Kita kini berada di tahap krusial dalam evolusi AI generatif untuk perusahaan. Sementara AI generatif konsumen telah menarik perhatian jutaan orang, para eksekutif sedang mengembangkan praktik yang dapat memberikan strategi yang efektif dan bertanggung jawab untuk AI generatif di tingkat perusahaan. Menurut survei CEO kami, 60% organisasi belum mengembangkan pendekatan yang konsisten dan menyeluruh terhadap AI generatif. IBM® berada dalam posisi unik untuk membantu. Perusahaan ini memiliki sejarah inovasi yang kaya, disertai pemahaman mendalam tentang apa yang dibutuhkan organisasi. IBM memiliki rekam jejak yang legendaris dalam membangun teknologi hebat dan membantu klien melakukan transformasi bisnis secara andal. Ini menjadikannya tempat yang sempurna bagi saya untuk berkontribusi dalam membentuk masa depan industri kami. Selama 25 tahun bekerja di dunia data, AI, dan analitik, saya telah melihat bagaimana teknologi dapat mengubah bisnis, industri, dan bahkan cara kita menjalani hidup. Saya telah memiliki kesempatan untuk bekerja dengan beberapa tim paling inovatif di industri ini: empat startup, beberapa “scale-up,” dan hyperscalers (Microsoft, Oracle, dan Google), serta pelanggan dan mitra dari berbagai ukuran. Saya sangat senang telah bergabung dengan IBM untuk membantu mendorong strategi dan pelaksanaan data, AI, dan analitik perusahaan. Baru-baru ini, saya bergabung dengan Sanjeev Mohan dan Ritika Gunnar dalam sebuah episode podcast untuk membagikan alasan mengapa saya memilih IBM dan bagaimana saya percaya perusahaan ini berada dalam posisi unik untuk memimpin gelombang transformasi berikutnya melalui AI generatif. https://www.ibm.com/blog/generative-ai-isnt-just-about-technology-its-about-business-transformation/# AI Generatif: Lebih dari Sekadar Teknologi, Ini adalah Transformasi Bisnis Visi IBM mengenai AI generatif memiliki pendekatan yang berbeda. Ini tidak hanya tentang menciptakan alat-alat mutakhir; tetapi juga memastikan bahwa teknologi tersebut dapat dipercaya, diukur, dan digunakan untuk menyelesaikan tantangan bisnis dunia nyata. IBM memiliki reputasi yang kuat dalam menyediakan solusi kritis untuk bisnis di industri yang sangat diatur, seperti layanan keuangan dan kesehatan. Pengalaman mendalam dalam membangun sistem yang aman dan terpercaya adalah apa yang dibutuhkan perusahaan saat mereka mengadopsi AI generatif. Kami tidak berusaha menciptakan AI semata-mata untuk kepentingan teknologi—kami berkomitmen untuk membantu organisasi bertransformasi melalui AI dengan cara yang andal, etis, dan skalabel. Lalu, seperti apa strategi kami? Di IBM, kami mendekati AI generatif dengan tiga prinsip inti: kepercayaan, inovasi, dan skalabilitas perusahaan. Kepercayaan sebagai Pondasi Kepercayaan adalah inti dari filosofi AI IBM. Kami mengembangkan sistem yang tidak hanya memberikan hasil, tetapi juga menjelaskan cara mencapai hasil tersebut. Contohnya adalah kolaborasi IBM dengan Credit Agricole, sebuah lembaga besar di bidang perbankan dan asuransi dengan 53 juta pelanggan dan 147.000 karyawan. Perusahaan ini telah mengalokasikan anggaran TI sebesar 20 miliar euro untuk periode 2022–2025. Sebagai bagian dari upaya ini, Credit Agricole memulai dua solusi data, AI, dan analitik yang didukung perangkat lunak IBM untuk mendukung strategi TI mereka yang luas. Solusi ini dirancang untuk meningkatkan produktivitas karyawan dan pelanggan, dengan fokus pada auditabilitas untuk regulator. Setiap keputusan yang dibantu AI dapat diaudit, yang mendorong kepatuhan dan membangun kepercayaan dalam proses bisnis. Saya juga telah melihat bagaimana IBM membantu mentransformasi perusahaan seperti American Airlines. Berkat pendekatan IBM (perangkat lunak + konsultasi + IBM Garage™), mereka mampu mempercepat siklus pengembangan dan peluncuran aplikasi global di tengah badai besar, sambil tetap menjaga pengawasan manusia pada titik keputusan yang kritis. Istilah yang digunakan oleh pelanggan ini saat menggambarkan aplikasi-aplikasi tersebut bukanlah “eksperimen menarik.” Mereka menyebutnya “kuat” dan “andal.” Inovasi dengan Rekam Jejak Sukses IBM adalah salah satu organisasi paling inovatif di dunia. Dari penemuan SQL hingga mendorong batasan dengan sistem AI seperti Watson dan model bahasa besar, IBM telah menjadi pelopor dalam teknologi selama lebih dari satu abad. Sejarah inovasi kami berlanjut dengan kemajuan dalam AI, cloud hibrid, dan platform sumber terbuka. Kami tidak hanya berfokus pada menjadi pemain terbaru, tetapi lebih pada menjadi yang paling dapat diandalkan, terpercaya, dan etis—dan IBM memimpin dalam hal ini. Skalabilitas Siap Perusahaan AI generatif bukanlah eksperimen penelitian bagi IBM. Ini adalah cara kami untuk mendorong transformasi bisnis yang nyata. Kami membangun sistem AI yang dapat diukur, aman, dan siap memenuhi tuntutan lingkungan perusahaan yang paling kompleks. Baik Anda berada di sektor layanan keuangan, kesehatan, atau manufaktur, IBM memiliki pengalaman dan infrastruktur yang diperlukan untuk membantu Anda menerapkan AI dalam skala besar. Kemampuan cloud hibrid dan AI kami memungkinkan bisnis untuk berinovasi tanpa mengorbankan keamanan atau kepatuhan, terlepas dari industrinya. Di Ambang Transformasi Saya percaya kita berada di ambang perubahan yang sangat transformatif. IBM memimpin dalam upaya memanfaatkan AI untuk menciptakan nilai bisnis yang nyata. Misi kami adalah memberdayakan perusahaan untuk mengimplementasikan AI dengan cara yang efektif dan bertanggung jawab. AI akan merevolusi cara kita beroperasi, membuat keputusan, dan berkembang. Dalam beberapa bulan mendatang, kami akan meluncurkan fitur-fitur baru dalam AI generatif yang dirancang untuk mengubah cara bisnis menggunakan data, mengungkap wawasan yang lebih cerdas, meningkatkan proses pengambilan keputusan, dan mendorong efisiensi operasional pada skala yang belum pernah terjadi sebelumnya. Saya sangat antusias untuk menjadi bagian dari perjalanan ini dan berkontribusi dalam membentuk masa depan AI di IBM. Kami baru saja memulai, dan yang terbaik masih akan datang. Tetaplah bersama kami untuk pembaruan lebih lanjut saat kami terus mendorong batasan dari apa yang mungkin dilakukan dengan AI generatif. Jika Anda ingin mengetahui lebih lanjut, bergabunglah dengan kami di IBM TechXchange, di mana kami akan memamerkan bagaimana kami mewujudkan visi kami menjadi kenyataan. Mari kita bersama-sama membangun masa depan AI. Ingin tahu lebih banyak mengenai IBM, silahkan hubungi [email protected]
Author: patra ilogo
Cara Mengatasi Kekhawatiran Regulasi yang Meningkat untuk Manajemen Risiko Pihak Ketiga
Manajemen risiko pihak ketiga tetap menjadi fokus utama bagi regulator federal dan negara bagian di AS. Baru-baru ini, mereka telah menerapkan tindakan penegakan hukum terhadap lembaga keuangan, yang mengakibatkan denda miliaran dolar karena pelanggaran Undang-Undang Kerahasiaan Bank (BSA) dan kontrol risiko pihak ketiga yang kurang memadai. Tindakan-tindakan terbaru menunjukkan bahwa regulator semakin ketat dalam menuntut pertanggungjawaban lembaga keuangan terkait hubungan mereka dengan pihak ketiga, termasuk entitas fintech. Badan pengatur mengharapkan lembaga-lembaga ini untuk menerapkan praktik berbasis risiko dalam melakukan uji tuntas yang menyeluruh terhadap pihak ketiga dan secara terus-menerus memantau, menilai, serta mengendalikan risiko yang terkait dengan hubungan tersebut. Lembaga keuangan harus mematuhi standar manajemen risiko yang lebih tinggi Dalam 18 bulan terakhir, regulator telah semakin menajamkan perhatian mereka pada manajemen risiko pihak ketiga, dengan mengeluarkan panduan rinci serta berbagai perintah persetujuan. Pada Juni 2023, Kantor Pengawas Mata Uang (OCC), Dewan Cadangan Federal, dan Korporasi Asuransi Simpanan Federal (FDIC) menerbitkan panduan bersama mengenai manajemen risiko pihak ketiga untuk lembaga keuangan. Panduan ini berfungsi sebagai pedoman yang menetapkan dasar harapan regulasi dan bertujuan untuk secara efektif mengelola risiko yang terkait dengan hubungan pihak ketiga serta menerapkan praktik terbaik. Kurang dari setahun kemudian, OCC mengeluarkan perintah persetujuan terhadap sebuah bank regional di wilayah Atlantik Selatan setelah mengidentifikasi kelemahan dalam program manajemen risiko pihak ketiganya. FDIC menemukan bahwa sebuah fintech di wilayah timur laut terlibat dalam praktik perbankan yang tidak aman dan tidak sehat. FDIC mengeluarkan perintah persetujuan yang mencakup, antara lain, kegagalan bank tersebut dalam memiliki kontrol internal dan sistem informasi yang memadai sesuai dengan ukuran bank. Perintah ini juga mengaddress sifat, cakupan, kompleksitas, dan risiko dari hubungan pihak ketiga bank tersebut. Selain itu, FDIC mengeluarkan perintah persetujuan yang meminta sebuah bank regional di Midwest untuk mengembangkan kebijakan dan prosedur yang tepat dalam manajemen risiko pihak ketiga. Perintah tersebut juga meminta peningkatan dalam due diligence dan pemantauan pihak ketiga yang bertanggung jawab atas anti pencucian uang (AML) dan penanggulangan pendanaan terorisme (CFT). Manajemen risiko pihak ketiga memegang peranan penting dalam kepatuhan terhadap kejahatan finansial (FCC). Institusi sering mengandalkan penyedia layanan pihak ketiga untuk menjalankan kontrol kepatuhan terhadap kejahatan finansial (FCC) mereka. Seiring waktu, layanan pihak ketiga ini berkembang dari sekadar identifikasi berita negatif, pemantauan sanksi, dan pemantauan transaksi menjadi mencakup verifikasi identitas pelanggan, pembuktian data elektronik, penggunaan kecerdasan buatan generatif dalam manajemen kasus uji tuntas yang ditingkatkan, investigasi peringatan, dan penilaian risiko. Meskipun institusi mungkin memiliki pemantauan proses internal yang ketat, tanpa memperluas standar dan praktik tersebut ke pihak ketiga, mereka berisiko menerima pelanggan yang tidak sesuai, menutup peringatan yang salah, atau gagal melaporkan aktivitas mencurigakan. Institusi yang melakukan uji tuntas yang memadai atau penilaian risiko vendor secara berkala dapat menghindari risiko kepatuhan yang muncul akibat keterlibatan pihak ketiga. Meski penggunaan pihak ketiga menawarkan berbagai manfaat, penting bagi institusi keuangan untuk secara proaktif mengelola dan mengatasi risiko FCC yang ditimbulkan oleh pihak ketiga. Untuk itu, mereka perlu menerapkan program manajemen risiko pihak ketiga yang efektif, yang memungkinkan mereka untuk mengelola risiko dan memantau aktivitas pihak ketiga guna memastikan kepatuhan terhadap kewajiban regulasi mereka. Praktik Terbaik dalam Program Manajemen Risiko Pihak Ketiga Siklus hidup untuk memastikan pengawasan dan manajemen yang efektif terhadap pihak ketiga melibatkan tiga komponen utama dalam manajemen risiko: tinjauan due diligence, pemantauan berkelanjutan, dan penilaian risiko. Tinjauan Due Diligence (sebelum penerimaan pihak ketiga): Banyak institusi keuangan dapat memperkuat tinjauan kepatuhan mereka sebagai bagian dari proses due diligence saat menjalin hubungan dengan pihak ketiga baru. Seperti yang diuraikan dalam panduan antarlembaga terbaru, hal ini meliputi evaluasi efektivitas manajemen risiko secara menyeluruh dari pihak ketiga, termasuk kebijakan, proses, dan kontrol internal mereka. Penting juga untuk mmeriksa keselarasan mereka dengan kebijakan dan ekspektasi terkait aktivitas tersebut. Due diligence seharusnya juga mencakup penilaian terhadap teknologi yang digunakan oleh pihak ketiga untuk memastikan bahwa mereka tidak memperkenalkan risiko baru atau tambahan. Unit kepatuhan institusi keuangan dapat melakukan uji coba awal untuk menilai kualitas layanan yang diberikan. Langkah ini bertujuan memastikan bahwa pihak ketiga dapat beroperasi sesuai dengan batas toleransi risiko yang ditetapkan oleh institusi. Pemantauan Berkelanjutan: Pedoman antar-lembaga menetapkan standar untuk keamanan informasi, keselamatan, dan kesehatan dalam praktik terbaik pemantauan berkelanjutan. Regulator mengharapkan institusi keuangan untuk secara rutin memantau kinerja pihak ketiga selama masa hubungan. Tujuannya adalah untuk memastikan bahwa pihak ketiga memenuhi ekspektasi, mengidentifikasi jika ada perubahan yang diperlukan dalam hubungan tersebut, serta menyesuaikan kontrol risiko sesuai dengan perubahan yang terjadi. Aktivitas utama dalam fase pemantauan berkelanjutan meliputi: – Memantau indikator risiko utama (KRI) dan indikator kinerja utama (KPI) untuk memastikan kualitas layanan pihak ketiga yang terus-menerus. – Melaporkan metrik kepada komite tata kelola yang relevan atau petugas BSA secara berkala. – Melakukan pengujian yang diperlukan. – Menyelidiki dan menentukan penyebab masalah jika KRI atau KPI dilanggar, serta memantau perbaikan yang dilakukan. – Memantau risiko, masalah, dan kekhawatiran yang mungkin timbul dari pihak ketiga, serta memastikan kepatuhan terhadap perjanjian tingkat layanan (SLA). Penilaian Risiko: Sebuah lembaga keuangan dapat lebih baik menentukan profil risikonya untuk mengidentifikasi risiko kepatuhan terhadap kejahatan keuangan dengan meningkatkan penilaian risiko AML dan BSA tahunan yang ada. Mereka dapat mengidentifikasi risiko yang ditimbulkan oleh pihak ketiga dan memperkenalkan kontrol untuk mengurangi risiko tersebut. Selain itu, mereka juga dapat memetakan hubungan dengan persyaratan regulasi dan mendokumentasikan data kunci terkait pihak ketiga. Tidak semua pihak ketiga memerlukan tingkat ketelitian dan pemantauan yang sama, namun penilaian risiko keseluruhan terhadap pihak ketiga dapat membantu lembaga dalam menentukan pendekatan berbasis risiko yang sesuai. Tingkatkan pengelolaan risiko pihak ketiga Anda dengan IBM® Promontory Tim ahli kami berfokus pada perbaikan dan penguatan program pengelolaan risiko pihak ketiga. Layanan konsultasi kami dapat membantu organisasi Anda dalam menilai kebijakan dan prosedur pengelolaan risiko pihak ketiga. Kami juga dapat menilai sejauh mana program AML Anda mencakup pengelolaan risiko pihak ketiga untuk memastikan bahwa kebijakan tersebut sesuai dengan toleransi risiko organisasi Anda. IBM Promontory dapat membantu Anda mengembangkan program due diligence dan pemantauan berkelanjutan AML untuk memastikan kepatuhan terhadap undang-undang AML oleh pihak ketiga yang bertindak atas nama organisasi Anda. Kami juga dapat menilai template kontrak yang Anda gunakan dengan pihak ketiga untuk memastikan bahwa mereka mencakup kontrol AML. Selain itu,…
Generative AI bisa menjadi cara yang lebih cepat untuk menguji teori-teori tentang bagaimana alam semesta berfungsi.
IBM dan CERN menggunakan transformer deret waktu untuk memodelkan tabrakan partikel di penghambur partikel terbesar di dunia; ini bagian dari tujuan lebih besar untuk mengubah data observasional mentah menjadi wawasan yang dapat diambil tindakan. Materi biasa membentuk segala sesuatu yang kita ketahui tentang dunia, tetapi hanya mewakili 5% dari alam semesta. Sisanya terdiri dari partikel-partikel misterius yang ilmuwan sebut sebagai energi gelap dan materi gelap. Pencarian berkelanjutan untuk materi yang hilang ini sedang berlangsung di terowongan di bawah Pegunungan Alpen, di Large Hadron Collider (LHC) CERN. Partikel bermuatan dihancurkan bersama dengan kecepatan mendekati cahaya untuk mengungkap apa yang membentuk alam semesta dan bagaimana cara kerjanya. Partikel baru diciptakan dalam setiap tabrakan, dan saat mereka berinteraksi dengan detektor-detektor LHC, sub-partikel terbentuk dan diukur. Boson Higgs, yang terlibat dalam memberikan massa pada semua partikel lain, ditemukan dengan cara ini pada tahun 2012. Namun, sebelum mengumpulkan bukti fisiknya, ilmuwan menjalankan simulasi ekstensif untuk merancang eksperimen mereka, menginterpretasikan hasil, dan menguji hipotesis mereka dengan membandingkan hasil simulasi dengan observasi kehidupan nyata. CERN menghasilkan data sintetis dari simulasi sebanyak yang mereka lakukan dari eksperimen kehidupan nyata. Namun, simulasi ini mahal, dan semakin mahal seiring dengan peningkatan LHC dan detektor-detektornya untuk mempelajari lebih lanjut tentang Higgs dan meningkatkan kemungkinan menemukan partikel baru. Begitu selesai, eksperimen nyata dan pengganti CERN akan menghasilkan data yang jauh lebih banyak dan mengonsumsi daya komputasi yang jauh lebih besar. Untuk membantu mengatasi masalah ini, IBM baru-baru ini mulai bekerja dengan CERN untuk menerapkan model fondasi deret waktu mereka untuk memodelkan tabrakan partikel. Apa yang dilakukan oleh model bahasa besar (LLMs) untuk analisis teks, IBM berharap transformer deret waktu dapat melakukannya untuk tugas prediksi berdasarkan data nyata atau sintetis. Jika model AI dapat mempelajari proses fisik dari rangkaian pengukuran, bukan perhitungan statistik, ini dapat membuka jalan untuk prediksi yang lebih cepat dan lebih kuat dalam hampir setiap bidang. Fisika teoritis menjadi fokus IBM dengan CERN, tetapi proyek ini memiliki relevansi luas bagi setiap organisasi yang memodelkan perilaku sistem fisik yang kompleks. Model fondasi memiliki kekuatan untuk mengubah data sensor beresolusi tinggi yang mentah menjadi representasi digital dari realitas yang perusahaan dapat gali untuk cara baru memperbaiki produk atau operasi mereka. “Bagaimana saya dapat menyesuaikan proses manufaktur untuk menghasilkan lebih banyak kertas atau gula,” kata Jayant Kalagnanam, direktur aplikasi AI di IBM Research. “Berapa sering saya harus melakukan layanan pada sebuah mesin untuk memperpanjang umurnya? Dan apa cara terbaik untuk merancang sebuah eksperimen untuk mendapatkan hasil yang diinginkan? Model fondasi yang dapat ‘belajar’ proses fisik dari data observasional memungkinkan Anda mengajukan pertanyaan operasional yang sebelumnya tidak terjangkau.” Memodelkan proses fisik dari pengamatan daripada probabilitas statistic Banyak organisasi tenggelam dalam data sensor. Miliaran hingga triliunan pengamatan yang sangat detail bisa diubah menjadi wawasan berharga jika kita bisa melihat hutan di tengah pepohonan. Model fondasi sekarang membawa kejelasan ini ke dalam pemodelan dunia fisik seperti yang mereka lakukan untuk pemodelan bahasa alami dan gambar. IBM adalah yang pertama kali menerapkan transformer pada data deret waktu mentah dengan beberapa variabel pada tahun 2021. Pekerjaan ini menginspirasi gelombang model serupa tetapi antusiasme awal itu mereda setelah tim dari Hong Kong menunjukkan bahwa model regresi sederhana dapat lebih baik dalam berbagai tugas. Kekurangan utama dari transformer deret waktu awal itu adalah cara mereka memperlakukan pengukuran dalam waktu sama seperti kata-kata, seperti yang ditunjukkan tim. Ketika setiap langkah waktu diberi token dan dimasukkan ke dalam transformer, konteks lokal hilang. Kesalahan yang dihasilkan semakin bertambah saat jumlah variabel meningkat, dan risiko korelasi yang tidak bermakna juga meningkat. Masalah ini sebelumnya sudah diatasi dalam penyesuaian transformer untuk tugas-tugas visi seperti klasifikasi objek dan pengenalan adegan. Peneliti IBM melihat bahwa ide-ide yang sama bisa diterapkan pada peramalan deret waktu. Inovasi pertama IBM adalah mengelompokkan titik waktu berurutan menjadi satu token, sama seperti piksel-piksel tetangga dalam gambar digabungkan menjadi “patch” untuk mempermudah transformer dalam mencerna data. Memisahkan dan mengkonsolidasi langkah-langkah waktu dengan cara ini mempertahankan konteks lokal lebih banyak. Ini juga mengurangi biaya komputasi, mempercepat pelatihan, dan membebaskan memori untuk memproses lebih banyak data historis. Terobosan selanjutnya IBM adalah mempersempit mekanisme perhatian transformer yang luas. Daripada memodelkan interaksi semua variabel sepanjang waktu, cukup untuk menghitung interaksi mereka pada setiap langkah waktu. Korelasi yang disinkronkan waktu ini kemudian dapat diatur dalam bentuk matriks, di mana hubungan yang paling bermakna dapat diekstraksi. “Pikirkan sebagai grafik,” kata peneliti IBM Vijay Ekambaram. “Ini adalah peta bagaimana variabel-variabel saling berhubungan dan saling memengaruhi dari waktu ke waktu.” Model deret waktu PatchTSMixer yang efisien dari IBM telah terbukti mengungguli model peramalan lainnya hingga 60% sambil menggunakan dua hingga tiga kali lebih sedikit memori. Belajar bagaimana partikel sub-atomik berperilaku Memprediksi bagaimana partikel-partikel energi tinggi akan berkembang biak dalam penghambur adalah tugas yang tidak mudah. Perhitungan statistik diperlukan untuk memodelkan partikel yang dihasilkan dalam tabrakan awal, serta hujan ribuan hingga jutaan partikel sekunder yang diciptakan kemudian dalam detektor-detektor penghambur. Nasib setiap partikel harus dihitung satu per satu. Sinyal yang mereka tinggalkan dalam detektor digunakan untuk menyimpulkan identitas partikel target, momentum, dan properti lainnya. Perangkat lunak simulasi saat ini menyediakan perkiraan beresolusi tinggi, tetapi para peneliti berharap bahwa model fondasi dapat menyederhanakan perhitungan yang terlibat dan memberikan hasil yang dapat dibandingkan setidaknya 100 kali lebih cepat. Pekerjaan IBM dengan CERN difokuskan pada bagian detektor yang dikenal sebagai kalorimeter, yang mengukur posisi dan energi partikel-partikel hujan. Dengan menggunakan data sintetis dari simulasi masa lalu, IBM melatih model PatchTSMixer-nya untuk memahami bagaimana sebuah hujan tipikal terungkap. Nilai-nilai yang dimasukkan ke dalam model termasuk sudut dan energi partikel masuk, serta jumlah energi yang didepositkan di kalorimeter oleh hujan partikel sekunder. Ketika diminta untuk mereplikasi sebuah hujan dengan seperangkat parameter yang diinginkan, PatchTSMixer dapat dengan cepat memberikan perkiraan nilai energi akhir. “Setiap peristiwa hujan berbeda, dengan hasil yang ditentukan secara acak,” kata peneliti IBM Kyongmin Yeo. “Kami telah menyesuaikan model fondasi deret waktu kami untuk mensimulasikan peristiwa-peristiwa acak ini dengan mempelajari distribusi probabilitas menggunakan metode generatif.” Untuk berguna, perkiraan harus cepat dan akurat. “Hasilnya sejauh ini terlihat sangat menjanjikan,” kata Anna Zaborowska, seorang fisikawan di CERN. “Jika kita bisa mempercepat simulasi hujan tunggal hingga 100…
Kecerdasan Buatan yang siap untuk bisnis dimulai dengan data yang siap untuk Kecerdasan Buatan.
Pada tahun 2026, lebih dari 80% perusahaan akan menerapkan API Kecerdasan Buatan atau aplikasi generatif Kecerdasan Buatan. Model-model AI dan data yang digunakan untuk pelatihan dan penyesuaian halusnya dapat meningkatkan aplikasi dari yang umum menjadi berdampak, menawarkan nilai nyata kepada pelanggan dan bisnis. Sebagai contoh, pengalaman penggemar golf yang didorong AI generatif Master menggunakan data real-time dan historis untuk memberikan wawasan dan komentar untuk lebih dari 20.000 klip video. Kualitas dan jumlah data dapat membuat atau menghancurkan kesuksesan AI, dan organisasi yang efektif memanfaatkan dan mengelola data mereka akan memperoleh manfaat terbesar. Namun, hal ini tidak semudah itu. Data berkembang pesat, baik dari segi volume maupun variasi. Menurut International Data Corporation (IDC), pada tahun 2025, data yang disimpan akan tumbuh 250% di seluruh platform on-prem dan cloud. Dengan pertumbuhan datang kompleksitas. Berbagai aplikasi data dan format membuat lebih sulit bagi organisasi untuk mengakses, mengatur, mengelola, dan menggunakan semua data mereka untuk AI secara efektif. Para pemimpin harus memikir ulang penggunaan pendekatan on-prem yang menghambat dan ekosistem data monolitik sambil mengurangi biaya dan memastikan tata kelola data yang tepat serta akses self-service ke lebih banyak data melintasi sumber data yang berbeda. Memperluas skala data dan AI dengan teknologi, orang, dan proses Mengaktifkan data sebagai pembeda untuk AI membutuhkan keseimbangan antara teknologi, orang, dan proses. Untuk memperluas kasus penggunaan AI, Anda perlu memahami tujuan strategis data Anda, yang kemungkinan telah berubah karena AI generatif. Sesuaikan strategi data Anda dengan arsitektur yang akan datang, dengan mempertimbangkan investasi teknologi yang ada, tata kelola, dan manajemen otomatis yang terintegrasi. Manfaatkan AI untuk membantu otomatisasi tugas-tugas seperti onboarding data, klasifikasi data, organisasi, dan tagging. Hal ini akan memerlukan evolusi dalam proses manajemen data dan pembaruan jalur pembelajaran. Membangun dasar data yang terbuka dan terpercaya Organisasi harus berfokus pada membangun dasar data yang terbuka dan terpercaya untuk mengakses data yang dapat dipercaya untuk AI. Terbuka menciptakan dasar untuk menyimpan, mengelola, mengintegrasikan, dan mengakses data yang dibangun dengan kapabilitas terbuka dan interoperabel yang meliputi implementasi hibrid cloud, penyimpanan data, format data, mesin kueri, tata kelola, dan metadata. Hal ini memungkinkan integrasi yang lebih mudah dengan investasi teknologi yang sudah ada sambil menghilangkan silo data dan mempercepat transformasi berbasis data. Menciptakan dasar data yang terpercaya memungkinkan manajemen data dan metadata berkualitas tinggi, andal, aman, dan diatur sehingga dapat disampaikan untuk aplikasi analitik dan AI sambil memenuhi kebutuhan privasi data dan kepatuhan regulasi. Empat komponen berikut membantu membangun dasar data yang terbuka dan terpercaya. Memodernisasi infrastruktur data Anda menuju cloud hibrid untuk aplikasi, analitika, dan AI generatif. Mengadopsi strategi multicloud dan hibrid menjadi keharusan, yang memerlukan database yang mendukung implementasi fleksibel di seluruh cloud hibrid. Gartner memprediksi bahwa 95% inisiatif digital baru akan dikembangkan pada platform native cloud, yang penting untuk teknologi AI yang membutuhkan penyimpanan data massal dan skalabilitas. Mendorong aplikasi berbasis data, analitika, dan AI dengan database yang tepat dan strategi data lakehouse yang terbuka Untuk menyimpan dan menganalisis data, Anda harus menggunakan database yang sesuai dengan beban kerja, jenis data, dan kinerja harga yang tepat. Hal ini memastikan bahwa Anda memiliki dasar data yang dapat berkembang seiring dengan kebutuhan data Anda, di mana pun lokasi data Anda berada. Strategi data Anda harus mencakup penggunaan database yang dirancang dengan komponen terbuka dan terintegrasi, memungkinkan unifikasi dan akses data yang lancar untuk analitika lanjutan dan aplikasi AI dalam platform data. Ini memungkinkan organisasi Anda untuk mengambil wawasan berharga dan mendukung pengambilan keputusan yang berbasis informasi. Sebagai contoh, organisasi memerlukan database transaksional yang aman, andal, dan tahan lama untuk mengelola data operasional yang paling kritis. Dengan ketersediaan cloud hibrid, organisasi dapat menggunakan database mereka untuk memodernisasi aplikasi warisan, membangun aplikasi baru yang native cloud, dan mendukung asisten AI serta aplikasi perusahaan. Seiring dengan evolusi jenis data dan aplikasi, Anda mungkin memerlukan database NoSQL khusus untuk mengelola struktur data yang beragam dan memenuhi persyaratan aplikasi tertentu. Ini termasuk database time series, dokumen, pesan, nilai-kunci, pencarian teks penuh, dan in-memory, yang memenuhi berbagai kebutuhan seperti IoT, manajemen konten, dan aplikasi geospasial. Untuk mendukung beban kerja AI dan analitika di seluruh database transaksional dan khusus, Anda harus memastikan bahwa mereka dapat terintegrasi dengan lancar dengan arsitektur open data lakehouse tanpa duplikasi atau proses extract, transform, load (ETL) tambahan. Dengan data lakehouse terbuka, Anda dapat mengakses satu salinan data di mana pun lokasi data Anda berada. Data lakehouse terbuka menangani berbagai format terbuka (seperti Apache Iceberg di atas penyimpanan objek cloud) dan menggabungkan data dari berbagai sumber dan repositori yang ada di seluruh cloud hibrid. Data lakehouse yang paling efisien dari segi harga juga memungkinkan pemisahan penyimpanan dan komputasi dengan beberapa mesin kueri open source dan integrasi dengan mesin analitika lainnya untuk mengoptimalkan beban kerja demi kinerja harga yang lebih baik. Ini termasuk integrasi dengan mesin data warehouse Anda, yang sekarang harus seimbang antara pemrosesan data real-time dan pengambilan keputusan dengan penyimpanan objek yang efektif secara biaya, teknologi open source, dan lapisan metadata bersama untuk berbagi data dengan data lakehouse Anda. Dengan arsitektur data lakehouse terbuka, Anda sekarang dapat mengoptimalkan beban kerja data warehouse Anda untuk kinerja harga dan memodernisasi data lake tradisional dengan kinerja dan tata kelola yang lebih baik untuk AI. Perusahaan mungkin juga memiliki petabyte, bahkan eksabyte, data properti berharga yang disimpan di mainframe mereka yang perlu dibuka untuk wawasan baru dan model ML/AI. Dengan data lakehouse terbuka yang mendukung sinkronisasi data antara mainframe dan format terbuka seperti Iceberg, organisasi dapat lebih baik mengidentifikasi penipuan, memahami perilaku konstituen, dan membangun model AI prediktif untuk memahami, memprediksi, dan mempengaruhi hasil bisnis lanjutan. Sebelum membangun AI generatif yang terpercaya untuk bisnis Anda, Anda memerlukan arsitektur data yang tepat untuk mempersiapkan dan mentransformasi data yang berbeda menjadi data berkualitas. Untuk AI generatif, dasar data yang tepat mungkin mencakup berbagai pengetahuan yang mencakup database NoSQL untuk percakapan, database transaksional untuk data kontekstual, arsitektur data lakehouse untuk mengakses dan mempersiapkan data Anda untuk AI dan analitika, serta kemampuan vector-embedding untuk menyimpan dan mengambil embedding untuk generasi augmented retrieval (RAG). Lapisan metadata bersama, tata kelola untuk mengkatalogkan data Anda, dan data lineage memungkinkan keluaran AI yang…