> For the complete documentation index, see [llms.txt](https://docs.cloudeka.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.cloudeka.ai/deka-gpu-documentations/panduan-untuk-enterprise/deka-llm/introduction.md).

# Pendahuluan

Deka LLM merupakan salah satu layanan pada Service Portal Cloudeka yang memungkinkan bisnis Anda memanfaatkan model AI canggih untuk menghasilkan dan memahami teks. Layanan ini mempermudah akses ke model bahasa tingkat lanjut untuk tugas seperti interaksi pelanggan, pembuatan konten, dan analisis tanpa perlu mengelola infrastruktur dasarnya. Jika sudah memiliki akses dan berhasil masuk ke Service Portal Cloudeka, pilih menu LLM untuk membuka halaman Deka LLM.

<figure><img src="https://753761090-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FtAYQyBIz2BclZ3ZHHlS4%2Fuploads%2Fgit-blob-70d75b5d38f012a56234ceeaf6b5025e16ac72df%2Fimage.png?alt=media" alt=""><figcaption></figcaption></figure>

Untuk membuat Deka LLM di Service Portal Cloudeka, Anda perlu mengetahui jenis proyek yang digunakan. Pelajari lebih lanjut tentang jenis proyek melalui [Periksa Jenis Proyek](/deka-gpu-documentations/panduan-untuk-enterprise/deka-llm/check-project-type.md).

## Endpoint Deka LLM

Saat ini, Deka LLM memiliki kategori model berikut:

## 1. LLM

Model pembelajaran mesin bahasa skala besar yang dilatih menggunakan sejumlah besar data teks untuk memahami dan menghasilkan bahasa alami. LLM dapat digunakan untuk berbagai tugas NLP (Natural Language Processing), seperti penerjemahan bahasa, menjawab pertanyaan, pelengkapan teks, dan tugas lainnya.

## 2. VLM

Model pembelajaran mesin visual skala besar yang memproses gambar dan teks. VLM digunakan untuk tugas yang memerlukan pemahaman gabungan terhadap gambar dan teks, seperti mendeskripsikan gambar, pencarian gambar berbasis teks, atau menjawab pertanyaan berdasarkan gambar.

## 3. Embedding

Model pembelajaran mesin yang menggunakan representasi numerik objek, seperti kata, frasa, atau gambar, dalam bentuk vektor pada ruang berdimensi rendah. Embedding digunakan untuk menangkap makna atau fitur semantik suatu objek. Embedding digunakan pada model yang memerlukan operasi matematis terhadap data nonnumerik, seperti teks atau gambar.

<br>