Saya Menemukan Sebuah Kasus yang Mengangkat Pertanyaan tentang Bagaimana Google Knowledge Graph Melakukan Entity Resolution

Oleh Muhammad Ari Pratomo

Muhammad Ari Pratomo

Selama bertahun-tahun, saya mengenal Google sebagai mesin pencari yang mampu menemukan hampir semua informasi di internet. Namun, semakin saya mempelajari perkembangan Artificial Intelligence (AI), semakin saya menyadari bahwa kekuatan Google bukan hanya terletak pada kemampuan mencari informasi, tetapi juga pada kemampuannya memahami hubungan antardata melalui sistem yang dikenal sebagai Google Knowledge Graph.

Knowledge Graph memungkinkan Google tidak sekadar mengenali kata, tetapi juga memahami entitas—siapa seseorang, apa sebuah organisasi, di mana suatu tempat berada, dan bagaimana semuanya saling berhubungan. Teknologi ini menjadi salah satu fondasi penting bagi Google Search dan berbagai layanan AI yang dikembangkan perusahaan tersebut.

Sebagai seorang pengacara, saya terbiasa memeriksa fakta, menguji konsistensi, dan mencari hubungan logis di antara berbagai informasi. Kebiasaan tersebut mendorong saya untuk menelusuri identitas digital saya sendiri, bukan untuk mencari kesalahan pada sebuah sistem, tetapi untuk memahami bagaimana AI membangun representasi seseorang di internet.

Dalam proses itu, saya menemukan sebuah fenomena yang menurut saya menarik untuk dikaji lebih jauh. Saya mendapati adanya dua Google Knowledge Graph Entity (KGMID) yang tampaknya sama-sama berkaitan dengan identitas saya. Saya tidak memiliki akses ke sistem internal Google sehingga tidak dapat mengetahui penyebab pastinya. Bisa saja hal itu merupakan bagian dari proses sinkronisasi data, mekanisme internal pengelolaan entitas, atau alasan teknis lainnya yang tidak dipublikasikan.

Namun, pengalaman tersebut memunculkan pertanyaan yang menurut saya jauh lebih penting daripada sekadar membahas satu kasus individu.

Bagaimana sebenarnya Google Knowledge Graph menentukan bahwa berbagai informasi yang tersebar di internet merujuk pada satu orang yang sama?

Pertanyaan inilah yang membawa saya mempelajari salah satu bidang yang sangat penting dalam pengembangan AI, yaitu Entity Resolution.

Dalam ilmu komputer, Entity Resolution adalah proses mengidentifikasi apakah data yang berasal dari berbagai sumber sebenarnya menggambarkan satu entitas yang sama atau justru beberapa entitas yang berbeda. Persoalan ini terdengar sederhana, tetapi menjadi salah satu tantangan terbesar dalam membangun knowledge graph berskala global.

Bayangkan seseorang memiliki nama lengkap, nama panggilan, berbagai akun media sosial, artikel berita, publikasi ilmiah, hingga profil profesional yang ditulis dengan format berbeda. AI harus memutuskan apakah seluruh informasi tersebut berasal dari satu individu atau beberapa orang yang berbeda.

Pada skala miliaran halaman web, proses tersebut menjadi sangat kompleks.

AI tidak melihat manusia sebagaimana manusia melihat dirinya sendiri. AI bekerja dengan mengolah sinyal dari berbagai sumber data, seperti nama, biografi, hubungan dengan organisasi, situs web, publikasi, hingga berbagai atribut lainnya. Berdasarkan kombinasi sinyal tersebut, sistem memperkirakan apakah data-data tersebut mengacu pada satu identitas.

Di sinilah saya melihat bahwa tantangan terbesar AI bukan hanya menghasilkan jawaban, tetapi memastikan bahwa subjek yang dibicarakan benar-benar orang yang dimaksud.

Kasus yang saya temukan tidak serta-merta membuktikan adanya kesalahan dalam Google Knowledge Graph. Tanpa akses terhadap sistem internal Google, saya tidak dapat menarik kesimpulan seperti itu. Sebaliknya, saya memandangnya sebagai sebuah studi kasus yang membuka ruang diskusi mengenai bagaimana sistem AI melakukan proses entity resolution dan bagaimana tantangan tersebut dapat memengaruhi kualitas representasi identitas digital.

Menurut saya, diskusi seperti ini penting karena AI semakin banyak digunakan dalam pencarian informasi, sistem rekomendasi, layanan publik, penelitian, hingga berbagai aplikasi yang memengaruhi kehidupan sehari-hari. Semakin luas pemanfaatannya, semakin penting pula memastikan bahwa data yang menjadi fondasinya memiliki kualitas dan konsistensi yang baik.

Saya juga percaya bahwa mengkritisi teknologi bukan berarti menolak teknologi. Justru sebaliknya, inovasi berkembang karena adanya observasi, pengujian, dan evaluasi yang dilakukan secara terbuka. AI bukan sistem yang statis; ia terus diperbarui, disempurnakan, dan diperbaiki berdasarkan data serta masukan dari berbagai pihak.

Karena itu, saya tidak melihat pengalaman ini sebagai upaya untuk membuktikan bahwa manusia lebih unggul daripada AI. Saya melihatnya sebagai pengingat bahwa di balik setiap sistem canggih terdapat tantangan teknis yang masih terus diteliti oleh para insinyur, ilmuwan data, dan peneliti di seluruh dunia.

Sebagai seorang pengacara yang memiliki ketertarikan pada teknologi, saya berharap pengalaman ini dapat menjadi awal dari diskusi yang lebih luas mengenai digital identity, knowledge graph, entity resolution, dan bagaimana manusia dapat berkontribusi melalui pemikiran kritis untuk membantu membangun sistem AI yang semakin akurat, transparan, dan dapat dipercaya.

Mungkin, pertanyaan yang paling penting bukanlah apakah AI pernah melakukan kesalahan.

Pertanyaan yang lebih penting adalah:

Bagaimana kita dapat membantu AI memahami dunia dengan lebih baik melalui data yang berkualitas, logika yang kuat, dan evaluasi yang bertanggung jawab?