Introduction

Dunia berputar lebih cepat, dan teknologi baru muncul menentukan industri dan seluruh dunia. Ini akan melintasi seluruh alam semesta, dari Afrika hingga Amerika, Eropa hingga Asia. Salah satu teknologi yang muncul adalah Artificial Intelligence, yang juga dikenal sebagai AI. Artificial Intelligence telah mendapatkan momentum di dunia seperti teknologi lainnya yaitu Internet of Thing (IoT), teknologi Blockchain, 3D printing, robotic, dan lainnya.

Sementera itu, sesuai yang dijanjikan AI, tergantung unsur-unsur tertentu untuk mengadopsinya dengan sukses; salah satu unsur penting agar berhasil mengimplementasikan AI adalah bersih, representative dan data historis dalam jumlah besar. Namun, kecuali jika Anda adalah Google atau Facebook atau segelintir perusahaan digital native lainnya yang memiliki sejumlah besar data representative, Anda harus berjuang untuk mengumpulkan data historis yang cukup representative atau dalam bentuk yang tepat untuk memberikan kesimpulan yang diperlukan untuk metode machine learning agar menjadi enabler yang efektif untuk inisiatif AI. Maka dari itu, agar AI berfungsi , diperlukan tingkat persiapan, engineering, pengayaan, dan kontekstualisasi data yang lebih baik. Salah satu pendekatan yang berhasil untuk memecahkan teka-teki ini adalah dengan memanfaatkan kekuatan AI tanpa memerlukan sejumlah besar data histroris yang representative; untuk mengetahui bagaimana melakukannya, duduklah, nikmati secangkir kopi atau the dan baca lebih lanjut.

Data: Reservoir Pengetahuan “potensi”

Data merupakan satu-satunya komponen terpenting dalam jiwa Artificial Intelligence. Tanpa data, AI tidak bisa berfungsi. Sebagai contoh, mari kita umpamakan sebuah mobil berteknologi self-driving yang mungkin merupakan aplikasi Artificial Intelligence yang paling populer. Untuk membangun sebuah mobil berteknologi self-driving, dibutuhkan data yang sangat besar; termasuk gambar-gambar dari kamera digital serta signal dari sensor inframerah dan peta beresolusi tinggi. Penelitian menunjukkan bahwa mobil self-driving memproduksi 1 terabyte data mentah per jam. Setelah itu, semua data mentah tersebut digunakan dalam mengembangkan model AI yang menggerakkan mobil dan dalam jangka waktu tertentu dengan lebih banyak data yang diumpankan ke dalam mesin tersebut, maka akan semakin lebih baik penggunaan fungsinya. Poin penting  yang perlu diperhatikan di sini adalah bahwa mesin mencari pola dari sejumlah data “polos” dan kemampuan mesin untuk mengenali pola ini secepat mungkin dengan level akurasi tertinggi menentukan semua perbedaan dibandingkan memasukkan data “pintar” untuk diolah.

Dari Data ke Pengetahuan (data intelijen) melalui Semantic

Perusahaan dibanjiri dengan sistem IT silo yang dibangun selama bertahun-tahun yang berisi data rancangan untuk ‘melakukan tugas “System of Record” individu yang sangat spesifik, tetapi sayangnya diduplikasi di beberapa “System of Record” yang menghasilkan proliferasi data besar-besaran tetapi kurang representasi lengkap terhadap suatu entitas dalam sistem tunggal mana pun. Misalnya, jika business user ingin mengetahui informasi yang relevan mengenai pelanggannya, dia perlu mengakses sistem CRM perusahaan untuk mempelajari tentang interaksi pelanggan sebelumnya; jika user ingin mengetahui tentang tindakan pembelian pelanggan sebelumnya, dia mungkin perlu mengakses sistem Transaksi dan Akuntansi Penjualan; jika dia ingin mengetahui apakah ada keluhan dari pelanggan ini, dia mungkin perlu mengakses sistem manajeman Support dan Feedback dan semua ini sambil berharap bahwa pengenal pelanggan universal telah digunakan di semua sistem yang tidak terhitung ini. Realita ini telah memunculkan lanskap data yang terfragmentasi dan seringkali terduplikasi yang memerlukan cara yang mahal dan tidak efisien untuk menetapkan kumpulan data “Sourch of Truth”.

Intelligent Data memberikan Intelligence ke AI

Aplikasi AI lebih meningkat karena mendapatkan kemampuan lebih dan aplikasi AI kontemporer memiliki obsesi yang tidak sehat dengan mendapatkan pengalaman ini secara eksklusif melalui teknik Machine Learning. Meskipun pada dasarnya tidak ada yang salah dengan Machine Learning, peringatan utama untuk Machine Learning yang sukses adalah data historis yang cukup dan representative untuk dipelajari oleh mesin. Misalnya jika model AI sedang mempelajari  untuk mengenal kursi dan ternyata hanya melihat kursi makan standar yang memiliki empat kaki, model tersebut mungkin percaya bahwa kursi tersebut hanya memiliki empat kaki.

Pemrosesan Data Cerdas pada Dell Technologies 

Pengolahan grafik semantic dan menjalankan algoritma Machine Learning yang rumit dalam skala besar membutuhkan menuntut pekerjaan yang membutuhkan infrastruktur kokoh dan modern. Di sinilah Dell Technologies mampu menyesuaikan diri dengan mudah ke platform Latize Ulysses AI platform. Infrasturktur yang tersebar dan layanan pemrosesan Latize Ulysses dirancang untuk meningkatkan performa secara mulus bergantung pada hasil bisnis yang diinginkan pelanggan serta ukuran data yang dapat diskalakan dari terabyte ke petabyte.

• Dell PowerEdge R740

  
  PowerEdge R740 merupakan server ideal  untuk pemrosesan HPC dan AI karena memiliki keseimbangan sempurna antara kartu akselerator, sumber penyimpanan dan komputasi dalam platform 2U, 2 soket. Dengan berbagai pilihan GPU dan FPGA, R740 memiliki fleksibilitas untuk beradaptasi terhadap hamper semua HPC dan AI secara virtual. Oleh karenanya ini sangat skalabel, dan mudan untuk dikelola dengan Dell EMC OpenManage.



• Dell EMC Isilon Scale-Out Network Attached Storage

  
  Dell EMC Isilon merupakan industri no. 1 dalam sistem penyimpanan yang terpasang jaringan skala, yang dirancang untuk kebutuhan beban kerja data yang tidak terstruktur. Menyimpan, mengelola, dan melindung data yang tidak terstruktur dengan efisiensi dan skalabilitas yang besar, dengan serba cepat dan disk hybrid, Isilon merupakan penyimpanan yang ideal untuk semua tipe beban kerja AI.

Memulai Artificial Intelligence

Manfaat dari Latize Ulysses

Di Cxrus, kami memahami pentingnya model grafik semantic. Oleh karena itu, kami bekerja bersama dengan Latize di seputaran model ini hanya untuk membantu para customer berkembang dan mencapai tujuan perusahaan mereka. Banyak perusahaan yang dihadapkan pada tantangan baik berjuang dengap apa yang mereka dapat lakukan dengan data mentah yang mereka hasilkan dari operasi bisnis mereka atau ‘bagaimana kami nilai dari perusahaan kami dalam dalam waktu secepat mungkin?’ Dengan Cxrus dan Latize, yang selama bertahun-tahun kami telah menemukan cara  mengembalikan data cerdas sehingga customer kami bisa mendapatkan hasil yang terukur dari perusahaan AI mereka dalam waktu secepat mungkin. Hubungi kami sekarang untuk mengetahui bagaimana kami dapat data Anda bekerja untuk Anda dengan lebih cerdas.