Sebelum Kita Mulai...
Mari sejenak kita renungkan pertanyaan berikut:
01
Pernahkah Anda membayangkan sebuah mesin atau komputer bisa berpikir dan mengambil keputusan layaknya manusia?
02
Apakah algoritma rekomendasi YouTube, filter wajah di Instagram, atau NPC di dalam game termasuk ke dalam kecerdasan buatan?
03
Di mana letak batas antara "Kecerdasan Alami" (manusia) dan "Kecerdasan Buatan" (mesin)?
Pengantar Artificial Intelligence
Kita saat ini berada di era di mana mesin tidak hanya digunakan untuk menghitung angka secara mekanis, tetapi juga dilatih untuk "memahami" pola. Mulai dari mobil yang bisa mengemudi sendiri (autonomous vehicles), asisten virtual seperti Siri dan Google Assistant, hingga sistem yang mampu mendeteksi penyakit dari citra medis dengan akurasi tinggi.
Bagi seorang engineer, Artificial Intelligence bukan sekadar sihir atau fiksi ilmiah; AI adalah kombinasi dari matematika, probabilitas, logika, dan struktur data yang dieksekusi melalui komputasi tingkat tinggi untuk menyelesaikan masalah kompleks.
Pengertian & Definisi
"Kecerdasan Buatan adalah ilmu dan rekayasa untuk membuat mesin cerdas, khususnya program komputer yang cerdas."
Definisi Modern
Secara praktis, AI adalah kemampuan sebuah sistem atau mesin untuk menginterpretasikan data eksternal dengan benar, belajar dari data tersebut, dan menggunakan pembelajaran tersebut untuk mencapai tujuan dan tugas tertentu melalui adaptasi yang fleksibel.
Sciendiverse AI
Gunakan AI Assistant di bawah ini untuk berdiskusi dan mengeksplorasi fundamental Artificial Intelligence.
Misi Eksplorasi:
Mulai obrolan dengan AI untuk memahami definisi, urgensi, hingga penerapan AI di bidang Teknik Industri.
Papan Fakta Engineer
Poin kunci yang harus dipahami seorang engineer:
- AI bukan sekadar robot fisik, melainkan algoritma & komputasi.
- AI mengandalkan probabilitas, logika, dan Big Data.
- Mampu mengotomatisasi pengambilan keputusan kompleks.
Sciendiverse AI Tutor
Asisten Pembelajaran Teknik & Rekayasa
Sejarah Perkembangan AI
Perjalanan panjang kecerdasan buatan dari sekadar gagasan filosofis hingga menjadi teknologi yang mendominasi industri modern.
Fondasi Awal
Pra-1950- Perkembangan teori logika dan komputasi matematis.
- Alan Turing mencetuskan pertanyaan fundamental: "Can machines think?"
- Pengenalan Turing Test (1950) sebagai parameter pengujian kecerdasan mesin.
Kelahiran Istilah Artificial Intelligence
1956- Diinisiasi pada Dartmouth Conference (1956) yang menjadi titik tolak riset AI.
- John McCarthy secara resmi menciptakan istilah "Artificial Intelligence".
- Dihadiri oleh pionir komputasi seperti Marvin Minsky, Claude Shannon, dan Nathaniel Rochester.
Periode Awal AI
1950s - 1970s- Era Symbolic AI dan pemecahan masalah berbasis logika (Logic-based reasoning).
- Penciptaan program General Problem Solver.
- Lahir dan berkembangnya Expert Systems (sistem pakar) untuk menduplikasi keputusan ahli spesifik.
AI Winter (Musim Dingin AI)
1970s & 1980sMengapa terjadi stagnasi?
- Penurunan drastis pada minat dan pendanaan riset AI secara global.
- Keterbatasan hardware: Teknologi dan kemampuan komputasi saat itu tidak memadai.
- Terjadi Overhype (ekspektasi yang terlalu tinggi dan tidak realistis terhadap AI).
Kebangkitan Machine Learning
1990s - 2000s- Pergeseran paradigma dari sistem berbasis aturan (rule-based) menuju sistem yang belajar dari data.
- Eksplorasi awal arsitektur Neural Networks (Jaringan Saraf Tiruan).
- Perkembangan dan penyempurnaan algoritma Machine Learning secara masif.
Era Deep Learning
2010s- Peningkatan eksponensial kemampuan komputasi berkat pemanfaatan GPU dan ketersediaan Big Data.
- Desain Neural Network yang semakin kompleks, berlapis, dan dalam (Deep).
- Terobosan revolusioner dalam bidang Computer Vision dan Speech Recognition.
Era Generative AI
2020an - Sekarang- Kemunculan Large Language Models (LLM) yang merevolusi cara mesin memahami bahasa manusia.
- Hadirnya chatbot super cerdas berbasis AI seperti ChatGPT, Gemini, dan DeepSeek.
- Terobosan model Text-to-image dan Multimodal AI (mengolah teks, suara, gambar, hingga video secara bersamaan).
- AI generatif kini terintegrasi langsung dalam siklus kerja harian dan industri di seluruh dunia.
Konsep Dasar Artificial Intelligence
Memahami esensi kecerdasan, tujuan rekayasa AI, dan pilar kemampuan komputasi yang membentuk masa depan teknologi.
Intelligence vs AI
Intelligence (Kecerdasan Alami): Kemampuan bawaan manusia untuk bernalar, memahami, belajar dari pengalaman, dan beradaptasi menggunakan intuisi.
Artificial Intelligence: Upaya menyimulasikan kecerdasan alami ke dalam mesin melalui algoritma matematika, probabilitas, dan komputasi tingkat tinggi.
Tujuan AI dalam Rekayasa
AI adalah disiplin ilmu komputer untuk merancang arsitektur mesin cerdas dengan tujuan:
- Mengotomatisasi tugas kognitif yang kompleks.
- Meningkatkan akurasi pemecahan masalah.
- Menciptakan sistem pakar untuk keputusan presisi.
Karakteristik Utama Sistem AI
Arahkan kursor ke setiap kotak untuk melihat detail
Data-Driven
Sangat bergantung pada ketersediaan dan kualitas data masukan.
Adaptif
Mampu menyesuaikan diri dengan pola dan informasi baru.
Otonom
Beroperasi mandiri dengan intervensi manusia yang minimal.
Goal-Oriented
Dirancang khusus untuk mencapai target atau metrik spesifik.
Kemampuan yang Ingin Dicapai AI
Arahkan kursor Anda ke setiap ikon di bawah ini untuk melihat detail kemampuannya.
Reasoning
(Penalaran)Menarik kesimpulan logis dari informasi yang ada, menerapkan aturan, dan memprediksi hasil dari suatu kondisi.
Learning
(Pembelajaran)Meningkatkan kinerja seiring berjalannya waktu dengan mengekstraksi pola dari kumpulan data (pengalaman masa lalu).
Problem Solving
(Pemecahan Masalah)Menavigasi variabel, mengidentifikasi akar kendala, dan menemukan solusi optimal untuk masalah kompleks.
Perception
(Persepsi)Menerima dan menafsirkan input dari dunia nyata melalui sensor, seperti pengenalan wajah atau suara (Computer Vision).
Decision Making
(Pengambilan Keputusan)Mengevaluasi berbagai alternatif skenario probabilitas dan memilih tindakan yang memberikan hasil paling optimal.
Language
(Pemahaman Bahasa)Mengenali, memahami, memproses, dan merespons menggunakan bahasa dan struktur komunikasi alami manusia.
4 Pendekatan Artificial Intelligence
Matriks Perspektif AI menurut Stuart Russell & Peter Norvig
Arahkan kursor ke masing-quadran untuk melihat penjelasan
Mengubah Paradigma: AI Bukan Sekadar Robot!
Banyak yang mengira AI hanyalah robot fisik. Faktanya, AI adalah tentang bagaimana sistem komputasi memproses informasi—baik itu meniru kognisi manusia, maupun menggunakan logika matematis murni untuk mencari solusi paling rasional.
Thinking Humanly
(Berpikir seperti Manusia)
Melihat bagaimana mesin dapat meniru proses kognitif dan cara kerja otak manusia (Cognitive Modeling). Ini melibatkan ilmu psikologi dan neurosains untuk membuat program yang memecahkan masalah layaknya manusia berpikir.
Thinking Rationally
(Berpikir secara Rasional)
Berfokus pada penalaran matematis dan logika murni (Laws of Thought). Mesin dituntut menggunakan silogisme dan aturan logika komputasi untuk mencapai kesimpulan yang terukur dan 100% rasional, terlepas dari insting manusia.
Acting Humanly
(Bertindak seperti Manusia)
Fokus pada perilaku dan hasil akhir. Mesin dianggap cerdas jika perilakunya saat menyelesaikan tugas tidak dapat dibedakan dari tindakan manusia biasa. Hal ini menjadi dasar dari pengujian legendaris Turing Test.
Acting Rationally
(Bertindak secara Rasional)
Bertindak sedemikian rupa untuk memaksimalkan pencapaian tujuan berdasarkan informasi (Rational Agent). Ini adalah fondasi terpenting dari pengembangan ilmu AI dan rekayasa di industri saat ini.
AI vs Machine Learning vs Deep Learning
Ketiganya sering dianggap sama, padahal memiliki hubungan hierarki Himpunan Bagian (Subset). Ibarat sebuah boneka Matryoshka Rusia, satu konsep berada di dalam konsep lainnya.
Arahkan kursor ke masing-masing area untuk melihat contohnya
Artificial Intelligence (AI)
Bidang Ilmu Utama (The Broad Field)
AI adalah payung besar dari segala upaya ilmu komputer untuk menciptakan mesin yang memiliki kecerdasan layaknya manusia. Tidak peduli bagaimana cara mesin itu dibuat—baik menggunakan aturan If-Then sederhana (berbasis aturan) maupun algoritma yang sangat rumit, selama ia bertindak cerdas, ia adalah AI.
Karakter musuh (NPC) di game Pac-Man atau bot catur lawas. Mereka tidak belajar dari pengalaman, melainkan hanya mengikuti aturan kode if-else yang diprogram manusia sejak awal.
Machine Learning (ML)
Pendekatan Pembelajaran (The Approach)
ML adalah himpunan bagian dari AI. Alih-alih diprogram secara manual dengan aturan if-else, ML menggunakan ilmu statistik agar mesin dapat belajar secara mandiri dari data. Semakin banyak data yang dimasukkan (dilatih), semakin pintar dan akurat sistem tersebut dalam menemukan pola atau membuat prediksi.
Filter Spam di Gmail Anda atau algoritma rekomendasi film di Netflix. Sistem ini tidak diprogram kaku, melainkan "mempelajari" kebiasaan jutaan pengguna untuk menebak apa yang relevan bagi Anda.
Deep Learning (DL)
Evolusi Jaringan Saraf (The Architecture)
DL adalah cabang khusus dan paling canggih dari Machine Learning. DL meniru secara struktural cara kerja otak manusia menggunakan arsitektur Artificial Neural Networks (Jaringan Saraf Tiruan) yang berlapis-lapis (Deep). DL sangat unggul dalam memproses data raksasa yang tidak terstruktur seperti gambar, suara, dan teks naratif.
Sistem Face ID di smartphone Anda, mobil Self-Driving (otonom), hingga AI generatif super cerdas seperti ChatGPT atau Gemini yang sedang Anda pelajari sekarang.
Komponen Dasar & Alur Kerja AI
Sebagai seorang engineer, Anda harus memahami bagaimana sistem AI dibangun. Sebuah mesin cerdas tidak muncul begitu saja; ia melewati proses panjang dari pengumpulan data mentah hingga mampu mengambil keputusan otonom.
Arahkan kursor ke setiap blok untuk membedah fungsinya
1. Data & Knowledge
Bahan Baku (Input)Pondasi utama dari segala kecerdasan buatan.
Data: Kumpulan fakta mentah berupa angka, teks, gambar, suara, atau pembacaan sensor IoT dari pabrik.
Knowledge: Pengetahuan domain spesifik (aturan bisnis, hukum fisika, atau kepakaran manusia) yang digunakan untuk menstrukturkan data tersebut.
"Tanpa data yang berkualitas, algoritma tercanggih sekalipun tidak akan berguna (Garbage In, Garbage Out)."
2. Algorithm & Training
Proses PembelajaranMencari pola tersembunyi menggunakan komputasi matematika.
Algorithm: Formula matematis atau kumpulan aturan komputasi (seperti Neural Networks atau Decision Trees).
Training (Pelatihan): Fase di mana algoritma memproses data mentah secara berulang-ulang, melakukan kalkulasi error, dan menyesuaikan parameter internalnya secara mandiri untuk "belajar". Fase ini membutuhkan daya komputasi tinggi (GPU).
3. AI Model
Representasi Pengetahuan"Otak Buatan" yang telah siap digunakan.
Model AI adalah hasil akhir (output) dari proses Training. Ini bukan sekumpulan data lagi, melainkan sebuah artefak perangkat lunak (persamaan matematis raksasa) yang merepresentasikan apa yang telah dipelajari oleh algoritma. Model inilah yang nantinya disimpan dan diaplikasikan ke perangkat lunak atau hardware industri.
4. Inference
Pengujian Real-TimeTahap dimana model berhadapan dengan dunia nyata.
Inference (Inferensi) terjadi ketika data baru yang belum pernah dilihat sebelumnya dimasukkan ke dalam AI Model yang sudah dilatih. Di tahap ini, sistem tidak lagi "belajar", melainkan menggunakan pengetahuannya secara seketika (*real-time*) untuk memproses input tersebut.
5. Output / Decision
Hasil AkhirTindakan atau prediksi yang dihasilkan oleh sistem.
Hasil dari proses Inference. Output bisa berupa:
- Prediction (Prediksi): Memperkirakan kapan mesin pabrik akan rusak.
- Classification (Klasifikasi): Mendeteksi barang cacat di konveyor.
- Decision/Action (Tindakan): Menghentikan mesin secara otomatis untuk mencegah kecelakaan kerja.
Bagaimana AI Belajar?
Mesin tidak pintar dengan sendirinya. Layaknya manusia, sistem AI memerlukan metode untuk menyerap informasi. Dalam ilmu Machine Learning, terdapat 3 paradigma utama cara mesin dilatih.
Arahkan kursor ke masing-masing pilar untuk membedah konsepnya
Supervised
Learning
Analogi: Belajar dengan Guru
Model dilatih menggunakan data yang sudah memiliki label (kunci jawaban). Mesin diajari dengan contoh: "Ini foto produk normal" dan "Ini foto produk cacat". Mesin lalu belajar mencocokkan input dengan output yang benar.
Deteksi cacat (Quality Control) pada komponen manufaktur menggunakan kamera sensor.
Unsupervised
Learning
Analogi: Belajar Mandiri
Mesin diberikan kumpulan data acak tanpa label/kunci jawaban. Tugas AI adalah menelusuri data tersebut secara mandiri untuk mencari struktur tersembunyi, kesamaan, atau mengelompokkan (clustering) data yang mirip.
Menganalisis ribuan data getaran mesin (IoT) untuk menemukan pola anomali yang tidak disadari manusia.
Reinforcement
Learning
Analogi: Belajar dari Pengalaman
Mesin (Agent) belajar dari lingkungan melalui sistem Reward (Hadiah) dan Punishment (Hukuman). Melalui metode coba-coba (trial-and-error), mesin akan terus memperbaiki tindakannya demi mendapatkan reward maksimal.
Robot navigasi pintar (AGV) di gudang logistik yang belajar mencari rute tercepat tanpa menabrak rintangan.
Jenis & Cabang Artificial Intelligence
AI bukanlah teknologi tunggal, melainkan sebuah konstelasi dari berbagai disiplin ilmu. Berikut adalah 10 cabang utama AI beserta peran nyatanya di bidang Teknik & Rekayasa Industri.
Arahkan kursor ke setiap kartu untuk melihat penerapan industrinya
Machine Learning
Pendekatan agar mesin belajar dari data statistik tanpa diprogram secara eksplisit.
Predictive Maintenance: Memprediksi kapan mesin bubut CNC akan rusak berdasarkan pola data getaran masa lalu, mencegah downtime pabrik.
Deep Learning
Bagian dari ML yang menggunakan Jaringan Saraf Tiruan berlapis untuk data sangat kompleks.
Advanced Quality Control: Menganalisis citra X-Ray produk logam untuk mendeteksi retakan mikro (micro-cracks) yang tak kasat mata.
Natural Language Processing (NLP)
Kemampuan mesin memahami, memproses, dan menghasilkan bahasa manusia dalam bentuk teks.
Voice of Customer (VoC): Otomatisasi ekstraksi puluhan ribu ulasan produk untuk input Quality Function Deployment (QFD).
Computer Vision
Bidang yang memungkinkan komputer memperoleh pemahaman tingkat tinggi dari gambar atau video digital.
Pengawasan K3: Kamera CCTV otomatis mendeteksi pekerja di lantai produksi yang melanggar SOP karena tidak memakai helm/APD.
Speech Recognition
Teknologi pengenalan suara otomatis yang mengubah perintah lisan menjadi teks atau tindakan.
Hands-Free Control: Teknisi memberi perintah suara pada sistem HMI (*Human Machine Interface*) saat kedua tangannya sedang merakit komponen.
Robotics
Cabang AI yang berwujud mekanik/fisik untuk berinteraksi dengan lingkungan dunia nyata.
AGV & Robotic Arm: Automated Guided Vehicles di logistik gudang dan lengan robot untuk pengelasan presisi tinggi di jalur perakitan otomotif.
Expert Systems
Program komputer yang menduplikasi kemampuan pengambilan keputusan seorang pakar manusia.
Troubleshooting Mesin: Sistem pakar diagnostik yang memandu teknisi junior langkah demi langkah saat memperbaiki turbin gas yang bermasalah.
Knowledge Representation
Cara menyusun informasi dunia nyata ke dalam format yang dapat "dipahami" dan dinalar oleh mesin (Ontologi/Graf).
Supply Chain Management: Memetakan graf relasi antar supplier, inventory, cuaca, dan demand sehingga AI dapat mendeteksi risiko rantai pasok secara keseluruhan.
Planning & Decision Making
Proses AI menyusun urutan langkah-langkah otonom untuk mencapai target yang paling efisien dari titik A ke titik B.
Production Scheduling: Algoritma mencari kombinasi penjadwalan mesin (Job Shop Scheduling) terbaik untuk menekan waktu tunggu dan meminimalkan biaya listrik.
Generative AI
Sistem AI yang dirancang untuk menghasilkan data, desain, tulisan, atau ide *baru* (seperti ChatGPT/Midjourney).
Generative Design: AI merancang bentuk alternatif rangka komponen pesawat yang menggunakan material lebih sedikit namun tetap memenuhi standar tegangan mekanis maksimum.
Konsep Intelligent Agent
Dalam ilmu rekayasa, AI tidak hanya dipandang sebagai algoritma, melainkan sebagai sebuah Entitas (Agent) yang hidup, merasakan, dan bertindak di dalam lingkungannya untuk mencapai tujuan tertentu.
Agent =
(Perceive)
(Decide)
(Act)
Anatomi Sistem Agent
Arahkan kursor ke komponen untuk memahami peran teknisnya.
Sensors
Perangkat keras/lunak yang digunakan Agent untuk "merasakan" atau menangkap data dari lingkungan sekitarnya. (Contoh: Kamera, Mikrofon, Termometer).
Perception
Proses komputasi di mana Agent memaknai data mentah dari sensor menjadi informasi yang berguna. (Contoh: Mengubah piksel gambar menjadi identifikasi "wajah manusia").
Actuators
Mekanisme atau perangkat fisik/virtual yang digunakan Agent untuk mengubah keputusan menjadi tindakan yang berdampak pada lingkungan. (Contoh: Motor servo, layar teks).
Action
Langkah aktual atau eksekusi nyata yang dilakukan oleh Actuator setelah diputuskan oleh otak AI. (Contoh: Menekan rem, membalas chat).
Environment
Dunia luar (baik fisik maupun virtual) tempat Agent beroperasi, yang keadaannya bisa berubah-ubah akibat Action sang Agent.
Goal
Tujuan akhir atau fungsi performa yang ingin dimaksimalkan oleh sang Agent. Semua keputusan diarahkan untuk memenuhi Goal ini secara rasional.
Mobil Otonom (Self-Driving Car)
Bagaimana mobil memproses siklus Agent-Environment dalam hitungan milidetik.
Kamera & LiDAR merekam kondisi jalan.
AI mendeteksi ada pejalan kaki menyeberang.
Sistem memutuskan untuk menghentikan mobil.
Aktuator menekan rem hidrolik secara otomatis.
Kondisi jalan aman, pejalan kaki bisa lewat. Siklus diulang kembali.
Kemampuan & Keterbatasan AI
Mengenal AI berarti memahami batasannya. AI bukanlah "mesin yang berpikir persis seperti manusia", melainkan mesin komputasi statistik yang sangat canggih.
Miskonsepsi Fatal Engineer
Jangan pernah menganggap AI memiliki "Kesadaran" (Consciousness) atau "Akal Sehat" (Common Sense). AI memproses deretan angka dan probabilitas, bukan makna emosional atau moralitas kehidupan nyata.
Superpower AI
Area di mana mesin komputasi jauh mengungguli kapasitas otak manusia.
Memproses Data Masif
Mampu menelan dan memproses jutaan baris data (Big Data) dalam hitungan detik, sesuatu yang mustahil dilakukan manusia secara manual.
Mengenali Pola
Sangat ahli menemukan korelasi tersembunyi (hidden patterns) dalam data acak, seperti mendeteksi anomali suhu mesin sebelum terjadi kerusakan.
Melakukan Prediksi
Memanfaatkan data historis untuk meramalkan probabilitas kejadian di masa depan, seperti memprediksi lonjakan permintaan produk bulan depan.
Otomatisasi Tugas
Menggantikan manusia dalam pekerjaan rutin, repetitif, dan berbahaya (seperti sortir barang di ban berjalan) tanpa mengenal lelah.
Optimasi Sistem
Mencari parameter paling efisien dari jutaan kombinasi kemungkinan, misalnya mencari rute logistik terpendek yang hemat bahan bakar.
Bantuan Pengambilan Keputusan
Memberikan rekomendasi berbasis data yang objektif dan bebas emosi kepada jajaran manajemen atau operator (Decision Support System).
Titik Buta (Keterbatasan)
Kelemahan inheren yang harus diantisipasi oleh para engineer.
Sangat Bergantung pada Data
Kecerdasan AI ditentukan 100% oleh kualitas data latihnya. Data buruk menghasilkan keputusan buruk (Garbage In, Garbage Out).
Bias Data (Data Bias)
Jika data yang diberikan mengandung prasangka/diskriminasi manusia, AI akan mewarisi dan memperkuat diskriminasi tersebut dalam keputusannya.
Kesalahan Prediksi
AI berbasis probabilitas, bukan kepastian absolut. Selalu ada margin *error* yang berisiko fatal jika tidak diawasi manusia.
Kurangnya Pemahaman Konteks
AI tidak memiliki *Common Sense*. Ia tidak paham nuansa budaya, sarkasme, atau situasi darurat di luar parameter yang diprogramkan.
Hallucination (Pada Generative AI)
Model AI (seperti chatbot) dapat dengan sangat percaya diri mengarang fakta, referensi, atau perhitungan palsu yang tampak seolah-olah benar.
Black Box (Sistem Tak Transparan)
Banyak model Deep Learning rumit tidak dapat menjelaskan *bagaimana* atau *mengapa* mereka sampai pada suatu keputusan (kurangnya Explainable AI).
Masalah Generalisasi
AI sangat sempit (*Narrow AI*). AI yang jago main catur tidak bisa diajak main monopoli. Ia kesulitan beradaptasi pada tugas di luar data latih spesifiknya.
Russell, S., & Norvig, P. (2003). Artificial intelligence: A modern approach (2nd ed.). Prentice Hall.
Russell, S., & Norvig, P. (2009). Artificial intelligence: A modern approach (3rd ed.). Prentice Hall.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine, 27(4), 12–14. https://doi.org/10.1609/aimag.v27i4.1904
Stone, P., Brooks, R., Brynjolfsson, E., Calo, R., Etzioni, O., Hager, G., Hirschberg, J., Kalyanakrishnan, S., Kamar, E., Kraus, S., Leyton-Brown, K., Parkes, D., Press, W., Saxenian, A., Shah, J., Tambe, M., & Teller, A. (2016). Artificial intelligence and life in 2030: One hundred year study on artificial intelligence: Report of the 2015–2016 study panel. Stanford University. https://ai100.stanford.edu/2016-report
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org/
Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1