WEBVTT

00:00:00.000 --> 00:00:08.340
Kopilot Anda tidak pintar, itu hanyalah fitur pelengkapan otomatis yang rapi dan anak magang yang terlalu banyak kafein dengan lencana Microsoft yang terdengar percaya diri padahal sebenarnya tersesat.

00:00:08.480 --> 00:00:14.220
Admin rata-rata menginstallnya, mengajukan satu pertanyaan ambisius seperti meringkas penjualan kuartal lalu di berbagai wilayah,

00:00:14.480 --> 00:00:18.860
lalu terkejut saat ia menjawab dengan apapun yang kebetulan muat di jendela konteksnya yang terbatas.

00:00:19.020 --> 00:00:22.500
Itu bukan wawasan, itu tebakan statistik yang disampaikan dengan nada ramah.

00:00:22.660 --> 00:00:27.580
Kebanyakan yang disebut AI Kopilot berjalan dengan sesuatu yang disebut Retrival Augmented Generation atau RAG sebagai singkatannya.

00:00:27.580 --> 00:00:32.700
Secara teori, ini brilian. Anda mengajukan pertanyaan, ia mencari di basis pengetahuan, mengambil potongan yang relevan,

00:00:32.880 --> 00:00:35.260
dan menempelkannya ke perintah Anda agar model bahasa terlihat informatif.

00:00:35.420 --> 00:00:38.940
Dalam praktiknya, itu seperti meminta seorang pustakawan untuk memberikan seluruh pengetahuan manusia.

00:00:39.160 --> 00:00:42.920
Dia berlari menyusuri satu lorong, mengambil tiga buku secara acak, dan meneriakan jawabannya sambil berlari kembali.

00:00:43.140 --> 00:00:45.500
Satu query, satu pengambilan, satu peluang untuk salah.

00:00:45.760 --> 00:00:48.720
Sekarang, bandingkan itu dengan cara kerja keputusan perusahaan yang sebenarnya.

00:00:48.960 --> 00:00:51.600
Apakah Anda pernah hanya membutuhkan satu potong data? Tidak.

00:00:51.600 --> 00:00:59.600
Anda butuh spreadsheet dari keuangan, laporan riset dari sarepoin, gudang metrik di Microsoft Fabric, dan biasanya data pasar eksternal yang bahkan tidak ada di tenansi Anda.

00:00:59.800 --> 00:01:03.440
RAG klasik akan gagal saat kebenaran Anda tersebar di lebih dari satu tempat.

00:01:03.600 --> 00:01:11.660
Ia tidak bisa merencanakan pencarian ganda, tidak bisa menvalidasi kontradiksi, dan tentu saja tidak bisa mengerti bahwa kinerja kuartalan memiliki arti berbeda bagi pemasaran dan manufaktur.

00:01:11.860 --> 00:01:14.340
Namun, orang terus menyebut sistem ini cerdas.

00:01:14.580 --> 00:01:14.940
Salah.

00:01:14.940 --> 00:01:20.920
Mereka hanyalah turis konteks, mereka mengunjungi aset data Anda, berfoto selfie dengan PDF, dan berpura-pura tahu seluk beluk kota itu.

00:01:21.160 --> 00:01:25.920
Sementara itu, admin rata-rata dengan jujur percaya kopilot memiliki akses mahatau ke setiap folder sarepoin.

00:01:26.100 --> 00:01:30.660
Tidak, kecuali Anda membangun konektor dan pemberi alasan yang eksplisit, ia beroperasi dengan mata tertutup.

00:01:30.800 --> 00:01:32.940
Ini tidak hanya tidak efisien, tapi berbahaya.

00:01:33.160 --> 00:01:36.460
Tanpa pengambilan berbasis agen, perusahaan akan tenggelam dalam fragmentasi konteks.

00:01:36.620 --> 00:01:38.620
Keputusan dibuat berdasarkan data parsial.

00:01:38.620 --> 00:01:40.480
Risiko kepatuhan tidak disadari.

00:01:40.480 --> 00:01:44.800
Tim mengejar wawasan halusinasi yang dihasilkan oleh model yang tidak pernah mau memeriksa dirinya sendiri.

00:01:45.160 --> 00:01:47.040
Ironisnya, perbaikannya sudah ada.

00:01:47.300 --> 00:01:48.820
Masukkan RAG berbasis agen.

00:01:49.020 --> 00:01:51.640
Ia tidak sekadar mengambil informasi, ia memikirkannya secara mendalam.

00:01:51.840 --> 00:01:54.920
Ia merencanakan, memeriksa silang, dan menalar layaknya tim riset digital.

00:01:55.160 --> 00:02:00.820
Di akhir episode ini, Anda akan tahu persis cara membuat kopilot Anda berhenti bertindak seperti burung beo dan mulai berperilaku seperti ilmuwan.

00:02:01.020 --> 00:02:05.440
Dan ya, ada empat langkah, kita akan memperbaiki kopilot Anda yang bodoh dalam empat langkah tepat.

00:02:05.600 --> 00:02:07.960
Mitos RAG, mengapa kecerdasan linear gagal?

00:02:07.960 --> 00:02:09.800
Baiklah, mari kita bedah mitosnya.

00:02:09.800 --> 00:02:14.200
Retrieval Augmented Generation terdengar canggih, namun secara mendasar, ini sangat lineal.

00:02:14.380 --> 00:02:17.500
Langkah 1, ambil beberapa potongan teks berdasarkan kesamaan faktor.

00:02:17.680 --> 00:02:20.220
Langkah 2, masukkan potongan tersebut ke dalam perintah.

00:02:20.400 --> 00:02:23.080
Langkah 3, hasilkan jawaban lalu nyatakan kemenangan.

00:02:23.360 --> 00:02:28.860
Hanya itu, tanpa memori pencarian sebelumnya, tanpa penalaran kontradiksi, tanpa pengenalan konteks pengguna.

00:02:29.080 --> 00:02:33.600
Ini adalah garis lurus dari query kejawaban, semacam SQL join yang diperbagus dalam bahasa Inggris.

00:02:33.800 --> 00:02:35.900
Masalah dimulai saat realita menjadi rumit.

00:02:35.900 --> 00:02:39.460
Misalnya Anda bertanya, bandingkan reliability perangkat kita dengan pesaing.

00:02:39.720 --> 00:02:45.220
Sistem RAG standar mengakses satu indeks, mengambil dokumen yang menyebut reliability, lalu memberikan ringkasan.

00:02:45.420 --> 00:02:47.440
Apakah ia memeriksa log manufaktur di fabrik?

00:02:47.560 --> 00:02:50.060
Apakah ia membaca laporan pengujian baru yang tersembunyi di Sarepoin?

00:02:50.220 --> 00:02:52.220
Apakah ia menvalidasi data eksternal dari web?

00:02:52.320 --> 00:02:53.180
Tentu saja tidak.

00:02:53.480 --> 00:02:55.120
Ia bahkan tidak tahu sumber-sumber itu ada.

00:02:55.340 --> 00:02:56.860
Ia hanya menutupi ketidakpastian dengan kevasihan.

00:02:56.860 --> 00:03:00.260
Bayangkan ini seperti analogi perpustakaan yang tragis.

00:03:00.400 --> 00:03:03.440
Anda masuk dan bertanya kepada satu pustakawan tentang ekonomi global.

00:03:03.700 --> 00:03:10.000
Dia berlari kerak berlabel ekonomi, memberi Anda buku acak tentang kurs mata uang tahun 2012, dan menyatakan masalah selesai.

00:03:10.220 --> 00:03:12.600
Layanan pelanggan yang baik, namun penelitian yang buruk.

00:03:12.740 --> 00:03:18.400
Kecerdasan sejati akan merekrut banyak pustakawan, satu untuk keuangan, sejarah, kebijakan, lalu menyintai sistemuan mereka.

00:03:18.400 --> 00:03:20.920
Itulah perbedaan antara pengambilan data dan penalaran.

00:03:21.080 --> 00:03:23.140
Di perusahaan, kegagalan ini berlipat ganda.

00:03:23.380 --> 00:03:26.020
Satu pertanyaan eksekutif sering menyentuh lusinan sistem.

00:03:26.260 --> 00:03:30.680
Dokumen Sarepoin, set data Power BI, tabel Azure SQL, utas email.

00:03:30.920 --> 00:03:34.220
RAG klasik meratakan semua kompleksitas itu dalam satu langkah.

00:03:34.440 --> 00:03:40.380
Hasilnya, output tidak konsisten, ringkasan dangkal, dan data halusinasi yang diucapkan dengan penuh percaya diri.

00:03:40.540 --> 00:03:46.800
Kepatuhan regulasi, lupakan saja, saat model menarik teks dari apapun yang cocok secara vektor, Anda kehilangan asal-usulnya.

00:03:46.800 --> 00:03:48.900
Coba jelaskan itu kepada komite audit Anda.

00:03:49.100 --> 00:03:51.960
Namun, pemasaran seputar kopilot membuatnya terdengar maha kuasa.

00:03:52.160 --> 00:03:54.940
Brosur membisikkan, tanya apa saja, kopilot tahu bisnis Anda.

00:03:55.120 --> 00:03:56.420
Tidak, itu tidak benar.

00:03:56.620 --> 00:03:58.440
Ia melakukan pengambilan teks dengan amnesia.

00:03:58.660 --> 00:04:01.000
Ia tidak bisa merencanakan, merenung, atau memverifikasi.

00:04:01.180 --> 00:04:05.620
Ia tidak tahu situs Sarepoin mana yang berisi dokumen yang tepat atau apakah gudang fabrik tersinkronisasi.

00:04:05.820 --> 00:04:10.160
Namun karena bahasanya halus, eksekutif berasungsi ada pemahaman padahal hanya korelasi.

00:04:10.400 --> 00:04:13.120
Ilusi kecerdasan inilah yang dibeli oleh perusahaan.

00:04:13.120 --> 00:04:16.540
Selimut nyaman dan mahal yang ditenun dari distribusi probabilitas.

00:04:16.540 --> 00:04:19.360
Mereka merayakan saat kopilot menyusun email dengan benar,

00:04:19.580 --> 00:04:22.120
tanpa sadar bahwa ia salah memahami data sumber sepenuhnya.

00:04:22.340 --> 00:04:28.420
Mereka membanggakan wawasan berbasis AI tanpa menyadari bahwa wawasan itu dirakit dari konteks yang tidak cocok dan cuplikan parsial.

00:04:28.660 --> 00:04:30.320
Inilah konsekuensi ekonominya.

00:04:30.600 --> 00:04:34.720
Setiap laporan yang diringkas keliru, setiap KPI halusinasi berujung pada keputusan yang buruk.

00:04:34.880 --> 00:04:36.740
Proyek berubah arah berdasarkan fiksi.

00:04:36.940 --> 00:04:38.740
Tim kepatuhan mengejar bayang-bayang,

00:04:38.740 --> 00:04:42.400
dan saat realita muncul, saat wawasan palsu gagal diproduksi,

00:04:42.660 --> 00:04:47.260
kesalahan ditimpakan pada batasan AI, bukan pada arsitektur malas yang memang memicu kegagalan.

00:04:47.560 --> 00:04:50.840
Kenyataannya, kecerdasan linear gagal karena perusahaan tidaklah linear.

00:04:51.120 --> 00:04:54.240
Data itu terdistribusi, kontekstual, dan seringkali kontradiktif.

00:04:54.360 --> 00:04:57.060
Alur kerja satu query yang kaku tidak bisa beradaptasi dengan lingkungan tersebut,

00:04:57.320 --> 00:04:59.040
sama seperti satu neuron yang tidak bisa berpikir.

00:04:59.200 --> 00:05:02.600
Yang Anda butuhkan bukanlah perintah yang lebih baik, Anda butuh sistem yang bisa merencanakan.

00:05:02.600 --> 00:05:07.140
Sistem yang bisa memutuskan layanan mana yang digunakan, urutannya, dan cara memverifikasi hasilnya.

00:05:07.140 --> 00:05:11.540
Jadi, bagaimana kita mengajar copilot untuk beroperasi seperti tim riset, bukan seperti burung Beo?

00:05:11.760 --> 00:05:13.740
Disinilah agentik RAG berperan,

00:05:13.980 --> 00:05:16.800
lompatan evolusi dari pencarian reaktif ke penalaran proaktif.

00:05:16.960 --> 00:05:20.740
Ini menambahkan lapisan perencanaan, pengambil data khusus, dan siklus verifikasi.

00:05:21.040 --> 00:05:24.640
Dengan kata lain, ia berhenti berpura-pura pintar dan akhirnya belajar untuk berpikir.

00:05:24.800 --> 00:05:27.680
Inilah agentik RAG, dari sekadar pencarian menjadi penalaran.

00:05:27.880 --> 00:05:30.320
Disinilah kita beralih dari sekadar trik menjadi kecerdasan nyata.

00:05:30.320 --> 00:05:32.260
Agentik RAG bukanlah sekadar istilah tren,

00:05:32.460 --> 00:05:35.480
ini adalah kemampuan yang hilang dari copilot Anda sejak awal, fungsi eksekutif.

00:05:35.480 --> 00:05:38.660
Anggap saja ini sebagai RAG yang telah memiliki korteks prefrontal.

00:05:38.840 --> 00:05:41.560
Alih-alih menjalankan satu query dan berharap hasil terbaik,

00:05:41.860 --> 00:05:43.560
ia memecah masalah menjadi bagian-bagian,

00:05:43.860 --> 00:05:45.540
menugaskan tugas ke agen spesialis,

00:05:45.820 --> 00:05:48.480
memeriksa pekerjaan mereka, lalu menyintesis hasilnya.

00:05:48.720 --> 00:05:52.060
Singkatnya, ia mengubah model bahasa dari burung Beo menjadi perencana.

00:05:52.280 --> 00:05:55.800
Secara mekanis, agentik RAG beroperasi melalui orkestrasi multiagen

00:05:55.800 --> 00:05:57.800
yang dibangun di atas Azure Eye Agent Service.

00:05:58.040 --> 00:05:59.800
Bayangkan tiga peran yang sedang bekerja.

00:05:59.800 --> 00:06:02.700
Pertama, perencana semacam manajer proyek digital.

00:06:02.900 --> 00:06:06.840
Perencana membaca query Anda dan memutuskan alat atau sumber data mana yang relevan.

00:06:07.040 --> 00:06:09.600
Kemudian, agen pengambil data, pakar domain yang dilatih

00:06:09.600 --> 00:06:11.960
untuk mengakses data terstruktur atau tidak terstruktur.

00:06:12.180 --> 00:06:15.840
Terakhir, agen verifikator atau penalar yang berfungsi sebagai pemimpin redaksi,

00:06:16.160 --> 00:06:19.320
memeriksa konsistensi, menvalidasi kutipan, dan menyusun respons akhir.

00:06:19.520 --> 00:06:22.860
Bersama-sama, mereka menjalankan apa yang kita sebut siklus penalaran adaptif.

00:06:22.980 --> 00:06:26.280
Query, ambil, validasi, perbaiki, dan tindak lanjuti.

00:06:26.280 --> 00:06:29.560
Kata kuncinya adalah adaptif, tidak seperti RAG standar.

00:06:29.800 --> 00:06:31.460
Siklus ini tidak berhenti pada keluaran pertama.

00:06:31.680 --> 00:06:33.760
Ia melakukan pengalihan rute saat muncul kontradiksi.

00:06:34.000 --> 00:06:36.320
Bandingkan tarian yang terorkestrasi ini dengan ruang redaksi berita.

00:06:36.440 --> 00:06:38.920
Perencana adalah editor pengelola yang menentukan tugas liputan.

00:06:39.080 --> 00:06:41.100
Anda memeriksa sarepoin untuk laporan internal.

00:06:41.340 --> 00:06:43.140
Anda menarik metrik sensor dari fabrik.

00:06:43.300 --> 00:06:45.280
Anda memindai web untuk mencari data kompetitor.

00:06:45.540 --> 00:06:47.780
Setiap agen pengambil data mendapatkan bagiannya masing-masing.

00:06:48.040 --> 00:06:49.720
Verifikator memeriksa fakta draft gabungan,

00:06:49.920 --> 00:06:51.880
menjalankan ulang query jika ada kutipan yang bertentangan,

00:06:52.140 --> 00:06:53.500
baru kemudian menerbitkan ringkasannya.

00:06:53.500 --> 00:06:56.280
Hasilnya bukanlah tumpukan teks yang sekadar terdengar masuk akal.

00:06:56.460 --> 00:06:58.700
Ini adalah wawasan yang koheren dan didukung oleh bukti.

00:06:58.860 --> 00:07:00.640
Lompatannya di sini bukanlah model yang lebih besar,

00:07:00.880 --> 00:07:01.920
melainkan penalaran terstruktur.

00:07:02.180 --> 00:07:04.140
Mari kita telusuri lebih dalam ke dalam otak perencana.

00:07:04.300 --> 00:07:07.140
Ia menerjemahkan pertanyaan bahasa Inggris Anda yang sederhana menjadi peta tugas.

00:07:07.280 --> 00:07:09.460
Pengambil data mana yang digunakan, urutan menjalankannya,

00:07:09.700 --> 00:07:11.380
dan bagaimana temuan mereka harus digabungkan.

00:07:11.600 --> 00:07:14.720
Disinilah Azure Eye Agent Service menunjukkan eksistensinya.

00:07:14.980 --> 00:07:16.980
Layanan ini menyediakan lapisan orkestrasi

00:07:16.980 --> 00:07:19.100
yang memungkinkan agen-agen ini berkomunikasi.

00:07:19.100 --> 00:07:24.100
Layanan mikro yang berkomunikasi melalui api yang diatur oleh autentikasi Microsoft Entra

00:07:24.100 --> 00:07:25.300
bukan tebak-tebakan.

00:07:25.580 --> 00:07:26.980
Sekarang, tentang keamanan,

00:07:27.280 --> 00:07:29.580
karena petugas kepatuhan rata-rata mungkin sudah panik.

00:07:29.740 --> 00:07:31.920
Agentik RAG tidak mengambil jalan pintas.

00:07:32.140 --> 00:07:34.240
Ini dibangun dengan autentikasi atas nama pengguna,

00:07:34.520 --> 00:07:36.640
artinya identitas Anda ikut serta dalam permintaan.

00:07:36.880 --> 00:07:38.060
Sistem tidak meniru Anda.

00:07:38.360 --> 00:07:40.060
Sistem menggunakan token terverifikasi Anda

00:07:40.060 --> 00:07:42.140
untuk hanya mengambil apa yang Anda izinkan untuk dilihat.

00:07:42.300 --> 00:07:43.720
Keamanan tingkat baris, RLS,

00:07:43.940 --> 00:07:46.400
dan keamanan tingkat kolom, CLS, sudah terintegrasi.

00:07:46.400 --> 00:07:49.880
AI tidak akan secara tidak sengaja mengungkapkan perakiraan CFO kepada seorang peserta magang.

00:07:50.100 --> 00:07:53.000
Setiap panggilan pengambilan data dicatat, dapat diaudit, dan dapat dibatalkan.

00:07:53.180 --> 00:07:56.080
Ini penting karena RAG statis tidak memiliki konsep konteks pengguna.

00:07:56.280 --> 00:07:58.780
RAG statis mengambil apapun yang diizinkan lapisan pencariannya,

00:07:59.040 --> 00:08:00.940
seringkali melewati kerangka izin perusahaan sepenuhnya.

00:08:01.140 --> 00:08:03.400
Agentik RAG memulihkan kedisiplinan tersebut.

00:08:03.580 --> 00:08:05.900
Saat pengambil data fabrik meminta tabel Lakehouse,

00:08:06.100 --> 00:08:08.900
ia menerapkan aturan RLS yang sama dengan dashboard BI Anda.

00:08:09.180 --> 00:08:11.620
Saat agen Sarepoin mencari di pustaka dokumen,

00:08:11.980 --> 00:08:15.080
ia menghormati izin tingkat situs dan label Microsoft Purview.

00:08:15.080 --> 00:08:18.080
Jadi, kebijakan yang sama yang melindungi pengguna manusia Anda,

00:08:18.220 --> 00:08:19.440
kini melindungi pengguna AI Anda.

00:08:19.620 --> 00:08:21.940
Mari kita bawa kembali ini ke realitas alur kerja.

00:08:22.120 --> 00:08:23.500
Misalkan pertanyaannya adalah,

00:08:23.780 --> 00:08:27.020
pada rentang glukosa mana produk A berkinerja lebih buruk dibandingkan produk B,

00:08:27.240 --> 00:08:28.280
dan apa dampak klinisnya?

00:08:28.500 --> 00:08:32.280
RAG standar akan membuang cuplikan apapun yang menyebutkan produk A dan glukosa.

00:08:32.520 --> 00:08:35.320
Agentik RAG yang didukung oleh Azure Eye Agent Service,

00:08:35.640 --> 00:08:38.580
akan meminta perencananya untuk mengidentifikasi tiga lini pengambilan data,

00:08:38.780 --> 00:08:41.300
fabrik untuk data sensor, Sarepoin untuk catatan klinis,

00:08:41.520 --> 00:08:42.980
dan Bing untuk publikasi eksternal.

00:08:42.980 --> 00:08:45.780
Setiap agen pengambil data menghadirkan bukti yang relevan.

00:08:45.980 --> 00:08:48.180
Verifikator membandingkan seluruh kumpulan data,

00:08:48.540 --> 00:08:49.300
menandai perbedaan,

00:08:49.640 --> 00:08:52.920
mungkin bahkan memperbaiki query fabrik asli jika muncul data pencilan.

00:08:53.120 --> 00:08:54.180
Hanya setelah validasi,

00:08:54.400 --> 00:08:56.760
ia mensintesis wawasan akhir dengan kutipan yang utuh.

00:08:56.980 --> 00:08:58.880
Itulah penalaran iteratif yang sedang berjalan.

00:08:59.120 --> 00:09:01.220
RAG reaktif berhenti setelah langkah pertama.

00:09:01.460 --> 00:09:04.160
Agentik RAG belajar dan menyesuaikan diri di tengah percakapan.

00:09:04.420 --> 00:09:06.960
Ia dapat memecah pertanyaan tindak lanjut secara otomatis.

00:09:06.960 --> 00:09:10.240
Tanyakan, bisakah kita meningkatkan akurasi menggunakan studi terbaru,

00:09:10.420 --> 00:09:13.880
dan agen yang sama beralih untuk mengambil materi baru tanpa kehilangan konteks.

00:09:14.060 --> 00:09:17.220
Ini adalah pemahaman berkelanjutan, bukan kehilangan memori episodi.

00:09:17.420 --> 00:09:19.020
Bonus kepatuhannya sangat besar.

00:09:19.340 --> 00:09:21.260
Setiap tindakan agen dapat dilacak dalam log audit,

00:09:21.520 --> 00:09:24.100
setiap token diautentikasi, setiap dokumen yang disentuh dicatat.

00:09:24.220 --> 00:09:27.280
Anda mendapatkan ilusi kemahatahuan dengan administrasi kehati-hatian.

00:09:27.540 --> 00:09:29.080
Sesuatu yang sangat disukai auditor.

00:09:29.420 --> 00:09:31.560
Jadi, pergeseran filosofisnya adalah sebagai berikut.

00:09:31.680 --> 00:09:33.720
Pengambilan data saja hanya menyediakan informasi.

00:09:33.720 --> 00:09:36.140
Agensi mengubah informasi tersebut menjadi proses.

00:09:36.360 --> 00:09:39.140
Dengan memperkenalkan perencanaan, spesialisasi, dan verifikasi,

00:09:39.400 --> 00:09:41.180
Azure Agent Service mengubah kumpulan data acak

00:09:41.180 --> 00:09:43.100
menjadi rantai penalaran yang dapat dipertanggungjawabkan.

00:09:43.300 --> 00:09:46.400
Dalam dunia perusahaan, itulah perbedaan antara asisten yang Anda percayai

00:09:46.400 --> 00:09:48.120
dan asisten yang diam-diam Anda nonaktifkan.

00:09:48.360 --> 00:09:50.700
Sekarang setelah kopilot kita memiliki otak yang berfungsi,

00:09:50.980 --> 00:09:52.240
saatnya memberinya ingatan yang tepat.

00:09:52.420 --> 00:09:55.100
Dengan kata lain, mari kita beri tempat yang substansial untuk dicari,

00:09:55.400 --> 00:09:57.200
dimulai dari kekacauan tidak terstruktur di Sarepoin.

00:09:57.600 --> 00:10:00.240
Mengintegrasikan Sarepoin mengubah kekacauan menjadi pengetahuan.

00:10:00.240 --> 00:10:03.060
Sarepoin adalah tempat persembunyian pengetahuan perusahaan.

00:10:03.220 --> 00:10:06.400
Setiap perusahaan memilikinya, situs penggalian arkeologis yang berisi powerpoint,

00:10:06.640 --> 00:10:10.160
catatan rapat, spesifikasi usang, dan dokumen bernama Final V12 Benar-Benar Final.

00:10:10.400 --> 00:10:12.320
Dan bagi manusia, itu adalah kekacauan.

00:10:12.560 --> 00:10:15.360
Bagi sistem RAG yang naif, itu adalah kekacauan yang tidak bisa dibaca.

00:10:15.540 --> 00:10:17.940
Pencarian kata kunci dengan patuh menampilkan seribu hasil,

00:10:18.220 --> 00:10:21.720
sebagian besar tidak relevan, dan pengguna biasa terus menggulir hingga semangat mereka membaik.

00:10:21.840 --> 00:10:24.200
Kemudian mereka meminta bantuan kopilot dan kopilot

00:10:24.200 --> 00:10:25.820
dengan sigap meringkas dekade yang salah.

00:10:25.820 --> 00:10:29.720
Agentik RAG memperlakukan Sarepoin secara berbeda, bukan sebagai perpustakaan,

00:10:29.920 --> 00:10:31.360
melainkan sebagai substrat pengetahuan.

00:10:31.580 --> 00:10:35.320
Ia tahu bahwa terkubur di dalam folder-folder itu terdapat wawasan kualitatif

00:10:35.320 --> 00:10:37.900
yang tidak akan pernah ditangkap oleh tabel terstruktur fabrik

00:10:37.900 --> 00:10:40.200
seperti konteks, keputusan, dan rasional.

00:10:40.480 --> 00:10:42.960
Jadi, alih-alih menjalankan sapuan kata kunci tunggal,

00:10:43.220 --> 00:10:46.360
agen pencari Sarepoin menggunakan penyematan semantik dan pencarian vektor

00:10:46.360 --> 00:10:48.400
untuk memetakan makna, bukan sekadar teks.

00:10:48.580 --> 00:10:50.780
Tanyakan tentang keandalan produk di lingkungan lembab,

00:10:51.020 --> 00:10:53.540
dan ia tidak terpaku pada kata-kata tersebut secara harfiah.

00:10:53.540 --> 00:10:56.140
Ia mengenali dokumen yang membahas mode kegagalan,

00:10:56.440 --> 00:10:59.080
ketahanan terhadap kondensasi, dan performa perkat.

00:10:59.200 --> 00:11:00.660
Ia mengenali maksudnya,

00:11:00.880 --> 00:11:04.300
disinilah kesadaran akan izin menjadi fitur penentu keberhasilan.

00:11:04.580 --> 00:11:08.080
Setiap situs Sarepoin memiliki jaringan izin, tim, subsitus,

00:11:08.340 --> 00:11:09.740
dan folder rahasia yang rumit.

00:11:09.840 --> 00:11:11.680
Crawler yang bodoh akan mengabaikan hal itu

00:11:11.680 --> 00:11:15.040
dan secara tidak sengaja menampilkan keluhan SDM dalam laporan pemasaran.

00:11:15.280 --> 00:11:18.120
Namun, model agentik melakukan autentikasi atas nama Anda,

00:11:18.440 --> 00:11:20.080
mewarisi konteks keamanan Anda yang tepat.

00:11:20.220 --> 00:11:22.400
Ia hanya bisa membaca apa yang diizinkan untuk Anda lihat.

00:11:22.400 --> 00:11:24.940
Outputnya dipangkas secara otomatis berdasarkan kebijakan.

00:11:25.100 --> 00:11:28.060
Pemangkasan keamanan berkat label Microsoft Entra dan Purview.

00:11:28.320 --> 00:11:31.040
Jadi kecerdasan AI tidak akan pernah melampaui otorisasinya.

00:11:31.320 --> 00:11:33.140
Mari kita jalankan skenario praktis.

00:11:33.360 --> 00:11:37.860
Seorang manajer R dan D mengetik ringkas perbedaan kinerja produk A di iklim pesisir.

00:11:38.020 --> 00:11:40.180
Perencana membaginya menjadi subtugas.

00:11:40.360 --> 00:11:43.140
Pencari fabrik bersiap menganalisis data sensor numerik,

00:11:43.240 --> 00:11:45.920
sementara agen Sarepoin menyelami makalah penelitian internal,

00:11:46.220 --> 00:11:49.920
log pemeliharaan, dan catatan teknik yang diberi label istilah terkait kelembapan.

00:11:49.920 --> 00:11:52.800
Ia menemukan laporan uji lapangan tahun 2023,

00:11:53.460 --> 00:11:55.300
utas diskusi tentang korosi material,

00:11:55.660 --> 00:11:57.880
dan dokumen ringkasan temuan dari tim kandalan.

00:11:58.200 --> 00:12:01.180
Setiap dokumen diberi skor vektor untuk relevansi semantik,

00:12:01.420 --> 00:12:03.680
diambil, dan diteruskan ke agen verifikator.

00:12:03.880 --> 00:12:08.040
Verifikator tersebut memeriksa silang hasil kualitatif tersebut dengan angka-angka fabrik.

00:12:08.220 --> 00:12:09.320
Jika muncul kontradiksi,

00:12:09.660 --> 00:12:11.660
katakanlah dokumen lama mengklaim korosi minimal,

00:12:11.980 --> 00:12:14.980
ia menandai ketidak konsistenan tersebut dan meminta data yang lebih baru.

00:12:14.980 --> 00:12:22.000
Jawaban sintesis akhir memberitahu manajer R dan D secara tepat rakitan mana yang mengalami penurunan kualitas dalam kelembapan tinggi dan mengutip sumber yang tervalidasi.

00:12:22.220 --> 00:12:25.020
Apa yang dulunya membutuhkan waktu beberapa jam untuk digali secara manual,

00:12:25.220 --> 00:12:27.440
kini diringkas menjadi satu siklus penalaran yang berkelanjutan.

00:12:27.680 --> 00:12:32.040
Sarepoin beralih dari repository pasif menjadi partisipan aktif kecerdasan perusahaan,

00:12:32.280 --> 00:12:34.880
pada dasarnya menjadi memori saraf keputusan korporat.

00:12:35.060 --> 00:12:37.380
Lapisan RAG agentik tidak hanya membaca dokumen,

00:12:37.700 --> 00:12:38.820
tetapi mempelajari hubungan,

00:12:39.080 --> 00:12:39.700
silsilah proyek,

00:12:39.920 --> 00:12:40.640
tren kepenulisan,

00:12:40.860 --> 00:12:41.800
klaster kontekstual,

00:12:42.040 --> 00:12:44.120
dan mampu merangkainya menjadi argumen yang koheren.

00:12:44.120 --> 00:12:48.100
Kini, petugas kepatuhan mungkin masih merasa gelisah saat mendengar istilah pengambilan otonom.

00:12:48.240 --> 00:12:49.000
Tenang saja,

00:12:49.360 --> 00:12:51.160
setiap query dan akses dokumen dicatat,

00:12:51.340 --> 00:12:52.340
jejak audit tetap utuh,

00:12:52.600 --> 00:12:57.080
kerangka kerja regulasi seperti ISO 27001 dan GDPR bergantung pada akuntabilitas,

00:12:57.320 --> 00:12:59.340
dan sistem ini menyediakannya secara otomatis.

00:12:59.540 --> 00:13:04.900
Agen tersebut bahkan dapat menyertakan metadata yang mencantumkan jalur dokumen dan stempel waktu akses pada setiap frasa yang dihasilkan.

00:13:05.060 --> 00:13:08.600
Itu berarti setiap climb yang dibuat AI dapat dilacak kembali ke versi file tertentu,

00:13:08.920 --> 00:13:10.520
sebuah sistem nir penyangkalan bagi robot.

00:13:10.520 --> 00:13:16.200
Singkatnya, mengintegrasikan sarepoin di bawah RAG agentik mengubah kekacauan konten menjadi koreografi pengetahuan.

00:13:16.440 --> 00:13:19.320
Masa lalu Anda yang tidak terstruktur menjadi dapat dicari berdasarkan makna,

00:13:19.520 --> 00:13:22.220
dijaga oleh kebijakan, dan divalidasi melalui referensi silam.

00:13:22.420 --> 00:13:26.080
Sarepoin berhenti menjadi gudang digital dan berubah menjadi infrastruktur kognitif.

00:13:26.200 --> 00:13:28.700
Namun, konteks kualitatif hanyalah separuh dari otak.

00:13:28.880 --> 00:13:32.380
Separuh lainnya, kebenaran numerik yang terstruktur berada di dalam Microsoft Fabric,

00:13:32.580 --> 00:13:33.920
dan itulah tujuan kita selanjutnya.

00:13:34.120 --> 00:13:36.240
Microsoft Fabric, mitra terstrukturnya.

00:13:36.240 --> 00:13:39.920
Selamat datang di belahan lain otak perusahaan Anda, sisi yang terstruktur.

00:13:40.180 --> 00:13:42.360
Jika sarepoin menyimpan pengetahuan kolektif Anda,

00:13:42.720 --> 00:13:45.000
Microsoft Fabric menyimpan kebenaran empiris Anda.

00:13:45.180 --> 00:13:47.980
Ini adalah tulang punggung analitik terpadu di mana angka, model,

00:13:48.200 --> 00:13:51.060
dan aliran peristiwa menyatu menjadi sesuatu yang mendekati koherensi.

00:13:51.200 --> 00:13:53.620
Kebanyakan organisasi menganggapnya sebagai gudang data.

00:13:53.860 --> 00:13:56.580
Di bawah agentik RAG, ia menjadi substrat penalaran.

00:13:56.820 --> 00:13:58.820
Inilah peran yang dimainkan Fabric presisi.

00:13:59.040 --> 00:14:00.320
Ia tidak berbicara dalam anekdot,

00:14:00.500 --> 00:14:02.860
ia berbicara dalam telemetri, transaksi, dan deret waktu.

00:14:02.860 --> 00:14:06.040
Di dalam Fabric terdapat lake house, warehouse, dan model semantik,

00:14:06.280 --> 00:14:08.160
masing-masing merupakan dialek struktur yang berbeda.

00:14:08.320 --> 00:14:11.340
Agen data Fabric yang dibangun di atas layanan agen Azure AI

00:14:11.340 --> 00:14:13.600
menerjemahkan bahasa alami menjadi kweri terstruktur

00:14:13.600 --> 00:14:15.600
yang melintasi lapisan tersebut dengan aman.

00:14:15.880 --> 00:14:19.260
Mintalah untuk menunjukkan varian hasil kuartalan produk A berdasarkan wilayah,

00:14:19.480 --> 00:14:22.220
dan ia akan diam-diam menyusun kweri mirip SQL yang dioptimalkan,

00:14:22.460 --> 00:14:24.020
menargetkan tabel dan partisi yang tepat.

00:14:24.140 --> 00:14:26.720
Dijalankan terhadap konteks Anda yang telah terautentikasi.

00:14:26.900 --> 00:14:30.040
Tanpa prom, tanpa alat BI, hanya kecerdasan langsung yang terkelola.

00:14:30.040 --> 00:14:33.120
Kini, akses mentah ke angka tidak ada artinya tanpa perlindungan,

00:14:33.360 --> 00:14:36.200
jadi keamanan di Fabric bukanlah pilihan, melainkan arsitektur.

00:14:36.400 --> 00:14:39.720
Setiap interaksi dienkripsi dan diautentikasi melalui Microsoft Entra ID,

00:14:40.060 --> 00:14:43.360
memastikan bahwa agen beroperasi di bawah token pengguna Anda yang terverifikasi.

00:14:43.620 --> 00:14:47.220
Ingat kekacauan pintasan prinsipal layanan yang mengabaikan keamanan tingkat baris?

00:14:47.420 --> 00:14:48.820
Hal-hal tersebut dilarang di sini.

00:14:49.100 --> 00:14:52.420
Alur asteris on behalf of asteris membawa identitas Anda dari ujung ke ujung,

00:14:52.640 --> 00:14:55.300
menerapkan RLS dan keamanan tingkat kolom secara otomatis.

00:14:55.300 --> 00:14:59.160
Jika bagian keuangan menandai kolom sebagai rahasia, AI tidak akan pernah melihatnya,

00:14:59.420 --> 00:15:01.700
dan setiap eksekusi meninggalkan jejak di log audit Fabric,

00:15:01.880 --> 00:15:04.240
memuaskan auditor yang menganggap log sebagai bacaan wajib.

00:15:04.340 --> 00:15:06.440
Di atasnya terdapat tata kelola purview.

00:15:06.760 --> 00:15:11.480
Label sensitivitas menyertai data tersebut, rahasia, internal saja, terbatas ekspor.

00:15:11.680 --> 00:15:14.600
Saat agen data Fabric menyusun query menggunakan kolom tersebut,

00:15:14.840 --> 00:15:16.200
kebijakan langsung mencegatnya.

00:15:16.440 --> 00:15:19.540
Upaya pelanggaran memicu penegakan DLP sebelum satu byte pun keluar.

00:15:19.740 --> 00:15:22.440
Ini pada dasarnya adalah perlindungan tingkat perusahaan untuk AI.

00:15:22.440 --> 00:15:25.040
Model dapat bereksplorasi namun tidak membahayakan dirinya sendiri.

00:15:25.240 --> 00:15:27.820
Jadi, apa yang terjadi saat kita menggabungkan disiplin terstruktur ini

00:15:27.820 --> 00:15:29.260
dengan intuisi Sarepoin yang tidak teratur?

00:15:29.460 --> 00:15:31.820
Layanan agen AI Azure yang mengordinasikannya.

00:15:32.100 --> 00:15:33.520
Bayangkan sebuah ruang sidang.

00:15:33.780 --> 00:15:37.800
Agen Fabric menyediakan bukti nyata, grafik, jumlah, rata-rata sensor,

00:15:38.140 --> 00:15:40.560
sementara agen Sarepoin memberikan kesaksian-saksi.

00:15:40.800 --> 00:15:42.640
Agen Verifikator menguji silang keduanya,

00:15:43.000 --> 00:15:45.840
memastikan angka dan narasi selaras sebelum menyajikan putusan

00:15:45.840 --> 00:15:47.800
sebagai jawaban terpadu yang kayak kutipan.

00:15:48.000 --> 00:15:49.520
Mari kita gunakan sebuah contoh.

00:15:49.520 --> 00:15:51.180
Seorang pimpinan operasional bertanya,

00:15:51.520 --> 00:15:53.560
apakah kita kehilangan efisiensi karena cacat kemasan?

00:15:53.740 --> 00:15:56.640
Perencana mengirim agen Fabric untuk mengambil tingkat hasil produksi

00:15:56.640 --> 00:15:58.040
per lini produksi dari gudang.

00:15:58.280 --> 00:16:00.260
Secara bersamaan, ia mengirim agen Sarepoin

00:16:00.260 --> 00:16:02.840
untuk menelusuri log pemeliharaan dan korespondensi pemasok.

00:16:03.000 --> 00:16:05.800
Agen Fabric mengembalikan kumpulan data yang menunjukkan penurunan kecil

00:16:05.800 --> 00:16:07.460
yang berkorelasi dengan lonjakan kelembapan.

00:16:07.760 --> 00:16:10.180
Agen Sarepoin memunculkan utas email yang menyebutkan

00:16:10.180 --> 00:16:12.400
bahan kemasan yang melengkung selama periode yang sama.

00:16:12.400 --> 00:16:14.040
Verifikator menguatkan keduanya,

00:16:14.260 --> 00:16:15.740
melabeli korelasi tersebut kredibel,

00:16:16.020 --> 00:16:17.620
dan sistem menyusun temuan ringkas lengkap

00:16:17.620 --> 00:16:19.840
dengan grafik kuantitatif dan dokumen referensi.

00:16:20.080 --> 00:16:23.240
Diagnostik Six Sigma Instant tanpa perlu analis yang kurang tidur.

00:16:23.460 --> 00:16:26.420
Di balik layar, layanan agen AI Azure menangani konkurensi,

00:16:26.620 --> 00:16:28.980
melakukan pengambilan batch melalui apa yang secara efektif

00:16:28.980 --> 00:16:30.200
merupakan mesh layanan mikro.

00:16:30.440 --> 00:16:32.460
Setiap agen menerbitkan skema yang mendeskripsikan

00:16:32.460 --> 00:16:33.580
apa yang dapat diaksesnya,

00:16:33.580 --> 00:16:35.420
skema Fabric, metadata Sarepoin,

00:16:35.640 --> 00:16:37.020
atau konteks web terbuka Bing.

00:16:37.200 --> 00:16:39.000
Perencana memanfaatkan registri tersebut

00:16:39.000 --> 00:16:40.140
seperti direktori API.

00:16:40.420 --> 00:16:42.140
Hasilnya adalah kecerdasan modular,

00:16:42.440 --> 00:16:44.740
tukar, atau perluas agen saat domain data baru

00:16:44.740 --> 00:16:46.700
muncul tanpa menulis ulang seluruh copilot.

00:16:46.920 --> 00:16:47.740
Dari sisi performa,

00:16:47.880 --> 00:16:49.500
inovasinya bukanlah modal yang lebih besar,

00:16:49.760 --> 00:16:51.560
melainkan urutan pengambilan yang lebih cerdas.

00:16:51.720 --> 00:16:53.460
Perencana dapat menanyakan Fabric terlebih dahulu

00:16:53.460 --> 00:16:54.720
untuk menentukan batasan numerik,

00:16:54.840 --> 00:16:56.980
lalu menggunakannya untuk mempersempit eksplorasi Sarepoin.

00:16:57.160 --> 00:16:59.520
Hal itu mengurangi kebisingan dan mempercepat konvergensi.

00:16:59.520 --> 00:17:02.080
Anggaplah itu sebagai pemangkasan data melalui penelaran.

00:17:02.300 --> 00:17:03.840
Alih-alih tenggelam dalam 10.000 dokumen,

00:17:03.840 --> 00:17:05.940
sistem mengetahui 10 dokumen mana yang penting

00:17:05.940 --> 00:17:07.800
karena angka-angka tersebut sudah membingkai pertanyaannya.

00:17:08.000 --> 00:17:09.600
Petugas kepatuhan menyukai pengaturan ini

00:17:09.600 --> 00:17:11.920
karena tata kelola berskala seiring dengan kecerdasan.

00:17:12.160 --> 00:17:13.400
Setiap panggilan agen dicatat,

00:17:13.580 --> 00:17:15.040
setiap transformasi dapat dilacak.

00:17:15.220 --> 00:17:16.280
Saat CFO bertanya,

00:17:16.600 --> 00:17:17.640
dari mana asal angka ini,

00:17:17.860 --> 00:17:19.740
Anda dapat menunjuk langsung ke tabel Fabric,

00:17:19.900 --> 00:17:20.500
stempel waktu,

00:17:20.760 --> 00:17:22.240
dan token pengguna yang mengeksekusi.

00:17:22.460 --> 00:17:25.020
Transparansi tersebut mengubah rasa takut menjadi kepercayaan,

00:17:25.020 --> 00:17:26.940
mata uang penting dalam industri yang diatur

00:17:26.940 --> 00:17:28.480
seperti keuangan atau kesehatan.

00:17:28.680 --> 00:17:30.580
Gabungkan properti ini dan Anda telah membangun

00:17:30.580 --> 00:17:31.440
simfoni analitis,

00:17:31.640 --> 00:17:32.880
presisi terstruktur dari Fabric

00:17:32.880 --> 00:17:35.240
yang diselaraskan dengan pemahaman kontekstual dari Sarepoin.

00:17:35.440 --> 00:17:37.200
Perusahaan beralih dari mencari dan berharap

00:17:37.200 --> 00:17:37.880
menjadi mengambil,

00:17:38.060 --> 00:17:38.680
memverifikasi,

00:17:38.860 --> 00:17:39.340
memutuskan.

00:17:39.560 --> 00:17:39.900
Dan ya,

00:17:40.100 --> 00:17:41.100
kecepatannya mencengangkan.

00:17:41.340 --> 00:17:41.640
Sekarang,

00:17:41.780 --> 00:17:42.980
gabungkan pemanggilan multitingkat ini

00:17:42.980 --> 00:17:44.660
dengan penalaran dan Anda mendapatkan kecepatan.

00:17:44.780 --> 00:17:46.000
Kecepatan yang mengerikan,

00:17:46.340 --> 00:17:48.160
siklus riset kekeputusan yang dulunya

00:17:48.160 --> 00:17:50.080
memerlukan banyak analis kini menyusut

00:17:50.080 --> 00:17:51.080
menjadi hitungan jam

00:17:51.080 --> 00:17:53.400
yang membawa kita langsung ke gerakan terakhir.

00:17:53.620 --> 00:17:54.040
Dampak,

00:17:54.260 --> 00:17:55.940
dampak perusahaan dari hitungan bulan

00:17:55.940 --> 00:17:56.820
menjadi hitungan menit.

00:17:56.820 --> 00:17:58.440
Mari bicara soal konsekuensi,

00:17:58.620 --> 00:17:59.220
jenis yang baik.

00:17:59.440 --> 00:18:00.980
Saat Anda beralih dari RAG pasif

00:18:00.980 --> 00:18:02.860
ke RAG agentik di Fabric dan Sarepoin,

00:18:03.080 --> 00:18:04.500
lini masa perusahaan rata-rata berubah.

00:18:04.680 --> 00:18:05.660
Apa yang butuh berbulan-bulan

00:18:05.660 --> 00:18:07.060
untuk dilaporkan berubah menjadi menit

00:18:07.060 --> 00:18:08.360
untuk sintesis terverifikasi.

00:18:08.560 --> 00:18:09.900
AI tidak lagi menunggu manusia

00:18:09.900 --> 00:18:11.880
menerjemahkan pertanyaan menjadi query data.

00:18:12.100 --> 00:18:13.280
Ia melakukan penerjemahan,

00:18:13.480 --> 00:18:13.980
validasi,

00:18:14.180 --> 00:18:15.960
dan peringkasan tersebut secara otomatis.

00:18:16.320 --> 00:18:17.420
Pertimbangkan R dan D.

00:18:17.420 --> 00:18:18.980
Tim dulu terbiasa mengumpulkan

00:18:18.980 --> 00:18:19.940
komite lintas fungsi

00:18:19.940 --> 00:18:20.980
untuk menyelaraskan data.

00:18:21.160 --> 00:18:22.640
Insinyur mengekspor metrik uji,

00:18:22.640 --> 00:18:23.880
analis membersihkannya,

00:18:24.200 --> 00:18:25.340
kepatuhan memeriksa izin,

00:18:25.620 --> 00:18:27.260
dan seseorang pasti menamai ulang file

00:18:27.260 --> 00:18:28.180
sebagai final-final.

00:18:28.420 --> 00:18:30.580
RAG agentik menghancurkan siklus itu.

00:18:30.780 --> 00:18:32.180
Perencana mengorkestrasi agen

00:18:32.180 --> 00:18:33.680
yang mengambil tabel kinerja Fabric

00:18:33.680 --> 00:18:35.620
dan catatan desain Sarepoin secara bersamaan,

00:18:35.900 --> 00:18:36.480
menggabungkannya,

00:18:36.740 --> 00:18:38.560
dan menyusun ringkasan tervalidasi lengkap

00:18:38.560 --> 00:18:40.140
dengan citasi dan label keamanan.

00:18:40.340 --> 00:18:42.660
Latensi pengambilan keputusan hampir nol.

00:18:42.860 --> 00:18:45.060
Kepatuhan dan audit mengalami guncangan serupa.

00:18:45.300 --> 00:18:47.260
Audit tradisional berarti mengirim paket bukti

00:18:47.260 --> 00:18:48.640
melalui email selama berminggu-minggu.

00:18:48.820 --> 00:18:49.060
Kini,

00:18:49.260 --> 00:18:50.540
AI yang sama yang menulis laporan

00:18:50.540 --> 00:18:52.900
dapat membuat ulang jejak penalarannya sesuai permintaan.

00:18:53.100 --> 00:18:54.160
Setiap panggilan pengambilan,

00:18:54.400 --> 00:18:54.840
string query,

00:18:55.120 --> 00:18:55.580
jalur file,

00:18:55.780 --> 00:18:56.840
dan stempel waktu dicatat.

00:18:56.940 --> 00:18:58.560
Auditor dapat memutar ulang langkah tepat

00:18:58.560 --> 00:18:59.580
yang mengarah pada kesimpulan,

00:18:59.880 --> 00:19:01.240
mengubah uji tuntas dari perburuan

00:19:01.240 --> 00:19:02.760
harta karun menjadi sekadar centang.

00:19:02.960 --> 00:19:04.740
Apa yang dulunya merupakan paparan risiko

00:19:04.740 --> 00:19:05.960
menjadi permata tata kelola.

00:19:06.200 --> 00:19:08.380
Manufaktur mendapatkan keunggulan prediktif.

00:19:08.520 --> 00:19:09.840
Aliran kuantitatif Fabric

00:19:09.840 --> 00:19:11.140
mengungkap penyimpangan proses.

00:19:11.380 --> 00:19:12.840
Catatan kualitatif Sarepoin

00:19:12.840 --> 00:19:14.040
menjelaskan penyebabnya.

00:19:14.240 --> 00:19:15.580
Loop agentik mengorelasikannya

00:19:15.580 --> 00:19:16.700
sebelum peringatan meningkat,

00:19:16.700 --> 00:19:18.920
secara efektif melakukan perbaikan berkelanjutan

00:19:18.920 --> 00:19:20.140
tanpa konsultan Six Sigma.

00:19:20.420 --> 00:19:22.140
Bayangkan mengganti ruangan berisi staff magang

00:19:22.140 --> 00:19:23.700
yang kelelahan dengan panel konsultan ahli

00:19:23.700 --> 00:19:24.480
yang tidak pernah tidur,

00:19:24.700 --> 00:19:25.700
tidak pernah melupakan konteks,

00:19:25.900 --> 00:19:27.060
dan tidak pernah melebihi anggaran.

00:19:27.240 --> 00:19:28.800
Itu adalah ekwivalen operasional

00:19:28.800 --> 00:19:29.900
dari kecerdasan majemuk.

00:19:30.060 --> 00:19:30.540
Tentu saja,

00:19:30.760 --> 00:19:31.820
otomatisasi hanya penting

00:19:31.820 --> 00:19:33.100
jika dapat dipertanggungjawabkan.

00:19:33.280 --> 00:19:34.780
RAG agentik mempertahankan

00:19:34.780 --> 00:19:36.260
setiap lapisan pewarisan perusahaan,

00:19:36.460 --> 00:19:37.640
izin, label sensitivitas,

00:19:37.820 --> 00:19:38.360
dan log audit,

00:19:38.620 --> 00:19:40.180
sehingga CIO dapat meningkatkan kecerdasan

00:19:40.180 --> 00:19:41.220
tanpa meningkatkan risiko.

00:19:41.460 --> 00:19:42.760
Setiap wawasan dapat dilacak

00:19:42.760 --> 00:19:43.760
ke kredensial pengguna

00:19:43.760 --> 00:19:45.740
dan repository terkelola yang menghasilkannya.

00:19:46.000 --> 00:19:46.960
Sistem ini beroperasi

00:19:46.960 --> 00:19:48.800
seperti buku besar keuangan untuk pemikiran,

00:19:49.060 --> 00:19:49.580
transparan,

00:19:49.740 --> 00:19:50.300
dapat dibalik,

00:19:50.420 --> 00:19:51.160
dan tahan gangguan.

00:19:51.360 --> 00:19:52.920
Lalu bagaimana dengan sisi manusianya?

00:19:53.160 --> 00:19:54.080
Mengurangi kebosanan,

00:19:54.360 --> 00:19:55.300
para profesional berhenti

00:19:55.300 --> 00:19:56.480
menyalin tempel dari ekspor

00:19:56.480 --> 00:19:57.620
dan mulai menafsirkan kebenaran

00:19:57.620 --> 00:19:58.560
yang telah disintesis.

00:19:58.760 --> 00:19:59.940
Rapat menjadi lebih singkat

00:19:59.940 --> 00:20:00.740
karena AI datang

00:20:00.740 --> 00:20:02.160
dengan bukti yang sudah tervalidasi.

00:20:02.420 --> 00:20:03.120
Proyek dipercepat

00:20:03.120 --> 00:20:04.200
karena data dan narasi

00:20:04.200 --> 00:20:05.240
bertemu secara instan.

00:20:05.420 --> 00:20:06.780
Ini adalah bagian yang paling banyak

00:20:06.780 --> 00:20:08.040
dilewatkan oleh para eksekutif.

00:20:08.180 --> 00:20:09.540
Bergerak cepat bukanlah kecerobohan

00:20:09.540 --> 00:20:10.860
jika penalarannya didokumentasikan.

00:20:11.100 --> 00:20:12.040
Kecerobohan yang sebenarnya

00:20:12.040 --> 00:20:13.500
adalah tetap membangun kopilot bodoh,

00:20:13.740 --> 00:20:14.980
bio sekali pakai yang buta konteks

00:20:14.980 --> 00:20:16.460
dan menyamar sebagai penyusun strategi.

00:20:16.660 --> 00:20:17.740
Mereka seharusnya berada

00:20:17.740 --> 00:20:19.160
di museum keingintahuan AI awal

00:20:19.160 --> 00:20:19.880
di sebelah klipi.

00:20:20.120 --> 00:20:21.280
Jadi, jika perusahaan Anda

00:20:21.280 --> 00:20:22.220
masih membanggakan kopilot

00:20:22.220 --> 00:20:23.160
yang hanya bisa mengambil data,

00:20:23.440 --> 00:20:24.580
selamat, Anda mendanai fitur

00:20:24.580 --> 00:20:25.700
pelengkapan otomatis yang mewah.

00:20:25.860 --> 00:20:26.480
Para pemain serius

00:20:26.480 --> 00:20:27.300
sudah menggunakan agen

00:20:27.300 --> 00:20:28.100
yang mampu merencanakan,

00:20:28.280 --> 00:20:29.520
memverifikasi, dan bertindak.

00:20:29.640 --> 00:20:30.920
Penyusutan durasi dari hitungan bulan

00:20:30.920 --> 00:20:31.380
menjadi menit

00:20:31.380 --> 00:20:32.420
hanyalah manfaat permukaan.

00:20:32.600 --> 00:20:33.480
Manfaat yang lebih dalam

00:20:39.540 --> 00:20:40.460
terus membangun kopilot

00:20:40.460 --> 00:20:41.060
yang bodoh,

00:20:41.260 --> 00:20:42.100
bukan hanya tidak efisien,

00:20:42.320 --> 00:20:43.100
tetapi juga sembrono.

00:20:43.340 --> 00:20:44.260
Masa depan AI perusahaan

00:20:44.260 --> 00:20:45.140
bukanlah prompt asteris

00:20:45.140 --> 00:20:45.620
yang lebih besar,

00:20:45.820 --> 00:20:46.840
melainkan feedback loop asteris

00:20:46.840 --> 00:20:47.760
yang lebih kecil dengan memori

00:20:47.760 --> 00:20:48.780
dan tata kelola yang lebih baik.

00:20:48.940 --> 00:20:50.640
Agentik RAG memberikan keduanya.

00:20:50.900 --> 00:20:51.840
Kecerdasan akhirnya

00:20:51.840 --> 00:20:52.920
berperilaku seperti sistem,

00:20:53.200 --> 00:20:54.220
bukan sekadar atraksi.

00:20:54.460 --> 00:20:55.240
Berhenti membangun,

00:20:55.400 --> 00:20:56.100
mulailah berpikir.

00:20:56.280 --> 00:20:58.040
RAG tanpa agensi sudah usang.

00:20:58.260 --> 00:20:59.660
Itu adalah arsitektur masa lalu

00:20:59.660 --> 00:21:00.600
yang berpura-pura menangani

00:21:00.600 --> 00:21:01.420
masalah masa depan.

00:21:01.600 --> 00:21:03.140
Perusahaan modern tidak butuh chatbot,

00:21:03.380 --> 00:21:04.860
mereka butuh infrastruktur kognitif,

00:21:04.860 --> 00:21:06.140
sistem yang bisa merencanakan,

00:21:06.320 --> 00:21:06.920
memverifikasi,

00:21:07.160 --> 00:21:08.620
dan bertindak di bawah identitas Anda,

00:21:08.800 --> 00:21:09.540
bukan di sampingnya.

00:21:09.740 --> 00:21:10.940
Itulah Agentik RAG,

00:21:11.160 --> 00:21:12.460
ekosistem penalaran deliberatif

00:21:12.460 --> 00:21:13.240
yang dibangun di atas

00:21:13.240 --> 00:21:14.460
Azure AI Agent Service

00:21:14.460 --> 00:21:15.880
yang berkomunikasi secara aman

00:21:15.880 --> 00:21:17.380
dengan Sarepoint dan Microsoft Fabric

00:21:17.380 --> 00:21:18.120
layaknya tim ahli

00:21:18.120 --> 00:21:19.820
yang berbagi satu otak terautentikasi.

00:21:20.080 --> 00:21:20.800
Jika kopilot Anda

00:21:20.800 --> 00:21:21.920
masih tidak bisa menjadwalkan

00:21:21.920 --> 00:21:22.820
pengambilan datanya sendiri,

00:21:23.120 --> 00:21:24.040
menvalidasi referensi,

00:21:24.240 --> 00:21:25.440
atau menjelaskan alur penalarannya,

00:21:25.700 --> 00:21:26.820
berhentilah menyebutnya cerdas,

00:21:27.020 --> 00:21:27.720
itu hanya hiasan.

00:21:27.880 --> 00:21:29.260
Kecerdasan menyeratkan niat,

00:21:29.440 --> 00:21:30.080
verifikasi,

00:21:30.300 --> 00:21:31.220
dan konsekuensi.

00:21:31.220 --> 00:21:33.120
AI hiasan melakukan monolog,

00:21:33.320 --> 00:21:34.920
AI agen melakukan eksperimen.

00:21:35.180 --> 00:21:37.260
Perbedaannya terletak pada akuntabilitas,

00:21:37.500 --> 00:21:38.760
yang satu menciptakan keluaran,

00:21:38.980 --> 00:21:40.140
yang lain menciptakan pemahaman.

00:21:40.340 --> 00:21:41.580
Pergeseran arsitektur ini

00:21:41.580 --> 00:21:42.900
bukan lagi sebuah pilihan.

00:21:43.180 --> 00:21:44.020
Saat keputusan Anda

00:21:44.020 --> 00:21:45.200
mencakup data terstruktur

00:21:45.200 --> 00:21:46.100
dan tidak terstruktur,

00:21:46.380 --> 00:21:47.660
RAG statis akan runtuh.

00:21:47.860 --> 00:21:49.200
Petugas kepatuhan sudah mengetahuinya,

00:21:49.500 --> 00:21:50.320
analis sudah merasakannya,

00:21:50.600 --> 00:21:51.480
dan pimpinan akan segera

00:21:51.480 --> 00:21:52.320
menuntut bukti penalaran,

00:21:52.540 --> 00:21:54.000
bukan sekadar nada bicara yang meyakinkan.

00:21:54.160 --> 00:21:55.480
Tumpukan teknologi Microsoft

00:21:55.480 --> 00:21:57.020
akhirnya menyediakan kerangka kerjanya.

00:21:57.240 --> 00:21:58.260
Azure AI Agent Service

00:21:58.260 --> 00:21:59.120
untuk orkestrasi,

00:21:59.120 --> 00:22:01.120
agen data fabrik untuk kebenaran kuantitatif,

00:22:01.320 --> 00:22:02.600
pengambilan sarepoin untuk konteks,

00:22:02.800 --> 00:22:03.660
dan tata kelola purview

00:22:03.660 --> 00:22:05.040
yang menyegel seluruh sistem sarafnya.

00:22:05.260 --> 00:22:06.800
Jadi, inilah tantangan bagi Anda.

00:22:07.040 --> 00:22:07.820
Berhentilah menggunakan

00:22:07.820 --> 00:22:08.600
kuda pertunjukan,

00:22:08.780 --> 00:22:09.260
fitur pamer.

00:22:09.500 --> 00:22:10.300
Bangun agen yang berdebat

00:22:10.300 --> 00:22:11.060
dengan diri mereka sendiri

00:22:11.060 --> 00:22:12.380
sampai mereka sepakat akan kebenaran.

00:22:12.820 --> 00:22:14.500
Bereksperimenlah dengan perencanaan multi-agen.

00:22:14.720 --> 00:22:16.300
Uji coba atas nama otentikasi.

00:22:16.540 --> 00:22:17.700
Hubungkan fabrik dan sarepoin

00:22:17.700 --> 00:22:18.320
sampai AI Anda

00:22:18.320 --> 00:22:19.800
benar-benar bisa mempertahankan jawabannya.

00:22:19.960 --> 00:22:21.260
Karena kecerdasan tanpa tindakan

00:22:21.260 --> 00:22:22.540
bukanlah kecerdasan sama sekali.

00:22:22.800 --> 00:22:23.600
Jika penjelasan ini

00:22:23.600 --> 00:22:25.040
lebih mencerahkan daripada vendor Anda,

00:22:25.300 --> 00:22:26.060
silakan berlangganan.

00:22:26.220 --> 00:22:27.440
Pembahasan mendalam berikutnya

00:22:27.440 --> 00:22:28.880
akan membedah desain multi-agen

00:22:28.880 --> 00:22:30.920
di dalam Microsoft 365 AI.

00:22:31.140 --> 00:22:32.220
Cara membuat kopilot Anda

00:22:32.220 --> 00:22:33.300
tidak hanya penuh perhatian,

00:22:33.580 --> 00:22:34.480
tetapi juga tanggap

00:22:34.480 --> 00:22:35.620
dalam batasan kebijakan.

00:22:35.900 --> 00:22:37.160
Efisiensi bukanlah sihir,

00:22:37.340 --> 00:22:38.420
itu adalah arsitektur.

00:22:38.580 --> 00:22:39.720
Kunci jalur peningkatan Anda,

00:22:39.940 --> 00:22:40.380
berlangganan,

00:22:40.500 --> 00:22:41.360
aktifkan notifikasi,

00:22:41.500 --> 00:22:42.380
dan biarkan wawasan baru

00:22:42.380 --> 00:22:43.540
diterapkan secara otomatis.

00:22:43.760 --> 00:22:44.320
Lanjutkan.
