WEBVTT 00:00:00.080 --> 00:00:03.180 Otomasi low-code Anda rusak karena terlalu pintar untuk kebaikannya sendiri. 00:00:03.760 --> 00:00:09.840 Logika if-done yang kaku adalah hukuman mati saat Anda menghadapi konsistensi data dunia nyata yang berantakan dan membuat sistem Anda mogok setiap hari. 00:00:10.160 --> 00:00:12.980 Asumsi bahwa data itu bersih adalah dosa asal dari desain low-code. 00:00:13.320 --> 00:00:18.220 Kita membangun seluruh dunia kita di atas model if-done, tetapi model itu membutuhkan kepastian mutlak untuk berfungsi. 00:00:18.500 --> 00:00:19.440 Data dunianya tetap tidak pasti. 00:00:19.820 --> 00:00:21.720 Ada kesan ketik, ada konteks yang hilang. 00:00:22.320 --> 00:00:23.700 Ini adalah aliran kacau dari kesan manusia. 00:00:24.300 --> 00:00:29.160 Ketika sistem deterministik menemui variasi 1%, ia tidak melentur dan pastinya tidak beradaptasi. 00:00:29.160 --> 00:00:30.260 Sistem itu hanya akan rusak. 00:00:31.420 --> 00:00:35.220 Ini menciptakan jebakan kerapuhan, di mana otomatisasi Anda hanya sekuat titik data terbersihan. 00:00:35.620 --> 00:00:38.300 Dalam skala perusahaan, itu adalah standar yang sangat rendah untuk kesuksesan. 00:00:38.480 --> 00:00:41.320 Namun masalahnya bukan pada datanya, melainkan model yang kita gunakan untuk proses. 00:00:41.900 --> 00:00:42.480 Kemati demi slow. 00:00:43.340 --> 00:00:46.220 Logika deterministik adalah peninggalan era data terstruktur. 00:00:46.980 --> 00:00:52.660 Itu berhasil ketika semuanya ada di tabel SQL dan ketika kita memaksa manusia untuk masuk ke dalam kotak yang telah ditentukan. 00:00:53.400 --> 00:00:54.160 Tapi dunia itu sudah hilang. 00:00:54.160 --> 00:00:59.120 Saat ini, 80% data perusahaan tidak terstruktur, yang berarti data tersebut ada di email, obrolan. 00:00:59.160 --> 00:00:59.920 Dan rekaman suara. 00:01:00.420 --> 00:01:05.480 Alur power automate tradisional memperlakukan Apple dan 4 PPL 3 sebagai dua alam semesta yang berbeda. 00:01:06.540 --> 00:01:09.440 Bagi sistem binar, keduanya adalah string yang sama sekali tidak berhubungan. 00:01:09.980 --> 00:01:14.780 Kita telah mencapai titik di mana piaya pembersihan data manual kini melebihi nilai dari otomatisasi itu sendiri. 00:01:14.780 --> 00:01:20.700 Jika Anda harus menghabiskan dua jam memperbaiki CSV hanya agar alur dapat berjalan selama lima detik, Anda sebenarnya belum mengotomatisasi. 00:01:21.080 --> 00:01:22.280 Anda hanya memindahkan beban kerja. 00:01:22.520 --> 00:01:25.840 AI bukan sekadar fitur baru yang mengilap yang kita tempelkan di sisi power platform. 00:01:26.480 --> 00:01:28.960 Ia adalah perubahan berdasar dari pencocokan persis ke kesamaan. 00:01:30.440 --> 00:01:32.080 Model lama bertanya, apakah ini A? 00:01:32.500 --> 00:01:34.580 Model bertanya, seberapa mirip ini dengan A? 00:01:35.320 --> 00:01:37.060 Pikirkan bagaimana Anda menafigasi kotak masukan. 00:01:37.340 --> 00:01:39.440 Anda tidak menjalankan regex di kepala Anda untuk menemukan faktor. 00:01:39.740 --> 00:01:40.540 Anda mencari pola. 00:01:40.900 --> 00:01:41.600 Anda mencari konteks. 00:01:42.000 --> 00:01:47.740 Anda mengenali bahwa INV202 dan nomor faktor 202 adalah hal yang sama meskipun karakternya tidak cocok. 00:01:48.180 --> 00:01:49.560 Sistem liter mistik tidak bisa melakukan itu. 00:01:49.800 --> 00:01:50.700 Mereka butuh terhadap maksud. 00:01:51.020 --> 00:01:51.880 Mereka hanya melihat sintaksis. 00:01:51.880 --> 00:01:56.280 Dan seiring langkah kita menuju 2026, sintaksis menjadi kurang penting daripada semantik. 00:01:56.760 --> 00:02:02.500 Kita melihat redakan besar dalam volume data dari sensor IoT, aliran real time, dan ringkasan yang dihasilkan LLM. 00:02:02.500 --> 00:02:06.840 Jika Anda mencoba mengelola volume tersebut dengan pencabang IF dan yang dikodekan secara kaku logikan, 00:02:06.940 --> 00:02:10.740 cara kaku logikan DAG, Anda akan berakhir dengan alur yang memiliki 50 kondisi bersarang. 00:02:10.880 --> 00:02:13.600 Dan semuanya akan tetap rusak saat vendor mengubah tanda tangan email mereka. 00:02:14.220 --> 00:02:17.660 Model jika maka mengasumsikan dunia sempurna di mana input akan selalu sesuai dengan skema. 00:02:18.740 --> 00:02:20.560 Namun kenyataan yang justru sebaliknya. 00:02:21.040 --> 00:02:22.020 Data adalah variabelnya. 00:02:22.520 --> 00:02:26.680 Logika seharusnya menjadi konstantar, namun logika kita terlalu kaku untuk bertahan saat bersentuhan dengan real itu. 00:02:27.040 --> 00:02:29.460 Kita telah membangun rumah kaca di dunia yang terus menerus hujan es, 00:02:29.580 --> 00:02:32.020 lalu kita heran mengapa lantai dipenuhi pecahan kaca. 00:02:32.900 --> 00:02:36.120 Pergeseran ke desain probabilistik berarti membangun dengan karet, bukan kaca. 00:02:36.900 --> 00:02:41.000 Ini tentang menciptakan sistem yang dapat meredam dampak kesalahan ketik tanpa hancur. 00:02:41.640 --> 00:02:45.280 Kita beralih dari gagasan bahwa sistem harus 100% benar atau 100% salah, 00:02:45.440 --> 00:02:48.800 karena di dunia nyata tidak ada yang 100%, tidak ada yang 100%. 00:02:48.800 --> 00:02:51.460 Kita telah membohongi diri sendiri tentang kualitas data kita selama puluhan. 00:02:51.880 --> 00:02:53.920 Kita membangun ruangan bersih untuk logika kita, 00:02:53.920 --> 00:02:57.760 lalu bersikap terkejut saat data kotor dari tim penjualan menyebabkan kegagalan sistem. 00:02:58.400 --> 00:03:00.280 Matinya datermisme adalah matinya kebohongan tersebut. 00:03:00.280 --> 00:03:04.240 Ini adalah pengakuan bahwa kita tidak bisa mengontrol input, jadi kita harus memodernisasi pemrosesannya. 00:03:04.800 --> 00:03:10.860 Kita memasuki era perusahaan aproximatif di mana kita menerima bahwa pendekatannya cukup baik justru lebih baik daripada tepat namun salah. 00:03:10.860 --> 00:03:18.960 Karena sistem yang mampu memproses kecocokan 90% jauh, lebih berharga daripada sistem yang menolak segalanya kecuali kecocokan 100%. 00:03:18.960 --> 00:03:21.880 Ini bukan sekadar perubahan teknis, mainkan perubahan psikologis. 00:03:22.220 --> 00:03:26.620 Anda harus merasa nyaman dengan gagasan bahwa sistem Anda mungkin hanya cukup yakin tentang suatu data. 00:03:27.380 --> 00:03:32.200 Anda harus belajar mendesain untuk keraguan, karena keraguan adalah satu-satunya cara jujur untuk menangan informasi yang tidak terlalu. 00:03:32.200 --> 00:03:38.660 Pergeseran ini mengharuskan kita beralih dari pemicu binar ke sesuatu yang jauh lebih bernuansa, yaitu skor keyakinan, arsitektur ketidakpastian. 00:03:39.560 --> 00:03:43.600 Jika kita menerima bahwa era logika binar telah berakhir, kita harus menggantinya dengan kerangka kerja baru. 00:03:44.180 --> 00:03:45.620 Saya menyebutnya model orkestra simpon. 00:03:46.180 --> 00:03:50.040 Dalam arsitektur TI tradisional, setiap orang adalah solois yang memainkan partitur kaku. 00:03:50.260 --> 00:03:52.780 Dan jika satu orang melewatkan satu nada, seluruh pertunjukan berhenti. 00:03:53.600 --> 00:03:57.900 Namun dalam arsitektur probabilistik, kita memiliki konduktor deterministik yang mengelola musisi probabilistik. 00:03:58.280 --> 00:03:59.540 Konduktor itu adalah alur power automaton. 00:04:00.160 --> 00:04:02.760 Ia menyediakan struktur, mengatur tempo, dan mendefinisikan batasannya. 00:04:03.200 --> 00:04:04.280 Para musisinya adalah model AI. 00:04:04.960 --> 00:04:06.640 Mereka berbakat, namun ekspresif. 00:04:07.220 --> 00:04:10.220 Dan tidak selalu mencapai frekuensi yang sama persis setiap kali mereka bermain. 00:04:10.780 --> 00:04:13.560 Tugas konduktor bukanlah memaksa para musisi menjadi robot. 00:04:14.020 --> 00:04:18.220 Tugasnya adalah mendengarkan mereka dan memutuskan apakah suara yang mereka hasilkan cukup baik untuk dilanjutkan. 00:04:18.400 --> 00:04:21.500 Hal ini membawa kita ke pilar utama desain modern, yaitu skor keyakinan. 00:04:21.500 --> 00:04:25.300 Skor keyakinan adalah nilai dari 0 sampai 1 yang mengukur keraguan. 00:04:26.000 --> 00:04:29.940 Ini adalah cara model untuk mengatakan saya rasa ini cocok dan inilah seberapa besar saya yakin akan hal itu. 00:04:30.800 --> 00:04:32.960 Di masa lalu kita memiliki jalur yang sudah ditentukan secara kali. 00:04:33.460 --> 00:04:36.000 Jika subjek email berisi kata faktur, maka simpan lampirannya. 00:04:36.620 --> 00:04:38.580 Di dunia baru kita menggunakan perutuan berbasis keyakinan. 00:04:38.900 --> 00:04:41.480 Kita membuat keraguan internal model menjadi terlihat oleh sistem. 00:04:42.320 --> 00:04:44.580 Kita tidak lagi memperlakukan AI sebagai kotak hitam, 00:04:44.580 --> 00:04:47.080 melainkan sebagai saksi dengan tingkat kredibilitas tertentu. 00:04:47.820 --> 00:04:49.980 Beginilah cara Anda benar-benar membangunnya di bawah platform. 00:04:49.980 --> 00:04:53.960 Saat Anda menggunakan e-builder atau Azure AI, Anda tidak hanya mendapatkan data yang diekstraksi. 00:04:54.240 --> 00:04:57.580 Anda mendapatkan lapisan metadata yang mengungkapkan probabilitas untuk setiap bidang. 00:04:58.160 --> 00:05:00.060 Jika model mengekstraksi jumlah total 1.500, 00:05:00.280 --> 00:05:03.420 Dallas Model juga memberitahu Anda bahwa ia 95% yakin dengan angka tersebut. 00:05:04.000 --> 00:05:06.500 Sebagai arsitek, Anda sekarang memiliki tiga zona tindakan yang berbeda. 00:05:06.860 --> 00:05:07.800 Pertama, zona hijau. 00:05:08.320 --> 00:05:09.960 Keyakinan adalah 0,90 atau lebih tinggi. 00:05:10.800 --> 00:05:12.800 Risiko kesalahan rendah biar kesalahan dapat dikelola. 00:05:12.800 --> 00:05:17.200 Dan hasilnya adalah Anda melakukan otomatisasi sistem berjalan tanpa campur tangan manusia. 00:05:17.200 --> 00:05:18.500 Kedua, zona kuning. 00:05:19.060 --> 00:05:21.920 Keyakinan berada di antara 0,60 dan 0,89. 00:05:22.540 --> 00:05:24.260 Model cukup yakin tetapi tidak sepenuhnya pasti. 00:05:24.720 --> 00:05:27.540 Mungkin dokumennya agak kabur atau mungkin tulisan tangannya berantakan. 00:05:27.940 --> 00:05:29.080 Di zona ini Anda memberikan tanda. 00:05:29.760 --> 00:05:32.000 Sistem merutekan data ke peninjauh manusia untuk pemeriksaan cepat. 00:05:32.980 --> 00:05:33.660 Ketiga, zona merah. 00:05:34.040 --> 00:05:35.460 Keyakinan di bawah 0,60. 00:05:36.140 --> 00:05:36.940 Model sedang menebak-nebak. 00:05:37.200 --> 00:05:39.100 Di zona ini Anda menolak atau melakukan eskalasi. 00:05:39.100 --> 00:05:41.820 Anda tidak membiarkan data tersebut mendekati basi data produksi. 00:05:41.980 --> 00:05:44.020 Ini adalah lapisan manajemen risiko yang transparan. 00:05:44.020 --> 00:05:47.500 Ini memungkinkan Anda meskalakan otomatisasi sambil menjaga ketukungan. 00:05:47.920 --> 00:05:49.560 Pikirkan tentang implikasi yang bagi tata kelola. 00:05:49.880 --> 00:05:51.860 Dalam sistem deterministik kesalahan tidak disadari. 00:05:52.280 --> 00:05:56.380 Sebuah alur berjalan mengambil angka yang salah karena kesalahan ketik dan menulis angka salah itu ke ERP Anda. 00:05:56.980 --> 00:05:58.580 Anda baru mengetahuinya di akhir kuartu. 00:05:59.000 --> 00:06:00.680 Dalam sistem probabilistik kesalahan miliki tanda. 00:06:01.280 --> 00:06:03.340 Sistem tahu bahwa ia kesulitan dan ia memberitahu Anda, 00:06:03.340 --> 00:06:05.960 Hey, saya memproses ini tapi kekirian saya hanya 62%. 00:06:05.960 --> 00:06:07.860 Itu adalah sinyal yang sangat kuat. 00:06:08.220 --> 00:06:09.400 Ini memungkinkan Anda seberkeraguan. 00:06:09.800 --> 00:06:11.380 Anda dapat melihat dengan tepat di mana model Anda ke. 00:06:11.380 --> 00:06:14.620 Anda dapat melihat vendor mana yang mengirim dokumen yang tidak dapat dibaca AI 00:06:14.620 --> 00:06:17.500 dan melihat langkah proses mana yang secara konsisten mencapai zona kuning. 00:06:18.300 --> 00:06:20.800 Anda tidak hanya membuat alur, Anda sedang membangun lingkaran kecerdasan. 00:06:21.120 --> 00:06:23.520 Dan disinilah Azure AI dan AI Builder benar-benar unggul. 00:06:24.060 --> 00:06:25.920 Mereka menampilkan skor ini pada tingkat granular, 00:06:26.180 --> 00:06:29.480 sehingga Anda bisa melihat tingkat keyakinan untuk tabel, sel, atau maksud tertentu. 00:06:29.780 --> 00:06:32.560 Anda bahkan bisa menggunakan PowerFX untuk membatas dinamik. 00:06:33.100 --> 00:06:36.700 Mungkin untuk laporan pengeluaran senilai 50, tingkat keyakinan 0,70 sudah cukup. 00:06:37.100 --> 00:06:40.580 Tetapi untuk pesanan pembelian senilai 50 ribu lalas, Anda menginginkan 0,98. 00:06:40.580 --> 00:06:43.920 Anda akhirnya menyelaraskan logika teknis dengan risiko bisnis Anda. 00:06:44.460 --> 00:06:47.600 Kita selama ini memperlakukan setiap titik data seolah-olah memiliki bobot yang sama pada itu. 00:06:48.000 --> 00:06:51.240 Desain probabilistik memungkinkan Anda memperlakukan keputusan berisiko tinggi 00:06:51.240 --> 00:06:53.960 secara berbeda dengan keputusan berisiko rendah bahkan dalam alur yang sempurna. 00:06:54.420 --> 00:06:56.340 Anda tidak lagi membangun untuk dunia yang sempurna. 00:06:56.860 --> 00:07:00.480 Anda membangun untuk dunia di mana Anda tahu persis berapa banyak ketidakpastian yang bisa Anda toleransi. 00:07:01.300 --> 00:07:02.660 Dan setelah Anda menguasai skor tersebut, 00:07:02.960 --> 00:07:04.980 Anda bisa mulai melihat logika yang menjebatkan di celah tersebut. 00:07:05.540 --> 00:07:06.800 Mencocokkan fuzzy dan logika semantik. 00:07:06.800 --> 00:07:10.800 Namun bagaimana sebenarnya kita menangani data yang berada di tengah-tengah ketidakpastian itu? 00:07:11.600 --> 00:07:13.880 Kita mulai dengan mengakui bahwa pencocokan fuzzy itu gagal. 00:07:14.440 --> 00:07:15.860 Itu gagal karena tidak memiliki konteks. 00:07:16.280 --> 00:07:19.440 Dalam mode lama, jika nama vendor berbeda satu titik saja, pencarian akan gagal. 00:07:20.040 --> 00:07:21.600 Pencarian tidak peduli dengan maksud Anda. 00:07:21.900 --> 00:07:23.180 Ia hanya peduli pada nilai ASCII. 00:07:23.740 --> 00:07:24.980 Disinilah pencocokan fuzzy berperan. 00:07:24.980 --> 00:07:29.900 Ini adalah teknik yang mengidentifikasi dan menghubungkan catatan yang tidak identik dengan menghitung skor kemiripan 00:07:29.900 --> 00:07:32.420 dan bertindak sebagai jembatan antara IBM dan IBM. 00:07:33.200 --> 00:07:34.500 Dan dampaknya bukan sekadar teoretis. 00:07:34.840 --> 00:07:39.360 Penelitian menunjukkan bahwa menerapkan pencocokan fuzzy dapat meningkat kecocokan Anda hingga kecocokan Anda hingga 20. 00:07:39.460 --> 00:07:43.680 Itu 24% dari data Anda yang sebelumnya akan ditolak atau dikirim ke manusia untuk diperbaiki secara manual. 00:07:44.140 --> 00:07:47.100 Dalam lingkungan bervolume tinggi, itu mewakil ribuan jam waktu yang bisa dihemat. 00:07:47.640 --> 00:07:48.780 Namun Anda harus memahami mekanismi. 00:07:49.200 --> 00:07:50.740 Ada dua cara utama untuk memikirkan hal ini. 00:07:50.960 --> 00:07:52.260 Pertama, logika berbasis karakter. 00:07:52.260 --> 00:07:54.000 Ini sering disebut jarak Levenstein. 00:07:54.680 --> 00:07:57.260 Ini menghitung jumlah suntingan yang diperlukan untuk mengubah satu string danya. 00:07:57.680 --> 00:07:58.660 Ini sempurna untuk selangkut. 00:07:59.080 --> 00:08:03.460 Jika seseorang menulis manage alih-alih manajemen, sistem melihat huruf E dan A yang hilang. 00:08:03.980 --> 00:08:06.480 Sistem menghitung jaraknya dan melihat keduanya hampir identik. 00:08:07.560 --> 00:08:09.240 Kedua, kita memiliki logika semantik. 00:08:09.760 --> 00:08:10.900 Disinilah hal yang menjadi menarik. 00:08:11.160 --> 00:08:12.720 Logika semantik tidak peduli dengan ejaan. 00:08:13.000 --> 00:08:13.860 Logika ini peduli dengan makna. 00:08:14.220 --> 00:08:17.360 Jika satu sistem mengatakan customer dan yang lain mengatakan klien, pencocokan. 00:08:17.720 --> 00:08:19.340 Berbasis karakter akan selalu gagal. 00:08:19.740 --> 00:08:21.260 Tetapi model semantik tahu bahwa yang sama. 00:08:21.260 --> 00:08:24.420 Ini adalah pergeseran dari mencocokkan karakter ke mencocokkan konsep. 00:08:24.920 --> 00:08:27.920 Saat Anda menggabungkan skor keyakinan dengan pencocokan samar, fuzzy matching, 00:08:28.040 --> 00:08:30.740 Anda menciptakan sistem yang mampu menafigasi realitas data bisnis yang berantai. 00:08:31.220 --> 00:08:34.540 Anda tidak lagi dibatasi oleh aturan kaku yang rusak saat manusia melakukan kesalahan ketik. 00:08:35.080 --> 00:08:36.800 Anda membangun sistem yang memahami nuansa. 00:08:37.460 --> 00:08:39.600 Dan begitulah cara Anda beralih dari otomatisasi sederhana. 00:08:39.900 --> 00:08:41.160 Menuju kecerdasan digital sejati. 00:08:41.500 --> 00:08:43.180 Membangun alur kerja yang dapat mengoreksi diri sendiri. 00:08:43.680 --> 00:08:45.420 Bahkan dengan pencocokan samar terbaik di dunia, 00:08:45.560 --> 00:08:47.900 kita harus menghadapi kenyataan bahwa AI masih bisa berhalusnya. 00:08:47.900 --> 00:08:49.800 Begitulah cara teknologi ini bekerja saat ini. 00:08:50.340 --> 00:08:55.300 Data saat ini menunjukkan bahwa model tercanggih sekalipun memiliki tingkat halusinasi antara 15 hingga 20 persen. 00:08:55.720 --> 00:08:59.560 Jika Anda membangun sistem untuk bisnis, Anda tidak bisa mengabaikan tingkat kegagalan 1 dari 5 00:08:59.560 --> 00:09:02.340 dan Anda tentu tidak bisa sekadar menggunakan rekayasa perintah untuk mengatasi. 00:09:02.660 --> 00:09:06.460 Anda harus menerima bahwa mencapai tingkat halusinasi 0 persen bukanlah sebuah trik sulap. 00:09:06.940 --> 00:09:08.500 Itu adalah pilihan arsitektural yang disengaja. 00:09:08.780 --> 00:09:13.040 Di sinilah kita melampaui otomatisasi sederhana dan mulai membangun alur kerja tangguh yang dapat mengoreksi diri. 00:09:13.040 --> 00:09:16.340 Kita melakukannya dengan menggunakan struktur yang saya sebut pola validasi jarudan. 00:09:16.880 --> 00:09:20.880 Ini bertindak sebagai pengaman yang mencegah imajinasi kreatif AI mengacaukan data aktual Anda. 00:09:21.720 --> 00:09:23.580 Ada satu aturan mendasar bagi arsitek modern. 00:09:24.160 --> 00:09:25.740 Jangan berambiarkan model bahasa besar matematika. 00:09:26.660 --> 00:09:28.520 LLM adalah mesin untuk penalaran lunak 00:09:28.520 --> 00:09:33.560 yang membuatnya hebat dalam memahami maksud atau menemukan detail spesifik dalam tumpukan teks yang berantakan. 00:09:34.500 --> 00:09:37.460 Namun mereka secara statistik tidak dapat diandalkan dalam hal aritmatika dasar. 00:09:37.460 --> 00:09:43.220 Jika Anda meminta AI untuk mengambil 3 item dari faktor dan menghitung totalnya, Anda pada dasarnya meminta sistem untuk gagal. 00:09:43.820 --> 00:09:47.600 Dalam desain yang dapat mengoreksi diri, Anda menggunakan LLM untuk bagian penalaran lunak, 00:09:47.720 --> 00:09:49.360 seperti menarik data dari PDF yang berantak. 00:09:49.900 --> 00:09:54.300 Setelah Anda mendapatkan angka-angka tersebut, Anda memasukkannya ke sistem deterministik untuk menangani batasan yang kaku. 00:09:54.820 --> 00:09:58.760 Alur power automate atau mesin aturan dasar Anda seharusnya menjadi pihak yang melakukan penjumlahan. 00:09:58.880 --> 00:10:02.100 Pihak tersebutlah yang seharusnya memerisa pajak atau memverifikasi konversi metode. 00:10:02.100 --> 00:10:09.260 Jika LLM mengklaim totalnya adalah 500 dolar, tetapi perhitungan Anda menunjukkan seharusnya 480 sistem telah mendeteksi halusinasi secara waktu nyata. 00:10:09.900 --> 00:10:11.740 Alih-alih macet, sistem memicu jalur pemulihan. 00:10:12.440 --> 00:10:16.000 Sistem mungkin mencoba perintah yang berbeda atau mungkin menandai kesalahan tersebut agar diperiksa oleh manusia. 00:10:16.740 --> 00:10:20.340 Inilah perbedaan antara alur yang rusak dan alur yang benar-benar memperbaiki dirinya sendiri. 00:10:20.980 --> 00:10:23.680 Kita melihat perubahan yang sama terjadi dalam otomatisasi proses robotik. 00:10:24.060 --> 00:10:27.180 RPA tradisional sangat rapuh karena bergantung pada koordinat yang tepat di layar. 00:10:27.620 --> 00:10:30.900 Jika sebuah tombol bergeser 3 piksel saja ke kiri, seluruh bot akan gagal. 00:10:30.900 --> 00:10:34.260 RPA mampu memperbaiki diri mengubah hal tersebut dengan menggunakan visi perubahan. 00:10:34.780 --> 00:10:37.340 Bot tersebut tidak lagi mencari koordinat piksel tertentu. 00:10:37.880 --> 00:10:41.000 Sebaliknya, ia mencari tombol yang terlihat seperti ikon simpan di bagian atas halaman. 00:10:41.500 --> 00:10:44.760 Saat antar muka berubah, bot menggunakan konteks untuk beradaptasi secara langsung. 00:10:45.340 --> 00:10:48.840 Ia mengenali tata letak baru, memperbarui logikanya sendiri, dan menyelesaikan tugas. 00:10:49.100 --> 00:10:52.960 Ini menciptakan siklus tangguh di mana sistem melihat potensi kegagalan 00:10:52.960 --> 00:10:55.880 dan membangun solusi sebelum pengguna menyadari ada masalah. 00:10:57.040 --> 00:11:00.040 Pergeseran ini mengalihkan fokus kita di tingkat keberhasilan ke tingkat pemulihan. 00:11:00.040 --> 00:11:03.420 Kita berhenti mencoba membuat AI sempurna, yang memang mustahil, 00:11:03.640 --> 00:11:05.120 dan kita mulai membuat sistem yang kokoh. 00:11:05.740 --> 00:11:08.680 Ini tentang membangun lapisan pemeriksaan dan keseimbangan ke dalam setiap transaksi. 00:11:09.260 --> 00:11:12.500 Anda harus memperlakukan AI seperti pekerja magang cepat yang mudah teralihkan perhatian. 00:11:12.900 --> 00:11:15.340 Anda membiarkan mereka melakukan tugas berat membaca ribuan email, 00:11:15.340 --> 00:11:19.120 tetapi jangan pernah biarkan mereka melanda tangan di cek tanpa auditor senior yang meverifikasi tanda tangannya. 00:11:19.800 --> 00:11:22.040 Dalam kasus ini, kode deterministik Anda adalah auditor tersebut. 00:11:22.520 --> 00:11:24.400 Dengan memisahkan pemikiran dari perhitungan, 00:11:24.640 --> 00:11:27.140 Anda membangun sistem yang menangani kekacauan bahasa manusia 00:11:27.140 --> 00:11:29.380 sambil tetap menjaga ketepatan jam tangan Swiss. 00:11:30.040 --> 00:11:33.360 Beginilah cara Anda memindahkan AI dari tahap pengujian ke inti bisnis Anda. 00:11:34.220 --> 00:11:37.180 Anda tidak mempercaya modelnya, Anda mempercaya arsitektur yang Anda bangun di sekitarnya. 00:11:37.820 --> 00:11:39.760 Anda menciptakan jaring pengaman yang begitu kuat, 00:11:39.840 --> 00:11:42.160 sehingga kesalahan sesekali dari model bahkan tidak dihitung sebagai erat. 00:11:42.160 --> 00:11:44.520 Hal itu hanya menjadi bagian lain dari siklus koreksi mandiri. 00:11:45.980 --> 00:11:47.660 Ini terdengar hebat di laboratorium, 00:11:48.220 --> 00:11:50.400 tetapi dalam produksi hambatan terbesar bukanlah AI, 00:11:50.740 --> 00:11:52.720 melainkan realitas manusia dalam kendali. 00:11:53.520 --> 00:11:54.860 Ini terdengar hebat di laboratorium, 00:11:54.980 --> 00:11:57.260 tetapi dalam produksi hambatan terbesar bukanlah AI, 00:11:57.260 --> 00:11:58.020 melainkan manusia. 00:11:59.020 --> 00:12:00.900 Kita biasanya berbicara tentang otomatisasi 00:12:00.900 --> 00:12:03.460 seolah-olah itu adalah pilihan sederhana antara manusia atau mesin, 00:12:03.620 --> 00:12:06.300 tetapi pergeseran probabilitas memaksa kita ke jalan tengah yang rumit. 00:12:07.080 --> 00:12:09.200 Tolok ukur industri menunjukkan kebenaran yang cukup menyadarkan. 00:12:10.180 --> 00:12:11.720 Sekitar 50 persen alur kerja AI 00:12:11.720 --> 00:12:14.240 masih memerlukan ahli untuk meninjauannya sebelum selesai. 00:12:14.680 --> 00:12:17.160 Inilah alasan utama kita melihat krisis dari uji coba keproduksi. 00:12:17.160 --> 00:12:18.540 Jika Anda melihat angkanya, 00:12:18.760 --> 00:12:20.620 8 persen Cicoba AI gagal dalam setahun. 00:12:21.140 --> 00:12:22.660 Mereka gagal bukan karena teknologinya rusak. 00:12:23.320 --> 00:12:24.980 Mereka gagal karena orang yang merancangnya 00:12:24.980 --> 00:12:27.380 mencoba mengotomatiskan 100 persen tugas terlalu cepat. 00:12:28.240 --> 00:12:30.560 Mereka membangun sistem yang berfungsi pada data uji bersih, 00:12:30.680 --> 00:12:33.200 tetapi logikanya patah saat terkena gesekan departemen yang nyata. 00:12:33.880 --> 00:12:35.380 Ketika Anda mengabaikan elemen manusia, 00:12:35.480 --> 00:12:36.660 Anda menciptakan beban verifikasi. 00:12:37.260 --> 00:12:39.220 Jika AI Anda menghemat 10 menit entry data, 00:12:39.320 --> 00:12:41.400 tetapi menambah 50 menit untuk meniksa pekerjaan 00:12:41.400 --> 00:12:42.640 karena tim tidak mempercayainya, 00:12:42.760 --> 00:12:44.120 Anda sebenarnya kehilangan produktivitas. 00:12:44.120 --> 00:12:46.800 Anda telah membangun beban, bukan aset. 00:12:47.280 --> 00:12:48.540 Desain yang sukses di tahun 2020 00:12:48.540 --> 00:12:50.980 akan memperlakukan pekerjaan verifikasi sebagai fitur utama. 00:12:51.740 --> 00:12:53.960 Mereka tidak melihat tinjauan manusia sebagai kegagal sistem. 00:12:54.480 --> 00:12:56.740 Sebaliknya, mereka melihatnya sebagai bagian yang diperlukan dari arsitek. 00:12:57.340 --> 00:12:59.360 Mereka memasukkan biaya tinjauan tersebut ke dalam laba 00:12:59.360 --> 00:13:00.780 atas investasi sejak hari pertama. 00:13:01.340 --> 00:13:03.700 Rahasia agar ini berhasil adalah logika tinjauan bertingkat. 00:13:04.380 --> 00:13:06.480 Beginilah cara Anda meningkatkan skala tanpa kehilangan akal sehat. 00:13:07.000 --> 00:13:08.920 Transaksi dengan tingkat kepercayaan tinggi terjadi sederim. 00:13:09.580 --> 00:13:11.900 Jika model 98 persenakin dan perhitungannya tepat, 00:13:11.900 --> 00:13:13.300 sistem akan langsung memprosesnya. 00:13:14.120 --> 00:13:15.640 Namun, kasus dengan tingkat kepercayaan rendah 00:13:15.640 --> 00:13:17.700 seperti zona kuning yang kita bicarakan akan memicu eskalasi. 00:13:18.240 --> 00:13:19.440 Ini mengubah peran manusia sepenuhnya. 00:13:19.980 --> 00:13:22.160 Kita beralih dari entry data menuju audit data. 00:13:22.660 --> 00:13:24.440 Dalam model lama, manusia adalah mesinnya 00:13:24.440 --> 00:13:26.340 karena mereka melakukan semua pengetikan dan pengeklikan. 00:13:26.760 --> 00:13:28.260 Dalam model baru, manusia adalah pengendali. 00:13:28.640 --> 00:13:29.760 Mereka menangani pengecualian 00:13:29.760 --> 00:13:32.120 dan memberikan nuansa yang tidak dapat dipahami sepenuhnya 00:13:32.120 --> 00:13:33.260 oleh model probabilistik. 00:13:33.600 --> 00:13:34.940 Pikirkan bagaimana perasaan timakan hal ini. 00:13:35.200 --> 00:13:38.280 Ketika orang tahu mereka hanya perlu melihat 5 persen kasus yang benar-benar sulit, 00:13:38.380 --> 00:13:39.800 mereka tetap jauh lebih terlibat. 00:13:39.980 --> 00:13:41.780 Mereka tidak lagi bosan dengan rutinitas. 00:13:41.780 --> 00:13:44.080 Mereka tertantang oleh kompleksitas kasus yang sulit. 00:13:44.600 --> 00:13:47.040 Namun, Anda harus membangun antarmuka yang tepat agar ini berhasil. 00:13:47.520 --> 00:13:49.900 Anda tidak bisa hanya mengirim email yang mengatakan ada sesuatu yang salah. 00:13:50.240 --> 00:13:51.740 Anda perlu menunjukkan perbandingan berdamping. 00:13:52.280 --> 00:13:53.840 Tunjukkan kepada orang tersebut dokumen sumbernya. 00:13:54.280 --> 00:13:55.680 Tunjukkan apa yang diekstrak AI 00:13:55.680 --> 00:13:58.280 dan sorot di kolom tepat di mana skor kepercayaan turun. 00:13:58.980 --> 00:13:59.820 Jika Anda ingin berkembang, 00:13:59.900 --> 00:14:01.620 Anda harus berhenti bersikap seolah tinjauan manusia 00:14:01.620 --> 00:14:02.840 berarti otomatisasi Anda lemah. 00:14:03.160 --> 00:14:04.020 Sebenarnya justru sebaliknya. 00:14:04.420 --> 00:14:05.740 Manusia yang terintegrasi dengan baik 00:14:05.740 --> 00:14:07.920 adalah apa yang membuat sistem probabilistik cukup kuat 00:14:07.920 --> 00:14:09.720 untuk bertahan di dunia nyata. 00:14:09.720 --> 00:14:12.660 Nah, ini adalah lapisan terakhir dari arsitektur koreksi mandiri Anda. 00:14:13.580 --> 00:14:14.540 Masa depan agen. 00:14:15.140 --> 00:14:17.500 Kita sedang melihat cakrawala baru yang disebut perusahaan agen. 00:14:18.140 --> 00:14:20.780 Ini adalah titik akhir logis untuk semua yang telah kita bahas hari ini. 00:14:21.460 --> 00:14:24.080 Kita bergerak ke dunia di mana agen bukan lagi sekadar skrip sederhana 00:14:24.080 --> 00:14:26.980 atau alur dasar karena mereka menjadi pekerja digital kelas 1. 00:14:28.100 --> 00:14:30.040 Power Platform berubah tepat di depan mata kita. 00:14:30.880 --> 00:14:33.040 Platform ini beralih dari pembuat aplikasi standar 00:14:33.040 --> 00:14:34.200 menjadi pusat orkestrasi penuh. 00:14:34.760 --> 00:14:36.440 Dalam model lama, Anda membangun aplikasi khusus 00:14:36.440 --> 00:14:37.700 untuk menyelesaikan masalah tertentu. 00:14:38.200 --> 00:14:39.220 Namun, dalam model agen, 00:14:39.220 --> 00:14:42.320 Anda membangun lingkungan di mana agen yang menyelesaikan masalah tersebut untuk Anda. 00:14:42.680 --> 00:14:45.040 Agen-agen ini tidak hanya mengikuti daftar langkah yang statis. 00:14:45.400 --> 00:14:46.440 Mereka mengamati lingkungan, 00:14:46.620 --> 00:14:48.180 mengevaluasi tingkat kepercayaan diri mereka, 00:14:48.500 --> 00:14:50.900 dan memutuskan alat mana yang benar-benar tepat untuk digunakan selain itu. 00:14:51.080 --> 00:14:52.120 Pada tahun 2026, 00:14:52.380 --> 00:14:54.260 tata kelolakan sangat berbeda dari kondisi 2 tahun lalu. 00:14:54.900 --> 00:14:56.020 Alat seperti Purview dan Sentinel 00:14:56.020 --> 00:14:58.520 mulai beralih menuju deteksi anomali probabilistik. 00:14:59.280 --> 00:15:01.220 Mereka tidak lagi sekadar mencari kata stand yang bocor. 00:15:01.220 --> 00:15:05.120 Sebaliknya, mereka mencari pola perilaku yang terlihat tidak wajar. 00:15:06.100 --> 00:15:10.460 Mereka menerapkan logika kemiripan yang sama seperti pada ekstraksi data untuk keamanan seluruh tenan Anda. 00:15:11.000 --> 00:15:11.860 Pergeseran dimersifat, 00:15:11.960 --> 00:15:16.580 orang yang terpaku pada logika kaku jika maka akan terjebak mengelola sistem yang rusak dan tim yang frustrasi. 00:15:17.160 --> 00:15:19.400 Mereka akan terperangkap dalam siklus pemeliharaan konstan 00:15:19.400 --> 00:15:22.320 sambil mencoba menambal rumah kaca yang tidak dirancang untuk cuaca seperti ini. 00:15:22.320 --> 00:15:25.000 Ini, perusahaan berbasis agen dimulai dengan satu kesadaran. 00:15:25.740 --> 00:15:28.580 Kita tidak perlu mengendalikan setiap variable untuk mendapatkan hasil yang andal. 00:15:29.040 --> 00:15:30.200 Kita hanya perlu mengendalikan asitektur. 00:15:30.780 --> 00:15:33.780 Tugas kita adalah menentukan ambang batas dan meletapkan batasan 00:15:33.780 --> 00:15:35.560 agar agen dapat bekerja di dalamnya. 00:15:36.180 --> 00:15:38.220 Di dunia ini, logika bisnis Anda menjadi elastis. 00:15:38.640 --> 00:15:41.660 Logika ini meluas untuk menangani vendor baru atau format dokumen berbeda 00:15:41.660 --> 00:15:43.820 tanpa perlu pengembang menulis ulang satu baris kodepun. 00:15:44.460 --> 00:15:45.700 Inilah janji nyata dari Logot. 00:15:46.060 --> 00:15:49.140 Ini adalah kemampuan untuk bergerak secepat pikiran bukan secepat sintaksis. 00:15:49.580 --> 00:15:51.220 Namun untuk mencapainya, Anda harus mulai hari ini. 00:15:51.220 --> 00:15:53.220 Berhentilah membangun untuk dunia yang sempurna 00:15:53.220 --> 00:15:55.420 dan mulailah membangun untuk dunia yang berantakan tempat kita hidup besar. 00:15:55.600 --> 00:15:56.480 Anda harus meranggul keraguan. 00:15:57.560 --> 00:15:58.360 Tantangan Implementasi 00:15:58.360 --> 00:15:59.920 Berikut adalah tugas Anda untuk 00:15:59.920 --> 00:16:02.480 Saya ingin Anda menemukan alur kerja dengan tingkat kegagalan tinggi. 00:16:02.700 --> 00:16:03.820 Jangan pilih yang paling rumit, 00:16:04.040 --> 00:16:06.580 tetapi temukan yang paling sering rusak karena data yang buruk. 00:16:06.840 --> 00:16:07.960 Tujuannya bukan untuk memperbaiki data. 00:16:08.140 --> 00:16:10.920 Anda tidak bisa mengendalikan apa yang diputuskan oleh pengguna atau vendor Anda 00:16:10.920 --> 00:16:11.700 untuk dikirimkan kepada Anda. 00:16:12.000 --> 00:16:13.180 Alih-alih melawan kenyataan itu, 00:16:13.340 --> 00:16:14.980 saya ingin Anda menambahkan ambang batas kepercayaan. 00:16:15.420 --> 00:16:17.160 Masuk ke AI Builder atau aksi LM Anda 00:16:17.160 --> 00:16:18.980 dan tampilkan skor probabilitas tersebut. 00:16:19.360 --> 00:16:20.080 Buat kondisi sederhana. 00:16:20.580 --> 00:16:22.580 Jika skor kepercayaan di bawah 85%, 00:16:22.580 --> 00:16:24.020 jangan biarkan alur kerja terhenti. 00:16:24.620 --> 00:16:26.680 Arahkan kasus spesifik tersebut ke folder tinjauan 00:16:26.680 --> 00:16:28.320 atau daftar sharepoint untuk pemeriksaan manual. 00:16:28.640 --> 00:16:30.080 Lihat apa yang terjadi pada tingkat keberhasilan. 00:16:30.620 --> 00:16:32.120 Anda akan melihat beban sistem berkurang 00:16:32.120 --> 00:16:33.420 begitu Anda berhenti berpura-pura 00:16:33.420 --> 00:16:35.020 bahwa setiap input akan sempurna. 00:16:35.420 --> 00:16:37.320 Jika perubahan pola pikir ini mengubah pendekatan Anda, 00:16:37.400 --> 00:16:38.440 ikuti saya, merkopi tersedili. 00:16:39.100 --> 00:16:40.600 Saya terus membagikan pembahasan mendalam 00:16:40.600 --> 00:16:41.840 mengenai pola-pola arsitektur ini. 00:16:42.300 --> 00:16:43.300 Bagikan ini dengan tim Anda, 00:16:43.300 --> 00:16:44.840 terutama jika alur kerja Anda sering bermasalah. 00:16:45.020 --> 00:16:46.580 Kita harus berhenti membangun dengan kaca 00:16:46.580 --> 00:16:47.780 dan mulai membangun dengan tujuan. 00:16:48.160 --> 00:16:49.960 Itulah tekniknya dan itu memangkas waktu henti Anda 00:16:49.960 --> 00:16:51.460 hingga setengahnya setelah Anda mulai mempraktekannya. 00:16:51.920 --> 00:16:53.240 Jika Anda menginginkan versi lanjutan 00:16:53.240 --> 00:16:54.400 yang digunakan para profesional, 00:16:54.640 --> 00:16:55.800 tonton video ini selanjutnya. 00:16:55.880 --> 00:16:57.120 Perlangganan untuk tutorial lainnya. 00:16:57.680 --> 00:16:59.700 Berhentilah melawan realitas data Anda yang berantakan 00:16:59.700 --> 00:17:01.100 dan mulailah merancang untuk itu. 00:17:01.740 --> 00:17:03.380 Saat Anda menggunakan skor kepercayaan, 00:17:03.580 --> 00:17:04.780 Anda mengubah alur yang rapuh 00:17:04.780 --> 00:17:06.440 menjadi sistem tangguh yang benar-benar berfungsi. 00:17:06.820 --> 00:17:07.520 Inilah masalahnya. 00:17:07.860 --> 00:17:08.720 Model ini hanya berfungsi 00:17:08.720 --> 00:17:09.780 jika Anda membangunnya dengan benar. 00:17:10.200 --> 00:17:11.680 Jika Anda ingin melihat cara mengatur ini 00:17:11.680 --> 00:17:12.460 di Copilot Studio, 00:17:12.640 --> 00:17:14.260 tonton video berikutnya sekarang juga. 00:17:15.180 --> 00:17:17.460 Dan jika ini mengubah cara Anda berpikir tentang AI, 00:17:17.600 --> 00:17:18.300 ikuti saya di LinkedIn 00:17:18.300 --> 00:17:19.700 atau berlangganan Master New Model.