Peneliti MIT Percepat Pelatihan AI di Smartwatch dan Perangkat Edge hingga 81%

CAMBRIDGE, (29 April 2026)

Mengutip laporan dari MIT News, tim peneliti dari Massachusetts Institute of Technology telah mengembangkan teknik baru yang mampu mempercepat metode pelatihan AI yang menjaga privasi pada edge devices. Inovasi ini memungkinkan perangkat sehari-hari seperti sensor dan smartwatch untuk menjalankan model AI yang lebih akurat dan aman, bahkan dalam kondisi keterbatasan sumber daya.

Melansir data dari studi tersebut, para peneliti meningkatkan efisiensi teknik yang dikenal sebagai Federated Learning. Dalam metode ini, jaringan perangkat yang saling terhubung bekerja sama untuk melatih model AI bersama. Keunggulannya adalah data pengguna tetap berada di perangkat masing-masing, sehingga privasi tetap terjaga dari potensi kebocoran di Data Center pusat.

Mengatasi Hambatan Memori dan Konektivitas

Banyak pendekatan Federated Learning saat ini mengasumsikan bahwa semua perangkat dalam jaringan memiliki memori yang cukup untuk melatih model AI secara penuh. Namun, pada kenyataannya, perangkat seperti smartwatch atau sensor nirkabel sering kali memiliki keterbatasan memori dan konektivitas yang tidak stabil.

Untuk mengatasi tantangan ini, Irene Tenison dan timnya di MIT mengembangkan kerangka kerja yang disebut FTTE (Federated Tiny Training Engine). FTTE memperkenalkan tiga inovasi utama:

1. Seleksi Parameter: Alih-alih mengirim seluruh model, FTTE hanya mengirimkan subset parameters tertentu yang paling krusial untuk akurasi model, sehingga mengurangi beban memori perangkat.
2. Pendekatan Asynchronous: Server tidak perlu menunggu semua perangkat selesai mengirimkan pembaruan. Server akan mengakumulasi data yang masuk hingga kapasitas tertentu, lalu melanjutkan putaran pelatihan.
3. Pembobotan Waktu: Pembaruan yang diterima lebih lambat atau sudah usang diberikan bobot yang lebih kecil agar tidak menghambat akurasi model secara keseluruhan.

"Pekerjaan ini adalah tentang membawa AI ke perangkat kecil di mana saat ini tidak mungkin untuk menjalankan jenis model yang kuat ini. Kita membawa perangkat ini dalam kehidupan sehari-hari, dan kita butuh AI untuk bisa berjalan di sana, bukan hanya di server raksasa dan GPU," ujar Irene Tenison, lead author penelitian ini.

Dampak bagi Indonesia

Inovasi ini memiliki dampak signifikan bagi ekosistem teknologi di Indonesia, terutama dalam memperluas aksesibilitas fitur AI. Berdasarkan profil pengguna di tanah air, mayoritas masyarakat menggunakan perangkat smartphone kategori entry-level hingga mid-range yang memiliki keterbatasan RAM dan penyimpanan.

Dengan teknologi FTTE, pengembang aplikasi di Indonesia dapat mengimplementasikan fitur Machine Learning yang canggih—seperti deteksi kesehatan pada wearables atau personalisasi konten—tanpa membebani performa ponsel murah. Selain itu, seiring dengan penegakan UU Perlindungan Data Pribadi (UU PDP), metode ini memberikan solusi bagi sektor Fintech dan Healthtech lokal untuk melatih model AI secara aman langsung di perangkat pengguna tanpa melanggar privasi data.

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.