asalamualaikum warahmatullahi wabarakatuh Shalom Om swastiu Nam Buda salam kebajikan good afternoon everyone Welcome to for production planning and control organized by Puma industrial engineering President University before we enter the event this afternoon It will bece if we all pray according to ourigion and bel prayers Ok then let us introduce ourself my name is rame and my partner Kalisa The Two Of Us who will be master of ceremony public lecture 2024 next as for the webinar we take the te G Ai for production planning and control so is hope that with this subject we can better understand the material that has been presented well allow us to introduce to all our friend the speaker for today evenent Are Mr Zaki Darmawan then we remind everyone that at the end of the this event There will be an attendance link that will be distributeed and must be filled out because we will make a certificate based on the attendance link that's right and the name form that has How Oh first if oke eh maybe One More Time if we say gen for production planning and control you guys Advance production planning with g a technology OK now let's say g a for produ and Oke for next eh for next we will sing our Indonesia Anthem National Anthem Indonesia Raya Which will be performed by mtd MT time and are welcome [Musik] Indonesia tanah airku tanahuana aku berdiri jadi pu diru Indonesia kebangsaank bangsa dan tanah air marilah kita bersaru Indonesia bersatu Hiduplah tanahku hiduplah negeriku Bangsaku rakyatku semua Bangunlah jiwanya bangunlah badatnya untuk indonesia raya indonesia raya merdeka merdeka tanahku negeriku yang kucinta indonesia raya merdeka merdeka hiduplah Indonesia Raya Indonesia raya merdeka merdeka tanahku negeriku yang kucint Indonesia raya merdeka merdeka hiduplah Indonesia thank you oke next we will hear spe from the Project Manager of public leatory 2024 Alya keesya to Alya time and place are welcome eh good afternoon everyone my name is alikishya as device Project Manager for this public lecture event first of all I eh I would like to express my deepest thanks to mam andil Taslim as head of the study program Mam Anastasia as industrial engineering lecture and mamsina who have been Pleased to be the moderator for this public lecture event also to all the lecture the time to attend this event i would also like to thank to Zaki for taking the time to teach at this public lecture and of course i would also like to thanks the entire committee who have work hard in organizing this event as well as all participant who have attend and participated in this public lecture event hopefully this event can be valuable search of knowledge for all Who attend thank you Wow thank you to Ales for the opening speech so for the next we will hear a speech from the chairp Puma industrial engineering 2024 time and place are welcome Ok Thank you very much MC for the time first of all to honable head of industrial engineering study program than you for attending to theonable I lecturers that have attended today m anastasiaana minaa and all lecturers that have come and then Mr Saki honorable Mr Saki for our guest speaker today All My Friends From industrial engineering family from all the batchesuse I see from Paris batch even from 2019 until 2023 and also Friends From outside of inersal Engineering program Thank you for attending and welcome to public lecture by p i would like to say thank you everyone for attending this is our third public lecture of our cabinet period and uh hope that everyone will get their insights and knowledge from this event also this could also be used for The Thesis preparation another and one soon So I hope all of you guys can stay Tun and wait for the next public lecture and also attend on those next two EV so for all of you thank you very much for the time and thank you to for the than you ok next we spech industrial engineering lect okk good and Bel Love moderator m Aa and all all of you and then Welcome to our guest lecter it is an honor to have all of here today as we into fascinating World of data analytics our guest lecter sakiwan Dr of knowledge and experience in this field and lear from expertise data analytics has become an integal part of Decision Making ACR various domains and is optimizing supply chain predicting customer behavior or improving hard outcome and data driven Inside play a very rule as We gather here let us explore The Power of the data the algorim that drive it and the impact it can have on our life and thenakimawan will gu us through topic machine learning and then Gene eh genetic Ai and also modeling and practical application spe the next spe time and are welcome eh Thank you for the mc eh The Opening from me would not be very long because then i will directly take over ya Eh from the mc and we will start the webinar but before that I need to make sure First Eh Mo [Musik] [Tertawa] [Musik] uh maybe the committee can make sure again at What time he will join So then we will wait for him to join also m Atina Maybe if we still wait the speaker we can read the CV first for the speaker eh Ya I think it's better to first then we can also directly Do you know at What time he will join eh we still asking Mam Oh oke oke I think I have seen the name Eh Pak Zaki eh Apakah sudah bisa dengar suara saya May as for and for the presentation read our speaker for to educationalround He hadember in his early Career He was the sapr3sd functional consultant at PT astragrafia it and then after that he become the erpn crm architect at p Astra International the business relationship department head P Astra International from 2012 until 2016 and then he become the digital business development and Big data division head at p Astra International from 2017 until 2019 and then now from 2019 until now he is the sales Operation technology development division head at PT Astra International also his specialization is related withp Logistic trm business warehous and commce microservices and cloudbased enterprise application AG application development big data and Machine learning and genlication oke I Pak apakah sudah bisa bergabung Halo sudah sudah sudah sudah [Tepuk tangan] [Musik] sayayal dulu ya Oke ya waktunya kurang [Musik] lebih lanjutkan dengan sesi tanya jawab begitu Pak he he iya Eh share screen-nya akan dari bapak atau dari panitia dari panitia aja Enggak apa-apa Oh oke oke baik Gus tolong ya oke silakan Pak Oke selamat sore eh rekan-rekan semua eh para mahasiswa dari presan University ya Eh terima kasih atas kesempatan yang diberikan kepada saya ini terang ini satu kehormatan bahwa saya diminta untuk Sharing tentang bagaimana eh Ji terutama itu digunakan di Asta internasional saya saya mungkin akan start dengan dengan eh background dulu ya bahwa memang sejak Tahun 2022 sebenarnya itu di di kami itu di PT internasal itu mulai didorong untuk menggunakan generative Ai Terutama sejak Mungkin awal 2023 2022 akhir karena memang waktu itu Open a dengannya kan mulai launching di akhir 2023 Gimana caranya kita bisa get Ben dari tekni ini ada beberapa yang k kami lakukan eh dari beberapa candidate itu akhirnya dipilih satu yang memang secara case itu paling applicable untuk implementasi jnei di bisnis yang kami pilih adalah J untuk mengom bukan mengotomasi untuk memberikan fitur assist kepada PPIC di dan sparep Jadi sebenarnya tahap ini belum sampai me-replace seorang PPIC analis nah ternyata setelah dicoba itu gen aipt terutama ya itu belum se sebagus seperti yang digembar-gemborkan jadi kita sudah coba beberapa hal memanfaatkan ja ini dan akhirnya kami sampai pada satu kesimpulan bahwa okah ini memang masih jadi maksimum yang kita bisa pakai itu sebatas untuk menjadi assist bagi seorang PP analis untuk mengotomasi banyak hal pekerjaan dia sehing jadi jauh lebih cepat dan jauh lebih eisi eh Oke saya mungkin akan start dengan slide slide pertama bisa di dibantu panitia ya sl-nya sudah bergerak ah sudahudah Oke sudah Yes terima kasih Oke jadi mungkin reanakan pasti sudah enggak asing ya Kara CH gbt e ya mungkin saya akan refresh Sebentar gitu ya jadi setbt ini kan sebenarnya adalah generative eh pre Transformer jadi next gen dari kalau sebelumnya itu adalah eh NLP bagaimana dia dengan Dengan apa namanya approach Network Processing itu dia bisa menggenerate t dia bisa menggenerate content dari eh apa namanya pembelajaran yang dilakukan Sebelumnya dia dia menghasilkan teks ataupun apa konten tadi Eh dalam bentuk yang lebih manusiawi gitu dan terusang ini sebelumnya kami itu implementen yang namanya NLP kita pakai untuk assistance di di apa namanya di chckb otomotif layanan otomotif untuk untuk Toyota ya jadi memang benar jadi Pain utama dari NLP itu adalah kalau ada pertanyaan yang kita belum prepare jawabannya jadi NLP itu bagus sekali untuk menangkap apa namanya intention dari sebuah kalimat dari intention itu kemudian dia akan mencari kira-kira konteksnya apa dan jawabannya apa cuman pada saat mendesain eh eh chatbot gitu semua tahap itu semua condition itu itu ya harus disediain harus harus didefine dari awal gitu kalau enggak ada maka dia akan masuk di state eh yang yang tidak terdefinisi sehingga Bingung eh apa namanya chatbotnya nah chat GPT ini punya kemampuan untuk eh dia bisa mencari sendiri konteksnya apa meskipun kita enggak perlu mefine semuanya yang penting kita sudah kasih dia satu materi gitu yang dia pakai untuk ee belajar gitu jadi misalnya ada materi tentang produk katalog kita upload Dia belajar produk katalog itu kemudian dia bisa menjawab pertanyaan-pertanyaan yang berhubungan dengan materi yang kita kasih ee Ini contohnya ya Misalnya misalnya di situ ditulis misal Saya seorang content Creator maka Buatkan saya artikel dengan topik mobil a yang cok bagi mahasiswa nah ini dia akan benar-benar membuatkan satu materi konten eh apa namanya tentang Mobil AA dengan beberapa kata kunci misalnya bensin irit kemudian desain eksterior modern kemudian dengan apa namanya konten yang disesuaikan untuk seorang mahasiswa cuman ya nanti mungkin di belakang saya akan jelasin bahwa dibalik di balik kelebihannya ini ada juga eh hal-hal yang perlu diperhatiin dan terus terang pada saat kami menggunakan teknologip ini untuk untuk cas apa tadi production control tadiu itu ada sat terusang harus benar-benar diage S jawabannya enggak enggak di luar konteks gitu oke mungkin next Ya next slide nah sebelum sebelum masuk ke gen ai-nya mungkin saya ya saya singgung sedikitlah menurut saya mungkin ini udah familiar ya bagaimana Ai itu berkembang dari sejak awal banget mungkin di di di apa namanya di fase-fase awal itu ya Iya sebenarnya dia Start dari dulu yang disebut Ai ada ada apa namanya misalnya mesin learning kemudian kalau dulu mungkin namanya data mining dulu banget tahun tahun-tahun 90-an data mining kemudian buming lagi di di mungkin ee sejak 2010-an ya itu dengan nama machine tapi sebenarnya itu menggunakan algoritma yang yang yang mirip yang mirip meskipun ada improv di sana sini kemudian juga ada mulai kemunculan Alexa assist ataupun juga eh eh apa namanya Google ya Dar Google juga ada eh dan mulai ada kemunculanonomous Vic kemudian mungkin sejak tahun sekitar 2015 eh 2004 13 14 mulai muncul Deep learning dan ini mungkin yang paling drasti paling drastik untuk eh apa namanya ya membuat perkembangan ea itu menjadi sangat cepat J ketika ketika ada eh penemuan penemuan eh metode Deep learning karena dengan Deep learning itu kemudian ada ada Ada banyak hal yang yang apa ya yang yang bisa di yang bisa dicapai tadinya dari komputasi rumus-rumus matematika ataupun dari metode metode yang klasik sehingga kemudian Akhirnya bisa bisa bisa menjadi menjadi luar biasa contoh misalnya memungkinkan pengolahan suara pengolahan image maupun eh kata Tahun 2022 baru kemudian dengan gen Ai kemunculan 3.5 ini membuat satu lompatan lagi Jadi bagaimana algoritma Transformer itu bisa memberikan potensi yang berbeda dari yang tadinya itu apa namanya hanya pengenalan intention kalau kita ngomong text Processing itu akhirnya Ai itu bisa mengenal konteks bisa mengenal konteks Begitu juga dengan image maupun eh suara tapi sebenarnya suara itu part of e text Processing karena suara di-convert dulu baru kemudian ditranslate kalau kita compare apa sih eh [Musik] perbedaan utamanya sama traditional Ai kalau kalau c itu kata kunci utamanya itu kan berarti karena dia ada pengenalan konteks jadi dia punya kemampuan untuk understand dia juga punya kemampuan untuk mengenerate sesuatu yang baru berdasarkan understanding tadi sehingga dengan potensi ini maka outputnya bisa disesuaikan ee menjadi lebih Humanis gitu jadi lebih Humanis kalau yang sebelum-sebelumnya misalnya machine learning itu berkutat di satu use case yang memang harus sangat spesifik misalnya memprediksi angka kemungkinan satu dan oll atau memprediksi satu nilai yang memang sudah spesifik gitu ya dan hanya bisa deilink dengan data-data yang sifatnya eh historical gitu data-data yang memang sudah pasti Oleh karena itu secara secara use case ini menjadi eh beda banet gitu ya kalau yang additional Ai seperti machine learning Ya itu memang harus spesifik karena eh kita terikat dengan ukuran-ukuran seperti kursi ya kemudian bagaimana itu bisa dijelaskan kalau di bisnis Bagaimana formula yang dia bikin machine learning model yang dia bikin itu benar-benar punya kemampuan untuk bisa dijelaskan gitu e p bisnis sementara kalau ja ya Ini karena ada pengenalan konteks maka dia menjadi lebih Humanis sehingga Ya memang ini satu sisi agak susah pada saat kita mau ee terutama menguji akurasinya tapi eh bukan berarti enggak bisa tetap dengan dengan Nanti Mungkin saya akan jelasin di belakang bagaimana dia Menggabungkan beberapa beberapa fitur ya Beberapa machine learning capability dalam satu rangkaian yang utuh karena tadi karena dia punya kemampuan untuk mengenali konteks kalau kemudian Siapa yang bisa mengcustom ini ter kalau trad ya pasti banget kata misalnya Terus mungkin ada statis kalau dia perlu Ada apa namanyaessing di apa namanya data penyiapan data ya kemudian e mungkin normalisasi data transformasi data sehingga akirnya data itu benar-benar matang maupun pada saat penerapan e metode machine learningnya sendiri tentu itu spesifik orang tapi kalau Ji sebenarnya secara expertis siapa aja yang punya domain expert di topik yang mau di jadi cas di J maka mestinya nya domain expert itu cukup untuk membantu apa nam eh apa namanya ei engineernya untuk meng-custom eh Ji gitu Jadi kalau misalnya jnya ditujukan untuk seorang untuk untuk menggantikan atau sekedar assisten seorang callent agent ya Berarti siapa yang punya domain expert di call center untuk topik yang spesifik itu dia bisa menjadi narasumber untuk mentrain ya gen ai-nya kalau dipakai misalnya untuk engerate content seorang content Creator ya berarti orang itulah yang dipakai sebagai domain EXP jadi jauh lebih lebih luas lebih applicable dan dan tidak tidak tidak ke kunci gitu ya ke satu eh kompetensi khusus seperti layaknya kalau tradisional Ai dengan mesin Waring Oke next slide saya Engak enggak perlu lama-lama ya untuk yang diagian dan ini kemudian yang ini adalah ini beberapa use case yang kita sudah identify untuk penggunaan ja ya jadi saya bagi menjadi tiga bagian besar yang pertama adalah si nya adalation kemudian juga ada content Generation yang ketiga itu yang paling susahle data sama ins gener kalau online Interaction Biasanya kami bukan Biasanya kami nantinya untuk pakai di public websiteation [Musik] websbitenya kemudian juga untuk ngeb service automation maupun secara internal untuk eh knowledge knowledge q& jadi untuk onbarding eh new employee maupun untuk eh provide knowledge apa repository buat eh para technician gitu di bagian content Generation nah ini terusang ini yang Pak mungkin paling powerful karena kami itu produce report banyak banget sebenarnya buat bisnis ya dan biasanya kesulitan terbesar itu adalah gimana memastikan setiap user itu punya understanding yang sama pada saat membaca report-re tersebut karena report yang bentuknya tabular ataupun report yang bentuknya grafical tentu beda orang dia akan mempunyai interpretasi yang berbeda juga nah denganit document Generation maka sebenarnya report itu bisa disajikan dalam bentuk yang berbeda bentuk naratif yang memungkinkan poin-poin pentingnya pun sudah bisa dihighlight di situ oke nah documen Generation juga kami pakai misalnya q& itu dalam bentuk jawaban yang lebih eh naratif dan lebih komprehensif selain itu juga untuk marketing Digital marketing team kita juga planning untuk membantu mereka dalam menggenerate content karena kalau misalnya teman-teman perhatiin ya sekarang itu misalnya kayak media-media yang ada untuk berita yang sama itu kadang-kadang bisa digenerate du tiga kali gitu dan itu kalau manual kan tentu t time Jadi kalau ada ai yang bisabantu itu tentu akan sangat membantu jadi implementasi di kami contohnya kalau kita pengin ada lokal konent dari eh produk katalog atau e artikel eh terhadap produk-produknyaelers gitu jadi misalnya ada penambahan apa namanya eh idiom-idiom yang sifatnya lokal dialek lokal Oke kita perlu untuk eh apa namanya investasi tim khusus gitu untuk bikin itu Jadi cukup ada satu template khusus yang dibikin sekali kemudian ee ei ini akan membikin beberapa variasi sesuai dengan ee target audiens yang kita mau mau apa namanya mau capai gitu secara teknologi juga kita plan di apa namanya di proses internal kami sendiri di application development Ya gimana caranya terutama untuk mendeteksi adanya eh BS adanya buaks dan memberikan suggestion memberikan suggestion kalau ada program yang mungkin kurang bagus gitu jadi dia akan ngebaca program-program yang dibikin oleh developer dan kemudian dia akan melakukan assesment Apakah sudah sesuai ceklis atau belum atau apakah ada kondisi yang EE pincang gitu sehingga pada saat dijalan itu akan berpotensi menimbulkan Bugs di aplikasi ini contoh di bagian content Generation use cas lain kalau di bagian Kompleks data nah ini yang kami mau eh apa namanya mau mau coba implementasi itu adalah ya yang sekarang sudah kejadian adalah diag inventoryningentory management kita juga akan coba di bagian market analisis nah di bagian Kompleks data ini terusang ini engak Mi cuman a karena dinya sebenarnya banyak fitur yang disediakan oleh m Jadi kita itu merangkai karena Kemampuan apa namanya ya kemampuan konteks identificationnya tadi dia akan merangkai fungsi-fungsi yang kita sudah ataualculation yang kita sudah lakukan di belakang untuk membentuk satu Insight Berdasarkan pertanyaan yang diajukan oleh eh useritu jadi misalnya Apakah itu pertanyaan tentang inventory pertanyaan tentang eh pertanyaan tentang eh apa namanya performance dari tim gitu jadi tujuannya adalah agar yang saya singgung tadi pada saat kita menjenerate satu report maka eh user itu bisa mendapatkan Insight yang sama user itu bisa disediain atau dikasih alert tentang situasi yang kurang bagus buat bisnis sejak awal jadi beda orang pun seorang Junior analis pun atau seorang Junior supervisor pun dia akan sangat terantu layaknya dalam membaca sebuah rep gitu nah ini yang kita akan coba eh bikin gitu ya untuk dibagian yang kompleks data eh menggunakan c okein next slide ya Nah ini saya akan coba masuk di bagian Smart stock di bagian utamanya dari yang kita sudah bikin ya jadi apa sih sebenarnya yang kita bikin di di Smart stock ini menggunakan J Jadi selama ini yang namanya perencanaan inventoryi oleh seorang bpic analis itu sebenarnya dia lakukan itu memang bulanan ya dia lakukan itu setiap bulan dan caranya beda-beda gituanya beda-beda sesuai dengan pengalaman masing dipc analis ada yang sangat pintar sangat sangat ahli ada yang yang biasa-biasa aja ada yang masih Junior karena ya karyawan bisa keluar masuk gitu nah ini tentu enggak bagus buat buat jadi meskipun sudah ada training dan lain sebagainya tentu masih ada risiko karena salah planning overstock atau underock situation gitu sehingga secara bisnis itu e tentu sangat mugikan gitu nah tujuan utama dari implementasi Smart ST ini sebenarnya adalah bagaimana kita bisa [Musik] kasih terhad terhad fluktuasi Maun namanya kasih kas eh panitia mic-nya pembicara termute nih Oke I Saya ulangi jadi tujuan utamanya adalah bagaimana kita bisa kan gitu ya proses analis yang biasa dilakukan olehpic karena terusan vpic di setiap main dealer ya HS Honda Sal itu beda-beda experiennya maupun eh kompetensinya ada yang memang sangat jago ada yang baru baru masuk gitu ya baru masuk itu definisi adalah S sampai 2 tahun pengalaman lebih dar 56 tahun jadi dia sudah sangat sudah sangat ngerti Git Dian Dian di areanya dia terus fluktuasinya gimana patternnya dan biasanya dia punya service level untuk pemenuhannya Seperti apa Nah kalau kita bisa naikin eh apa namanya quality analisis dari terutama yang Junior tadi sehingga setara dengan yang senior-senior tadi tentu ini akan sangat membantu Begitu juga dengan time untuk bikin analisisnya gitu karena kadang-kadangangning itu dilakukan Sebulan sekali tapi untuk situasi-situasi tertentu itu dia harus evaluasi harian bahkaninggu maupun harian karena memang secara proses kita itu sediain mereka untuk bisa eh enggak hanya bulanan tapi juga bisa ada yang apa namanya Rush order itu hari ini pesan hari ini juga dikirim Jadi analisanya dia memang harus harus bisa cepat gitu Padahal selama ini karena manual prosesnya itu tak time ini adalah latar belakang terus seperti apa sih yang kami lakukan mungkin next slide nah ini contoh ya jadi misalnya user story-nya adalah saya bpic Saya ingin menganalisa demand pattern untuk PP tertentu berdasarkan lokasi dealer tertentu gitu maka kita sudah atur cat GPT itu terhadap pertanyaan ini dia akan membaca beberapa data yang ada di P backend untuk melihat eh spesifik terhadap part tersebut gitu ya itu total pesanannya Berapa penjualan bersih sebelum nya berapa gitu kemudian ee perbedaannya berapa di tiap lokasi dealer gitu Jadi dengan cara begini Sebenarnya dia bisa melihat satu Ada enggak sih overstock atau under stock di areanya dia kalau ada itu biasanya di mana Apa informasi tersebut dapat dia gunakan untuk apakah dia bisa dia decide dia bisa decide Apakah dia harus order balik atau dia hanya perlu untuk mentransfer stok saja dari pindahin stok dari gudang ini ke gudang yang lain dan ini karena dilakukan cukup dengan wa saja tentu yang kayak gini ini J sangat sangat cepat dia bisa laku Inc pun dan di mana pun ya Terus yang kedua Eh kita juga sudah atur agar cara sistem itu memberikan again ya dengan kemampuan GPT memberikan jawaban atau explation itu dalam bahasa yang gampang dimengerti oleh oleh users gitu jadi e informasinya tetap tapi ee tetap gampang dimengerti terutama dikompel dengan kalau misalnya dia harus membaca report membaca Reportnya tentu akan akan akan sangat susah karena Reportnya lebih dari satu untuk bisa memberikan summary seperti ini gitu nah ini adalah e [Musik] case yang kami sudah lakukan di belakang kita itu pakai Open Ai terus kemudian kita pakai eh Microsoft Azure terus terang ya karena ee yang kami kejar sebenarnya adalah agar Gimana caranya implementasi ini bisa lebih cepat gitu dan kami lakukan ini dengan metodologis Agile scrum jadi kalaupun ada masalah itu kita cepat bisa eh langsung beberapa masalah yang yang terutama di fase awal itu satu adalah ex time karena rupanyaatpt ini jadi dia memang tapi untuk bisa menghasilkan output yang bagusatgunakanasi yang lumay banyak sampai dia bisa menemukan akurasi yang bagus Nah e jumlah iterasinya itu terus terang berbanding lurus dengan durasi waktu eksekusinya jadi di awal-awal waktu kita Ris itu satu pertanyaan seperti ini itu bisa baru bisa diproduce jawabannya lebih dari 1 menit gitu jadi 1,eng menit Kalau enggak salah kalau untuk user karena dia pakai WA ya ini tu terlalu lama gitu tapi dengan serangkaian apa namanya eh improvement yang kami sudah lakukan itu akhirnya kita bisa sekarang bisa menggenerate jawabannya akurat itu eh kira-kira 10 10 detik 10 second gitu terus problem yang kedua adalah kadang-kadangbt itu memberikan jawaban yang di luar konteks ter di luar data yang di yang kita kasih nah ini kami sebutnya halusinasi jadi ketika data yang dimasukin dimasukin itu semakin banyak dan kemudian pertanyaannya makin variatif rupanya cat GPT ini terlalu kreatif ngasih jawaban sehingga jawabannya menyesatkan jawabannya menyesatkan Jadi kami sebut ini sebagai halusinasi nah ini juga ini mengharuskan kami untuk melakukan eh apa ya Melakukan improvement yang effortnya enggak kecil gitu karena ya tadi berarti karena dia kenal konteks t tadi tetap bahwa kita sebagai sebagai sebagai apa namanya sistem provider itu harus tetap harus bisa ngatur Gimana caranya subjekt ini bisa ngasih jawaban yang akurat gitu karena kalau enggak biasanya nanti jadi enggak mau pakai gitu karena ya percuma tanya tapi akurasinya enggak ada atau ditanya Tapi jawabannya enggak konsisten gitu mungkin next slide ya Nah ini adalahad map jadi di MVP 1 kami itu sebenarnya cuman fokus dulu diloratory analisis kenapaloratory analisis penyebab utamanya adalah karena terang kita belum yakin banget dengan dengan kemampuan chat GPT untuk ngasih jawaban jadi saya masih ingat pada saat itu simpel aja kita kasih data di gtp kita kita train dia dengan beberapa Prom terus kemudian kita tes ke user Coba usernya kasih pertanyaan-pertanyaan seputar data-data yang kita kasih dan seringki jawabannya itu eh di luar di luar data yang kita kasih gitu meskipun konteksnya sih benar cuman dia ngasih jawaban-jawaban yang karena ini spesifik angka karena ngomongin TR ngomongin apa namanya eh declining pattern atau eh kenaikan kenaikan kenaikan penjualan terus kemudian apa namanya eh keterpenuhan dari order gitu ya Ee servis serv serv apa namanya serv fulfment Berarti itu kan spesifik jadi kita selalu bisa compare angka yang di hasilkan dengan hitungan kita kalau dilakukan secara eh manual gitu pakai dan seringkiali karena angka yang dilakukan itu itu masih salah jadi kita fokusnya banyak di situ gituimana mulai mengenal bagaimana cara kerjanya Open Ai inigbt ini dalam memahami pertanyaan dan memberikan jawaban yang kami lakukan kemudian adalah kita mau enggak mau Akhirnya Ya kita harus di belakang itu pada saat mendesain Prom ya itu gimana caranya kita bisa lebih spesifik jadi misalnya pertanyaan tentang analisis past performance trend dan pattern itu kita pada saat ada pertanyaan seperti itu ada beberapa kata kunci yang yang kita mintakan ke user agar dia enggak terlalu general gitu jadi e dia mesti spesify ini untuk yang mana atau atau atau grup ya atau sppat grup yang mana gitu terus ini spesifik untuk untuk periode kapan dan seterusnya gitu Jadi dengan cara begini sebenarnya kita itu berusaha untuk membatasi peluang si cat GPT itu untuk ngasih jawaban yang salah gitu di tahap kedua ini masih exploratory analisis tapi kita mulai memperkaya ee kemampuan dia untuk mengenali pertanyaan yang berbeda guu ya Jadi kalau yang pertama itu benar-benar cuman dari data yang enggak terlalu susah enggak kompleks yang kedua itu mulai variatif datanya jauh lebih banyak Datanya juga bermacam-macam sehingga e [Musik] dia kita jadi kenal gitu Bagaimana terhadap data yang bermacam-macam itu kita bisa bantu mendesain form yang memungkinkan cat GPT itu bisa mengenali jawabannya dengan lebih cepat gitu baru pada saat tahap ketiga nanti sekarang kebetulan sudah masuk tahap ketig ya advanceatoryalisis kita akan mulai masuk di yang jauh lebih kompleks hari ini jadi jadi polsi machine learningnya akan jauh lebih banyak sebelum nanti kita akan masuk di prescriptive analisis mungkin next slide ya Nah ini adalah lesson lear sebenarnya dari satu use case implementasi jnea yang kami sudah lakukan gitu ya Jadi kami Coba bikin satu implementasi use case ja ini dalam eh Framework produ management product development management gitu jadi karena terang use cas-nya kan banyak jadi bagaimana caranya apa yang yang kami sudah lakukan itu di Smart stock itu bisa kita replicate untuk use case use case Geni yang lain gitu jadi kunci pertama adalah satu di Project definition terus terang pada saat eh Smart ST itu kita melakukan iterasi yang banyak sekali atau sering kali proek frekuensinya sangat banyak dengan user dengan bisnis user terutama pada saat penentuan eh Scope penentuan fitur yang paling penting buat mereka dan bagaimana user itu akan berinteraksi dengan chat gpd karena seringki apa yang menurut kita udah oke ternyata buat users itu enggak ada artinya gitu atau menurut user ada artinya sangat valuable tapi ternyata buat kita enggak terpikirkan yang kedua adalah yang kedua adalah data collection dan preparation karenalyis itu kita menggunakan bukan data-data yang sifatnya apaanya sifatnya datadata yang ya enggak tapi kita benar-benar menggunakan bisnis data menggunakan transaksi data menggunakan customer Interaction data menggunakan performance data Jadi kalau pengin hasilnya akurat tentu ini harus dipikirkan benar karena komputasi yang besar yang dibutuhkan untuk menggenerate Insight tersebut kemudian data sumber yang bermacam-macam sehingga kadang-kadang ada format perbedaan apa namanya eh value sehingga Peru ada transformasi data sebelumnya dan seterusnya gitu itu akan sangat berpengaruh terhadap akurasi dari apa namanya output Dar nomor t ini adalah model selection terutama kalau kita [Musik] memanfatkan Bu misalnya untuk prediksi untuk deteksi ee tren untuk apa namanya klasifikasi misalnya untuk menentukan jawaban ya dan tidak misalnya ya atau misalnya untuk hal-hal lain yang sifatnya [Musik] ee kayak kayak ngasih ngasih option gitu beberapa option tapi bukan satu gitu jadi model yang keliru mungkin satu engak cuman impact diuri tapi juga akan berpengaruh terhadap e waktu yang dibutuhkan sehingga memberikan jawaban yang karena terusangat GPT yang kami pakai Sebenarnya masih berbasisat gitu apa yang kami pakih berasat sehingga sifataknya itu benar-benar harus dijaga sehingga eh computation time duration itu menjadi sangat sangat signifikan pengaruhnya gitu kemudian juga kita kami juga belajar bagaimana melakukan deployment eh sor maintenance dan iteration karena dengan dengan tambahan-tambahan data ini ini ini ternyata sangat berpengaruh terhadap akurasi terutama kalau machine learning yang kami pakai itu Analisa apa namanya eh pred prediction yang kami pakai itu adalah sifatnya eh sifatnya seasional gitu jadi sifatnya time series data gitu jadi enggak hanya terhadap apa namanya keyword yang dipakai karena kalau dipakainya untuk internal sebenarnya eh kita bisa atur pertanyaannya mestinya pakai kata-kata yang kayak gimana gitu tapi challenge utamanya sebenarnya kalau untuk penggunaan internal itu adalah bagaimana model yang kami pakai itu adaptif terhadap data-data yang dipakai gitu dengan perkembangan bisnis yang ada kemudian di Fase deployment ini juga ee Ini juga jadi penting Kenapa karena dan ea ini memang dia agak unik ya jadi ee Biasanya kita kami itu kalau bikin aplikasi ee itu itu berada di satu satu environment yang yang menyatu gitu tapi dengan J ini kita harus membagi komputasi itu di di di banyak di banyak teknologi gitu di banyak teknologi provider sehingga mau enggak mau ini kalau deploynya enggak benar itu bisa enggak sinkron dan dan aplikasinya menjadi sangat jelek di dan testing nah ini ini yang paling susah adalah [Musik] em terutama kadang-kadang gini karena karena human karena jawaban yang dipakai itu adalah adalah apa namanya dia dia Harus dibikin sangat Humanis kadang-kadang ya dan tidaknya itu terus terang itu harus harus harus harus dilakukan dengan sangat sangat sabar keernya jadi beda dengan kalau misalnya kita melakukan analisa machine learning secara gampang kita tinggal bagi aja data itu menjadi Oh ini data untuk training ini data untuk testing tapi kalau yang Ja ini karena engak bisa seperti itu ya kita harus benar-benar harus tentuin ini ya siapa eh sukses kriterianya gimana dan kemudian eh kita harus uji masing-masing Enggak cuman dari sisi akurasi dari jawaban catp tapi juga dari sisi interaksinya karena kadang-kadang user itu menganggap bahwa ini kurang berjalan dengan bagus bukan karena akurasi dari zgbtnya tapi karena cara kita menyajikan informasinya yang keliru gitu nomor empat sebenarnya yang paling susah jadi fine tuning ini sebenarnya main c-nya J dari sekian panjang proses yang kami lakukan yang paling challenging itu adalah di bagian sini jadi satu kita harus menentukan dulu Persona tadi dari Jadi apakah dia misalnya berfungsi sebagai assist Apakah dia memang totallyace satu r gitu Nah itu akan itu akan membawa implikasi yang berbeda di bagian mana yang berbeda yaitu di bagian action apa yang harus dia lakukan karena sebenarnyapt itu punya kemampuanasih kalau dia chat berarti dia bisa generate teks jawaban-jawaban teks dia juga bisa ngasih respon untuk menjalankan sesuatu karena dia tahu pertanyaan ini jawabannya ini nah jawaban ini itu yang dia maksud sebenarnya bisa juga kita pasangkan dengan satu action tertentu misalnya melakukan eh satu proses automation yang kami Sebenarnya sekarang lagi cobain jadi jenisat GT implementation misalnya untuk menggantikan seorang admin tugas seorang admin untuk membantu proses penjualan gitu ya jadi mulai dokumen pertama kemudian e apa namanya melakukan validasi terhadap isi dokumennya jadi misalnya kita pesanan kendaraan pelian mobil baruulai mulai ke in dokumen pertama jadi scanning kemudian Kin masuk ke sistem kemudian melakukan cek bahwa semua data yang diim tadi sudah benar sudah valid kemudian ngecek eh apa namanya eh hasil pada saat data tersebut dissubmit ke beberapa Parti misalnya ke leising company ke pihak ketiga kalau dia ada in dan melakukan tindakan seandainya data tersebut terny tidak bisa diproses nah ini ada certain action yang dia harus lakukan gitu Persona tadi akan mempengaruhi desain dari action-action apa yang seharusnya dilakukan oleh eh si juuning proses biasanya ya tadi yang pertama tentu ee tujuannya adalah gimana untuk mengatasi masalah performance karena kalau dia bentuknya adalah chat berarti harus ada interaksi kalau ada interaksi berarti komputasinya harus cepat kalau komputasinya harus cepat Kalau dia misalnya cuman jalanin machine learning itu gampang karena kita bisa tuning kita bisa atur infrastruktur sistemnya dan seterusnya tapi begitu masuk di chatbt nah ini yang agak susah karenaatpt-nya sendiri chatpt enginenya sendiri sebenarnya kan ide itu black box black box yang sudah dirain sedemikian rupa tergantung yang kita pakai ya misalnya pakai openi atau pakai eh lama atau pakai punya Google misalnya nah itu akan beda gitu approachnya jadi kesulitan utama yang kami lakukan eh yang kami alami itu adalah pada saat men-tuning eh JAT JAT GPT engine-nya di bagian Prom engineering nah terusan Prom engineering ini sebenarnya kalau gampang dibayangkan itu adalah bagaimana men-translate [Musik] eh mentranslate jawaban-jawaban dari domain expert tadi jadi misalnya saya kasih contoh kalau saya customer saya nanya ke call center misalnya saya komplain saya nanya saya komplain tentang produk Innova zenix gitu Tentu saya melakukan chatting saya chatting sama si call S agen saya tanya kenapa kok engin-nya bermasalah Padahal saya baru Beli baru 2 bulan terus saya sudah servis cara pakai saya Begini Nah domain expert itu dia bisa m-deefine tuh oh terhadap Pertanyaan kayak gitu sebenarnya kunci jawabannya adalah ini berarti oh produk katalog tentang engine produk katalog tentang penjelasan tentang eh detail Bagaimana eh engine itu bisa bermasalah apakah enginnya apakah baterai baterainya Apakah mekanik mekanisasinya dan seterusnya Nah jawaban-jawaban itu itu harus ditranslate ditranslate menjadi eh bahasa yang bisa dimengerti oleh chat GPT gitu nah from engineering itu adalah proses men-translate tadi men-translate jawaban-jawaban dari domain expert menjadi eh bentuk jawaban bentuk query yang nantinya akan dieksekusi oleh di di chat gbt Eng gitu nah ini ada beberapa eh ada beberapa hal yang kita sudah lakukan gitu ya udan juga kita adaah ini biasanya gim car kitaak Bany Kat bisa lama juga gitu jadi from engineering akan menentukan eh akurasi dari pertanyaan yang tepat dan jawaban yang tepat kalau hyper parameter optimization itu gimana caranya agar dia bisa menjadi lebih lebih cepat tapi tidak menurunkan eh apa namanya ehurinya gitu Dan Terakhir enement learning untuk precision terus sekang ini kita belum sampai ke tahap sini karena semuanya masih ee predefine ya jadi kebetulan eh use case yang kita lakukan belum sampai ke tahapan dia bisa eh apa namanya bisa mempelajari sendiri karena terang faktor halusinasinya masih tinggi sekarang gitu Jadi kita masih fokus di prom engineering sama di hyper parameter Tapi kalau dalam konteks eh riset sebenarnya kita juga sudah mulai melakukan reinforement learning ini jadi karena tadi biasanya terutama di bagian model evaluation sama validation ini kan sekarang bisa dibilang manual gitu Jadi gimana caranya itu ada labeling yang nanti dia bisa pelajari sehingga e diharapkan Enggak semua hal itu kita membutuhkan eh apa namanya feedback dari jadi ada beberapa hal yang bendie terentu sehingganya otomatis jadi lebih nah ini kira-kira adalah metodologi step byep yangakan hari ini tu jadi saya jasinya agak lompat Sengaja saya lakukan AG nomor 4 itu kita saya bisa empasiz lebih lebih dalam karena sebenarnya yang paling susah itu adalah nomor EMP jadi nomor 4 ini terusang exptisnya enggak banyak terutama di Indonesia terus sifatnya juga Open a dokumentasi juga enggak banyak jadi banyakan ini masih blackx banyak artikel-artikel yang sifatnya masihet gitu ya jadi ya Ini challenging banget di tahapan ini gitu dan so far yang kita yang kita bisa lakukan memang hasilnya eh signifan sih terutama kalau dicpare dengan fase-fase awal dari yang kita sudah lakukan mungkin adalah slide terakhir ya Eh mungkin kalau nanti ada diskusi yang lebih Yang lebih simpel Ya silakan aja ditanya saya ngerti ini agak susah kalau secara teknis karena kalau cuman ngomongin use cas ini begini sebenarnya bisa dicoba sendiri ya karena chatt saya yakin sudah sangat familiar jangan-jangan Setiap Setiap kali kita belajar satu topik sebenarnya sudah pakai tapi yang saya pengin sampaiin sebenarnya adalah begini Emang di luaran itu dikembargembolkant itu potensinya luar biasa tapi sebenarnya in real terutama di bisnis gitu ya penggunaannya terus enggak gampang satu karena sifat Black boxnya tadi yang kedua Rupanya dia halusinasinya masih tinggi gitu Padahal kalau di bisnis kan kita enggak bisa sifatnya kayak riset ya ah yang penting keluar output Yang penting dia bisa ngeluarin jawaban-jawaban dari pertanyaan yang kita bikin gitu tapi pasti bisnis ya nuntut ada akurasi itu kalau Insight yang dibikin yang Inside yang benar gitu karena Once itu keluar outputnya enggak benar Ya pasti mereka enggak akan mau jadi masalah terbesar menurut saya soon or later kalau kalau masih early face siapapun yang mau implementasi ini pasti akan berhadapan dengan kesulitan yang sama dengan yang kami alam gitu mungkin itu dulu yang saya bisa sampaiin kalau ada pertanyaan silakan Oke saya take over Terima kasih Pak Saki buat eh kanunya saya takeover ada kelas berikutnya ada kam Oke kita akan lanjutkan dengan sesi tanya jawab question and eh boleh dituliskan di eh chat atau boleh angkat tangan ra your hand please oke sambil Saya menunggu pertanyaan boleh aja di-share ya Pak Mungkin kira-kira jika mahasiswa eh ingin berkarir di data analtics ya Misalnya akan pakai Google analtics untuk misal melihat ya segmen dari customer kita bagaimana atau apapunlah ya di dunia industri itu kira-kira eh mereka harus menguasai apa ya untuk coding gu eh sebenarnya kalau sekarang sih banyak tools ya Eh ibu ya Jadi kalau cuman segmentasi misalnya kayak gitu ya itu sebenarnya ada tools yang enggak perlu coding jadi ada heeh ada k9 yang yang gratisan gitu ada G tapi desktop memang dia limited lah datanya gak bisa banyak-banyak ada miner data miner kalau berbayar di Azul juga ada gitu bahkan mungkin nanti di Excel Excel yang baru sih tapi gak tahu saya sudah keluar atau belum ada limited biasanya dilimit oleh dilimit oleh e jumlah data tapiitnya dia bisaakuin kayak segmentasi itu yang simpel-simpel kalau mau belajar Saran saya di Python kalau mau cepat sebenarnya di YouTube banyak ya di apa namanya di juga ada itu biasanya ada sat set Apa namanyaingnya ada semua di sana ada apa namanya ya semuanya sudah komplit tinggal dicoba gitu kalau mau kerja praktik boleh juga di tempat saya kalau misalnya mau apa namanya benar-benar Taj gimana sih Saya mau pakai Chat GPT gitu ya saya mau memanfaatkan cgpt untuk menggantikan role seorang call center agent untuk complain handling misalnya boleh juga boleh juga i i mahasiswa kita ee masasiswa kami mereka harus ya Angkatan terakhir ya 2021 itu harus full 1 tahun magang tapi kalau mahasiswa yang angkatan 20 ee 20 eh 2022 sudah cuma ee 1 semester atau 4 bulan seperti itu hmm ya n harus kalau ya deliver pokoknya harus tiga kali kan kita punya 1 tahun 3 semester nanti use case-nya cas-nya bisa disesu sebenarnya jadiit itu ada yang gampang sih kayak tadi ya yang kiri Tadi kan saya jelasin ada yang yang kiri yang tengah yang kanan makin kanan makin susah Yang kiri itu kan ggak terlalu susah mestinya 3 bulan gitu sebenarnya sudahudah bisa ya ya kita sambil menunggu pertanyaan ada yang mau bertanya atau mungkin masih [Tertawa] diwang-aangkan kalau in short explation ya sebenarnya semua yang saya jelasin tadi Eh gini Apa sih bedanya chat dengan chat chat yang lama NLP NLP itu bagus di intion dete Jadi kalau orang ngchat itu kan harus kenal intensinya apating itu Oh orang ini nanya topik tentang misalnya bioskope Nah maka dia akan nyari dia akan nyari di knowledge dia di belakang gitu ya Eh bagian knowledge tentang tiket bioskope maka dia akan jump ke sana Nah ini bedanya kalau di NLP itu dia harus go to satu-satu setiap step yang kita sudah define untuk menjawab untuk melakukan conversation di Eh Topik pesan tiket bioskop tadi makanya biasanya chatot tentang itu dia akan nanya setelah nanya identitas nama alamat mungkin us ID dia akan nanya setelah tanya tiket bioskop tanya mau nonton film apa Kapan gimana kayak gitu itu sebenarnya udahef ehat pertanyaan yang ya gara-gara gara-gara dia kenal Oh ini pesan tiket gitu Dia sudah tinggal go to aja gitu dalam urutan yang dia sudah tentuin di chatbotnya sudahah tentuin tapi kalau chat GPT enggak chat GPT enggak begitu chat GPT itu kayak kita nanya ke orang langsung kayak kita nanya ke orang langsung jadi eh saya mau pesan ya Saya mau nonton ini bisa enggak saya saya pesan tiket tanggal sekian jadi pertanyaannya bebas gak harus ggak harus sesuai urutan karenat itu kenal konteks dia itu kenal konteks gu Nah karena ggak kenal urutan tentu ya tadi makanya saya bilang di belakangnya itu jadi sangat susah untuk ngontrolurinya sebenarnya begitu tadi runtutannya gitu nah halusinasi Benar jawabannya kadang-kadang loh e kok datanya di kasih begini jawabannya begitu gitu Nah itu bisa Kejadian halusinasi itu gitu ya gampangannya kayak gitulah ya Kalau kalau tadi di belakang itu ya itu karena saya jelasin sebenarnya karena dia kenal konteks Dia bisa nyari oh pertanyaan ini jawabannya ini jawaban ini itu bisa memerintahkan dia untuk mengenenerate teks berarti jawabannya di di disampaikan dalam bentuk tulisan naratif atau atau jawabannya itu sebenarnya melakukan sesuatu nah melakukan sesuatu itu kita bisa pasangin dengan eh Rp ngerti ya Rp ya robo proses automation jadi makanya tadi saya bilang apakah bisa gantiin orang bisa jawabannya kalau tas yang digantiin itufatnya repetif berulang dan Enggak Susah enggak pakai mikir itu hari ini sudah bisa Kenapa karena GPT responsnya itu bisa mengeksekusi satu satu fitur satu satu fitur itu bisa satu FTA bisa satu fungsi bisa satu apa gitu jadi terusan kalau ini berhasil kami terapkan Memang sih akan ada pengurangan tenaga kerja B news-nya itu gak ada yang tanya saya tanya aja Pak untuk proek tersebut yang tadi itu e bes cabeluruh Indonesia pas bulan bisaibuan mungkin ya itu Pak microsof makanya ba data seperti itu yaak diantu sama Microsoft timnya Microsoft di mana kita bisa menyediakan ee komputasi yang cukup untuk memproses jutaan data yang dihasilkan dalam waktu sebulan Jadi sebenarnya kalau kita ngomong data Bu 1 juta transaksi itu aslinya datanya enggak 1 juta datanya bisa 6 sampai 10 kali lipat lebih banyak luar biasa nomor satu kan Honda seluruh Indonesia kalau motor iya iya dia Li kali lebih besar daripada penjualan wheelers i i makanya datanya bisa dibayangkan betul untukek tersebut Berapa lama untuk eh sebenarnya enggak lama sih Bu Karena gini untuk kalau untuk big data biasa ya data analitik biasa pakai machine learning segala macam Kita kan sudah dari lama ya dari 7 tahun yang lalu kalau itu sih enggak ada isu yang lama itu di chat GP itu sebenarnya di mana kita handling setpt engine-nya tadi H karenaang ya tadi dokumentasinya enggak banyak exptif yang bisa Ditanya itu meskipun itu level Principal sekalipun kayak Microsoft Google gitu ya atau Facebook enggak banyak juga jadi yabanyakan dari diriset sih kita dari artikel-artikel riset di di di apa di internet terus dicoba jadi eksplorasinya tinggi makanya jadi lama Ya ya jadi masih tantangan berti bisa dilakukan eksplorasi lebih dalam riset lagi Eh betul betul Makanya kalau teman-teman mahasiswa mau KP apa kuliah k prakk Kak itu challeng-nya masih sangat luas di siniortity opportunitynya masih sangat besar ya ya menarik karena memang Ai ma learning Apa itu kan masa depan kita iya iya betul sekali ya memang membutuhkan kemampuan computing juga dan coding ya tapi coding sekarang kan gampang pandamah betul betul ada websitewebsiteennya kalau engak salah misalnya kita itu bisa Bisa nanya ke gitu ya Saya pengin coding begini maka sintaksnya gimana gitu Kalau enggak salah ada sih iya ya Ada banyak banyak heeh banyak betul Iya seperti data visual pakai r kan R juga banyak juga codingnya iya i betul betul betul betul Bagaimana ini ee ada lagi pertanyaan ini sudah jam 17.06 Heeh jika tidak ada pertanyaan Enggak ini ada satu Bu ada satu ada ada Oh ada ada satu I sang panas isu betul hubungan dengan cyber security ini Apakah menjamin keamanan mengenai data yang kita share ke dalam chat n cber security ini bnya Pak betul nah gini Eh kalau sebenarnya sebenarnyaat GPT engine itu banyak macamnya ya BT engine itu banyak maam-macam Ada yang ada yang Cloud base jadi yang disediakan oleh Asus itu dia pakai Open Ai disediakan oleh Google Google Gemi itu Cloud base atau ada juga yang yang sebenarnya dia dia enggak Cloud sebenarnya jadi diinall di satu server server itu punya kita sebenarnya itu contoh yang di Ging face namanya nah yang yang enggak Cloud ini Itu sudah pasti datanya harus kita sendiri yang ngamanin kita sendiri yang ngamanin karena instalasinya kan ada di premisnya kita premisnya berarti kalau Astra premisnya Astra kalau misalnya sinas bikin ya premisnya sinama gitu terun lepas dia tahu catpt engin-nya di atau dinya dia yang ada di misalnya di BSD gitu ya Jadi kalau yang dia pilih adalah engine yang gak Cloud itu berarti datanya pasti diamanin sendiri aman gak ya Tergantung dia bisa ngamanin at enggak tapi datanya ggak otomatis ditar di di man nah gimana kalau cat GPT engine yang ada di Cloud kalau layanannya adalah layanan yang berbayar itu pasti datanya pun sudahah diure sebenarnya atau bisa diure karena diure atau enggak ya Itu tergantung yang punya data memang cuman data itu tidak di dalam chat GPT engine enggak jadi makanya tadi saya bilang selalu saya bilangat GPT engine itu Black dia itu udah ada transformasi data jadi gener kan singkatannya generative Transformer Git Transformer genera jadi dia sudah kenal kata-kata kalimat-kalimat yang yang biasa kita pakai untuk conversation makanya ada yang bilang ada yang bilang 70 bilion itu sebenarnya seberapa banyak kata yang dia kenal nahled itu knowledge itu ada di dalam chat GPT enginenya ada di dalamat GPT engine tapi knowledge pembelajaran yang kita lakukan itu enggak di dalam engine tadi itu disimpan di luar disimpan di luar Makanya kalau implementasi chat GPT itu wajib kita punya yang namanya Vector database vor database itu untuk menyimpan knowledge yang kita masukkan ke dalamat GPT engine jadiat GPT engine dia kenal kata-kata dia kenal kalimat dia kenal konersation tapiailed yang manaled itu ada di dalam vor database vor habis itu disimpan di luar di luar black box chat GPT engine tadi jadi kalau ditanya aman enggak Pak sebenarnya bisa diamankan asal memang yang punya memang ya dia mengamankan data tersebut Tapi kalau dia enggak mengamankan data tersebut Ya sama aja gitu ya paham ya sudah puas tadi yang bertanya m Yusuf ya dari 2023 eh bukan Muhammad ravians Yusuf 2022 sor Apakah ada pertanyaan lagi Oh ini sudah ada yang bertanya ada satu lagi ini bagaimana gen Ai menangani privasi dan keamanan data Terutama ketika menangani data produksi yang sensitif jadi ya Sekali lagi ini keamanan data ya ya Jadi ya saya Saya ulangi ya Jadi Ja itu cara kerjanya Ada engine jnea itu yang ya Tergantung kalau apa namanya lama versi 2 itu dia klaim dia kenal 70 7 bilion eh 7 bilion token sebenarnya 7 bilun kata 7 bilon kata kalau yang barau lama 3 itu sudah 70 bilion ada set GPT 4 itu kalau enggak salah sampai 128 bilun atau lebih bahkan ada yang ada yang sampai 700 lebih bilun kata itu ya kenapa kok bisa banyak banget pak ya karena katanya multianguage sebbenarnya multianguage nah ini adalah kecerdasan untuk mengerti tentang kata kalimat sehingga dia tahu konteks dia tahu konteksers dia juga kenal gimana gambar itu patternnya gimana Itu dalamled tadi nah ini masiht in general engine in general kalau kita pakai unuk misalnya tadi yaesifik saya mau membuat e apa apa chatbot yang ai ai chatbot gantiin call center agen untuk complain handling misalnya spesifik produknya otomotif spesifik lagi Honda gitu melk Honda motor Honda maka knowledge tentang hondanya sendiri motol hondanya sendiri Itu disimpan di luart engine disimpan di dalam yang namanya Vector database Nah karena di luarpt engine maka ya pengamanannya kayak kita ngamanin aplikasi Biasa gimana men-secure data yang ada di dalam database gimana men-secure data yang disimpan di database di dalam servernya kita sendiri gitu Apakah datanya nyampul sama company lain atau sama publ Ya mestinya enggak Kalau database vektor yang kita pakai itu memang punya kita bukan punya publik gituah mungkin jawabannya itu Eh ada pertanyaan lagi Oh ada bertanya lagi pak satu lagi pertanyaan Bagaimana dampak C GPT untuk masa depan dan apakah GPT atau a mempengaruhi pola pikir manusia untuk masa depan ya Ee kalau yang sekarang sebenarnya sih sebenarnya enggak Se at Le Sekaranglah enggak seserem yang dibayangkan kenyataannya ya Karena gini Ternyata untuk benar-benar bisa gantiin gantiin fungsi orang itu enggak gampang itu enggak gampang jadi contoh misalnya kalau di Microsoft Office itu ada office apa ya namanya ya office office assistnya itu ya itu itu spesifik memang untuk office Jadi sebenarnya dia sebenarnya dia adalah doumen sebenarnya doumen jadi dia akanbaca satu dokumen misalnya meting diaaneng pakai team dia akan dengarin semua conversation orang yang ikut dalam meeting pakai teams tadi suara orang yang ikut di meeting tersebut akan ditranslate menjadi teks teks tadi sama dia akan dibikin summarynya teks tadi akan dibikin summarynya summary tersebut dia akan simpan sebagai knowledge di dalam vekor database tadi Nah kalau kayak gini implikasinya maka apa sih buat kita ke depan otomatis kerjaan-kerjaan yang sifatnya repetitif kerjaan-kerjaan yang sebenarnya enggak butuh critical thinking yang dalam gitu ya yang ya ya tugasnya memang jenis kerjaan yang berulang yang gampang diganti sama mesinah itu pasti akan pertama kali akan diganti secara teknis itu mungkin soalnya memungkinkan untuk diganti oleh teknologi ini gitu apakah akan mempengaruhi pola pikirah ini agak susah dijawab Kenapa Karena gini ya sekarang kalau misalnya kayak kayak yang baru-baru ya terutama yang di bagian image Processing engak cuman image Processing itu kan bisa selainationation dia kan juga bisa dia bisa gener konen dia bisa gener video akan susah ngebedain itu konten memang beneran asli atau itu fake Apakah mempengaruhi pola pikir kalau terusmenerus ya Memang iya gitu terusus Memang iya kalau pola pikir yang dimaksud ya Jadi ya ini in apa rapuh terhadap keakuratan kalau konten semacam berita gu kannya ya berita kan gak butuh akurasi yang tinggi Kalau ngomongin data anali ngongin angka Iya tapi kalau beritanya salah-sahkitak at mungkin enggak terlalu enggak terlalu sensitif terhadapursi karena dia sebenarnya udah dia juga ngasih kayak tadi kan di contoh awal banget saya itu kan ngomong bisa enggak saya dibantu bikinin eh konten tentang daihatu Aa panjangnya 250 kata untuk mahasiswa segmennya mahasiswa kata kuncinya adalah mobilnya irit mobilnya apa gitu lupa t saya di slide pertama tadi Nah kalau kayak gitu kan sebenarnya akurasinya enggak terlalu dipusingkan gitu beda dengan yang smart talk tadi Smart talk itu karena ngomongin angka kalau salah ya enggak dipakai gitu gitu jadi ya beda use case beda case jadi ya akan bedaatement kira-kira eh jawab enggak ya ya ya ada ee Ini sudah terakhir karena nanti jam 15 eh jam 17.30 ada kuliah kelas malam eh saya akhiri ya akhiri saya akhiri ajak ya Pak ya terima kasih untuk waktunya dan kesediaan Pak Zaki untuk berbagi eh dengan mahasiswa kami eh di presiden university ya Sekarang saya serahkan ke panitia untuk eh closingnya pity halo panitia Oke pembagian e pemberian sertifikat bagi Pak Saki tangal 28 oke Oke for the next eh We we have reached the end of the event but before we close we will carry out the certificate handover session to Mr Zaki Dermawan and documentation first of Let start for the handover the certificate which to Mr Zaki Darmawan Mr Zaki Darmawan time and place are welcome already already Terima kasih ya we will start for the first SL in aoun of one two th Okay now for next wait before we start for the documentation please turn on your camera oke oke now we start for the first slide in account of one two Okay now for the next slide please one two three okayoke third slide one two three [Musik] forth slide one two three FIF slide one two three Oke thank you all Well it does the public hasun once again we like to thank to our speaker Mr Zaki Darmawan the lecture Who attend today's public lecture and do not forget all the partticipant who have attend and Join public lecture 2024 this time hopefully this event can provide benefit and new Insight to all of Us Which will be be useful in the our future Life before we end the event today it be nice if prayay according to each belief pray begin PR suffici Oke next we will have an attendance link we friend to f the in the attendance link that we have shared in the comment colum Thank you friends who have filled the attendance link and thank you for taking the time to attend and enlien the event this afternoon my name is ramiz and me Kalista both of Us The Master of Ceremony of public lecture 2024 this afternoon say goodbye if theres Please forgive See you at the next event Thank you than Thank you see you thank you semuanya Thank you thank semuanya Thank you Pak sama-sama Bu terima kasih