Generative AI: Cara Kerja, Contoh, dan Pemanfaatannya dalam Kehidupan Sehari-hari

Perkembangan Artificial Intelligence (AI) telah membawa perubahan besar dalam berbagai bidang kehidupan. Teknologi yang sebelumnya banyak digunakan untuk menganalisis data, mengenali pola, dan melakukan prediksi kini juga mampu menghasilkan berbagai jenis konten secara otomatis.

Mulai dari membuat artikel, menghasilkan gambar berdasarkan deskripsi teks, menciptakan musik, membuat video, hingga membantu menulis kode program. Kemampuan tersebut dikenal sebagai Generative AI atau kecerdasan buatan generatif.

Berbagai tools seperti ChatGPT, Google Gemini, Claude, Midjourney, dan sejumlah platform AI lainnya menjadi contoh teknologi yang memanfaatkan kemampuan generatif untuk membantu pekerjaan manusia.

Namun, bagaimana sebenarnya Generative AI bekerja? Apakah teknologi ini sama dengan AI konvensional? Apa saja jenis, contoh, dan manfaatnya dalam kehidupan sehari-hari?

Artikel ini akan membahas Generative AI mulai dari pengertian, cara kerja, teknologi yang digunakan, hingga contoh penerapannya.

1. Apa Itu Generative AI?

Generative AI adalah jenis kecerdasan buatan yang dirancang untuk menghasilkan konten baru berdasarkan pola yang dipelajari dari data pelatihan. Konten yang dihasilkan dapat berupa teks, gambar, audio, musik, video, maupun kode program.

Berbeda dengan sistem AI yang hanya melakukan klasifikasi atau prediksi berdasarkan data masukan, Generative AI memiliki kemampuan untuk menghasilkan keluaran baru berdasarkan instruksi atau konteks yang diberikan pengguna.

Sebagai contoh, pengguna dapat memberikan instruksi:
"Buatkan artikel tentang perkembangan teknologi Artificial Intelligence untuk mahasiswa."

Model Generative AI kemudian memproses instruksi tersebut dan menghasilkan tulisan sesuai konteks yang diminta.

Contoh lainnya, pengguna memberikan deskripsi:
"Buatkan ilustrasi seorang programmer sedang bekerja di depan laptop dalam ruangan modern."

AI generatif yang mendukung pembuatan gambar dapat menghasilkan ilustrasi berdasarkan deskripsi tersebut.

Dengan demikian, Generative AI tidak hanya digunakan untuk memahami atau menganalisis informasi, tetapi juga untuk menghasilkan konten baru.

Meskipun demikian, konten yang dihasilkan AI bukan berarti selalu benar, unik secara mutlak, atau bebas dari kesalahan. Hasilnya tetap perlu diperiksa sesuai kebutuhan pengguna.

2. Bagaimana Cara Kerja Generative AI?

Generative AI bekerja dengan mempelajari pola, struktur, dan hubungan yang terdapat dalam data pelatihan. Setelah proses pelatihan, model dapat menggunakan pola tersebut untuk menghasilkan keluaran baru berdasarkan masukan pengguna.

Secara umum, terdapat beberapa tahapan dalam proses kerja Generative AI.

a. Mengumpulkan dan Menyiapkan Data

Tahap pertama adalah menyediakan data yang akan digunakan untuk melatih model. Jenis data bergantung pada tujuan pengembangan AI.

Contohnya:

• Data teks untuk model bahasa.
• Data gambar untuk model pembuat gambar.
• Data audio untuk model penghasil suara atau musik.
• Data video untuk model generasi video.
• Data kode program untuk model yang membantu pemrograman.

Data tersebut perlu melalui proses pengolahan agar sesuai dengan kebutuhan pelatihan.

b. Melatih Model AI

Setelah data tersedia, model AI menjalani proses pelatihan untuk mempelajari pola yang terdapat di dalamnya. Sebagai contoh, Large Language Model (LLM) mempelajari hubungan antar-token dan konteks bahasa dari kumpulan teks dalam jumlah besar. Sementara itu, model generasi gambar dapat mempelajari hubungan antara deskripsi teks dan karakteristik visual pada gambar.

Proses pelatihan Model AI membutuhkan sumber daya komputasi, seperti GPU, memori, dan infrastruktur penyimpanan.

c. Memproses Instruksi Pengguna

Setelah model siap digunakan, pengguna dapat memberikan instruksi melalui prompt.

Misalnya:
"Buatkan ringkasan tentang manfaat teknologi AI dalam bidang pendidikan."

Instruksi tersebut menjadi masukan yang diproses oleh model.

Pada model berbasis bahasa, teks biasanya dipecah menjadi unit-unit yang disebut token. Model kemudian memproses token tersebut berdasarkan konteks yang tersedia.

d. Menghasilkan Konten

Setelah memproses masukan, model menghasilkan keluaran berdasarkan pola yang telah dipelajari.

Pada model bahasa, keluaran dihasilkan melalui prediksi token berikutnya secara bertahap.

Pada model generasi gambar berbasis diffusion, prosesnya umumnya melibatkan pembentukan gambar dari representasi yang awalnya berupa noise, kemudian disempurnakan secara bertahap berdasarkan kondisi atau prompt.

Setiap jenis Generative AI memiliki mekanisme yang berbeda, sehingga tidak semua model menghasilkan konten dengan cara yang sama.

e. Evaluasi dan Penyempurnaan

Hasil yang dihasilkan AI perlu dievaluasi untuk memastikan kesesuaian dengan kebutuhan pengguna.

Evaluasi dapat mencakup:

• Kesesuaian dengan instruksi.
• Kualitas dan relevansi konten.
• Akurasi informasi.
• Kualitas visual atau audio.
• Keamanan dan potensi bias.
• Konsistensi hasil.

Pengembang juga dapat melakukan penyempurnaan model melalui berbagai pendekatan, seperti Fine-Tuning, penyesuaian prompt, atau penggunaan data eksternal melalui RAG.

3. Jenis-Jenis Generative AI

Generative AI memiliki beberapa jenis berdasarkan bentuk konten yang dihasilkan. Berikut jenis-jenis yang banyak digunakan dalam berbagai bidang.

a. Text Generation

Text Generation merupakan kemampuan AI untuk menghasilkan teks berdasarkan instruksi atau konteks yang diberikan pengguna.

Contoh penggunaannya:

• Membuat artikel.
• Menyusun email.
• Merangkum dokumen.
• Menjawab pertanyaan.
• Membuat deskripsi produk.
• Membantu menyusun laporan.

Teknologi ini banyak digunakan pada chatbot dan asisten AI berbasis bahasa.

Contoh tools:

• ChatGPT.
• Google Gemini.
• Claude.

b. Image Generation

Image Generation adalah kemampuan AI untuk menghasilkan gambar berdasarkan deskripsi teks atau referensi visual.

Misalnya, pengguna memberikan prompt:
"Buatkan ilustrasi 2D seorang mahasiswa sedang belajar pemrograman di depan laptop."

Model kemudian menghasilkan gambar yang sesuai dengan deskripsi tersebut.

Penerapannya antara lain:

• Membuat ilustrasi artikel.
• Menghasilkan desain konsep.
• Membuat gambar produk.
• Membantu proses desain grafis.
• Membuat visual untuk kebutuhan pemasaran.

Contoh tools:

• OpenAI image generation.
• Midjourney.
• Adobe Firefly.
• Stable Diffusion.

c. Audio Generation

Audio Generation merupakan kemampuan AI untuk menghasilkan atau memodifikasi konten audio.

Contohnya:

• Menghasilkan suara dari teks.
• Membuat narasi otomatis.
• Menghasilkan efek suara.
• Membuat musik.
• Mengubah karakteristik suara.

Teknologi ini dapat dimanfaatkan untuk pembuatan konten video, pembelajaran, podcast, dan kebutuhan multimedia lainnya.

d. Video Generation

Video Generation merupakan kemampuan AI untuk menghasilkan video berdasarkan deskripsi teks, gambar, atau masukan lainnya.

Contohnya, pengguna memberikan instruksi untuk membuat video pendek tentang suasana kota pada malam hari.

AI kemudian menghasilkan video berdasarkan deskripsi tersebut sesuai kemampuan model yang digunakan.

Penerapannya antara lain:

• Pembuatan video promosi.
• Pembuatan konten media sosial.
• Visualisasi konsep.
• Pembuatan materi pembelajaran.
• Produksi video kreatif.

e. Code Generation

Code Generation adalah kemampuan AI untuk menghasilkan kode program berdasarkan instruksi pengguna.

Misalnya, programmer meminta AI membuat fungsi PHP untuk menghitung luas persegi panjang.

AI dapat menghasilkan kode beserta penjelasan mengenai cara penggunaannya.

Penerapannya meliputi:

• Membuat fungsi program.
• Membantu proses debugging.
• Menyusun query SQL.
• Membuat dokumentasi kode.
• Membantu pengembangan aplikasi.

Contoh tools yang memiliki kemampuan ini antara lain GitHub Copilot, Cursor, dan berbagai asisten pemrograman berbasis AI.

4. Teknologi di Balik Generative AI

Generative AI tidak dibangun menggunakan satu algoritma saja. Terdapat berbagai pendekatan dan arsitektur machine learning yang digunakan untuk menghasilkan konten.

Berikut beberapa teknologi penting yang mendukung perkembangannya.

a. Large Language Model (LLM)

Large Language Model merupakan model AI yang dilatih menggunakan data teks dalam jumlah besar untuk memahami dan menghasilkan bahasa.

LLM banyak digunakan dalam aplikasi seperti chatbot, asisten virtual, pembuatan konten, dan analisis teks.

Model ini umumnya menggunakan arsitektur Transformer yang memungkinkan pemrosesan hubungan antar-token dalam suatu konteks.

Contoh penerapannya adalah ChatGPT, Claude, dan berbagai model bahasa lainnya.

Untuk memahami konsepnya lebih lanjut, baca juga artikel Apa Itu LLM (Large Language Model)? Cara Kerja, Contoh, dan Penerapannya.

b. Transformer

Transformer merupakan arsitektur neural network yang diperkenalkan melalui penelitian Attention Is All You Need pada tahun 2017.

Salah satu komponen penting Transformer adalah mekanisme self-attention yang memungkinkan model mempelajari hubungan antarbagian dalam suatu urutan data.

Arsitektur ini menjadi dasar bagi banyak model AI modern, khususnya model bahasa. Transformer tidak hanya digunakan untuk teks, tetapi juga menjadi dasar bagi berbagai pendekatan pemrosesan data lainnya.

c. Diffusion Model

Diffusion Model merupakan pendekatan generative modeling yang banyak digunakan untuk menghasilkan gambar dan berbagai konten visual.

Secara sederhana, model dilatih untuk mempelajari proses pembentukan data melalui tahapan penambahan dan pengurangan noise.

Ketika digunakan untuk menghasilkan gambar, model dapat memulai dari representasi noise kemudian menyempurnakannya secara bertahap hingga membentuk gambar yang sesuai dengan kondisi atau prompt.

Teknologi ini menjadi salah satu pendekatan penting dalam perkembangan AI image generation.

d. Generative Adversarial Network (GAN)

Generative Adversarial Network atau GAN merupakan arsitektur generative model yang terdiri dari dua komponen utama:

• Generator: menghasilkan data sintetis yang menyerupai data asli.
• Discriminator: membedakan data asli dengan data yang dihasilkan generator.

Keduanya dilatih melalui proses yang saling bersaing.

Generator berusaha menghasilkan data yang semakin realistis, sedangkan discriminator berusaha mengenali data sintetis.

GAN pernah menjadi salah satu pendekatan penting dalam pengembangan generasi gambar, manipulasi visual, dan pembuatan data sintetis.

e. Variational Autoencoder (VAE)

Variational Autoencoder merupakan jenis model generatif yang mempelajari representasi data dalam ruang laten atau latent space.

Model ini dapat mempelajari karakteristik data dan menghasilkan sampel baru berdasarkan representasi yang dipelajari.

VAE digunakan dalam berbagai penelitian dan aplikasi generative modeling, termasuk pengolahan gambar dan pembelajaran representasi data.

5. Contoh Tools Generative AI Populer

Saat ini terdapat berbagai tools Generative AI yang dapat digunakan untuk kebutuhan berbeda.

Berikut beberapa contoh yang dapat dipelajari.

a. ChatGPT

ChatGPT merupakan asisten AI yang dapat membantu pengguna menghasilkan teks, menjawab pertanyaan, menganalisis informasi, dan mengerjakan berbagai tugas sesuai fitur yang tersedia.

Contoh penggunaan:

• Menulis artikel.
• Merangkum dokumen.
• Membantu pemrograman.
• Menganalisis data.
• Menghasilkan gambar melalui fitur yang didukung.

Website: https://chatgpt.com/

b. Google Gemini

Google Gemini merupakan layanan AI yang mendukung berbagai kemampuan generatif dan pemrosesan informasi. Penggunaannya dapat mencakup pembuatan teks, pemahaman berbagai jenis masukan, analisis, dan bantuan produktivitas.
Website: https://gemini.google.com/

c. Claude

Claude merupakan asisten AI dari Anthropic yang dapat digunakan untuk membantu penulisan, analisis dokumen, pemrograman, dan berbagai pekerjaan berbasis bahasa.
Website: https://claude.ai/

d. Midjourney

Midjourney dikenal sebagai platform AI untuk menghasilkan gambar berdasarkan deskripsi teks. Pengguna dapat membuat berbagai konsep visual, ilustrasi, dan karya kreatif melalui prompt.
Website: https://www.midjourney.com/

e. Adobe Firefly

Adobe Firefly merupakan keluarga teknologi generative AI dari Adobe yang mendukung pembuatan dan pengolahan konten kreatif. Teknologi ini dapat digunakan untuk membantu menghasilkan gambar dan melakukan berbagai proses pengeditan visual.
Website: https://www.adobe.com/products/firefly.html

f. Suno

Suno merupakan platform AI yang dapat membantu menghasilkan musik berdasarkan instruksi pengguna. Pengguna dapat menentukan tema, gaya, atau karakter musik untuk menghasilkan komposisi sesuai kemampuan platform.
Website: https://suno.com/

g. Sora

Sora merupakan teknologi generasi video dari OpenAI yang dapat digunakan untuk menghasilkan konten video berdasarkan masukan yang didukung. Teknologi generasi video dapat membantu proses pembuatan visual kreatif, konsep adegan, dan berbagai kebutuhan produksi konten.
Website: https://sora.com/

Fitur, ketersediaan, batas penggunaan, dan model yang ditawarkan masing-masing platform dapat berubah seiring perkembangan layanan.

6. Contoh Penerapan Generative AI dalam Kehidupan Sehari-hari

Generative AI tidak hanya digunakan oleh perusahaan teknologi. Teknologi ini juga dapat dimanfaatkan oleh pelajar, mahasiswa, pekerja, pengusaha, dan programmer.

Berikut beberapa contoh penerapannya.

a. Pendidikan dan Pembelajaran

Generative AI dapat digunakan sebagai asisten belajar untuk membantu memahami konsep yang sulit.

Contohnya:

• Menjelaskan materi perkuliahan.
• Membuat latihan soal.
• Merangkum materi pembelajaran.
• Membantu memahami kode program.
• Menyusun kerangka penelitian.

Namun, mahasiswa tetap perlu memahami materi dan memeriksa kebenaran informasi yang dihasilkan AI.

b. Penulisan dan Pembuatan Konten

Penulis dan pembuat konten dapat menggunakan Generative AI untuk membantu proses produksi konten.

Misalnya:

• Membuat ide artikel.
• Menyusun kerangka tulisan.
• Membuat deskripsi produk.
• Menyusun caption media sosial.
• Memperbaiki tata bahasa.
• Membuat ilustrasi pendukung.

AI dapat membantu mempercepat pekerjaan, tetapi penyuntingan manusia tetap diperlukan agar konten memiliki kualitas, keakuratan, dan karakter yang sesuai.

c. Pengembangan Perangkat Lunak

Programmer dapat memanfaatkan Generative AI sebagai asisten dalam proses pengembangan aplikasi.

Contohnya:

• Menghasilkan contoh kode PHP.
• Membantu membuat fungsi JavaScript.
• Menyusun query MySQL.
• Menjelaskan error.
• Membuat dokumentasi.
• Membantu menyusun pengujian perangkat lunak.

Kode yang dihasilkan tetap perlu diperiksa, terutama dari sisi keamanan, performa, dan kesesuaian dengan kebutuhan aplikasi.

d. Desain Grafis dan Multimedia

Desainer dapat menggunakan AI generatif untuk membuat konsep visual, ilustrasi, gambar produk, dan materi promosi.

Teknologi ini juga dapat membantu menghasilkan ide awal sebelum desain disempurnakan secara manual.

e. Bisnis dan Pemasaran

Dalam bidang bisnis, Generative AI dapat membantu berbagai aktivitas pemasaran dan pelayanan.

Contohnya:

• Membuat deskripsi produk.
• Menyusun materi promosi.
• Membantu menjawab pertanyaan pelanggan.
• Membuat konsep kampanye pemasaran.
• Menghasilkan variasi konten iklan.

Penggunaannya tetap perlu memperhatikan identitas merek, akurasi informasi, dan kebijakan perusahaan.

f. Produktivitas dan Pekerjaan Administratif

Generative AI dapat membantu pekerjaan administratif seperti menyusun email, merangkum rapat, membuat laporan, dan mengelompokkan informasi.

Dengan memanfaatkan AI secara tepat, sebagian pekerjaan rutin dapat diselesaikan dengan lebih efisien.

7. Kelebihan dan Kekurangan Generative AI

Meskipun memiliki banyak manfaat, Generative AI juga mempunyai keterbatasan yang perlu dipahami.

Kelebihan Generative AI

1. Mempercepat pembuatan konten. AI dapat membantu menghasilkan teks, gambar, audio, video, dan kode program.
2. Meningkatkan produktivitas. Berbagai pekerjaan dapat dibantu melalui otomatisasi dan pembuatan konten.
3. Mendukung kreativitas. AI dapat membantu menghasilkan ide dan alternatif konsep.
4. Membantu proses pembelajaran. Pengguna dapat meminta penjelasan sesuai tingkat pemahaman.
5. Mendukung pengembangan aplikasi. Programmer dapat memanfaatkan AI sebagai asisten dalam proses coding.
6. Memiliki banyak bidang penerapan. Teknologi ini dapat digunakan dalam pendidikan, bisnis, kesehatan, industri kreatif, dan berbagai bidang lainnya.

Kekurangan Generative AI

1. Berpotensi menghasilkan informasi keliru. Model dapat memberikan jawaban yang terdengar meyakinkan tetapi tidak benar.
2. Bergantung pada kualitas data dan model. Hasil yang dihasilkan dipengaruhi oleh data pelatihan dan kemampuan model.
3. Memiliki keterbatasan pemahaman konteks. Model belum tentu memahami seluruh maksud pengguna.
4. Berpotensi menghasilkan konten yang bias. Pola bias dalam data dapat memengaruhi hasil keluaran.
5. Menimbulkan risiko privasi. Pengguna perlu berhati-hati ketika memasukkan informasi sensitif.
6. Memerlukan sumber daya komputasi. Pengembangan dan pengoperasian model tertentu membutuhkan infrastruktur yang besar.

8. Perbedaan Generative AI dan AI Konvensional

Generative AI dan AI konvensional sama-sama merupakan bagian dari kecerdasan buatan. Namun, keduanya memiliki tujuan dan karakteristik yang berbeda.

AI konvensional sering digunakan untuk melakukan klasifikasi, prediksi, deteksi, dan pengambilan keputusan berdasarkan pola data.

Sementara itu, Generative AI berfokus pada kemampuan menghasilkan konten baru berdasarkan pola yang dipelajari.

Contoh perbandingannya:

Sebagai contoh, sistem klasifikasi email dapat menentukan apakah sebuah email termasuk spam atau bukan.

Sementara itu, Generative AI dapat membantu membuat draf balasan email berdasarkan instruksi pengguna.

Keduanya tidak saling menggantikan. Pemilihan teknologi bergantung pada tujuan aplikasi yang dikembangkan.

9. Tantangan dan Risiko Penggunaan Generative AI

Perkembangan Generative AI juga menghadirkan sejumlah tantangan yang perlu diperhatikan oleh pengguna maupun pengembang.

a. AI Hallucination

AI Hallucination merupakan kondisi ketika model menghasilkan informasi yang keliru, tidak didukung fakta, atau bahkan mengarang informasi.

Hal ini dapat terjadi karena model menghasilkan keluaran berdasarkan pola yang dipelajari, bukan selalu melalui proses verifikasi fakta secara langsung.

Karena itu, informasi penting perlu diperiksa menggunakan sumber yang dapat dipercaya.

b. Privasi dan Keamanan Data

Pengguna harus berhati-hati ketika memberikan data pribadi, informasi perusahaan, kode sumber rahasia, atau dokumen sensitif kepada layanan AI.

Sebelum menggunakan suatu platform, pahami kebijakan privasi, pengaturan penggunaan data, dan ketentuan penyimpanan informasi.

c. Hak Cipta dan Kepemilikan Konten

Konten yang dihasilkan AI dapat menimbulkan pertanyaan mengenai hak cipta, penggunaan data pelatihan, dan kepemilikan hasil karya.

Pengguna perlu memperhatikan ketentuan layanan platform dan peraturan yang berlaku sebelum menggunakan hasil AI untuk kepentingan komersial.

d. Penyebaran Informasi Palsu

Generative AI dapat digunakan untuk membuat gambar, audio, dan video yang terlihat realistis.

Jika disalahgunakan, teknologi ini dapat digunakan untuk menghasilkan konten menyesatkan, termasuk deepfake.

Karena itu, kemampuan memeriksa sumber informasi dan mengenali konten manipulatif semakin penting.

e. Ketergantungan terhadap AI

Penggunaan AI secara berlebihan tanpa pemahaman yang memadai dapat mengurangi kebiasaan berpikir kritis dan kemampuan menyelesaikan masalah secara mandiri.

AI sebaiknya digunakan sebagai alat bantu, bukan sebagai pengganti seluruh proses berpikir dan pengambilan keputusan manusia.

10. Apakah Generative AI Akan Menggantikan Pekerjaan Manusia?

Generative AI dapat mengotomatisasi sebagian tugas yang sebelumnya dilakukan secara manual. Namun, hal tersebut tidak berarti seluruh pekerjaan manusia akan digantikan oleh AI.

Dalam banyak situasi, AI justru berperan sebagai alat bantu yang meningkatkan produktivitas.

Contohnya, programmer dapat menggunakan AI untuk menghasilkan contoh kode, tetapi tetap perlu memahami kebutuhan aplikasi, memeriksa keamanan, dan memastikan program berjalan dengan benar.

Begitu juga dengan penulis yang dapat menggunakan AI untuk membuat kerangka tulisan, tetapi tetap membutuhkan kemampuan menyunting, melakukan riset, dan menyampaikan sudut pandang yang relevan.

Kemampuan manusia seperti kreativitas, penilaian kritis, pemahaman konteks, komunikasi, dan tanggung jawab tetap memiliki peran penting.

Oleh karena itu, keterampilan yang perlu dikembangkan bukan hanya kemampuan menggunakan AI, tetapi juga kemampuan bekerja bersama AI secara efektif dan bertanggung jawab.

Kesimpulan

Generative AI merupakan teknologi kecerdasan buatan yang memiliki kemampuan menghasilkan konten baru berdasarkan pola yang dipelajari dari data pelatihan.

Teknologi ini dapat menghasilkan berbagai jenis konten, mulai dari teks, gambar, audio, video, hingga kode program.

Beberapa teknologi yang mendukung perkembangannya antara lain Large Language Model, Transformer, Diffusion Model, Generative Adversarial Network, dan Variational Autoencoder.

Dalam kehidupan sehari-hari, Generative AI dapat dimanfaatkan untuk pendidikan, penulisan, desain, pemrograman, bisnis, dan pekerjaan administratif.

Meskipun menawarkan banyak manfaat, teknologi ini juga memiliki keterbatasan, seperti risiko informasi keliru, privasi, bias, dan penyalahgunaan konten.

Karena itu, Generative AI sebaiknya digunakan sebagai alat bantu yang mendukung kemampuan manusia, bukan sebagai sumber informasi yang selalu dianggap benar.

Dengan memahami cara kerja, jenis, dan penerapannya, mahasiswa, peneliti, programmer, maupun masyarakat umum dapat memanfaatkan Generative AI secara lebih efektif dan bertanggung jawab.

Referensi

1. OpenAI. Introducing ChatGPT. https://openai.com/index/chatgpt/
2. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems. https://arxiv.org/abs/1706.03762
3. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems. https://arxiv.org/abs/1406.2661
4. Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. https://arxiv.org/abs/2006.11239
5. Kingma, D. P., & Welling, M. (2013). Auto-Encoding Variational Bayes. https://arxiv.org/abs/1312.6114
6. Google AI for Developers. Generative AI. https://ai.google.dev/