Kebutuhan pemrosesan data, streaming, dan sharing secara real-time untuk mendukung organisasi bertransformasi menjadi organisasi yang data-driven terus meningkat. Kami memperkirakan akan ada lebih banyak perusahaan yang berinvestasi untuk membangun sistem AI adaptif. Sistem ini dapat ‘mencerna’ data dalam jumlah dengan interval yang tinggi, dan beradaptasi terhadap perubahan dan variasi secara cepat.
Yang akan menentukan pemenang dari mereka yang lamban adalah kecepatan mengeksekusi analitik prediktif (predictive analytic), dan rasio biaya yang dikeluarkan dengan manfaat yang diperoleh (cost-benefit) terkait paradigma algoritma tersebut. Kemampuan organisasi dalam menciptakan kepercayaan terhadap AI yang bisa digunakan dan dijelaskan untuk pengambilan keputusan yang lebih cepat dan fleksibel akan membedakan antara pemimpin dari yang lainnya.
Kami perkirakan organisasi/perusahaan akan mengubah fokus, tidak hanya algoritma, yakni ke hal-hal seperti dashboard prediktif yang business-ready, visualisasi, dan aplikasi yang menyederhanakan penggunaan sistem AI untuk mencapai kesimpulan. Hal ini akan membantu bisnis dengan cepat memahami dampaknya terhadap bisnis dan bertindak dengan percaya diri.
Kami sudah bekerja sama dengan berbagai organisasi di Asia Pasifik mengoperasionalkan data analytic dan solusi AI untuk membuka kunci pengambilan keputusan yang data-driven dan efisiensi operasional, dan dengan cepat melihat keuntungan bisnis.
Contohnya adalah Bank BRI di Indonesia membangun lima layer arsitektur TI untuk meningkatkan efisiensi operasional dan memungkinkan developer untuk memanfaatkan teknologi AI dan ML. Arsitektur TI baru ini memungkinkan BRI menyimpan, mengonsolidasikan, dan memproses informasi dari beberapa aliran data di satu platform.
Langkah ini meningkatkan kemampuan bank mendeteksi fraud dan credit scoring, serta mengembangkan produk microfinancing digital yang baru. Dengan deteksi fraud secara real time melalui BRIForce, BRI dapat mengotomatisasi proses yang dapat menemukan anomali dalam event streaming yang muncul dari beberapa touch point nasabah, dari jangka waktu dua bulan, menjadi beberapa detik saja. (Sumber: studi kasus nasabah BRI)
Tren 3: Perpindahan yang berkelanjutan ke public cloud dan hybrid cloud, mengoptimalkan penyebaran (deployment)
Pengeluaran untuk public cloud dan volume beban kerja di berbagai organisasi dari semua skala terus mengalami akselerasi karena kebijakan mengedepankan cloud (cloud-first) dan migrasi cloud menjadi agenda utama para pemimpin TI senior. Namun pengeluaran ini dalam jumlah yang signifikan terbuang percuma karena organisasi kesulitan mengoptimalkan biaya secara efektif.
Menurut 2022 State of the Cloud Report dari Flexera, responden memperkirakan organisasi mereka memboroskan 32% pengeluaran cloud pada 2021, atau naik dari 30% pada tahun sebelumnya. Karena optimalisasi biaya masih menjadi iniasitif cloud paling utama bagi organisasi sampai tahun ke-6 pengoperasiannya, kemungkinan besar kita akan melihat organisasi memilih strategi yang lebih hemat biaya, dapat memberikan hasil dengan cepat dan efisien, termasuk:
- Memindahkan lebih banyak beban kerja ke cloud untuk membebaskan sumber daya sekaligus mendorong agility
- Mengimplementasikan solusi data dan analitik
- Mengembalikan beberapa alur kerja machine learning ke on-premise, tempat proses yang kompleks bisa dilakukan dengan lebih hemat biaya, demi mengoptimalkan pengeluaran cloud untuk compliance, tata kelola, dan keamanan.
Di sinilah pemanfaatan arsitektur data modern seperti data lakehouse, data fabric dan data mesh, menjadi sangat penting untuk mendorong efisiensi bisnis para berbagai aktivitas operasional. Selain untuk mengelola data on-premise dan di public cloud atau private cloud, arsitektur data modern ini juga secara intrinsik didesain untuk mengatasi kerumitan, seperti masalah keamanan dan tata kelola. Arsitektur data modern juga menjawab kekhawatiran tim TI dalam hal membuka akses ke data organisasi.
Organisasi/perusahaan bisa mempertimbangkan untuk pindah ke platform data hybrid yang dapat mengelola seluruh siklus hidup analitik data dan machine learning. Platform tersebut harus memiliki fitur keterbukaan dan interoperasionalitas yang memudahkan berbagi dan memungkinkan fungsi layanan mandiri, seperti Cloudera Data Platform (CDP), yang memiliki fitur bawaan shared data experience (SDX). Fitur ini menyediakan common metadata, keamanan, dan model tata kelola bagi bisnis, di seluruh data mereka.