AI dan data

Chatbot menjawab pertanyaan. Agen mengambil tindakan: membaca catatan, memanggil sistem Anda, dan menyelesaikan langkah-langkah suatu proses. Sistem multiagen membagi tugas yang lebih besar di antara agen dengan peran sempit, yang lebih mudah diuji dan dikendalikan.

Baca selengkapnya: Sistem dan protokol multiagenTautan ke pertanyaan ini

Ketiganya adalah protokol terbuka untuk agen AI. Model Context Protocol (MCP) menghubungkan agen ke alat dan data. Agent2Agent (A2A) memungkinkan agen di sistem yang berbeda mendelegasikan pekerjaan. Agent Payments Protocol (AP2) memungkinkan agen melakukan pembayaran berdasarkan mandat yang Anda tandatangani.

Baca selengkapnya: Sistem dan protokol multiagenTautan ke pertanyaan ini

Agen hanya dapat bertindak melalui alat yang kami tetapkan untuknya, masing-masing dengan izin dan batasannya sendiri. Setiap pemanggilan dicatat. Pagar pengaman memeriksa masukan dan luaran, dan langkah yang berisiko menunggu persetujuan seseorang.

Baca selengkapnya: Sistem dan protokol multiagenTautan ke pertanyaan ini

Dalam kerja human-in-the-loop (HITL), seseorang menyetujui setiap langkah. Dalam kerja human-on-the-loop (HOTL), agen menjalankan langkah rutin sementara orang mengawasi, menerima peringatan, dan turun tangan pada pengecualian. Kami menyepakati bersama Anda langkah mana yang memerlukan pola yang mana.

Baca selengkapnya: Sistem dan protokol multiagenTautan ke pertanyaan ini

Kami menyusun set evaluasi dari kasus nyata beserta hasil yang diharapkan. Setiap agen dinilai pada set itu sebelum rilis dan setelah setiap perubahan pada prompt, model, atau alat. Anda menyetujui ambang batasnya, dan kami tidak merilis di bawah ambang tersebut.

Baca selengkapnya: Sistem dan protokol multiagenTautan ke pertanyaan ini

Kami memilih per tugas. Pilihannya mencakup model frontier dari OpenAI, Claude, dan Gemini, model open-weight Llama, Qwen, DeepSeek, dan Mistral, serta model regional seperti Jais, Falcon, dan ALLaM. Jika data harus tetap berada di dalam negeri, kami menggunakan model yang dapat berjalan di lingkungan Anda.

Baca selengkapnya: LLM, SLM dan platform konteks berdaulatTautan ke pertanyaan ini

Ya. Kami menyempurnakan (fine-tuning) model bahasa kecil (SLM) yang mengutamakan bahasa Arab seperti Jais, Falcon, dan ALLaM dengan kosakata dan dokumen Anda. Kami kemudian mengujinya pada pertanyaan yang diajukan pengguna Anda, dalam dialek yang mereka gunakan.

Baca selengkapnya: LLM, SLM dan platform konteks berdaulatTautan ke pertanyaan ini

Generasi yang diperkuat pengambilan (RAG) menemukan bagian teks yang menjawab suatu pertanyaan lalu memberikannya kepada model. GraphRAG menambahkan graf pengetahuan tentang keterkaitan entitas Anda, sehingga jawaban dapat mengikuti relasi tersebut. Sadar izin berarti setiap bagian teks disaring lebih dahulu berdasarkan hak penanya.

Baca selengkapnya: LLM, SLM dan platform konteks berdaulatTautan ke pertanyaan ini

Sering kali model kecil sudah cukup. Klasifikasi, ekstraksi, dan jawaban dari dokumen Anda sendiri umumnya berjalan baik pada model bahasa kecil (SLM) yang telah disempurnakan, yang berjalan di lebih sedikit GPU dan berbiaya lebih rendah. Kami menyimpan model besar untuk tugas yang membutuhkan penalaran lebih mendalam.

Baca selengkapnya: LLM, SLM dan platform konteks berdaulatTautan ke pertanyaan ini

Model bahasa besar dilatih dengan teks. Model kuantitatif besar (LQM) dilatih dengan data numerik, seperti harga, transaksi, atau arus rantai pasok. Model ini dipakai untuk menyimulasikan skenario dan memperkirakan hasil ketika jawabannya berupa angka.

Baca selengkapnya: Model kuantitatif besar dan ML terapanTautan ke pertanyaan ini

Ya. Kami memakai metode AI yang dapat dijelaskan (XAI) yang menunjukkan faktor-faktor yang memengaruhi setiap keputusan, dan kami mendokumentasikan cara model dibangun dan diuji. Tim kredit, risiko, dan audit Anda dapat meninjau setiap model sebelum diluncurkan.

Baca selengkapnya: Model kuantitatif besar dan ML terapanTautan ke pertanyaan ini

Kami menguji kinerja model pada kelompok pelanggan yang penting bagi Anda dan bagi regulator Anda. Jika hasilnya berbeda tanpa alasan yang kuat, kami mengubah data, fitur, atau model sebelum rilis.

Baca selengkapnya: Model kuantitatif besar dan ML terapanTautan ke pertanyaan ini

Ya. Model penipuan dan AML menilai transaksi secara waktu nyata, saat transaksi terjadi. Kasus yang mencurigakan ditahan atau diteruskan ke penyelidik Anda, beserta alasan model menandainya.

Baca selengkapnya: Model kuantitatif besar dan ML terapanTautan ke pertanyaan ini

Ya. Agen transaksional memanggil sistem Anda melalui alat dengan cakupan sempit yang tercatat untuk melakukan pekerjaan, seperti memeriksa pesanan atau mengubah pemesanan. Langkah yang mengandung risiko, seperti pembayaran, dapat memerlukan konfirmasi dari pelanggan atau karyawan.

Baca selengkapnya: AI multimodal, suara dan visiTautan ke pertanyaan ini

Kami membangun dan menguji agen dalam bahasa dan dialek yang digunakan pelanggan Anda, termasuk bahasa Arab, dengan model yang disetel untuk bahasa dan dialek tersebut. Kami menguji pada rekaman dan pesan nyata sebelum pelanggan mana pun mendengar atau membaca agen.

Baca selengkapnya: AI multimodal, suara dan visiTautan ke pertanyaan ini

Video berukuran besar dan sebagian keputusan tidak dapat menunggu. Pemrosesan pada atau di dekat kamera memberikan hasil lebih cepat, mengirim lebih sedikit data melalui jaringan, dan menjaga rekaman di lokasi jika harus tetap di sana.

Baca selengkapnya: AI multimodal, suara dan visiTautan ke pertanyaan ini

Panggilan suara, chat web, dan perpesanan terhubung ke sistem back-end yang sama sehingga pelanggan dapat berpindah antar saluran. Kami memulai dengan saluran yang menangani permintaan terbanyak.

Baca selengkapnya: AI multimodal, suara dan visiTautan ke pertanyaan ini

Sistem ini membaca dokumen sebagaimana manusia membacanya: teks, tata letak dan makna. IDP 2.0 menambahkan AI yang memeriksa data terhadap aturan Anda, menyelesaikan pengecualian rutin dan mencatat hasilnya ke sistem Anda.

Baca selengkapnya: Pemrosesan dokumen cerdas (IDP 2.0)Tautan ke pertanyaan ini

Faktur, rekening koran, dokumen pembiayaan perdagangan, berkas KYC dan formulir kompleks, baik yang diketik, dipindai maupun difoto. Kami menguji pada sampel Anda sendiri, pada semua tata letak dan bahasa yang Anda terima.

Baca selengkapnya: Pemrosesan dokumen cerdas (IDP 2.0)Tautan ke pertanyaan ini

Aturan validasi menangkap sebagian besar kesalahan sebelum pencatatan, dengan memeriksa total, pemasok, pesanan dan catatan. Hal yang belum pasti ditahan untuk tinjauan manusia, dengan alasan yang ditampilkan. Koreksi dimasukkan kembali ke sistem sehingga sistem terus membaik.

Baca selengkapnya: Pemrosesan dokumen cerdas (IDP 2.0)Tautan ke pertanyaan ini

Tidak. Otomasi proses robotik (RPA) mengulang klik pada layar dan gagal saat tata letak berubah. IDP memahami dokumen itu sendiri dan mencatat melalui antarmuka ERP Anda, bukan melalui layarnya.

Baca selengkapnya: Pemrosesan dokumen cerdas (IDP 2.0)Tautan ke pertanyaan ini

Kami mencatat melalui antarmuka yang didukung dari ERP yang ditangani divisi integrasi kami, termasuk SAP, Oracle, Microsoft Dynamics 365 dan Odoo. Pencatatan diuji di sandbox sebelum masuk ke buku besar aktif Anda.

Baca selengkapnya: Pemrosesan dokumen cerdas (IDP 2.0)Tautan ke pertanyaan ini

Itu bergantung pada data Anda, keterampilan tim Anda, tempat data harus berada, dan cara Anda membuat kueri. Kami membandingkan Snowflake, Databricks, dan lakehouse Apache Iceberg terbuka dengan beban kerja dan aturan residensi data Anda, lalu merekomendasikan pilihan paling sederhana yang sesuai.

Baca selengkapnya: Arsitektur data, lakehouse dan pipeline waktu nyataTautan ke pertanyaan ini

Hanya jika suatu keputusan bergantung padanya, seperti pemeriksaan penipuan, tingkat stok, atau tindakan agen. Peristiwa tersebut kami alirkan dengan Kafka dan Flink, dan kami mempertahankan pemuatan batch bila angka harian sudah cukup, karena batch lebih murah dijalankan.

Baca selengkapnya: Arsitektur data, lakehouse dan pipeline waktu nyataTautan ke pertanyaan ini

Ya. Kami membaca perubahan melalui antarmuka yang didukung ERP atau log basis datanya, bukan melalui kueri berat, dan menjadwalkan pemuatan massal di luar jam sibuk. Kami mengukur beban pada ERP sebelum dan sesudahnya.

Baca selengkapnya: Arsitektur data, lakehouse dan pipeline waktu nyataTautan ke pertanyaan ini

Setiap pipeline memiliki pemeriksaan kualitas atas volume, kunci, total, dan kebaruan data, dan kegagalan mencegah data buruk mencapai laporan. Kami merekonsiliasi angka kunci terhadap sistem sumber Anda bersama pemilik proses keuangan dan operasional Anda.

Baca selengkapnya: Arsitektur data, lakehouse dan pipeline waktu nyataTautan ke pertanyaan ini

Itu keputusan bisnis, yang ditetapkan sebagai dua target. Recovery point objective adalah seberapa banyak data terbaru yang mungkin hilang. Recovery time objective adalah berapa lama sistem boleh tidak beroperasi. Kami merancang replikasi, failover, dan pencadangan untuk memenuhinya, lalu mengujinya.

Baca selengkapnya: Arsitektur data, lakehouse dan pipeline waktu nyataTautan ke pertanyaan ini

Basis data relasional, serta basis data dokumen, key-value, dan pencarian, di server Anda sendiri atau sebagai layanan cloud terkelola. Pada awal penugasan kami memastikan mesin dan versi yang Anda gunakan, lalu menugaskan insinyur yang menguasainya. Jika Anda sedang memilih basis data baru atau layanan terkelola, kami lebih dahulu membandingkan opsi terhadap beban kerja, keterampilan, lisensi, dan biaya operasional Anda.

Baca selengkapnya: Arsitektur data, lakehouse dan pipeline waktu nyataTautan ke pertanyaan ini

Dengan pengukuran, bukan dugaan. Kami menangkap kueri yang paling lambat dan paling sering, membaca rencana eksekusinya, dan memeriksa waktu tunggu, penguncian, memori, dan penyimpanan. Indeks, perubahan kueri, dan konfigurasi sering kali lebih membantu daripada perangkat keras baru, dan jauh lebih murah. Kami memperbaiki penyebab terbesar lebih dahulu dan mengukur setiap perubahan terhadap baseline.

Baca selengkapnya: Arsitektur data, lakehouse dan pipeline waktu nyataTautan ke pertanyaan ini

Karena setiap sistem menyimpan salinannya sendiri atas pelanggan, produk, dan pemasok, dan salinan itu semakin menyimpang satu sama lain. Manajemen data induk menyepakati satu versi, menjaganya tetap mutakhir, dan mengalirkannya kembali, sehingga laporan dan model tidak lagi saling bertentangan.

Baca selengkapnya: Tata kelola, kedaulatan, privasi dan keamanan dataTautan ke pertanyaan ini

Pengambilan (retrieval) menerapkan aturan akses tingkat baris dan tingkat peran Anda sebelum teks apa pun mencapai model. Model hanya melihat apa yang boleh dibaca oleh orang yang bertanya, dan kolom sensitif dapat disamarkan lebih dahulu.

Baca selengkapnya: Tata kelola, kedaulatan, privasi dan keamanan dataTautan ke pertanyaan ini

Biasanya tidak terasa. Prosesor modern mengenkripsi dengan cepat, dan sebagian besar basis data serta sistem penyimpanan mengenkripsi data saat tersimpan dengan beban tambahan yang kecil. Mengenkripsi bidang tunggal di dalam aplikasi menimbulkan biaya lebih besar. Kami menguji kinerja pada beban kerja Anda sebelum penerapan, dan memilih pendekatan yang memenuhi risiko tanpa memperlambat bisnis.

Baca selengkapnya: Tata kelola, kedaulatan, privasi dan keamanan dataTautan ke pertanyaan ini

Hanya jika jawabannya dapat ditelusuri, sehingga setiap jawaban menampilkan kueri yang dijalankan dan data yang digunakan. Alat ini membaca definisi yang telah disepakati di lapisan semantik, dan kami mengujinya terhadap angka yang sudah dipercaya tim Anda.

Baca selengkapnya: BI agentik dan kecerdasan keputusanTautan ke pertanyaan ini

Pengguna mengetik pertanyaan dalam bahasa sehari-hari, lalu analis AI mengubahnya menjadi kueri basis data, menjalankannya pada data yang ditata kelola, dan menjelaskan hasilnya. Pengguna tidak perlu SQL, dan analis menghabiskan lebih sedikit waktu untuk permintaan rutin.

Baca selengkapnya: BI agentik dan kecerdasan keputusanTautan ke pertanyaan ini

Ya. Kami membangun analitik ke dalam portal dan aplikasi Anda, dengan setiap pelanggan dibatasi pada datanya sendiri. Jika data Anda bernilai bagi pihak lain, kami dapat mengemasnya sebagai produk layanan mandiri.

Baca selengkapnya: BI agentik dan kecerdasan keputusanTautan ke pertanyaan ini

Chatbot menjawab pertanyaan. Kami membangun sistem yang mengerjakan pekerjaan. Agen memanggil alat Anda di bawah pengawasan, model menjawab hanya dari apa yang boleh dilihat pengguna, dan platform data terus memasoknya. Setiap komponen diuji, dicatat dalam log dan diukur.

Baca selengkapnya: AI dan DataTautan ke pertanyaan ini

Agen bertindak melalui alat yang sempit dan tercatat dalam log, dengan izin yang Anda berikan. Manusia mengawasi mereka dalam lingkar kendali dan menyetujui langkah yang penting. AgentOps menambahkan telemetri, evaluasi, pagar pengaman terhadap jawaban yang dikarang dan batas pengeluaran token.

Baca selengkapnya: AI dan DataTautan ke pertanyaan ini