WEBVTT

00:00:00.000 --> 00:00:01.400
Industri ini menjual mitos kepada kita.

00:00:01.760 --> 00:00:05.060
Mereka mengatakan bahwa embedding adalah solusi mutlak bagi kecerdasan perusahaan.

00:00:05.200 --> 00:00:08.420
Anda membangun basis data vektor, memasukkan dokumen, menghabiskan anggaran.

00:00:08.740 --> 00:00:10.340
Namun halusinasi belum juga berhenti.

00:00:11.020 --> 00:00:14.220
Kenyataannya, kemiripan matematis bukanlah hal yang sama dengan relevansi bisnis.

00:00:14.920 --> 00:00:16.160
Kita terjebak dalam perangkap Topka.

00:00:16.580 --> 00:00:20.900
Ini adalah momen di mana kopilot Anda mengambil titik data yang paling mirip dalam ruang berdimensi tinggi.

00:00:21.280 --> 00:00:24.900
Tetapi data tersebut 100% salah untuk tugas yang ada karena pada tahun untuk tugas yang ada,

00:00:24.980 --> 00:00:27.540
karena pada tahun 2026 kedekatan hanyalah pengganti yang murah untuk kebenaran.

00:00:27.540 --> 00:00:31.980
Jika proyek RAG Anda saat ini terhenti di tahap percontohan, itu bukan karena AI-nya bodoh.

00:00:32.560 --> 00:00:34.860
Itu karena strategi pengambilan data Anda dibangun di atas ilusi.

00:00:35.320 --> 00:00:37.240
Ini adalah kegagalan struktural dari model vektor.

00:00:38.140 --> 00:00:42.000
Pencarian vektor adalah lapisan komoditas dalam arsitektur sistem AI modern.

00:00:42.560 --> 00:00:44.960
Ini adalah ruang bawah tanah dari tumpukan teknologi, bukan penuhusnya.

00:00:45.040 --> 00:00:46.240
Tetapi kita telah melakukan solusi.

00:00:46.720 --> 00:00:50.800
Cacat mendasar dalam embedding berdimensi tinggi adalah sifatnya yang memang samar sejak dirancang.

00:00:51.500 --> 00:00:53.080
Mereka merepresentasikan konsep sebagai koordinat.

00:00:53.520 --> 00:00:56.220
Itu bekerja dengan sangat baik saat Anda mencari nuansa atau topik umum.

00:00:56.220 --> 00:00:58.100
Tetapi pekerjaan tidak terjadi di dunia nuansa.

00:00:58.500 --> 00:00:59.720
Pekerjaan terjadi di dunia yang mendetek.

00:01:00.060 --> 00:01:01.740
Dan disinilah model vektor murni tidak berfungsi.

00:01:02.120 --> 00:01:03.480
Vektor kesulitan dengan istirahat dengan tepat.

00:01:03.820 --> 00:01:08.000
Pikirkan kode produk, SKU, terminologi hukum, nama sandi proyek internal.

00:01:08.960 --> 00:01:13.100
Bagi model vektor, proyek Phoenix dan proyek Firebird mungkin tampak identik secara matematis

00:01:13.100 --> 00:01:15.440
karena berbagi klaster semantik tetapi bagi tim keuangan Anda.

00:01:15.680 --> 00:01:18.120
Keduanya mewakili dua anggaran yang benar-benar berbeda.

00:01:18.980 --> 00:01:20.740
Ketika Anda hanya mengandalkan dense embedding,

00:01:20.880 --> 00:01:23.600
Anda pada dasarnya meminta AI untuk menebak berdasarkan kedekatannya.

00:01:23.600 --> 00:01:26.880
Hasilnya, tingkat kesalahan output bisnis dalam output bisnis.

00:01:27.160 --> 00:01:28.260
Itu bukan sekadar metrik teknis.

00:01:28.720 --> 00:01:32.960
Tingkat kesalahan tersebut berarti 1,8 jam waktu karyawan terbuang setiap minggunya.

00:01:34.060 --> 00:01:36.180
Orang-orang tidak menggunakan kopilot untuk bekerja lebih cepat.

00:01:36.640 --> 00:01:40.220
Mereka menggunakannya untuk membuat draft yang kemudian harus mereka periksa faktanya selama dua jam

00:01:40.220 --> 00:01:41.920
karena kumpulan data hasil pengambilan yang melisik.

00:01:42.240 --> 00:01:44.500
Kita menghadapi krisis akurasi dan ini bukan masalah LLM.

00:01:44.920 --> 00:01:47.660
Anda tidak bisa memperbaikinya dengan beralih dari JPD 4 ke JPD 5

00:01:47.660 --> 00:01:49.220
atau pindah ke jendela konteks yang lebih besar.

00:01:49.640 --> 00:01:51.100
Ini adalah masalah rekayasa pengambilan data.

00:01:51.100 --> 00:01:52.600
Kita telah membuat asumsi yang sangat besar.

00:01:52.840 --> 00:01:54.520
Kita berasumsi bahwa matematika akan menangani konteksnya.

00:01:54.700 --> 00:01:57.440
Kita pikir jika kita mengubah setiap dokumen menjadi deretan angka,

00:01:57.820 --> 00:02:00.460
hubungannya akan muncul padahal konteks itu bersifat struktural.

00:02:00.960 --> 00:02:01.920
Itu bukan hanya probabilistik.

00:02:02.540 --> 00:02:06.020
Dalam lingkungan perusahaan, makna sebuah dokumen bukan hanya ada pada kata-katanya,

00:02:06.200 --> 00:02:10.740
tetapi pada metadata, izin akses, dan versi spesifik yang diabaikan sepenuhnya oleh modal vektor.

00:02:11.560 --> 00:02:13.560
Saat Anda mencari kebijakan perjalanan terbaru,

00:02:13.680 --> 00:02:17.000
pencarian vektor menemukan kebijakan yang terdengar paling mirip dengan kebijakan perjalanan.

00:02:17.180 --> 00:02:19.680
Pencarian tersebut belum tentu menemukan yang baru di setuju ikhmat.

00:02:19.680 --> 00:02:21.400
Pencarian tersebut menemukan yang paling mirip.

00:02:21.920 --> 00:02:25.380
Dan jika yang paling mirip adalah versi 2022 karena teks yang lebih deskriptif,

00:02:25.520 --> 00:02:26.740
itulah yang didapatkan LM Anda.

00:02:27.140 --> 00:02:29.620
Lalu I memberitahu karyawan Anda bahwa mereka boleh mesan kelas bisnis,

00:02:29.720 --> 00:02:31.660
meskipun kebijakan baru menyatakan hanya kelas ekonomi.

00:02:31.940 --> 00:02:34.320
Itu adalah halusinasi yang disebabkan oleh dasar data yang buruk.

00:02:34.580 --> 00:02:37.000
Model tersebut tidak berbohong, ia hanya meringkas tumpukan data yang salah.

00:02:37.480 --> 00:02:40.300
Inilah yang terjadi saat Anda menggunakan model yang dirancang untuk penemuan

00:02:40.300 --> 00:02:41.560
dan mencoba menggunakannya untuk presisi.

00:02:41.840 --> 00:02:44.960
Pencarian vektor sangat hebat dalam menemukan jarum ditumpukan jerami

00:02:44.960 --> 00:02:46.860
jika Anda tidak peduli jarum mana yang didapat,

00:02:46.860 --> 00:02:48.520
namun di perusahaan hanya ada satu jarum yang buruk.

00:02:48.740 --> 00:02:49.800
Sembilan jarum lainnya adalah diwitas.

00:02:50.240 --> 00:02:52.860
Kita telah mencapai batas dari apa yang bisa dilakukan oleh kesan menburni bagi.

00:02:53.280 --> 00:02:57.280
Jika kita ingin mencapai ambang batas presisi 0,9% yang disyaratkan industri terekulasi,

00:02:57.400 --> 00:02:59.940
kita harus berhenti memperlakukan pengambilan data sebagai masalah matematika

00:02:59.940 --> 00:03:01.440
dan mulai melakukannya sebagai masalah editorial.

00:03:02.200 --> 00:03:05.540
Kita perlu melampaui gagasan bahwa cukup mendekati bisa diterima oleh sistem

00:03:05.540 --> 00:03:07.740
yang seharusnya mendorong pengambilan keputusan eksekutif.

00:03:07.740 --> 00:03:10.920
Karena saat ini hasil top-key yang Anda masukkan ke kopilot Anda

00:03:10.920 --> 00:03:13.380
hanyalah kumpulan kebisingan yang berkaitan secara matematis.

00:03:14.120 --> 00:03:16.960
Anda meminta mesin penalaran untuk membangun rumah di atas fondasi pasif.

00:03:17.620 --> 00:03:18.960
Lalu kita heran mengapa atapnya bocok.

00:03:19.360 --> 00:03:22.440
Pergeseran dari 2026 adalah kesadaran bahwa penyematan,

00:03:22.580 --> 00:03:23.860
embedding hanyalah titik awal.

00:03:24.700 --> 00:03:25.560
Itu adalah tumpukan mungkin.

00:03:26.180 --> 00:03:28.500
Untuk sampai ketumpukan ya, kita butuh jenis logika yang berbeda.

00:03:28.840 --> 00:03:31.740
Kita perlu memperkenalkan kembali hal-hal yang kita pikir akan digantikan oleh penyematan.

00:03:31.740 --> 00:03:33.740
Kita butuh struktur, kita butuh jangkar leksikal.

00:03:33.740 --> 00:03:37.160
Dan yang terpenting, kita butuh pengawas yang tahu perbedaan

00:03:37.160 --> 00:03:39.160
antara jawabannya mirip dan jawabannya yang benar.

00:03:39.620 --> 00:03:42.200
Tanpa itu, proyek RAG Anda bukanlah alat kecerdasan,

00:03:42.460 --> 00:03:44.780
melainkan cara yang sangat mahal dan cepat untuk menjadi salah.

00:03:46.260 --> 00:03:47.680
Namun disinilah model tersebut rusak

00:03:47.680 --> 00:03:49.540
karena kesamaan adalah proksi murah untuk kebenaran.

00:03:50.640 --> 00:03:52.460
Lingkungan tersebut adalah tempat yang berbahaya untuk ditinggal.

00:03:52.980 --> 00:03:54.900
Kita terlalu lama mengandalkan kluster padat ini

00:03:54.900 --> 00:03:57.220
berasumsi bahwa jika dua hal bergetan dalam ruang vektor,

00:03:57.220 --> 00:03:59.540
mereka pasti berhubungan dalam konteks bisnis padahal tidak.

00:04:00.820 --> 00:04:02.900
Kesamaan hanyalah cerminan dari pola penggunaan kata.

00:04:02.900 --> 00:04:04.800
Itu adalah proksi murah untuk kebenaran.

00:04:05.000 --> 00:04:06.780
Dan pada tahun 2026, model ini rusak

00:04:06.780 --> 00:04:08.640
karena kita telah berhenti mencari hal-hal yang berkaitan

00:04:08.640 --> 00:04:10.180
dan mulai membutuhkan hal-hal yang terverifikasi.

00:04:10.580 --> 00:04:12.020
Saat Anda beralih dari proyek percontohan,

00:04:12.080 --> 00:04:13.460
kelingkungan produksi taruhannya berubah.

00:04:13.760 --> 00:04:14.700
Proksi saja tidak lagi cukup.

00:04:15.260 --> 00:04:16.660
Anda memerlukan sesuatu yang menambatkan

00:04:16.660 --> 00:04:18.500
air kembali ke bahasa organisasi Anda yang sebenarnya.

00:04:19.460 --> 00:04:21.320
Anda memerlukan persisi yang tanpa sengaja kita buang

00:04:21.320 --> 00:04:24.500
saat kita beralih sepenuhnya ke embedding standar hibrida.

00:04:24.840 --> 00:04:26.140
Mengapa BM25 masih penting?

00:04:26.680 --> 00:04:29.260
Jika Anda melihat tolak ukur produksi untuk tahun 2026,

00:04:29.420 --> 00:04:30.300
landscape-nya telah berubah.

00:04:30.300 --> 00:04:32.620
Kita tidak lagi berbicara tentang penyimpanan vektor eksperimental.

00:04:32.900 --> 00:04:34.160
Kita berbicara tentang standar hibrida.

00:04:34.700 --> 00:04:35.420
Datanya sudah jelas.

00:04:36.000 --> 00:04:38.020
72 persen sistem perusahaan yang sukses

00:04:38.020 --> 00:04:40.140
telah beralih dari pengambilan vektor murni.

00:04:40.780 --> 00:04:42.500
Mereka telah menerapkan sistem jalur ganda

00:04:42.500 --> 00:04:43.620
yang menggabungkan makna vektor

00:04:43.620 --> 00:04:45.220
dengan presisi pencocokan kata kunci.

00:04:45.920 --> 00:04:48.400
Secara khusus, mereka membawa kembali algoritma BM25.

00:04:48.940 --> 00:04:50.360
Bagi mereka yang belum menghabiskan 20 tahun

00:04:50.360 --> 00:04:51.400
di rekayasa pencarian,

00:04:51.480 --> 00:04:53.740
BM25 adalah metode pengambilan jarang yang klasik.

00:04:54.160 --> 00:04:55.900
Ini adalah logika mencari tumpang tindikat yang tepat.

00:04:56.300 --> 00:04:58.740
Ini adalah cara lama yang kita pikir akan dimatikan oleh embedding.

00:04:58.740 --> 00:05:00.740
Tetapi ternyata cara lama adalah satu-satunya hal

00:05:00.740 --> 00:05:01.920
yang menjaga cara baru tetap jujur.

00:05:02.080 --> 00:05:03.320
Ketika Anda menggabungkan keduanya,

00:05:03.460 --> 00:05:04.300
sesuatu yang menarik terjadi.

00:05:04.600 --> 00:05:06.600
Anda mendapatkan peningkatan recall sebesar 17 persen

00:05:06.600 --> 00:05:07.100
di seluruh serata.

00:05:07.480 --> 00:05:10.080
17 persen itu adalah perbedaan antara karyawan

00:05:10.080 --> 00:05:11.740
yang menemukan jawaban dalam 10 detik

00:05:11.740 --> 00:05:13.280
atau menyerah setelah 3 kali mencoba.

00:05:14.100 --> 00:05:15.740
Pikirkan apa yang terjadi ketika Anda berhenti

00:05:15.740 --> 00:05:18.160
mengabaikan kata-kata spesifik yang diketik oleh pengguna Anda.

00:05:19.120 --> 00:05:20.540
Dalam sistem vektor murni,

00:05:20.700 --> 00:05:22.660
jika pengguna mengetik form 10K 2025,

00:05:23.260 --> 00:05:25.180
model mungkin memprioritaskan artikel umum

00:05:25.180 --> 00:05:27.280
tentang pelaporan keuangan karena nuansanya mirip.

00:05:27.280 --> 00:05:28.520
Tetapi dengan BM25,

00:05:28.720 --> 00:05:31.960
sistem melihat string 10K dan 2025 yang spesifik itu.

00:05:33.360 --> 00:05:35.120
Sistem mengenali bahwa ini bukan sekadar konsep.

00:05:35.500 --> 00:05:36.400
Ini adalah jangka leksikap.

00:05:36.960 --> 00:05:39.040
Pengambilan hibrida memungkinkan sistem untuk mengatakan,

00:05:39.160 --> 00:05:40.760
saya tahu Anda tertarik pada laporan keuangan,

00:05:40.900 --> 00:05:42.220
tetapi saya juga melihat Anda secara khusus

00:05:42.220 --> 00:05:43.400
meminta dokumen yang tepat ini.

00:05:43.860 --> 00:05:45.560
Ini memecahkan masalah query di luar domain.

00:05:46.360 --> 00:05:48.240
Ini adalah rintangan terbesar bagi setiap model embedding

00:05:48.240 --> 00:05:49.160
yang telah dilatih sebelumnya.

00:05:49.500 --> 00:05:51.500
Model vektor Anda kemungkinan besar dilatih pada

00:05:51.500 --> 00:05:52.920
korpus teks internet secara umum.

00:05:53.240 --> 00:05:54.400
Model itu tahu apa itu kontrak,

00:05:54.400 --> 00:05:56.680
tetapi tidak tahu jargon spesifik industri Anda.

00:05:57.280 --> 00:05:59.180
Model itu tidak memahami akronim eksklusif

00:05:59.180 --> 00:06:00.740
yang digunakan di Departemen Teknik Anda.

00:06:01.200 --> 00:06:02.560
Model itu belum melihat singkatan internal

00:06:02.560 --> 00:06:03.780
yang digunakan tim logistik Anda

00:06:03.780 --> 00:06:04.960
untuk menggambarkan keteramatan pengguna.

00:06:05.200 --> 00:06:06.120
Bagi model embedding umum,

00:06:06.300 --> 00:06:07.280
kata-kata itu adalah kebisingan.

00:06:07.740 --> 00:06:08.480
Kata-kata itu adalah luar domain.

00:06:09.320 --> 00:06:10.100
Namun bagi BM25,

00:06:10.520 --> 00:06:11.400
kata-kata itu adalah singal.

00:06:12.060 --> 00:06:13.560
Dengan menjalankan pencarian kata kunci

00:06:13.560 --> 00:06:14.580
di samping pencarian vektor,

00:06:14.840 --> 00:06:15.720
Anda membuat jaring pengaman.

00:06:16.580 --> 00:06:18.160
Anda memastikan bahwa jika pengguna,

00:06:18.580 --> 00:06:20.820
mengetik istilah spesifik yang tidak dipahami model embedding,

00:06:20.820 --> 00:06:22.240
sistem masih dapat menemukan dokumen

00:06:22.240 --> 00:06:23.440
berdasarkan teks literalnya.

00:06:23.440 --> 00:06:26.800
Beginilah cara Anda mencapai ambang batas presisi 0,4.

00:06:27.260 --> 00:06:28.260
Pada tahun 2025,

00:06:28.420 --> 00:06:30.340
kita sudah senang jika AI sebagian besar benar.

00:06:30.720 --> 00:06:31.660
Pada tahun 2026,

00:06:31.800 --> 00:06:33.760
akurasi 80% adalah standar minimal untuk masuk.

00:06:34.000 --> 00:06:35.740
Ibrida adalah langkah pertama menuju tujuan tersebut.

00:06:35.960 --> 00:06:37.220
Ini tentang menambahkan AI pada realitas.

00:06:37.780 --> 00:06:39.040
Anggap ini sebagai sistem periksaan, kan?

00:06:39.320 --> 00:06:40.440
Jalur vektor menangani masuk.

00:06:41.000 --> 00:06:41.900
Apa yang sebenarnya mereka lakukan?

00:06:42.480 --> 00:06:43.760
Jalur kata kunci menangani fakta.

00:06:44.340 --> 00:06:45.620
Apa yang sebenarnya mereka katakan?

00:06:46.440 --> 00:06:48.180
Ketika kedua jalur menyetujui dokumen,

00:06:48.380 --> 00:06:49.820
Anda membuat kandidat yang sangat terpercaya.

00:06:50.240 --> 00:06:51.240
Ketika mereka tidak setuju,

00:06:51.340 --> 00:06:52.920
Anda mendapatkan sinyal bahwa perlu kemerosan dulu.

00:06:52.920 --> 00:06:54.640
Namun, bahkan dengan pendekatan Ibrida ini,

00:06:54.720 --> 00:06:55.480
kita masih memiliki masalah.

00:06:55.780 --> 00:06:56.860
Anda telah memperbaiki tumbukan mungkin.

00:06:57.200 --> 00:06:59.780
Anda telah beralih dari 78% call ke 90% call.

00:07:00.280 --> 00:07:01.740
Anda menemukan lebih banyak hal yang tepat.

00:07:01.900 --> 00:07:03.980
Namun, Anda tetap memberikan tumbukan kandidat kepada LM.

00:07:04.840 --> 00:07:06.400
Dan jika Anda pernah melihat set pengambilan data,

00:07:06.620 --> 00:07:08.540
Anda tahu bahwa 10 hasil teratas seringkali berantak.

00:07:09.020 --> 00:07:10.920
Anda mungkin memiliki jawaban yang sempurna di posisi keempat.

00:07:11.600 --> 00:07:12.640
Tetapi di posisi pertama,

00:07:12.840 --> 00:07:15.860
ada dokumen yang kebetulan memiliki kata kunci yang diulang 20 kali.

00:07:16.480 --> 00:07:18.400
Atau Anda memiliki dokumen yang secara matematis mirip,

00:07:18.480 --> 00:07:20.180
tetapi sama sekali tidak relevan dengan tahun saat ini.

00:07:20.180 --> 00:07:22.280
Pencairan Ibrida memberi Anda kepingan teka-teki.

00:07:22.800 --> 00:07:24.220
Itu belum tentu menyusun teka-teki tersebut.

00:07:24.960 --> 00:07:27.700
Kita berasumsi bahwa jika kita memberikan 5 hasil teratas kepada LM,

00:07:27.860 --> 00:07:29.280
ia akan cukup pintar untuk memilih yang tepat.

00:07:29.580 --> 00:07:31.820
Tetapi LM rentan terhadap dokumen pengalih perhatian.

00:07:32.760 --> 00:07:34.820
Jika hasil pertama adalah dokumen yang sangat panjang

00:07:34.820 --> 00:07:35.880
dan terdengar sangat meyakinkan,

00:07:35.980 --> 00:07:36.440
namun sebenarnya,

00:07:36.700 --> 00:07:39.040
salah LM seringkali akan memprioritaskan informasi tersebut

00:07:39.040 --> 00:07:39.980
daripada jawaban yang benar,

00:07:40.100 --> 00:07:41.360
namun lebih singkat di posisi ketiga.

00:07:41.760 --> 00:07:43.300
Ini adalah fenomena hilang di tengah.

00:07:43.300 --> 00:07:46.040
Urutan informasi menentukan kualitas jawaban.

00:07:46.560 --> 00:07:48.380
Jadi, meskipun pencairan Ibrida adalah garis dasar,

00:07:48.460 --> 00:07:49.260
itu bukanlah jawaban akhir.

00:07:49.760 --> 00:07:50.620
Itu adalah sistem penyaringan.

00:07:51.160 --> 00:07:53.140
Sistem ini membawa Anda dari 1 juta dokumen menjadi 50.

00:07:53.760 --> 00:07:55.760
Namun, 50 dokumen masih terlalu banyak gangguan

00:07:55.760 --> 00:07:57.080
untuk keputusan bisnis berisiko tinggi.

00:07:57.640 --> 00:07:59.220
Anda masih hanya melihat tumpukan kandidat.

00:07:59.760 --> 00:08:00.760
Anda telah membuat kemajuan,

00:08:00.960 --> 00:08:01.940
tetapi belum menutup kesenjak.

00:08:02.140 --> 00:08:04.080
Untuk benar-benar mencapai presisi 0,9

00:08:04.080 --> 00:08:05.780
yang dibutuhkan layanan kesehatan dan keuangan,

00:08:05.880 --> 00:08:07.400
Anda tidak bisa berhenti hanya pada pengambilan data.

00:08:07.740 --> 00:08:09.380
Anda perlu menambahkan lapisan penalaran

00:08:09.380 --> 00:08:10.880
sebelum data menyentuh LLM.

00:08:10.880 --> 00:08:14.140
Anda memerlukan supervisor yang dapat memeriksa 50 kandidat tersebut

00:08:14.140 --> 00:08:15.760
dan memberi peringkat berdasarkan logika nyata,

00:08:15.900 --> 00:08:17.220
bukan sekadar frekuensi atau koordinat.

00:08:17.560 --> 00:08:18.220
Karena saat ini,

00:08:18.400 --> 00:08:19.360
bahkan dengan pencarian Ibrida,

00:08:19.460 --> 00:08:20.580
kopel Anda masih menempat-nempat.

00:08:21.180 --> 00:08:23.420
Ia hanya membuat tebakan yang jauh lebih terinformasi dari pada sebut.

00:08:23.760 --> 00:08:24.900
Kita telah mencahkan masalah pencarian.

00:08:25.360 --> 00:08:26.920
Sekarang kita harus mencahkan masalah pemberingkatan.

00:08:27.200 --> 00:08:29.560
Dan itu memerlukan lapisan arsitektur yang benar-benar berbeda.

00:08:30.360 --> 00:08:31.640
Bahkan dengan pencarian Ibrida,

00:08:31.820 --> 00:08:33.120
Anda hanya melihat tumpukan kandidat.

00:08:33.500 --> 00:08:34.260
Anda membutuhkan penyelian.

00:08:35.560 --> 00:08:37.900
Masalah dengan modal Ibrida adalah kurangnya opini.

00:08:37.900 --> 00:08:41.260
Model ini menghasilkan daftar berdasarkan dua sistem penilaian berbeda

00:08:41.260 --> 00:08:42.840
yang tidak benar-benar menggunakan bahasa yang sama.

00:08:43.360 --> 00:08:45.040
Anda menggabungkan koordinat dari ruang vektor

00:08:45.040 --> 00:08:46.940
dengan skor frekuensi dari indeks kata kunci.

00:08:47.680 --> 00:08:49.740
Hasilnya adalah 50 daftar teratas gabungan

00:08:49.740 --> 00:08:50.800
yang secara teknis lebih baik,

00:08:50.940 --> 00:08:52.900
tetapi pada dasarnya belum terverifikasi.

00:08:53.220 --> 00:08:55.700
Ini seperti agen rekrutmen yang mengirimkan 50 resume kepada Anda

00:08:55.700 --> 00:08:56.420
tanpa benar-benar bacanya.

00:08:56.680 --> 00:08:58.860
Mereka memfilter berdasarkan kata kunci dan pengalaman umum

00:08:58.860 --> 00:09:01.500
tetapi belum verifikasi apakah orang tersebut benar-benar bisa melakukan pekerjaan.

00:09:01.500 --> 00:09:04.060
Dalam alur kerja RAG, LLM adalah manajer perekrutan.

00:09:04.060 --> 00:09:06.920
Jika Anda memberikan 50 resume kepada manajer itu, mereka akan kewalahan.

00:09:07.240 --> 00:09:08.640
Mereka hanya akan melirik tiga yang pertama,

00:09:08.740 --> 00:09:10.320
teralihkan oleh kebohongan yang diformat dengan baik,

00:09:10.440 --> 00:09:11.120
lalu melakukan kesalahan.

00:09:11.360 --> 00:09:14.240
Untuk memperbaikinya, kita harus berhenti menganggap pencarian sebagai proses saturan.

00:09:14.780 --> 00:09:17.620
Kita perlu memperkenalkan lapisan sekunder yang bertindak sebagai penjaga gerbang.

00:09:18.060 --> 00:09:19.720
Karena saat ini Anda tidak memberikan jawaban.

00:09:20.100 --> 00:09:21.420
Anda memberikan tugas pekerjaan rumah.

00:09:21.720 --> 00:09:23.320
Dan AI Anda tidak dibangun untuk mengerjakan pekerjaan.

00:09:23.600 --> 00:09:24.540
AI dibangun untuk berenalan.

00:09:24.760 --> 00:09:26.280
Jika Anda ingin AI berenalan dengan benar,

00:09:26.280 --> 00:09:27.640
Anda harus memberikan titik awal yang tepat.

00:09:27.900 --> 00:09:30.800
Anda butuh penyelia yang bisa melihat 50 kandidat teratas

00:09:30.800 --> 00:09:32.980
dan memutuskan mana yang benar-benar memegang kebenaran.

00:09:33.500 --> 00:09:35.420
Peringkat semantik filter terakhir untuk kebenaran.

00:09:36.060 --> 00:09:37.760
Disinilah kita memperkenalkan perang L2.

00:09:38.560 --> 00:09:41.860
Dalam arsitektur 2026, ini adalah lapisan sekunder yang tidak bisa ditawar.

00:09:42.420 --> 00:09:44.120
Ini bertindak sebagai editor untuk hasil pencarian Anda.

00:09:44.720 --> 00:09:46.240
Pikirkan alur kerja yang telah kita bangun sejak.

00:09:47.080 --> 00:09:49.560
Pertama, pencarian hibrida mengambil sekumpulan kandidat yang

00:09:49.560 --> 00:09:52.860
ini cepat, efisien, memindai jutaan dokumen dalam mili detik,

00:09:52.860 --> 00:09:53.780
tetapi juga dangkal.

00:09:54.860 --> 00:09:55.940
Perang L2 adalah kebalikannya.

00:09:56.420 --> 00:09:57.620
Perang ini tidak melihat jutaan dokumen.

00:09:58.120 --> 00:10:00.120
Perang ini hanya melihat 50 kandidat teratas,

00:10:00.120 --> 00:10:02.560
tetapi dengan tingkat kedalaman yang tidak akan pernah bisa dicapai

00:10:02.560 --> 00:10:03.600
oleh lapisan pencarian awal.

00:10:04.060 --> 00:10:05.840
Secara khusus, dalam ekosistem Microsoft,

00:10:06.020 --> 00:10:07.620
kita berbicara tentang model turunan Bing.

00:10:08.220 --> 00:10:09.400
Ini adalah transformer perhatian sini.

00:10:10.540 --> 00:10:11.980
Tidak seperti pencarian vektor awal,

00:10:12.120 --> 00:10:13.820
yang membandingkan query dengan penyematan dokumen

00:10:13.820 --> 00:10:14.940
yang telah dihitung sebelumnya,

00:10:15.120 --> 00:10:17.260
Perang melihat query dan dokumen secara bersamaan.

00:10:18.660 --> 00:10:19.800
Perang melakukan perbandingan semantik

00:10:19.800 --> 00:10:21.080
dalam terhadap teks yang sebenarnya.

00:10:21.280 --> 00:10:24.240
Perang tidak lagi sekadar melihat koordinat di ruang berdimensi tinggi.

00:10:24.840 --> 00:10:26.140
Perang melakukan penalaran mendalam

00:10:26.140 --> 00:10:28.600
untuk memahami apakah dokumen tersebut benar-benar berisi jawaban

00:10:28.600 --> 00:10:30.000
atas pertanyaan spesifik yang diajukan.

00:10:30.460 --> 00:10:33.560
Disinilah skor perang pencarian iklan berperan.

00:10:35.080 --> 00:10:38.020
Skor ini berbeda dari skor kemiripan yang Anda lihat di lapisan pertama.

00:10:38.800 --> 00:10:41.400
Skor kemiripan memberitahu Anda dokumen ini secara matematis dekat.

00:10:42.260 --> 00:10:45.400
Skor reinker memberitahu Anda dokumen ini relevan dengan maksud pengguna.

00:10:45.880 --> 00:10:47.480
Ini menggeser tujuan dari apakah ini dekat

00:10:47.480 --> 00:10:49.240
menjadi apakah ini menjawab pertanyaan.

00:10:49.840 --> 00:10:52.640
Perbedaan ini adalah satu-satunya cara untuk bertahan di industri yang teribu.

00:10:53.040 --> 00:10:54.780
Jika Anda bergerak di bidang keuangan, kesehatan,

00:10:54.780 --> 00:10:56.780
atau hukum, presisi 0,8 adalah kegagalan.

00:10:57.020 --> 00:10:58.660
Anda membutuhkan 0,9 atau lebih tinggi.

00:10:58.660 --> 00:11:00.840
Anda tidak dapat mencapai tingkat akurasi tersebut

00:11:00.840 --> 00:11:02.620
dengan proses pengambilan satu tahap.

00:11:03.180 --> 00:11:04.980
Reinker adalah hal yang memungkinkan Anda beralih

00:11:04.980 --> 00:11:07.240
dari sekadar cukup benar menjadi standar perusahaan.

00:11:08.140 --> 00:11:10.400
Ini membacakan mode kegagalan paling umum dalam RAG,

00:11:10.520 --> 00:11:11.300
yaitu masalah urutan yang salah.

00:11:11.300 --> 00:11:14.600
Dalam pencarian standar, jawaban yang sempurna mungkin berada di posisi ke-8,

00:11:14.740 --> 00:11:16.920
tetapi karena tidak memiliki kepadatan kata kunci yang tepat

00:11:16.920 --> 00:11:18.120
atau embedding yang sedikit kabur,

00:11:18.500 --> 00:11:19.580
jawaban itu tidak naik ke atas.

00:11:20.160 --> 00:11:22.980
LLM, karena sifatnya malas, berfokus pada tiga hasil pertama.

00:11:23.640 --> 00:11:25.340
Ia melewatkan kebenaran di posisi ke-8

00:11:25.340 --> 00:11:27.960
dan menghasilkan halusinasi berdasarkan kebisingan di posisi pertama.

00:11:28.520 --> 00:11:29.180
Rerengkan hal ini.

00:11:29.760 --> 00:11:31.760
Ia mengambil jawaban sempurna di posisi ke-8

00:11:31.760 --> 00:11:33.040
dan mempromosikannya ke posisi pertama.

00:11:33.040 --> 00:11:36.560
Ia mengidentifikasi bahwa meskipun dokumen pertama memiliki lebih banyak kata kunci,

00:11:36.560 --> 00:11:39.500
dokumen ke-8 memiliki substansi semantik aktual yang diperlukan untuk mengenai query.

00:11:39.860 --> 00:11:41.620
Pergeseran dari pengambilan kepemeringkatan ini

00:11:41.620 --> 00:11:44.340
adalah perubahan arsitektur terpenting yang dapat Anda buat tahun ini.

00:11:44.820 --> 00:11:47.460
Kita harus berhenti terobsesi dengan berapa banyak informasi yang bisa kita temukan.

00:11:48.020 --> 00:11:51.000
Kita perlu mulai terobsesi dengan urutan penyajian informasi tersebut

00:11:51.000 --> 00:11:54.000
karena urutan informasi lebih penting daripada jumlah informasi.

00:11:54.800 --> 00:11:56.580
Jika jawaban yang benar ada di dasar tumpukan,

00:11:56.880 --> 00:11:57.860
itu sama saja tidak ada.

00:11:58.300 --> 00:12:00.820
Rerengker memastikan kebenaran selalu ada di urutan terat.

00:12:01.260 --> 00:12:02.760
Namun, ini bukannya soal memindahkan dok.

00:12:03.260 --> 00:12:05.960
Lapisan L2 juga menyediakan keterangan dan sorotan semantik.

00:12:06.560 --> 00:12:10.540
Ini mengidentifikasi kalimat verbatim spesifik di dalam dokumen yang paling relevan.

00:12:11.580 --> 00:12:12.880
Ini memberikan LLM sebuah contekan.

00:12:13.640 --> 00:12:16.640
Alihal yang minta model membaca PDF 10 halaman dan mencari jarum,

00:12:17.040 --> 00:12:19.220
Rerengker menunjuk langsung ke jarum tersebut dan mengatakan,

00:12:19.600 --> 00:12:21.140
baca tiga kalimat ini secara khusus.

00:12:22.100 --> 00:12:24.120
Ini mengurangi beban kognitif pada LLM.

00:12:24.760 --> 00:12:28.580
Ini meminimalkan risiko model teralihkan oleh konteks yang tidak relevan di bagian lain dokumen.

00:12:29.100 --> 00:12:32.720
Ini adalah perbedaan antara memberikan buku kepada seseorang dan memberikan paragraf yang disorotan.

00:12:32.720 --> 00:12:35.380
Mana yang menurut Anda menghasilkan jawaban yang lebih cepat dan lebih akurat?

00:12:35.740 --> 00:12:38.300
Pada tahun 2026, beginilah cara kita mengatasi kesenjangan kebersihan.

00:12:38.580 --> 00:12:43.520
Pengguna berhenti mempercayai co-pilot saat ia memberikan tiga jawaban yang kurang tepat dan melewatkan satu jawaban yang pasti benar.

00:12:43.960 --> 00:12:47.700
Rerengker adalah alat yang memastikan jawaban yang tepat selalu menjadi hal pertama yang dilihat.

00:12:47.700 --> 00:12:49.760
Alat ini bertindak sebagai filter akhir untuk kebenaran.

00:12:50.260 --> 00:12:53.500
Alat ini menjembatani kesenjangan antara data mentah dan kecudasan yang dapat ditindak lainnya.

00:12:53.560 --> 00:12:55.300
Namun kita harus jujur mengenai pertukarannya.

00:12:55.840 --> 00:12:57.480
Tingkat persis ini tidak datang secara gratis.

00:12:58.000 --> 00:13:01.660
Se Anda beralih dari pencarian berbasis matematika sederhana ke perangking berbasis penalaran,

00:13:01.800 --> 00:13:02.760
ekonomi sistem Anda berubah.

00:13:03.140 --> 00:13:03.900
Anda menambah komputasi.

00:13:04.160 --> 00:13:05.000
Anda menambah latensi.

00:13:05.660 --> 00:13:08.780
Dan di lingkungan berbasis cloud seperti Azure, Anda menambah biaya langsung.

00:13:09.400 --> 00:13:11.000
Jika Anda tidak mengelola lapisan ini,

00:13:11.000 --> 00:13:15.100
dengan benar presisi yang Anda peroleh akan habis oleh tagihan infrastruktur di akhir bulan.

00:13:15.100 --> 00:13:18.300
Kita perlu memahami ekonomi akurasi karena di perusahaan,

00:13:18.400 --> 00:13:21.140
jawaban sempurna yang memakan biaya sepuluh seringkali kurang bernilai

00:13:21.140 --> 00:13:24.660
dibanding jawabannya yang cukup baik dengan cukup baik dengan cukup baik dengan biaya sepuluhnya.

00:13:25.180 --> 00:13:30.440
Tantangan tahun 2026 adalah menyeimbangkan kebutuhan akan presisi 0,9 dengan realitas anggaran yang terbatas.

00:13:31.080 --> 00:13:32.040
Anda membutuhkan supervisor.

00:13:32.340 --> 00:13:35.400
Tetapi Anda juga harus memastikan supervisor tersebut bukan orang termahal di perusahaan.

00:13:36.240 --> 00:13:37.460
Namun presisi ini memakan biaya,

00:13:37.460 --> 00:13:40.580
dan jika Anda tidak mengelola infrastrukturnya, ROI akan hilang.

00:13:41.860 --> 00:13:44.200
Pergeseran ke arah arsitektur pengampilan multithahap

00:13:44.200 --> 00:13:47.700
menciptakan ketegangan mendasar antara kualitas jawaban dan keberlanjutan anggaran.

00:13:48.480 --> 00:13:52.220
Kita telah mencapai titik di mana kemungkinan teknis untuk presisi 0,9 itu nyata,

00:13:52.420 --> 00:13:54.700
namun layakan finansialnya seringkali diabaikan.

00:13:55.180 --> 00:13:58.360
Pada masa awal RAG, kita fokus membuktikan bahwa konsep tersebut berhasil.

00:13:58.700 --> 00:14:00.980
Kita tidak mendudikan biaya per query karena volumenya masih rendah.

00:14:01.560 --> 00:14:04.860
Tetapi saat Anda berskala, dari 10 pengguna menjadi 10 ribu, perhitungannya berubah.

00:14:05.260 --> 00:14:08.100
Lapisan penalaran sekunder yang membuat sistem dapat dipercaya

00:14:08.100 --> 00:14:10.480
juga merupakan lapisan yang bisa membuatnya sangat mahal.

00:14:10.480 --> 00:14:13.560
Karena di perusahaan, akurasi adalah barang mewah,

00:14:13.720 --> 00:14:16.020
dan jika Anda belum merancang infrastruktur untuk menanggung,

00:14:16.320 --> 00:14:19.300
beban kemewahan itu, proyek Anda akan menghabiskan ROI-nya sendiri

00:14:19.300 --> 00:14:21.800
sebelum menghasilkan nilai terukur 1 dolar pun.

00:14:26.480 --> 00:14:29.000
Realitas tingkat standar di Azure AI Search adalah

00:14:29.000 --> 00:14:31.500
bahwa perangking semantik adalah permainan berbayar.

00:14:31.980 --> 00:14:34.940
Anda tidak bisa sekadar menekan tombol dan berharap anggaran Anda tetap bertahan.

00:14:35.580 --> 00:14:38.520
Saat Anda mengaktifkan fungsi skor perangking pencarian aplikasi,

00:14:38.520 --> 00:14:41.380
Anda beralih dari dunia biaya tetap unit pencarian dasar

00:14:41.380 --> 00:14:43.460
ke dunia penagihan waktu query variable.

00:14:44.140 --> 00:14:44.840
Mari kita lihat angkanya.

00:14:45.240 --> 00:14:46.220
Untuk volume query sedang,

00:14:46.600 --> 00:14:49.280
misalnya 50 ribu pencarian per bulan pada set data 20 GB,

00:14:49.440 --> 00:14:52.220
Anda akan melihat biaya bulanan antara 300 dolar sehingga 800 dolar.

00:14:52.660 --> 00:14:54.680
Itu mungkin terdengar bisa dikelola untuk satu departemen,

00:14:54.800 --> 00:14:57.420
tetapi ketika Anda mempertimbangkan bahwa ini baru lapisan pencarian,

00:14:57.540 --> 00:15:00.120
dan Anda masih harus membayar token LLM serta pembuatan embedding,

00:15:00.560 --> 00:15:02.740
total pembuatan embedding, total biaya kepemilikannya melonjak.

00:15:03.200 --> 00:15:05.820
Kami telah melihat organisasi meluncurkan uji coba copilot,

00:15:05.820 --> 00:15:07.780
melihat kesuksesan besar dalam kepuasan pengguna,

00:15:07.780 --> 00:15:10.820
lalu segera menghentikannya saat tagihan skala penuh pertama tiba.

00:15:11.580 --> 00:15:13.220
Mereka terlalu fokus pada kinerja hingga lupa

00:15:13.220 --> 00:15:14.860
memeriksa label harga dari kinerja tersebut.

00:15:15.580 --> 00:15:17.500
Inilah alasan utama mengapa proyek RAG gagal

00:15:17.500 --> 00:15:19.160
dalam transisi dari lab ke produksi.

00:15:19.740 --> 00:15:20.940
Biaya untuk menjadi benar lebih tinggi

00:15:20.940 --> 00:15:22.080
daripada biaya untuk menjadi sama.

00:15:22.440 --> 00:15:23.440
Jadi bagaimana kita mengatasinya?

00:15:23.720 --> 00:15:26.160
Bagaimana kita menjaga presisi tanpa membuat departemen TV bangkrut?

00:15:26.760 --> 00:15:28.020
Jawabannya terletak pada Cacing Semantik.

00:15:28.560 --> 00:15:31.640
Pada tahun 2026, Cacing Semantik adalah penyelamat ROI bagi perusahaan.

00:15:32.440 --> 00:15:33.580
Inilah masalah yang sedang kita selesaikan.

00:15:33.580 --> 00:15:36.140
Karyawan cenderung menanyakan pertanyaan yang sama

00:15:36.140 --> 00:15:37.240
dengan cara yang sedikit berbeda.

00:15:37.740 --> 00:15:38.640
Bagaimana kebijakan hiburannya?

00:15:39.480 --> 00:15:40.960
Bisa kandah tunjukkan aturan tentang cuti?

00:15:41.640 --> 00:15:42.840
Berapa hari libur yang saya dapatkan?

00:15:43.380 --> 00:15:44.620
Dalam alur kerja RAG standar,

00:15:44.720 --> 00:15:46.420
setiap pertanyaan tersebut memicu pengambilan penuh,

00:15:46.560 --> 00:15:47.520
pemberingatan ulang semantik,

00:15:47.600 --> 00:15:48.320
dan panggilan LM.

00:15:48.760 --> 00:15:50.380
Anda membayar untuk jawaban yang sama sebanyak tiga.

00:15:50.620 --> 00:15:52.180
Cacing semantik menghentikan pemborosan itu.

00:15:52.780 --> 00:15:54.140
Ia menggunakan model embedding ringan

00:15:54.140 --> 00:15:55.960
untuk mengidentifikasi bahwa ketiga pertanyaan sama.

00:15:55.960 --> 00:15:59.740
Nah, alih-alih kembali ke mesin penalaran yang mahal sistem menarik

00:15:59.740 --> 00:16:01.980
jawaban terverifikasi dari cacer berkecepatan tinggi.

00:16:02.480 --> 00:16:05.520
Ini dapat mengurangi panggilan LLM Anda sebesar 60 persen hingga 60 persen.

00:16:05.800 --> 00:16:07.940
Dan transformasi pengalaman penggunanya bakal lebih dramatis.

00:16:08.520 --> 00:16:10.840
Anda beralih dari menunggu tiga detik untuk inferensi GPT-4

00:16:10.840 --> 00:16:12.560
langsung ke hit charge di bawah 50 mililitik.

00:16:13.060 --> 00:16:14.540
Itu adalah peningkatan kecepatan 250.

00:16:15.040 --> 00:16:16.740
Tiba-tiba, copilot terasa instan.

00:16:17.520 --> 00:16:19.740
Ia beralih dari alat lambat yang ditoleransi orang

00:16:19.740 --> 00:16:22.340
menjadi asisten responsif yang benar-benar dinikmati pengguna.

00:16:22.340 --> 00:16:24.360
Namun cacing yang jalan separuh dari perjuangan.

00:16:24.760 --> 00:16:26.280
Separuh lainnya adalah pengaktifan selektif.

00:16:26.780 --> 00:16:28.540
Salah satu kesalahan terbesar arsitek adalah

00:16:28.540 --> 00:16:31.040
menerapkan pemeringkatan semantik pada setiap query.

00:16:31.720 --> 00:16:33.780
Anda tidak memerlukan transformer penalaran mendalam

00:16:33.780 --> 00:16:35.020
untuk menemukan dokumen berjudul

00:16:35.020 --> 00:16:36.560
Templat Laporan Pengeluaran 2025.

00:16:37.200 --> 00:16:39.060
Pencocokan kata kunci dasar sudah lebih dari cukup untung.

00:16:39.560 --> 00:16:41.160
Strategi untuk tahun 2026 adalah

00:16:41.160 --> 00:16:42.680
menjaga pencerahan sederhana tetap di lapisan.

00:16:43.040 --> 00:16:45.160
Anda seharusnya hanya memicu pemeringkat ulang L2

00:16:45.160 --> 00:16:47.520
pada query bahasa alami kompleks yang maksudnya ambigu.

00:16:48.200 --> 00:16:50.680
Dengan menerapkan gerbang logika di depan alur kerja Anda,

00:16:50.680 --> 00:16:52.420
Anda dapat menghemat anggaran untuk query

00:16:52.420 --> 00:16:54.160
yang benar-benar membutuhkan presisi ekstra.

00:16:54.800 --> 00:16:56.000
Anggaplah itu seperti sistem triasik.

00:16:56.380 --> 00:16:58.680
Lapisan murah menangani 70% permintaan rutin.

00:16:59.300 --> 00:17:01.380
Lapisan semantik yang mahal menangani 30%

00:17:01.380 --> 00:17:02.880
yang benar-benar mendorong nilai bisnis.

00:17:03.440 --> 00:17:04.600
Beginilah cara Anda menyimbangkan angka.

00:17:05.040 --> 00:17:06.240
Anda memastikan biaya pencarian

00:17:06.240 --> 00:17:07.760
tidak melebih nilai dari jawaban yang diberikan.

00:17:08.240 --> 00:17:09.680
Jika sebuah query bernilai 10% produktivitas,

00:17:10.360 --> 00:17:12.160
jangan habiskan 1 dolar komputasi untuk menyelesaikan.

00:17:12.640 --> 00:17:14.820
Kita juga harus mempertimbangkan penjinjangan data itu sendiri.

00:17:15.240 --> 00:17:17.160
Tidak semua dokumen menurukan tingkat presisi yang nolkungsi.

00:17:17.160 --> 00:17:20.180
Menu kafetaria internal Anda tidak butuh peringkat ulang berbasis Bing,

00:17:20.440 --> 00:17:22.380
tetapi dokumen kepatuhan regulasi Anda membutuhkan.

00:17:22.840 --> 00:17:24.340
Dengan mempartisi indeks pencarian

00:17:24.340 --> 00:17:26.420
dan menerapkan strategi peringkat yang berbeda,

00:17:26.640 --> 00:17:28.040
Anda bisa mengoptimalkan pengeluaran

00:17:28.040 --> 00:17:29.920
berdasarkan tingkat kritis informasi.

00:17:30.880 --> 00:17:32.960
Inilah yang kami sebut sebagai pengambilan berbasis.

00:17:33.400 --> 00:17:36.060
Ini adalah kesadaran bahwa akurasi bukanlah pilihan binar.

00:17:36.680 --> 00:17:37.560
Ini adalah skala yang bergerak.

00:17:38.100 --> 00:17:39.600
Dan sebagai arsitek, tugas Anda adalah

00:17:39.600 --> 00:17:42.220
menggeser skala tersebut berdasarkan kebutuhan spesifik unit bisnis.

00:17:42.220 --> 00:17:44.720
Tujuannya bukanlah membangun sistem yang paling akurat.

00:17:45.520 --> 00:17:47.420
Tujuannya adalah membangun sistem paling akurat

00:17:47.420 --> 00:17:48.880
yang mampu dijalankan oleh bisnis.

00:17:49.460 --> 00:17:51.100
Karena AI sempurna yang terlalu mahal

00:17:51.100 --> 00:17:53.420
untuk digunakan hanyalah pemberat kertas yang sangat canggih.

00:17:54.060 --> 00:17:55.100
Pada tahun 2026,

00:17:55.280 --> 00:17:57.120
pemenangnya bukanlah mereka dengan tolak ukur tertinggi.

00:17:57.420 --> 00:18:00.400
Pemenangnya adalah mereka yang berhasil memberikan tingkat 0,85

00:18:00.400 --> 00:18:03.440
dengan biaya yang berskala linier seiring pertumbuhan mereka.

00:18:03.500 --> 00:18:06.120
Mereka adalah yang memperlakukan infrastruktur sebagai batasan,

00:18:06.260 --> 00:18:07.100
bukan sekadar pelengkap.

00:18:07.920 --> 00:18:10.100
Mengelola biaya adalah sisi teknis dari persamaan ini.

00:18:10.100 --> 00:18:13.340
Namun meskipun ekonomi Anda tepat, Anda tetap memiliki masalah manusia.

00:18:13.580 --> 00:18:15.980
Anda harus mengatasi kesenjangan antara lisensi yang

00:18:15.980 --> 00:18:18.200
dibeli dengan kepercayaan pengguna terhadap sistem.

00:18:18.600 --> 00:18:20.120
Karena jika mereka tidak percaya pada jawabannya,

00:18:20.200 --> 00:18:21.500
tidak penting berapa biaya untuk menghasilkan.

00:18:21.840 --> 00:18:23.780
Mereka kembali melakukan pencarian dengan cara langsung.

00:18:23.840 --> 00:18:25.400
Dan hal itu membawa kita pada kesenjangan tata kelola.

00:18:25.860 --> 00:18:27.760
Karena kepercayaan bukan hanya soal akurasi teknis.

00:18:28.080 --> 00:18:29.800
Ini soal kerangka kerja yang melingkupi akurasi tersebut.

00:18:29.920 --> 00:18:32.280
Ini soal mengetahui bahwa AI tidak hanya benar,

00:18:32.440 --> 00:18:34.640
tetapi memang diizinkan untuk menjadi benar sejak awal.

00:18:35.480 --> 00:18:37.100
Mengelola biaya adalah sisi teknis,

00:18:37.100 --> 00:18:39.320
tetapi sisi eksekutif adalah soal kesenjangan tata kelola.

00:18:40.260 --> 00:18:42.820
Mengoptimalkan infrastruktur hanya menyelesaikan sebagian dari persamaan.

00:18:43.380 --> 00:18:45.860
Anda bisa membangun mesin presisi paling efisien di dunia,

00:18:46.040 --> 00:18:48.360
tetapi jika tim kepemimpinan takut dengan hasil yang muncul,

00:18:48.640 --> 00:18:50.240
proyek tidak akan pernah keluar dari sandbox.

00:18:51.080 --> 00:18:52.740
Kita telah mencapai titik di mana hambatannya

00:18:52.740 --> 00:18:54.920
bukan anggaran komputasi atau latensi peringkat ulang.

00:18:55.660 --> 00:18:58.100
GSEKAN sebenarnya adalah kesenjangan antara lisensi yang diberikan

00:18:58.100 --> 00:19:01.200
dan otoritas nyata yang dimiliki AI untuk beroperasi.

00:19:01.860 --> 00:19:04.360
Kesenjangan tata kelola, alasan kebijakan menghambat penggunaan.

00:19:04.360 --> 00:19:07.600
Saat ini kita memiliki 15 juta kursi berbayar di ekosistem ini.

00:19:08.080 --> 00:19:11.780
Namun, tingkat konversi di tempat kerja terjebak di angka 35% yang mengejutkan.

00:19:12.380 --> 00:19:15.920
Ini berarti dua dari setiap tiga pengguna berlesensi pada dasarnya mengabaikan alat tersebut.

00:19:16.360 --> 00:19:18.280
Mereka berhenti menggunakannya setelah halusinasi ketiga.

00:19:18.680 --> 00:19:19.640
Kepercayaan itu rapuh,

00:19:20.100 --> 00:19:23.140
dan pengambilan data yang buruk menghancurkannya lebih cepat daripada sesi pelatihan manapun.

00:19:24.480 --> 00:19:25.820
Tata kelola bukan sekadar dokumen,

00:19:26.200 --> 00:19:27.180
itu adalah kontrol teknis.

00:19:28.180 --> 00:19:30.320
Tanpanya, proyek RAG Anda akan mati di minggu ke-12.

00:19:30.320 --> 00:19:32.620
Jadi, seperti apa model baru ini dalam praktek?

00:19:33.040 --> 00:19:34.640
Ini adalah langkah menuju agen yang terkelola.

00:19:35.480 --> 00:19:37.220
Era kotak obrolan akan segera berakhir.

00:19:37.800 --> 00:19:40.160
Kita beralih dari dunia di mana Anda mengajukan pertanyaan

00:19:40.160 --> 00:19:41.840
dan berharap matematika menemukan dokumen.

00:19:42.340 --> 00:19:43.640
Model baru ini adalah tentang delegasi.

00:19:43.960 --> 00:19:46.180
Ini tentang beralih dari sistem yang hanya mengambil data

00:19:46.180 --> 00:19:48.320
ke sistem yang benar-benar melarap proses pencarian itu sendiri.

00:19:49.100 --> 00:19:50.780
Kita memasuki era agen yang terkelola.

00:19:51.780 --> 00:19:53.200
Sistem yang tidak hanya mencari data,

00:19:53.500 --> 00:19:56.180
tetapi memahami aturan main sebelum memulai mesinnya.

00:19:56.180 --> 00:19:58.400
Peta Jalan 2026

00:19:58.400 --> 00:20:00.020
Dari pengambilan data menuju penelan.

00:20:00.520 --> 00:20:01.720
Jika Anda ingin tetap relevan,

00:20:01.840 --> 00:20:03.040
dalam 24 bulan ke depan,

00:20:03.120 --> 00:20:04.540
peta jalan Anda harus beralih ke agen.

00:20:04.700 --> 00:20:06.040
Ini adalah garis depan berikut.

00:20:06.400 --> 00:20:07.400
Dalam pengaturan standar,

00:20:07.500 --> 00:20:09.440
sistem mengambil query Anda dan menjalankan satu pencarian.

00:20:09.780 --> 00:20:10.680
Dalam pengaturan agen,

00:20:10.840 --> 00:20:11.780
I merencanakan pencariannya.

00:20:12.280 --> 00:20:13.220
I melihat permintaan Anda

00:20:13.220 --> 00:20:15.440
dan memutuskan apakah perlu mengakses penyimpanan vektor,

00:20:15.640 --> 00:20:16.600
menanyakan basis data SQL

00:20:16.600 --> 00:20:18.120
atau mungkin meliksa EPE waktu nyata.

00:20:18.180 --> 00:20:20.660
I menelar langkah-langkah yang diperlukan untuk menemukan kebenaran.

00:20:21.120 --> 00:20:23.040
Disinilah grafik RAG menjadi standar emas.

00:20:23.040 --> 00:20:24.620
Untuk lingkungan berisi kode tinggi,

00:20:24.800 --> 00:20:26.780
di mana Anda membutuhkan akurasi 99%,

00:20:26.780 --> 00:20:28.540
Anda tidak bisa mengandalkan potongan dokumentan.

00:20:29.080 --> 00:20:30.500
Anda memerlukan grafik pengetahuan

00:20:30.500 --> 00:20:31.920
yang memetakkan hubungan antara entitas,

00:20:32.120 --> 00:20:33.460
orang, proyek, dan kebijakan.

00:20:34.140 --> 00:20:35.580
Ini memungkinkan AI untuk memahami

00:20:35.580 --> 00:20:38.000
bahwa ketika Anda bertanya tentang anggaran insinyur utama,

00:20:38.260 --> 00:20:39.500
AI perlu menemukan orang tersebut,

00:20:39.620 --> 00:20:40.700
lalu proyek yang dipimpinnya,

00:20:40.980 --> 00:20:43.140
dan kemudian buku besar keuangan yang terkait dengan proyek itu.

00:20:43.880 --> 00:20:45.340
Ini adalah rantai penelaramu di lempatan

00:20:45.340 --> 00:20:47.040
yang tidak dapat dilakukan oleh pencarian vektor data.

00:20:47.800 --> 00:20:48.680
Namun inilah kenyataan AI.

00:20:49.240 --> 00:20:50.780
AI Anda dibatasi oleh metadata Anda,

00:20:50.780 --> 00:20:51.940
bukan jumlah lisensi Anda.

00:20:52.840 --> 00:20:54.160
Jika situs sharepoint Anda adalah

00:20:54.160 --> 00:20:56.380
kuburan dokumen 1.docx dan final V2,

00:20:56.500 --> 00:20:57.520
relief final.bdf,

00:20:57.620 --> 00:20:58.780
penelana agen sebanyak apapun

00:20:58.780 --> 00:21:00.080
tidak akan menyelamatkan Anda.

00:21:00.780 --> 00:21:02.240
Mempersiapkan fondasi data Anda adalah

00:21:02.240 --> 00:21:03.480
satu-satunya cara untuk menghindar

00:21:03.480 --> 00:21:04.500
ketertinggalan kompetitifnya.

00:21:05.100 --> 00:21:06.720
Organisasi yang menunggu untuk memperbaiki

00:21:06.720 --> 00:21:09.160
lapisan pengambilan data mereka akan terjebak

00:21:09.160 --> 00:21:11.060
dengan tingkat adopsi 35%,

00:21:11.060 --> 00:21:12.920
mentara pesaing mereka mengotomatiskan

00:21:12.920 --> 00:21:13.780
seluruh alur kerja.

00:21:14.560 --> 00:21:15.920
Kita beralih dari pencarian vektor

00:21:15.920 --> 00:21:17.920
sebagai alat menjadi strategi semantik

00:21:17.920 --> 00:21:19.280
sebagai kompetensi inti bisnis.

00:21:19.280 --> 00:21:21.200
Transformasi Anda dimulai

00:21:21.200 --> 00:21:22.280
dengan audit pengambilan data.

00:21:22.740 --> 00:21:23.980
Berhenti mengukur seberapa cepat

00:21:23.980 --> 00:21:25.700
AI merespons dan mulailah mengukur

00:21:25.700 --> 00:21:26.660
seberapa sering ia benar.

00:21:27.300 --> 00:21:29.000
Identifikasi 10% kasus penggunaan

00:21:29.000 --> 00:21:29.860
paling kompleks Anda,

00:21:30.240 --> 00:21:31.420
yaitu yang akurasinya adalah

00:21:31.420 --> 00:21:32.620
keharusan, bukan saran,

00:21:32.820 --> 00:21:34.460
dan terapkan L2 ranker

00:21:34.460 --> 00:21:35.840
pada alur kerja tersebut hari ini.

00:21:36.540 --> 00:21:37.400
Jika perubahan model ini

00:21:37.400 --> 00:21:38.240
mengubah cara pandang Anda

00:21:38.240 --> 00:21:39.260
terhadap arsitektur Anda,

00:21:39.440 --> 00:21:40.460
ikuti saya, Mirko Peters,

00:21:40.620 --> 00:21:42.000
di link ini untuk pembahasan yang lebih mudah.

00:21:42.360 --> 00:21:43.160
Jika ini membantu Anda

00:21:43.160 --> 00:21:44.680
mendiagnosis mengapa proyek RAK Anda

00:21:44.680 --> 00:21:46.040
saat ini gagal, silahkan tinggalkan WhatsApp.

00:21:46.580 --> 00:21:47.520
Ini membantu podcast ini

00:21:47.520 --> 00:21:49.260
menjangkau para arsitek yang masih terjebak

00:21:49.260 --> 00:21:50.200
dalam jebakan top key.

00:21:50.700 --> 00:21:51.880
Langkah Anda selanjutnya adalah

00:21:51.880 --> 00:21:53.120
menyimak pembahasan mendalam kami

00:21:53.120 --> 00:21:54.060
tentang alur kerja agen

00:21:54.060 --> 00:21:54.680
untuk melihat kemana

00:21:54.680 --> 00:21:55.720
arah ketepatan ini selanjutnya.
