JAKARTA, MEDIAAKSI.COM – Agentic AI, salah satu konsep terbaru dalam kecerdasan buatan, kini tengah menarik perhatian besar di dunia bisnis. Kemajuan berkelanjutan dalam Agentic AI mempercepat pengembangan sistem bisnis otonom, memanfaatkan pencapaian pembelajaran mesin. Beroperasi sebagai ‘agen’ independen, teknologi ini mampu membuat keputusan berdasarkan data multimodal dan logika algoritmik, lalu ‘belajar’ dan berkembang melalui pengalaman.
Yang lebih menarik lagi adalah kemampuannya untuk bertindak secara independen. Kemampuan unik ini untuk beradaptasi, merencanakan, dan melaksanakan tugas-tugas kompleks tanpa pengawasan manusia yang membedakan Agentic AI dari generasi alat AI sebelumnya.
Bayangkan penerapannya dalam rantai pasokan. Agen AI dapat melacak aktivitas pasar dan tren permintaan historis untuk memprediksi kebutuhan inventaris dan menerapkan langkah-langkah untuk menghindari kekurangan, misalnya dengan mengotomatiskan bagian dari proses pengisian kembali stok. Agen-agen ini mengubah perilaku mereka sebagai respons terhadap perubahan kondisi pasar, meningkatkan efisiensi dan kinerja. Tidak mengherankan bahwa 26% pemimpin bisnis melaporkan organisasi mereka mulai membentuk pendekatan strategis di sekitar Agentic AI.
Namun, meskipun kedengarannya hebat untuk mendelegasikan tugas-tugas tersebut kepada Agentic AI, kita juga perlu berhati-hati. Dengan semua kekuatan otonominya, bagaimana tindakan dan keluaran agen AI dapat sepenuhnya dipercaya? Jika kita mengandalkan Agentic AI untuk menyelesaikan tugas-tugas yang rumit sendiri, bagaimana kita memastikan keputusannya benar-benar didasarkan pada apa yang terjadi di dunia nyata, atau pada pandangan perusahaan tentang dunia?
Sama seperti otak kita menggunakan observasi dan masukan tambahan untuk menarik kesimpulan, agen AI perlu bergantung pada banyak sumber dan sinyal eksternal untuk meningkatkan kemampuan penalaran mereka. Kebutuhan ini dapat dipenuhi oleh solusi dan platform yang mengumpulkan dan menyajikan data dengan cara yang mudah diakses dan diambil.
Tantangan Kepercayaan dalam Sistem AI Otonom
Seperti yang telah dibahas, Agentic AI berbeda dari sistem AI lainnya karena kemampuannya untuk bertindak secara otonom, bukan hanya terlibat dalam percakapan linier. Kompleksitas tugas yang diselesaikan agen biasanya mengharuskan mereka untuk merujuk pada beberapa sumber eksternal yang dinamis. Akibatnya, risiko terjadinya kesalahan secara otomatis meningkat. Misalnya, Anda mungkin mempercayai chatbot untuk memberi Anda pembaruan tentang status klaim atau pengembalian dana, tetapi apakah Anda akan merasa percaya ketika memberikan detail kartu kredit Anda kepada agen AI untuk memesan penerbangan untuk Anda?
Jauh dari AI percakapan, agen berbasis tugas merencanakan dan mengubah tindakan tergantung pada konteks yang diberikan. Mereka mendelegasikan subtugas ke berbagai alat yang tersedia melalui proses yang sering disebut sebagai “chaining” (keluaran satu tindakan menjadi masukan untuk tindakan berikutnya). Ini berarti bahwa kueri (atau tugas) dapat dipecah menjadi tugas-tugas yang lebih kecil, dengan masing-masing membutuhkan akses ke data secara real-time, diproses secara iteratif untuk meniru pemecahan masalah manusia.
Efek rantai (di mana keputusan dibuat) diinformasikan oleh lingkungan yang sedang dipantau, yaitu sumber data. Akibatnya, pengambilan data yang dapat dijelaskan dan akurat diperlukan pada setiap langkah rantai karena dua alasan. Pertama, pengguna perlu mengetahui mengapa agen AI telah sampai pada keputusan tertentu dan memiliki visibilitas sumber data yang menjadi dasar keputusan tersebut. Mereka perlu dapat mempercayai bahwa tindakan tersebut, pada kenyataannya, adalah yang paling efektif dan efisien. Kedua, mereka perlu dapat mengoptimalkan proses untuk mendapatkan hasil terbaik setiap saat, menganalisis setiap tahap keluaran dan belajar dari hasil yang tidak memuaskan.
Untuk mempercayai agen untuk menyelesaikan tugas-tugas yang rumit berdasarkan beberapa langkah pengambilan, nilai data yang diperlukan untuk mendukung proses pengambilan keputusan meningkat secara signifikan.
Kebutuhan untuk membuat data perusahaan yang andal tersedia untuk agen sangat penting. Inilah mengapa bisnis semakin menyadari kekuatan teknologi basis data graf untuk berbagai strategi pengambilan yang ditawarkannya, yang pada gilirannya meningkatkan nilai data.
Bagaimana Teknologi Graf Memperkuat Penalaran AI
Karena Agentic AI mengarahkan keputusan dari data, wawasan yang mendasari keputusan ini harus akurat, transparan, dan dapat dijelaskan – manfaat yang dioptimalkan basis data graf secara unik untuk disampaikan. Gartner telah mengidentifikasi grafik pengetahuan sebagai kemampuan penting untuk aplikasi GenAI, sebagai GraphRAG (Retrieval Augmented Generation), di mana jalur pengambilan termasuk grafik pengetahuan, dapat sangat meningkatkan akurasi keluaran.
Struktur unik dari grafik pengetahuan, yang terdiri dari ‘node’ dan ‘edge’, adalah tempat respons berkualitas lebih tinggi dapat diperoleh. Node mewakili entitas yang ada dalam grafik (seperti orang atau tempat), dan edge mewakili hubungan antara entitas tersebut – yaitu, bagaimana mereka terhubung satu sama lain. Dalam jenis struktur ini, semakin besar dan kompleks data, semakin banyak wawasan yang sebelumnya tersembunyi dapat terungkap. Karakteristik ini sangat berharga dalam menyajikan data dengan cara yang memudahkan agen AI untuk menyelesaikan tugas dengan cara yang lebih andal dan bermanfaat.
Pengguna telah menemukan bahwa jawaban GraphRAG tidak hanya lebih akurat tetapi juga lebih kaya, lebih cepat, lebih lengkap, dan akibatnya lebih bermanfaat. Misalnya, agen AI yang menangani pertanyaan layanan pelanggan dapat menawarkan paket broadband diskon tertentu berdasarkan pemahaman yang lengkap tentang pelanggan, sebagai hasil dari penggunaan GraphRAG untuk menghubungkan informasi yang berbeda tentang pelanggan tersebut. Berapa lama pelanggan telah bersama perusahaan? Layanan apa yang saat ini mereka gunakan? Apakah mereka pernah mengajukan keluhan sebelumnya?
Untuk menjawab pertanyaan-pertanyaan ini, node dapat dibuat untuk mewakili setiap aspek pengalaman pelanggan dengan perusahaan (termasuk interaksi sebelumnya, penggunaan layanan, dan lokasi), dan edge untuk menunjukkan layanan termurah atau terbaik untuk mereka. Pandangan data yang terfragmentasi dan tersebar dapat menyebabkan agen menawarkan paket diskon ketika tidak seharusnya, yang menyebabkan implikasi biaya bagi bisnis.
Seperti yang disebutkan oleh CEO Klarna, “Memberi makan LLM dunia data korporasi yang terpecah-pecah dan tersebar akan menghasilkan LLM yang sangat bingung”. Tetapi hasilnya sangat berbeda ketika data terhubung dalam grafik: Hasil positif telah dilaporkan oleh tim layanan pelanggan LinkedIn, yang telah mengurangi waktu penyelesaian per-masalah rata-rata sebesar 28,6% sejak menerapkan GraphRAG.
Mengapa Data Terhubung adalah Kunci Kesiapan Agentic AI
Dengan setiap iterasi, LLM di balik agen AI berkembang pesat, dan kerangka agentic mempermudah pembuatan aplikasi multi-langkah yang kompleks. Langkah penting berikutnya adalah membuat data perusahaan menjadi kaya, terhubung, dan sadar konteks, sehingga dapat diakses sepenuhnya oleh agen-agen yang kuat ini.
Mengambil langkah ini memungkinkan bisnis untuk membuka nilai penuh data mereka, memungkinkan agen yang tidak hanya lebih akurat dan efisien tetapi juga lebih mudah dipahami dan dijelaskan. Di sinilah integrasi Agentic AI dan grafik pengetahuan terbukti transformatif. Data terhubung memberi agen konteks yang mereka butuhkan untuk berpikir lebih jernih, menghasilkan keluaran yang lebih cerdas, dan memiliki dampak yang lebih besar.
Sumber : techradar.com
