disusun dengan bantuan AI dan dalam pengawasan editor. Gamber header AI menggunakan Gemini.
