Aktivitas Kelas: Memandu AI melalui Dialog untuk Menyelesaikan Tugas EvoX

Halaman ini merupakan aktivitas kelas praktik: gunakan perintah dialog singkat untuk mendorong AI menghasilkan dan menjalankan tugas optimasi EvoX dasar, lalu periksa hasilnya dengan cara verifikasi ala engineer. Fokusnya bukan pada "berhasil dijalankan", melainkan pada verifikasi"manusia memberi arah, AI memberi implementasi, manusia melakukan verifikasi"sebagai siklus kerja AI Native.

Tujuan Aktivitas

Menyelesaikan siklus minimal "perintah → generasi → eksekusi → verifikasi" di lingkungan EvoX nyata, bukan sekadar mendapatkan potongan kode yang bisa dibaca. Anda perlu merasakan langsung bagaimana memandu AI melalui dialog untuk menyelesaikan tugas optimasi dasar, dan memeriksa outputnya seperti seorang engineer.

Elemen Penyusun Perintah (Tidak Boleh Ada yang Terlewat)

Masalah optimasi dan fungsi tujuan: misalnya minimalisasi fungsi Rastrigin.
Ruang pencarian dan dimensi: misalnya 10 dimensi, beserta rentang nilai setiap dimensi.
Pemilihan algoritma/operator: misalnya algoritma DE, operator crossover dan mutasi.
Ukuran populasi dan jumlah generasi iterasi: misalnya populasi 128, iterasi 200 generasi.
Backend komputasi: CPU atau tensorisasi GPU.
Output yang diharapkan: nilai optimal, kurva konvergensi, log eksekusi.

Pilihan Tingkat Kedetailan Perintah

Perintah yang terlalu umum akan memicu konfigurasi default AI, sehingga sulit menilai apakah sesuai dengan maksud Anda; perintah yang terlalu rinci justru berubah menjadi pengodean manual. Sebaiknya perjelas"batasan dan tolok ukur verifikasi", lalu serahkan detail implementasi kepada AI. Misalnya, tentukan masalah, algoritma, ukuran populasi, dan jumlah iterasi, tetapi tidak perlu menentukan secara rinci cara memanggil API.

Daftar periksa hasil eksekusi

Apakah benar-benar dieksekusi dan bukan sekadar memberikan kode?——Periksa log terminal dan waktu eksekusi.
Apakah kurva konvergensi menuju perbaikan secara monoton dan tanpa osilasi abnormal?——Kurva harus menurun secara stabil.
Apakah nilai optimal sesuai dengan skala yang diketahui untuk masalah tersebut?——Misalnya, nilai optimal global fungsi Rastrigin adalah 0.
Apakah seed acak dan konfigurasi dapat direproduksi?——Setelah seed ditetapkan, eksekusi ulang harus menghasilkan hasil yang sama atau mendekati.

Pertanyaan Lanjutan dari Sudut Pandang Verifikasi

Ketika hasil tidak sesuai harapan, tambahkan batasan melalui dialog, misalnya "tetapkan seed=42, jalankan ulang, dan berikan mean serta varians dari tiga pengulangan". Amati apakah AI dapat melakukan perbaikan iteratif alih-alih menulis ulang. Ini melatih kemampuan Anda mendeskripsikan masalah dan kriteria verifikasi secara presisi.

Pembagian peran manusia dan AI

Manusia bertanggung jawab atas definisi masalah, tolok ukur metrik, dan penilaian hasil; AI bertanggung jawab atas pemilihan API, penyusunan kode, serta debug dan eksekusi. Melalui aktivitas ini, Anda akan lebih jelas memosisikan peran Anda dalam alur kerja AI Native.

Batasan dengan Materi Terkait

Halaman ini hanya memverifikasi alur tugas dasar, tidak membahas topik lanjutan seperti evolusi dua lapis MetaDE, trade-off multi-objektif, atau multi-Agent Genesis.

Contoh Perintah Referensi

"Selesaikan nilai minimum fungsi Rastrigin (10 dimensi) dengan EvoX, gunakan algoritma DE, populasi 128, iterasi 200 generasi, backend tensorisasi GPU, tetapkan seed=42; jalankan langsung dan kembalikan fitness optimal, grafik kurva konvergensi, serta log eksekusi."

Saat verifikasi, periksa empat hal: apakah benar-benar dijalankan, apakah bentuk kurva konvergensi wajar, apakah nilai optimal mendekati 0, dan apakah hasil eksekusi ulang konsisten.

Siklus Aktivitas Kelas EvoX

Tangkapan layar interaktif ini menggambarkan siklus minimal aktivitas kelas: gunakan satu perintah agar AI menghasilkan dan menjalankan tugas optimasi EvoX. Perintah harus mencakup masalah, fungsi tujuan, ruang pencarian, algoritma, ukuran populasi, jumlah generasi iterasi, backend komputasi, dan output yang diharapkan. Setelah dijalankan, lakukan verifikasi berdasarkan apakah benar-benar dieksekusi, apakah kurva konvergensi wajar, apakah nilai optimal mendekati skala yang diketahui, dan apakah hasil dapat direproduksi dengan seed tetap—mencerminkan prinsip manusia memberi arah, AI mengimplementasikan, manusia memverifikasi.

Pertanyaan 1

Dalam aktivitas kelas, saat menyusun perintah dialog, manakah yang BUKAN elemen yang wajib ditentukan secara eksplisit?

Ukuran populasi dan jumlah generasi iterasi

Jumlah baris kode spesifik untuk implementasi algoritma

Masalah optimasi dan fungsi tujuan

Ruang pencarian dan dimensi

Pertanyaan 2

Saat memeriksa hasil eksekusi, manakah yang menjadi bukti kunci untuk memverifikasi "eksekusi nyata" dan bukan sekadar menghasilkan kode?

Terminal mengeluarkan log iterasi dan grafik kurva konvergensi

Komentar kode yang rinci

Menggunakan backend GPU

Kode memuat nama fungsi yang benar

Pertanyaan 3

Ketika hasil optimasi yang dikembalikan AI tidak sesuai harapan, apa langkah berikutnya yang paling efektif?

Menulis ulang perintah sepenuhnya dan memulai dari awal

Mengubah kode hasil generasi secara manual

Menambahkan batasan melalui dialog, misalnya menetapkan seed acak dan menjalankan ulang

Meninggalkan tugas tersebut dan beralih ke algoritma lain

Pertanyaan 4

Dalam siklus "manusia memberi arah, AI memberi implementasi, manusia melakukan verifikasi", manusia terutama bertanggung jawab atas hal berikut?

Mengoptimalkan hyperparameter algoritma

Menulis kode debug

Memilih API dan pustaka yang spesifik

Mendefinisikan masalah, tolok ukur metrik, dan penilaian hasil

Pertanyaan 5

Mengenai tingkat kedetailan perintah, manakah pendekatan yang paling tepat?

Semakin umum perintah semakin baik, biarkan AI berkarya bebas

Perjelas batasan dan tolok ukur verifikasi, serahkan detail implementasi kepada AI

Hanya berikan nama masalah, sisanya biarkan default

Semakin rinci perintah semakin baik, setara dengan pengodean manual

Studi Kasus: Memandu AI melalui Dialog untuk Menyelesaikan Tugas Optimasi EvoX

Baca skenario berikut dan jawab pertanyaannya.

Sebuah tim engineering menggunakan dialog untuk memandu AI menyelesaikan tugas optimasi EvoX: mencari nilai minimum fungsi Ackley 20 dimensi, menggunakan algoritma CMA-ES, populasi 64, iterasi 500 generasi, backend CPU, seed=123 ditetapkan, serta meminta nilai optimal dan kurva konvergensi dikembalikan. Setelah dijalankan, mereka menemukan kurva konvergensi berosilasi hebat pada fase awal, dan nilai optimal akhirnya jauh lebih besar dari 0 (nilai optimal global Ackley adalah 0). Tim ingin mendiagnosis masalah dan memperbaikinya.

Analisis kemungkinan penyebab osilasi kurva konvergensi dan nilai optimal yang tidak normal, lalu ajukan minimal dua metode untuk mendiagnosis atau memperbaikinya melalui penambahan batasan dialog.

Jawaban:
Kemungkinan penyebab: parameter ukuran langkah terlalu besar, keragaman populasi tidak memadai, parameter algoritma tidak sesuai dengan dimensi masalah, seed acak menyebabkan fluktuasi eksplorasi awal, dan lain-lain. Metode penambahan batasan: ① Tetapkan seed dan jalankan ulang tiga kali, hitung mean dan varians, amati kestabilan hasil; ② Minta output perubahan nilai optimal setiap generasi, periksa apakah terjadi konvergensi; ③ Sesuaikan ukuran langkah atau ukuran populasi, lalu jalankan ulang.

Pada tahap verifikasi, selain memeriksa nilai optimal, aspek apa lagi yang harus diperiksa untuk memastikan hasilnya andal? Sebutkan minimal tiga poin pemeriksaan beserta maknanya.

Jawaban:
① Apakah benar-benar dieksekusi: periksa log terminal dan waktu eksekusi untuk memastikan kode benar-benar dijalankan, bukan sekadar dihasilkan. ② Bentuk kurva konvergensi: apakah menuju perbaikan secara monoton, ada tidaknya osilasi abnormal, untuk menilai kestabilan algoritma. ③ Skala nilai optimal: bandingkan dengan nilai optimal global yang diketahui yaitu 0; jika jauh lebih besar dari 0, kemungkinan belum konvergen. ④ Reproduktibilitas: jalankan ulang setelah seed ditetapkan, hasil harus konsisten; jika tidak, berarti ada gangguan acak. ⑤ Kewajaran waktu eksekusi: waktu yang terlalu lama dapat menandakan masalah efisiensi.