“Untuk perusahaan di Indonesia, minimnya regulasi seputar teknologi baru ini telah memunculkan tantangan dalam implementasi teknologi, seperti cloud. Kepatuhan regulasi, tata kelola, dan kontrol, akan membentuk landasan pemanfaatan teknologi dalam perusahaan. Tanpa panduan yang jelas mengenai apa yang diperbolehkan akan membuat banyak perusahaan memilih untuk mengambil langkah pendekatan yang lebih konservatif,” tegasnya.
Di sisi lain, teknologi tersebut mungkin tidak segera tersedia di Indonesia. Dalam konteks AI, tools seperti LLM biasanya dilatih dengan data dalam Bahasa Inggris, sebelum diadopsi dan disempurnakan dengan bahasa lain untuk melayani kebutuhan pasar lokal. “Ketergantungan terhadap sesuatu yang konteksnya di luar Indonesia akan menambahkan tantangan bagi perusahaan lokal yang ingin menerapkan AI generatif dalam perusahaan,” ujar Fajar.
Langkah-langkah Mengadopsi AI
Lantas, apa yang harus disiapkan perusahaan untuk mengadopsi AI, termasuk AI generatif, secara efektif dan cepat? Di era kecerdasan, data akan menjadi elemen yang krusial. “Membangun landasan kuat untuk AI membutuhkan investasi dalam hal teknologi, manusia, dan proses, karena solusi AI – baik generatif ataupun tradisional – hanya akan berkualitas jika datanya dilatih dalam konteks perusahaan yang tepat,” jelas Fajar.
Menurutnya, perusahaan membutuhkan integrasi yang mulus dengan sistem TI yang ada dan kontrol terhadap seluruh siklus hidup data. Dengan demikian, akses dan pengelolaan data di seluruh siklus hidup data bisa dilakukan secara efisien dan efektif.
Ia juga menekankan pentingnya bagi perusahaan untuk memiliki akses terhadap kemampuan hybrid cloud, multi-cloud data, yang mendukung AI yang terpercaya, aman, dan bertanggung jawab dalam perusahaan.
Oleh karena itu langkah yang dapat dilakukan perusahaan untuk mengatasi tantangan dalam mengakses dan mengelola data, menurut Fajar, adalah melakukan modernisasi terhadap arsitektur data. “Dengan fondasi data yang solid, perusahaan akan mudah mendeploy AI/ML dalam skala besar di seluruh perusahaan, untuk meraih peluang inovasi dan membuka potensi bisnis baru,” tandasnya.
Open Source vs Close Source
Masih terkait penggunaan data untuk mendukung keberhasilan adopsi AI, saat ini organisasi dan perusahaan dihadapkan pada pilihan menggunakan AI open source atau close source. Hal ini perlu menjadi pertimbangan mengingat penerapan AI masih kerap diliputi pertanyaan seputar keamanan dan privasi data.
“Privasi data, halusinasi, keterbatasan kontekstual, dan biaya, tetap menjadi beberapa tantangan terbesar bagi perusahaan yang ingin menerapkan enterprise AI dalam skala besar,” jelas Fajar. Ia melihat ada layanan AI yang tersedia bagi publik dan mungkin tampak menarik karena biayanya yang lebih rendah.
Namun menurutnya aplikasi pihak ketiga ini berisiko membuat perusahaan terpapar pada masalah privasi dan keamanan yang tak perlu. Pasalnya, perusahaan mungkin menyimpan dan memproses informasi bisnis yang penting dan berpotensi bocor saat terjadi pelanggaran data atau akses tidak sah.
“Kenyataannya adalah akses ke basis pengetahuan enterprise atau sumber proprietary data adalah sangat penting bagi keberhasilan model LLM atau AI apa pun,” kata Fajar. Membangun pengalaman interaktif ini pada proprietary data dalam konteks yang tepat tanpa membaginya dengan layanan eksternal dikatakan Fajar akan sangat mengurangi potensi halusinasi atau jawaban yang faktual tapi di luar konteks.