# Artikel Terkait Optimalisasi

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Optimalisasi", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

Terobosan Hebat Kolaborasi AI! Stanford & NVIDIA Bersinergi Hilangkan Ketidakefisienan Komunikasi AI, Kecepatan Penalaran Meningkat 2.4 Kali

Peneliti dari UIUC, Stanford, NVIDIA, dan MIT mengusulkan RecursiveMAS, sistem baru yang memungkinkan beberapa agen AI berkolaborasi tanpa harus berkomunikasi melalui teks. Alih-alih menghasilkan bahasa alami, agen-agen tersebut langsung bertukar representasi vektor dalam "ruang laten", mirip seperti telepati. Metode tradisional menyebabkan "pajak bahasa" di mana setiap agen perlu menerjemahkan pemikiran internal menjadi teks dan sebaliknya, menghabiskan waktu, token, dan kehilangan informasi. RecursiveMAS menghilangkan langkah penerjemahan ini dengan modul RecursiveLink yang ringan, hanya melatih sekitar 0.31% parameter. Hasil pengujian pada berbagai tugas (matematika, kode, dll.) menunjukkan peningkatan akurasi rata-rata 8.3%, kecepatan inferensi hingga 2.4 kali lebih cepat, dan pengurangan konsumsi token hingga 75.6%. Keuntungan ini semakin besar dengan kedalaman rekursi. Sistem ini membuka jalur penskalaan baru untuk sistem multi-agen dengan memperdalam rekursi, bukan hanya menambah jumlah agen. Namun, tantangan seperti verifikasi independen, kompatibilitas model heterogen, dan penurunan kemampuan interpretasi masih perlu diatasi.

marsbit2 hari yang lalu 00:15

Terobosan Hebat Kolaborasi AI! Stanford & NVIDIA Bersinergi Hilangkan Ketidakefisienan Komunikasi AI, Kecepatan Penalaran Meningkat 2.4 Kali

marsbit2 hari yang lalu 00:15

Bagaimana Menjadi Pengguna Claude Level Tinggi dalam 30 Hari?

**Bagaimana Menjadi Pengguna Claude Lanjutan dalam 30 Hari?** Kebanyakan orang menggunakan Claude seperti mesin pencari: tanya, baca, tutup. Tidak ada akumulasi pengetahuan atau sistem. Namun, dengan 30 hari konfigurasi sadar, Anda bisa mengubah Claude menjadi sistem operasi kerja pribadi yang memahami konteks, preferensi, dan alur kerja Anda. **Minggu 1: Kuasai Fondasi yang Sering Diabaikan** * **Hari 1-2:** Pelajari penulisan *prompt* terstruktur: **Peran, Konteks, Tugas, Format, Batasan**. * **Hari 3-4:** Pahami *context window* (hingga 200K token). Letakkan informasi kunci di awal dan akhir percakapan. * **Hari 5-7:** Atur **Proyek** (mis., kerja utama, riset, penulisan) dan aktifkan **Memory** untuk profil pribadi yang konsisten. **Minggu 2: Bangun Alur Kerja Pertama Anda** * **Hari 8-9:** Buat templat **alur kerja riset** yang dapat digunakan kembali. * **Hari 10-11:** Bangun **alur kerja penulisan** dua langkah (buat kerangka, lalu tulis lengkap). * **Hari 12-14:** Buat **alur kerja pengambilan keputusan** untuk menganalisis opsi secara sistematis. **Minggu 3: Biarkan Claude Bekerja Secara Otonom** * **Hari 15-17:** Gunakan **Claude Cowork** untuk menjalankan tugas multi-langkah di folder komputer Anda. * **Hari 18-19:** Hubungkan alat kerja Anda (**Google Drive, Slack, Gmail**, dll.) untuk akses data langsung. * **Hari 20-21:** Atur **tugas otomatis** pertama (mis., ringkasan harian otomatis, laporan mingguan). **Minggu 4: Akumulasi Majemuk dan Optimasi Sistem** * **Hari 22-24:** Evaluasi dan optimasi semua alur kerja berdasarkan kualitas output. * **Hari 25-26:** Bangun **basis pengetahuan** pribadi dari output Claude terbaik untuk konteks masa depan. * **Hari 27-28:** Ajarkan sistem ini kepada kolega untuk memperdalam pemahaman Anda. * **Hari 29-30:** Rancang **sistem operasi Claude ideal** Anda, petakan semua alur kerja, alat, dan ritme penggunaan. **Hari ke-31:** Claude akan menjadi asisten otomatis yang siap bekerja—dokumen perencanaan, riset, laporan tim sudah tersedia. Anda fokus pada penilaian kreatif dan strategi, sementara sistem menangani sisanya. Perbedaannya bukan pada trik, tapi pada sistem yang berjalan. Mulailah dengan 15 menit menyiapkan Proyek pertama Anda malam ini.

marsbit05/20 08:10

Bagaimana Menjadi Pengguna Claude Level Tinggi dalam 30 Hari?

marsbit05/20 08:10

Era Auto Research: 47 Tugas Tanpa Jawaban Baku Jadi Daftar Wajib Uji Kemampuan Agent

Di era Auto Research, 47 tugas tanpa jawaban standar kini menjadi patokan wajib untuk mengukur kemampuan Agent AI. Biasanya, AI Agent tampak serba bisa, namun sebenarnya banyak yang hanya mengandalkan pengetahuan dalam basis data yang sudah ada. Dunia rekayasa nyata lebih keras: stabilitas robot bawah air, batas litium pada baterai, pengendalian kebisingan sirkuit kuantum — masalah-masalah ini tidak memiliki "jawaban sempurna", hanya "optimisasi yang mendekati batas maksimal". Baru-baru ini, Frontier-Eng Bench dari Einsia AI's Navers lab menghadirkan perubahan paradigma. Alih-alih menguji AI dengan soal pemrograman lama, benchmark ini memberikan sistem "loop rekayasa" yang lengkap: mengusulkan solusi, terhubung ke simulator, menerima umpan balik dan error, memperbaiki parameter, dan menjalankannya kembali. Dalam 47 tugas lintas disiplin yang menantang, AI harus bertindak seperti insinyur berpengalaman, mencari solusi optimal di antara tiga kendala yang sulit: daya, keamanan, dan kinerja. Ini bukan sekadar kumpulan tes, melainkan gambaran evolusi Agent. Hasil pengujian menunjukkan bahwa model seperti GPT-5.4 berkinerja cukup stabil, tetapi masih jauh dari menyelesaikan seluruh benchmark. Penelitian ini mengungkap pola penting: peningkatan kinerja AI mengikuti hukum pangkat (power law), di mana kemajuan awal cepat tetapi semakin sulit dan kecil seiring waktu. Selain itu, kedalaman eksplorasi (depth) lebih krusial daripada sekadar menjalankan banyak percobaan paralel (width) untuk mencapai terobosan. Implikasi jangka panjangnya adalah potensi lahirnya "AI Engineer". Di masa depan, manusia mungkin fokus pada penentuan tujuan dan arahan, sementara AI akan bekerja tanpa lelah untuk mengoptimalkan solusi — menjalankan simulasi, menganalisis hasil, dan melakukan iterasi terus-menerus menuju target yang ditetapkan. Frontier-Eng Bench menandai langkah menuju sistem AI yang dapat berevolusi secara mandiri dalam loop umpan balik jangka panjang, membawa kita lebih dekat ke era penelitian otomatis (Auto Research) di mana AI aktif berkontribusi dalam memecahkan masalah rekayasa dunia nyata yang kompleks.

marsbit05/13 07:29

Era Auto Research: 47 Tugas Tanpa Jawaban Baku Jadi Daftar Wajib Uji Kemampuan Agent

marsbit05/13 07:29

Bagaimana Mengotomatiskan Setiap Alur Kerja dengan Claude Skills (Tutorial Lengkap)

**Panduan Lengkap: Mengotomatiskan Alur Kerja dengan Claude Skills** Claude Skills adalah file instruksi permanen yang disimpan di komputer Anda, dirancang untuk memberi tahu Claude cara menyelesaikan tugas tertentu secara konsisten dan berkualitas tinggi. Berbeda dengan prompt biasa yang hanya menjadi awal percakapan, Skills bertindak seperti karyawan terlatih yang mengikuti proses, standar, dan format output yang sama setiap kali. **Mengapa Skills Sangat Berharga?** Skills menawarkan kualitas yang terstandarisasi dan dapat diandalkan. Dengan lebih dari 80.000 Skills komunitas dan Skills resmi dari Anthropic, alat ini masih sering kurang dimanfaatkan karena kurangnya panduan yang jelas. **Tahap 1: Instalasi Cepat (5 Menit)** Skills adalah folder di komputer Anda yang berisi file `SKILL.md`. Untuk menginstal: - Kunjungi skillsmp.com atau github.com/anthropics/skills. - Pilih Skill yang relevan, ikuti petunjuk instalasi. - Terapkan pada tugas nyata dan bandingkan hasilnya dengan metode prompt biasa. **Tahap 2: Membuat Skill Kustom dari Awal** Sebelum mulai, jawab tiga pertanyaan: 1. **Apa tujuan Skill ini?** (Contoh: "Menulis email tindak lanjut untuk calon klien yang menghadiri webinar, menyebutkan sesi spesifik, menyertakan studi kasus, dan mengajak menjadwalkan demo 15 menit."). 2. **Kapan Skill ini diaktifkan?** (Daftar 5 frasa pemicu seperti "tulis email tindak lanjut"). 3. **Seperti apa output yang sempurna?** (Berikan contoh nyata). **Struktur File SKILL.md:** - **Bagian 1:** YAML frontmatter (nama dan deskripsi spesifik). - **Bagian 2:** Instruksi alur kerja langkah demi langkah, contoh, dan penanganan kasus khusus. **Tahap 3: Uji dan Optimalkan ke Level Produksi** Uji Skill dengan tiga skenario: 1. **Jalur reguler** (80% kasus penggunaan). 2. **Kasus batas** (input tidak biasa atau tidak lengkap). 3. **Uji tekanan** (tugas paling kompleks dan berantakan). Lakukan pengoptimalan mingguan berdasarkan kegagalan. Dalam satu bulan, Skill akan menghasilkan output setara profesional manusia. **Tahap 4: Bangun Perpustakaan Skills untuk Industri Anda** Buat satu Skill untuk setiap tugas berulang dalam alur kerja Anda. Contoh per bidang: - **Pemasaran:** Pembuat brief acara, penulis iklan, perencana kalender konten. - **Keuangan:** Pemroses laporan pengeluaran, analis faktur, penjelas perbedaan anggaran. - **Konsultasi:** Penyusun proposal, alat persiapan wawancara kebutuhan. Dengan 10 Skills yang menghemat 30 menit per minggu, Anda dapat menghemat 260 jam per tahun. Skills mengubah cara kerja: dari mengulang instruksi manual menjadi memiliki sistem otomatis yang efisien. Mulailah membangun perpustakaan Skills Anda sekarang.

marsbit05/12 09:59

Bagaimana Mengotomatiskan Setiap Alur Kerja dengan Claude Skills (Tutorial Lengkap)

marsbit05/12 09:59

Claude-mu Akan Bermalam Ini, Jangan Ganggu Ia

Anthropic memperkenalkan fitur "Dreaming" (Bermimpi) pada platform Managed Agents, yang memungkinkan AI Agent secara otomatis menganalisis dan mengoptimalkan log dari sesi tugas sebelumnya saat tidak aktif. Proses ini mirip dengan konsolidasi memori dalam tidur manusia, di mana AI menyaring informasi penting dari riwayat operasinya (seperti pola keberhasilan atau kegagalan) untuk meningkatkan kinerja di masa depan. Fitur serupa juga dikembangkan oleh Hermes Agent dan OpenClaw, yang menggunakan mekanisme "mimpi" untuk menyempurnakan keterampilan dan memori jangka panjang AI. Artikel ini mengeksplorasi bagaimana istilah-istilah manusia seperti "berpikir", "ingatan", dan kini "bermimpi" semakin banyak diterapkan pada teknologi AI. Penggunaan bahasa ini tidak hanya bersifat metaforis tetapi juga membentuk persepsi pengguna tentang AI sebagai entitas yang lebih hidup dan mandiri. Namun, secara teknis, "Dreaming" pada AI adalah proses pengolahan data offline yang bertujuan untuk efisiensi dan pembelajaran mandiri, berbeda dengan mimpi manusia yang melibatkan kesadaran. Tantangan kontekstual dalam AI, seperti batasan memori (KV Cache) dan kebutuhan akan jendela konteks yang lebih besar (seperti model SubQ yang mengklaim 12 juta token), mendorong pengembangan fitur seperti "Dreaming" untuk membantu AI mengelola informasi dengan lebih cerdas. Artikel ini mengajak pembaca untuk mempertanyakan bagaimana bahasa membentuk hubungan kita dengan teknologi dan menggeser tanggung jawab dari pengembang ke AI itu sendiri.

marsbit05/11 00:20

Claude-mu Akan Bermalam Ini, Jangan Ganggu Ia

marsbit05/11 00:20

Penerima Turing Award Sutton Karya Baru: Selesaikan Kelemahan Besar Pembelajaran Penguatan Streaming dengan Formula 1967

Sebuah makalah baru oleh Arsalan Sharifnassab dkk. (termasuk pemenang Turing Award Richard Sutton) mengatasi "rintangan aliran" (*stream barrier*) dalam pembelajaran penguatan (*reinforcement learning*) secara mendalam. Masalahnya adalah ketidakmampuan belajar "langkah demi langkah" (*online/streaming*) dengan ukuran *batch*=1 dan tanpa *buffer replay*. Alasannya adalah langkah pembelajaran (*step-size*) tradisional hanya mengontrol seberapa besar parameter bergerak, bukan perubahan pada keluaran fungsi, sehingga menyebabkan pembaruan yang tidak stabil. Solusinya disebut **"Intentional Updates" (Pembaruan Berdasarkan Niat)**, sebuah ide yang meluas dari algoritma NLMS tahun 1967. Alih-alih menetapkan ukuran langkah untuk parameter, metode ini menetapkan **"niat"** untuk mengubah *output* fungsi—seperti memperkecil kesalahan prediksi nilai sebesar 5%—lalu menghitung mundur ukuran langkah yang diperlukan. Ini menghasilkan algoritma seperti Intentional TD, Intentional Q, dan Intentional Policy Gradient. Dalam eksperimen, metode ini mencocokkan kinerja algoritma canggih seperti SAC (dalam kontrol berkelanjutan) dan DQN (pada permainan Atari) dalam pengaturan *streaming*, dengan komputasi yang jauh lebih ringan (1/140 FLOP SAC) dan tanpa banyak penyesuaian hiperparameter. Kerangka kerja ini lebih tangguh dan mengurangi ketergantungan pada trik stabilisasi, meskipun ada masalah bias yang perlu ditangani dalam pembelajaran kebijakan. Pendekatan ini membuka jalan untuk sistem AI yang dapat belajar terus-menerus dan beradaptasi secara *online* seperti manusia, cocok untuk robotika dan perangkat *edge* dengan sumber daya terbatas.

marsbit05/10 06:38

Penerima Turing Award Sutton Karya Baru: Selesaikan Kelemahan Besar Pembelajaran Penguatan Streaming dengan Formula 1967

marsbit05/10 06:38

Segalanya Bisa 'Disemaglutida': Efisiensi di Atas Segalanya, Pasar Prediksi, Ekonomi Sensasi, dan Perang

Analis makro Kyla Scanlon mengkritik narasi "optimasi" yang merajalela dalam masyarakat modern, menyoroti bagaimana obsesi terhadap efisiensi dan perbaikan instan justru menjadi pelarian dari akar masalah sistemik. Tulisan ini mengeksplorasi konsep "Ozempicization" – dinamika di mana tubuh, keyakinan, dan bahkan perang diubah menjadi aset yang dapat dikontrol dan diperdagangkan, dari obat penurun berat badan seperti Ozempic hingga pasar prediksi dan ekonomi spekulasi. Scanlon berargumen bahwa keinginan untuk kontrol ini adalah respons terhadap nihilisme finansial, di mana orang merasa tertinggal secara ekonomi (80% Gen Z dan 75% Milenial, menurut survei) dan beralih ke perjudian, crypto, dan "maleosphere" untuk mencari stabilitas yang cepat. Namun, solusi ini justru menciptakan ketergantungan dan tidak pernah menyelesaikan masalah utamanya. Tubuh menjadi tempat utama untuk exert kontrol, seperti yang ditunjukkan oleh eksperimen anti-penuaan Bryan Johnson dan tren "looksmaxxing". Pasar keyakinan (belief markets) seperti pasar prediksi dan cryptocurrency mengambil keuntungan dari keputusasaan ini, menjual narasi alih-alih nilai fundamental, dengan janji kontrol yang jarang terwujud. Ekstraksi ini berlanjut ke ranah spektakel, di mana perang dan kebijakan dikomunikasikan melalui meme, menggantikan tata kelola yang serius dengan hiburan. Kesimpulan Scanlon menyerukan pergeseran dari optimasi individu yang sempit menuju perbaikan sistemik yang membangun harapan, bukan memanfaatkan keputusasaan.

marsbit03/29 01:14

Segalanya Bisa 'Disemaglutida': Efisiensi di Atas Segalanya, Pasar Prediksi, Ekonomi Sensasi, dan Perang

marsbit03/29 01:14

Alkitab Arbitrase Polymarket: Perbedaan Sebenarnya Ada di Infrastruktur Matematika

Polymarket Arbitrase Alkitab: Kesenjangan Sebenarnya Ada di Infrastruktur Matematika Artikel ini membongkar kompleksitas arbitrase di Polymarket, menekankan bahwa kesenjangan utama bukan hanya kecepatan, tetapi infrastruktur matematika. Sementara trader manual menghitung peluang sederhana, sistem kuantitatif memindai 17.218 kondisi dan menganalisis 2^63 kombinasi hasil dalam milidetik menggunakan pemrograman integer untuk mendeteksi ketergantungan logis antar-pasar. Arbitrase optimal dihitung dengan proyeksi Bregman (menggunakan divergensi KL) alih-alih jarak Euclidean, karena perubahan harga ekstrem memiliki dampak informasi yang lebih besar. Algoritma Frank-Wolfe digunakan untuk mendekati solusi optimal secara iteratif tanpa enumerasi kekerasan. Tantangan eksekusi termasuk risiko non-atomic execution (order tidak dieksekusi bersamaan) dan kedalaman likuiditas terbatas. Sistem produksi melibatkan pipa data real-time, deteksi dependensi dengan LLM (akurasi 81.45%), dan manajemen posisi dengan formula Kelly yang dimodifikasi. Dalam setahun, $39,6 juta diambil sebagai laba arbitrase, dengan trader teratas menghasilkan $2 juta dari 4.049 transaksi. Profit ini dicapai melalui presisi matematika sistematis, bukan keberuntungan.

marsbit03/11 05:23

Alkitab Arbitrase Polymarket: Perbedaan Sebenarnya Ada di Infrastruktur Matematika