Category: Blog

Saat bisnis menjelajahi cara untuk memanfaatkan kekuatan AI, banyak yang beralih ke model bahasa besar (LLM) untuk meningkatkan pengambilan keputusan mereka. Namun, LLM seperti ChatGPT dilatih menggunakan sejumlah besar data publik yang tersedia di internet, yang membatasi kegunaannya bagi perusahaan yang ingin menggunakan AI untuk menangkap wawasan dari data korporat mereka sendiri. Selain itu, pelatihan model tersebut bisa memakan waktu berbulan-bulan dan biaya yang besar, sehingga hampir tidak mungkin untuk memastikan setiap respons benar-benar berarti dan terkini. Pertanyaannya adalah, bagaimana perusahaan dapat memanfaatkan pemrosesan bahasa alami untuk mendapatkan wawasan AI yang kuat dan terkini dari data spesifik perusahaan mereka sendiri? Membangun LLM mereka sendiri sangat mahal, begitu pula dengan melakukan fine-tuning pada LLM yang sudah ada dengan data khusus. Untungnya, retrieval augmented generation (RAG) muncul sebagai cara bagi perusahaan untuk mengatasi keterbatasan ini. Dengan menggunakan teknik AI canggih ini, perusahaan dapat menggabungkan LLM yang telah dilatih sebelumnya, seperti ChatGPT, dengan data milik mereka sendiri untuk mendapatkan respons yang akurat dan kontekstual. Mereka dapat membatasi data yang digunakan dengan menarik hanya dari sumber yang paling relevan, seperti prosedur, kebijakan, atau informasi produk yang telah disetujui. Dan karena RAG mengambil informasi secara real-time dari basis data vektor perusahaan, mereka dapat memastikan bahwa informasi yang diperoleh selalu terkini saat data baru ditambahkan. Menggabungkan Manfaat LLM dengan Data Perusahaan RAG secara efektif menggabungkan pengambilan data dengan generasi bahasa. Pengambil data berfungsi seperti mesin pencari yang mengambil data berdasarkan kueri pengguna, menggunakan algoritma canggih untuk mengumpulkan hanya informasi yang paling relevan. Generator biasanya adalah LLM seperti ChatGPT yang mengambil informasi ini dan mengubahnya menjadi respons yang akurat dan terinformasi. Dengan mengintegrasikan dua komponen ini, RAG memungkinkan perusahaan untuk membangun sistem AI yang disesuaikan yang memberikan mereka keunggulan kompetitif. Retrieval augmented generation (RAG) menggabungkan data pribadi dan milik untuk melengkapi model bahasa besar (LLM), memberikan jawaban yang tepat dan kontekstual. Potensi aplikasi RAG sangat banyak. Tim penjualan dan pemasaran dapat dengan cepat menggabungkan informasi dari laporan pasar, umpan balik pelanggan, dan media sosial untuk mengidentifikasi tren pembelian dan preferensi pelanggan. Tim layanan pelanggan dapat meningkatkan loyalitas pelanggan melalui chatbot bertenaga RAG yang menggunakan informasi produk, profil pelanggan, dan riwayat pembelian untuk memberikan respons yang dipersonalisasi terhadap pertanyaan pelanggan. Tim hukum dapat dengan mudah memanfaatkan pembelajaran AI dari kontrak, kasus hukum, dan dokumen lain saat memberikan nasihat hukum. Dengan membantu karyawan mengakses data terstruktur dan tidak terstruktur yang relevan dan terkini yang disimpan di berbagai basis data dengan cepat dan akurat, RAG dapat meningkatkan produktivitas bisnis, meningkatkan pengalaman pelanggan, dan meningkatkan profitabilitas dengan mengurangi biaya tenaga kerja dan meningkatkan loyalitas pelanggan. Namun, meskipun RAG menjanjikan transformasi AI perusahaan, masih ada beberapa hambatan yang harus diatasi. Salah satu tantangan utama adalah mengambil dan mengintegrasikan data di seluruh lanskap TI terdistribusi yang dimiliki kebanyakan perusahaan. Saat ini, sebagian besar perusahaan menjalankan aplikasi mereka di lingkungan multicloud yang sangat kompleks dan hibrid. Dan karena data biasanya disimpan di tempat yang berbeda—termasuk pusat data lokal dan berbagai cloud seperti Microsoft Azure, Google Cloud Platform, dan AWS—mengintegrasikan semua data terpisah ini dengan LLM bisa menjadi sulit. Selain itu, tanpa perlindungan yang tepat, ada risiko mengekspos informasi pribadi. Mengimplementasikan RAG di lingkungan hibrid dan multicloud F5 telah bekerja sama dengan perusahaan infrastruktur data NetApp untuk mengatasi masalah ini. Dengan mengintegrasikan kemampuan jaringan multicloud yang aman dan berkinerja tinggi dari F5 dengan solusi manajemen data yang kuat dari NetApp, kami memungkinkan pengambilan data perusahaan dengan cepat tidak peduli di mana pun ia berada dan menggabungkannya dengan LLM secara aman. Cloud Volumes ONTAP dan Azure NetApp Files dari NetApp mengoptimalkan biaya dan kinerja penyimpanan cloud sambil meningkatkan perlindungan data dan kepatuhan. Ketika digabungkan dengan F5 Distributed Cloud Network Connect, data dapat dengan cepat dan aman terhubung dan dipindahkan antar zona dan wilayah terlepas dari tempat penyimpanannya. Saat bisnis mencari cara untuk menyampaikan aplikasi LLM yang mendorong kemajuan, solusi bersama kami menawarkan cara yang mulus untuk mengelola, melindungi, dan mengoptimalkan data mereka, sekaligus mengurangi biaya. Data perusahaan tetap bersifat pribadi. Dan pengguna dapat memperoleh informasi yang akurat, tepat waktu, dan relevan dengan konteks yang mereka butuhkan untuk berkembang di era digital. Seperti yang dikatakan Kunal Anand, Chief Technology and AI Officer dari F5, “Solusi bersama kami memberikan kinerja yang tiada tara dan keamanan yang kokoh, memungkinkan perusahaan untuk dengan percaya diri memanfaatkan kemampuan AI dalam konteks bisnis unik mereka.” Menangkap janji penuh dari AI perusahaan Kemitraan ini dibangun di atas kolaborasi sebelumnya antara F5 dan NetApp untuk membantu perusahaan menghubungkan lingkungan hibrid dan multicloud mereka. Dan penting untuk dicatat bahwa ini hanyalah permulaan. Dalam beberapa bulan mendatang, kami akan terus bekerja sama untuk membantu perusahaan menangkap kekuatan penuh AI di seluruh lanskap TI terdistribusi mereka. Ingin tahu lebih banyak mengenai f5, silahkan hubungi f5@ilogoindonesia.id

Pokok Permasalahannya Automasi meningkatkan produktivitas dengan memanfaatkan kekuatan mesin. Sejumlah besar server dapat dibeli atau disewa di cloud dengan biaya setara dengan satu pekerja informasi manusia. Namun, akses ke data perusahaan, terutama dengan kecepatan dan volume kerja mesin, sering kali melanggar berbagai kebijakan yang dirancang untuk mengurangi risiko penyebaran dan pengungkapan data tersebut. Saya baru-baru ini mengalami ketegangan antara kekuatan yang bertentangan ini saat membangun sebuah automasi. Automasi tersebut mengumpulkan data dari halaman web internal yang berisi metrik pengunjung dan memasukkannya ke dalam serangkaian spreadsheet. Kemudian, spreadsheet tersebut dipindahkan ke folder jaringan, di mana automasi kedua mendeteksi file baru dan mengunggahnya ke lokasi yang telah ditentukan. Di sana, rekan saya mencatat aktivitas atau tren yang memerlukan perhatian. Kami sangat menyukainya. Namun, setelah beberapa minggu berjalan lancar, automasi ini gagal karena kredensial keamanan yang kedaluwarsa. Kebijakan tata kelola akses data kami mengharuskan kredensial sistem tertentu kedaluwarsa secara berkala—ini baik untuk keamanan tetapi dapat merusak automasi dan berdampak negatif pada produktivitas. Mengganti rahasia keamanan secara berkala adalah praktik terbaik yang jelas, tetapi apakah hal ini perlu menyebabkan gangguan? Automatisasi yang kami gunakan menghemat waktu secara signifikan untuk tim saya, karena ia hanya membaca data dari satu lokasi dan mengubah formatnya untuk analisis yang lebih mudah di lokasi lain. Apakah otomatisasi tersebut benar-benar perlu berjalan dengan hak akses yang sama seperti saya, seorang manusia? Pasti ada solusi kompromi di sini. Compromise Berikut dua opsi yang mungkin bisa menjadi kompromi: Opsi A Keluarkan peringatan lima hari sebelum masa berlaku berakhir, memberikan waktu untuk memperbarui sehingga tidak terjadi gangguan. Opsi B Gunakan kredensial layanan khusus untuk tugas otomatisasi dengan hak akses minimum yang diperlukan. Anggaplah otomatisasi sebagai jenis pengguna baru Kedua opsi ini mematuhi persyaratan keamanan data organisasi, dan dengan meningkatkan visibilitas serta komunikasi antara pihak bisnis dan operasi keamanan (SecOps) secara bijaksana, solusi yang efektif dapat dicapai. Sedikit kompromi yang rasional dapat meredakan ketegangan antara kebutuhan keamanan data dan otomatisasi yang meningkatkan produktivitas, dan seringkali, kedua belah pihak tidak dirugikan, sehingga bisnis tetap diuntungkan. Otomatisasi memperkenalkan jenis pengguna baru dalam tata kelola perusahaan yang disebut pekerja mesin. Hal ini menggabungkan pelaksana kebijakan keamanan dengan otomatisasi. Organisasi yang mengakui kehadiran pengguna baru ini dan mempertimbangkan kebutuhan spesifiknya secara mendetail akan dapat menghindari ketegangan yang tidak produktif, menetapkan praktik penggunaan data yang lebih aman, dan memanfaatkan keuntungan bisnis yang ditawarkan oleh teknologi yang meningkatkan produktivitas. Ingin tahu lebih banyak mengenai f5, silahkan hubungi f5@ilogoindonesia.id