Transcript
00:00:00Anda mungkin sudah berulang kali mendengar bahwa pengembangan perangkat lunak telah berubah,
00:00:03namun sekadar mengadopsi alat baru hanya menyentuh permukaannya saja,
00:00:06karena sistem yang dibangun saat ini tidak berperilaku seperti perangkat lunak lama.
00:00:10Oleh karena itu, kerangka kerja yang menjadi landasan perusahaan juga harus bergeser,
00:00:14karena jika Anda terus membangun di atas proses lama, Anda akan menemui masalah yang tidak bisa diselesaikan oleh proses tersebut.
00:00:18Jadi, untuk memenuhi lanskap yang terus berubah ini,
00:00:21sebuah kerangka kerja baru telah muncul di komunitas pengembang yang dibangun khusus untuk AI agent.
00:00:25Dan di akhir video ini, kami akan memandu Anda memahami kerangka kerja siklus hidup baru ini
00:00:29serta alasan mengapa Anda perlu mengadopsinya.
00:00:31Selama bertahun-tahun, pengembangan perangkat lunak telah dijalankan menggunakan SDLC.
00:00:35Software Development Life Cycle adalah proses terstruktur yang digunakan selama beberapa dekade,
00:00:39yang mencakup berbagai tahapan seperti desain, pengembangan, pengujian, penerapan, pemeliharaan, dan dukungan berkelanjutan.
00:00:45Konsep utamanya adalah bahwa perangkat lunak harus dikembangkan dengan mempertimbangkan tujuan bisnis dan kebutuhan pengguna,
00:00:51di mana hasil dari setiap fase menjadi masukan untuk fase berikutnya.
00:00:54Namun hal ini hanya berhasil sampai AI mulai masuk ke dunia teknologi.
00:00:57Sejak AI mulai mendapatkan momentum, hal pertama yang digantikannya adalah coding.
00:01:02Sebelum adanya AI, pengembangan merupakan sistem penulisan kode berulang kali,
00:01:06sering kali berupa proses repetitif dalam menggabungkan cuplikan kode dan logika dari tempat lain untuk membangun sistem yang menyelesaikan masalah.
00:01:12Jadi, seiring model AI yang semakin baik, dan alat seperti Claude Code serta Cursor mulai mendominasi industri,
00:01:18SDLC konvensional saja kini telah gagal.
00:01:20Sistem ini tidak bisa lagi mempertahankan dirinya sendiri, dan perlu diubah agar dapat memberikan nilai yang tepat.
00:01:24Itulah mengapa Agentic Development Life Cycle, atau ADLC, dikembangkan.
00:01:28ADLC menjembatani kesenjangan antara SDLC tradisional dengan lanskap teknologi saat ini.
00:01:32ADLC sangat dibutuhkan karena dalam sistem yang menggunakan SDLC,
00:01:36Anda sudah mengetahui perilaku sistem tersebut sejak tahap perencanaan, dan ada cara pasti untuk memverifikasinya.
00:01:41Sederhananya, SDLC memperlakukan perangkat lunak sebagai sesuatu yang statis, sementara ADLC memperlakukannya sebagai sistem yang hidup.
00:01:47Kini, karena AI agent bersifat tidak dapat diprediksi, dan merekalah yang sebenarnya berevolusi melalui penalaran dan mengadaptasi tugas
00:01:53dengan lingkungan tempat mereka berada, menjadi sulit untuk menilai mereka menggunakan metrik yang sama dengan perangkat lunak tradisional.
00:01:59Alasan utama ADLC dikembangkan pada awalnya adalah karena sifat non-deterministik dari AI agent di tahap produksi.
00:02:05Dengan AI agent, terjadi pembelajaran konstan dan pengembangan yang berkesinambungan,
00:02:09dan Anda tidak dapat menentukan secara pasti seperti apa hasil akhir dari agen tersebut.
00:02:12Saat Anda bekerja dengan AI, keputusan yang Anda buat bergantung pada prompt, konteks, model,
00:02:16dan semua alat eksternal yang telah Anda hubungkan.
00:02:18Model itu sendiri masih tidak dapat diprediksi, jadi kita tidak bisa menentukan apa yang akan dihasilkan oleh sebuah prompt dengan akurasi 100%.
00:02:25Oleh karena itu, Anda pada dasarnya memiliki metrik keberhasilan yang berbeda dari apa yang digunakan SDLC.
00:02:29Ada 7 fase dalam ADLC, dan setiap fase memetakan ke fase SDLC yang setara dalam satu atau lain cara.
00:02:36Baik Anda sedang mengerjakan sistem agentic atau tidak, langkah pertama selalu tetap perencanaan.
00:02:41Yang berubah adalah bagaimana cara Anda melakukannya.
00:02:43Untuk sistem agentic, Anda tidak bisa merencanakan dengan cara yang sama seperti sistem non-agentic,
00:02:46karena tidak seperti sistem tradisional, aliran logika tidak berlaku dengan cara yang sama.
00:02:51Jadi fase pertama dari ADLC, yaitu persiapan dan hipotesis,
00:02:54bertujuan untuk membangun pemahaman yang mendalam tentang masalah sebelum berkomitmen pada desain sistem atau model tertentu.
00:02:59Terkait dengan agen, Anda perlu memahami bagaimana pengguna akan berinteraksi dengan sistem
00:03:04dan berkoordinasi dengan semua pemangku kepentingan untuk menemukan bagian alur kerja yang sering bermasalah
00:03:07serta seperti apa upaya manual yang berulang, karena inilah yang sebenarnya akan diselesaikan oleh agen tersebut.
00:03:12Kemudian Anda meninjau alur kerja dan kebijakan yang ada untuk melihat bagaimana hal-hal saat ini ditangani,
00:03:16dan setelah itu jelas, Anda membentuk hipotesis yang dapat diuji mengenai bagian mana agen akan membantu atau mengotomatiskan alur kerja.
00:03:22Jika kita melewatkan fase ini sepenuhnya, kita bisa saja mengotomatiskan pekerjaan yang salah,
00:03:26dan alih-alih memperbaiki masalah, hal itu justru bisa memperburuk keadaan.
00:03:28Perbedaan mendasar dibandingkan dengan SDLC di sini adalah perilakunya.
00:03:31Dalam SDLC, perilaku dapat diprediksi karena masukan yang sama akan selalu menghasilkan keluaran yang sama.
00:03:37Namun ADLC bersifat probabilistik karena adanya keterlibatan model AI,
00:03:40dan masukan yang sama belum tentu menghasilkan keluaran yang benar-benar persis sama.
00:03:43Dengan pengetahuan ini, langkah pertama yang perlu Anda lakukan adalah mengaktifkan mode perencanaan
00:03:47dan minta agen apa pun yang Anda gunakan untuk merancang perilaku agen yang sedang Anda kembangkan, bukan implementasinya.
00:03:52Beri petunjuk agar tidak memikirkan kode terlebih dahulu, melainkan memetakan seluruh alur kerja,
00:03:56bagaimana agen berinteraksi dengan pengguna, apa yang bisa salah, apa potensi beban berlebih (overhead),
00:04:00dan semua asumsi lain tentang sistem tersebut.
00:04:03Dengan begitu, proses pembuatan agen Anda dimulai dari asumsi inti,
00:04:06yang akan menjadi panduan yang lebih baik daripada langsung melompat ke perencanaan arsitektur.
00:04:10Setelah perencanaan awal selesai, ada lapisan lain tepat setelahnya,
00:04:13di mana Anda mengidentifikasi cakupan dan masalah dengan benar.
00:04:16Ini sebenarnya memetakan ke fase analisis atau studi kelayakan pada SDLC,
00:04:20di mana Anda biasanya menganalisis kebutuhan bisnis dan apakah implementasinya layak dilakukan.
00:04:25Jadi fase ADLC ini memetakan ke identifikasi proses penting dan peran AI dalam menyelesaikannya,
00:04:31menandai batasan dan batasan teknis,
00:04:33serta menetapkan KPI bisnis dan teknis yang jelas di awal, seperti waktu, biaya, latensi, dan kelayakan.
00:04:39Anda juga menentukan kompromi (trade-offs) pada titik ini, mengetahui faktor mana yang dapat diterima dan mana yang tidak.
00:04:44Namun bagian terpenting dari fase ini adalah memetakan model tanggung jawab manusia-agen dengan benar,
00:04:49karena hal ini menciptakan struktur akuntabilitas.
00:04:52Manusia tetap perlu meninjaunya, karena kita tidak bisa memercayakan semua keputusan kepada agen.
00:04:56Pada akhir fase ini, Anda memiliki dokumentasi yang tepat di mana langkah-langkah alur kerja ditentukan secara eksplisit dengan KPI utama,
00:05:02dan model tanggung jawab manusia-agen diletakkan dengan jelas.
00:05:05Hal ini penting karena jika terjadi kegagalan, Anda tidak bisa menyalahkan model sepenuhnya.
00:05:09Akuntabilitas pada akhirnya harus tetap berada di tangan manusia.
00:05:12Perencanaan tanggung jawab manusia seperti ini tidak diperlukan sebelumnya, karena tidak ada AI yang terlibat.
00:05:17Ini menetapkan batas-batas otonomi agen, dan jika Anda melewatkan langkah ini,
00:05:21Anda mempertaruhkan kepatuhan dan akuntabilitas Anda sendiri di tahap produksi.
00:05:24Untuk melakukan ini dengan agen, Anda kembali menggunakan mode perencanaan, memintanya merencanakan alur kerja, latensi, masalah sistem,
00:05:30semua fitur yang perlu ada dalam arsitektur, dan seperti apa bentuk kegagalan yang mungkin terjadi.
00:05:34Setelah hal-hal tersebut dinyatakan dengan jelas, agen memahami cakupan yang tepat untuk diiterasi selama proses pembuatan.
00:05:39Dengan cakupan dan fitur tingkat tinggi yang telah ditentukan, sekarang saatnya beralih ke fase desain.
00:05:43Pada tahap ini, kita mendefinisikan arsitektur sistem untuk agen itu sendiri.
00:05:47Di sini Anda memutuskan pola apa yang akan diikuti agen, seperti ReAct, Plan-and-Act, pengaturan multi-agent, atau pendekatan apa pun yang Anda inginkan.
00:05:54Kemudian Anda merencanakan aliran data dari satu titik ke titik lain, dan ini menjadi jauh lebih krusial dengan keterlibatan banyak agen.
00:06:00Agen harus mendapatkan data yang benar, jika tidak, ia akan menimbulkan masalah alih-alih membantu.
00:06:05Anda juga merencanakan struktur biaya seperti token economics, fitur penyuntingan konteks, pemadatan (compaction),
00:06:10dan memahami berapa biaya untuk menerapkan agen ini ke lingkungan produksi,
00:06:14serta apa yang akan terjadi ketika ia mulai menangani banyak pengguna sekaligus.
00:06:17Kini, di sinilah Anda sebenarnya memilih model mana yang ingin digunakan, kerangka kerja orkestrasi apa yang Anda pilih,
00:06:23basis data, dan semua teknologi lain yang terlibat, dan di sinilah Anda mendefinisikan seperti apa keberhasilan nantinya
00:06:28sebelum ada kode apa pun yang ditulis, sehingga Anda dapat membangun agen dengan TDD (Test-Driven Development).
00:06:32Sebelum sistem Anda online, Anda sudah mempertimbangkan kompromi dalam hal latensi, akurasi, halusinasi, dan masalah serupa.
00:06:38Fase ini juga memerlukan mode perencanaan dari agen Anda.
00:06:41Anda memberinya prompt untuk menjabarkan desain komprehensif yang mencakup arsitektur agen, aliran data, model biaya,
00:06:46dan struktur teknis secara keseluruhan sehingga Anda melangkah ke tahap berikutnya dengan rencana yang konkret.
00:06:51Setelah rencana awal selesai, langkah berikutnya adalah simulasi dan pembuktian nilai (proof of value).
00:06:55Di sini Anda menggunakan data dunia nyata untuk menguji asumsi yang Anda buat pada tahap-tahap sebelumnya.
00:06:59Anda membuat prototipe sehingga Anda dapat mengetahui apakah layak untuk melanjutkan proses pembuatan agen ini.
00:07:04Pada dasarnya, di sinilah Anda memutuskan apakah Anda harus mengembangkan agen tersebut sama sekali, karena pada tahap ini biaya kegagalan jauh lebih rendah.
00:07:10Jadi aktivitas inti di sini meliputi mempersiapkan dataset atau ground truth untuk pengujian perilaku,
00:07:15membangun prototipe sehingga Anda dapat menguji asumsi berisiko tinggi yang Anda dokumentasikan sebelumnya,
00:07:19serta memvalidasi kualitas data, tingkat halusinasi, akurasi, kualitas respons, dan tolok ukur (benchmarks).
00:07:25Anda juga meninjau kembali hipotesis awal untuk menentukan apakah hal ini akan memberikan laba atas investasi (ROI).
00:07:30Hasil kerja yang diberikan adalah performa yang terukur dengan baik dan biaya dasar (baselines),
00:07:33bersama dengan dokumen ground truth yang disebutkan sebelumnya, yang bertindak sebagai aset pengujian untuk pengujian regresi dan fine-tuning model.
00:07:40Fase ini bertindak sebagai gerbang validasi.
00:07:42Jika hasil Anda lolos dari sini ke tahap berikutnya, Anda dapat terus mengerjakan agen tersebut.
00:07:46Jika tidak, proses pembuatan ini dianggap gagal, dan mengetahui hal itu lebih awal jauh lebih baik,
00:07:50karena jika hal ini sampai masuk ke tahap produksi, kerusakan yang ditimbulkan akan jauh lebih buruk.
00:07:54Untuk melakukan ini, Anda meminta AI agent Anda membuat prototipe pertama sehingga Anda dapat mengujinya terhadap semua perencanaan yang baru saja Anda buat.
00:08:00Namun sebelum kita melangkah lebih jauh, mari kita dengar sepatah kata dari sponsor kita, Softr.
00:08:04Alat vibe coding memang bagus untuk menghasilkan UI, tetapi saat Anda membutuhkan autentikasi sungguhan,
00:08:08peran pengguna, izin akses, atau basis data yang benar-benar dapat berskala, semuanya akan berantakan dan Anda harus kembali menulis kode.
00:08:14Softr adalah pembuat aplikasi berbasis AI yang menangani semua itu hanya dalam satu prompt.
00:08:18Anda menjelaskan apa yang Anda butuhkan dalam bahasa Inggris biasa, dan AI co-builder akan menghasilkan full-stack, basis data, halaman, navigasi, login, dan izin berbasis peran sekaligus.
00:08:28Ini bukan sekadar halaman prototipe, halaman-halaman ini benar-benar berfungsi.
00:08:30Anda dapat melihat pratinjau aplikasi, memeriksa apa yang dilihat oleh setiap peran pengguna, dan ketika Anda mengeklik publikasikan, aplikasi Anda langsung aktif lengkap dengan hosting, grup pengguna, keamanan tingkat perusahaan, dan kontrol akses yang terkunci aman.
00:08:40Dan Anda tidak memerlukan pengembang untuk memeliharanya.
00:08:42Semuanya berbasis visual sehingga Anda dapat memperbarui alur kerja, mengelola pengguna, dan menambahkan fitur sendiri.
00:08:47Biaya nyata dari perangkat lunak bukanlah saat membangunnya, melainkan saat memeliharanya, dan itulah yang diselesaikan oleh Softr.
00:08:52Dapatkan kredit AI gratis Anda dengan mengeklik tautan di deskripsi dan mulailah sekarang.
00:08:57Ini menandai akhir dari fase perencanaan, dan membawa kita ke bagian yang langsung dilompati oleh banyak orang, yaitu implementasi.
00:09:03Langkah-langkah sebelumnya sangat penting karena jika Anda melakukannya dengan benar, Anda tidak akan menemui masalah yang dihadapi kebanyakan orang di sini akibat melewatkan fase-fase tersebut.
00:09:11Jadi ini adalah saat Anda benar-benar mengembangkan agen Anda, membangun logika inti, dan mengorkestrasi alur kerja pengembangan Anda.
00:09:16Dan di sini Anda melihat salah satu pemisahan paling jelas antara SDLC dan ADLC.
00:09:20Dalam SDLC, logika berada di dalam kode, konfigurasi, dan dependensi pihak ketiga.
00:09:25Dalam ADLC, logika tersebut tersebar di berbagai lapisan kode, prompt, model, alat bantu (tools), dan layanan eksternal.
00:09:30Jadi Anda tidak hanya mengelola perangkat lunak lagi, Anda mengelola semua lapisan ini bersama-sama, dan salah satu dari mereka dapat mengubah cara sistem berperilaku.
00:09:38Jika Anda memiliki sistem multi-agent untuk dikembangkan, salah satu cara mengorkestrasi alur kerja Anda adalah dengan tampilan agen baru di Claude Code.
00:09:44Menggunakan tampilan agen ini, Anda dapat mendelegasikan tugas dengan jauh lebih baik daripada penggunaan Claude biasa.
00:09:49Karena alih-alih mengelola sesi Claude Code yang berbeda-beda, Anda mengelola satu lapisan orkestrasi tunggal dan memberikan prompt manajer agen untuk mengoordinasikan semua agen melaluinya.
00:09:57Sekarang pada titik ini, Anda mengintegrasikan alat seperti MCP (Model Context Protocol) dan API.
00:10:01Sebagai contoh, jika Anda membangun asisten pribadi, Anda tahu asisten tersebut akan membutuhkan sesuatu seperti Google Calendar MCP, Gmail MCP, dan mungkin Notion MCP.
00:10:09Dan hal terpenting di sini adalah manajemen konteks (context management).
00:10:11Karena begitu Anda membangun agen untuk lingkungan produksi, aspek ini menjadi salah satu yang paling kritis.
00:10:16Bahkan context window terbesar yang tersedia saat ini, seperti jendela 1 juta token di Gemini dan Opus, tetap membutuhkan penanganan yang cermat.
00:10:24Anda harus memastikan agen tersebut menyimpan memori yang benar dan menghindari pembusukan konteks (context rot).
00:10:28Karena jika ia berakhir dengan terlalu banyak informasi yang tidak relevan, fokus perhatiannya akan tersebar ke mana-mana dan hasil keluarannya akan memburuk.
00:10:34Anda juga perlu melakukan pengujian dari sisi pengembang selama tahap ini untuk memastikan konsistensi perilaku setelah setiap perubahan dengan memvalidasi pengaturan agen secara manual terhadap persyaratan.
00:10:44Pengembangan dan validasi bukanlah hal yang terpisah dalam sistem agentic.
00:10:48Anda tidak dapat melangkah maju tanpa pengujian konstan karena perubahan kecil pun dapat menimbulkan dampak besar pada seluruh alur kerja.
00:10:54Jadi Anda memerlukan validasi tingkat pengembang saat membangun agen Anda secara berdampingan, alih-alih hanya mengandalkan langkah pengujian terpisah di kemudian hari.
00:11:01Setelah Anda selesai membangun sistem Anda, pengujian menjadi fase berikutnya.
00:11:05Seperti yang disebutkan sebelumnya, pengujian harus dilakukan secara terus-menerus selama proses pembuatan, tetapi setelah sistem selesai dibangun, Anda mengujinya dalam kondisi seperti lingkungan produksi, bukan sebagai komponen individual.
00:11:14Ini adalah tahap di mana Anda melakukan pengujian terintegrasi (integrated testing).
00:11:16Anda juga melakukan pengujian penerimaan pengguna (UAT), di mana Anda mengumpulkan umpan balik dari pengguna nyata sistem tersebut dan memasukkannya kembali ke dalam sistem.
00:11:24Anda menguji di berbagai faktor seperti bias, kepatuhan, performa, dan dimensi terkait risiko lainnya untuk memastikan rilis tersebut aman sebelum aktif digunakan.
00:11:32Dan di sinilah metrik keberhasilan bergeser sepenuhnya.
00:11:35Dalam SDLC, Anda mengukur kebenaran fungsional dengan pengujian yang hasilnya cukup antara lulus atau gagal.
00:11:40Dalam ADLC, Anda mengukur distribusi akurasi, tingkat halusinasi, dan biaya per hasil karena semua itu tidak dapat disederhanakan begitu saja menjadi lulus atau gagal.
00:11:48Paradigma pengujian itu sendiri ikut bergerak bersamanya.
00:11:50Dalam SDLC, pengujian yang telah ditentukan sebelumnya memvalidasi jalur kode yang sudah diketahui.
00:11:54Dalam ADLC, hal itu menjadi evaluasi berkelanjutan terhadap penalaran, keamanan, dan penggunaan alat karena agen tidak menjalankan jalur yang sama dua kali dengan cara yang sama.
00:12:02Ada banyak kerangka kerja evaluasi seperti RAGAS dan DEEPEVAL, tetapi hal utama yang memverifikasi kebenaran adalah bagaimana data Anda berkinerja terhadap metrik yang Anda tentukan sebelumnya.
00:12:12Dan ada beberapa cara untuk menguji sistem agentic, termasuk pengujian fungsional, non-fungsional, struktural, dan pengujian beban (load testing).
00:12:18Masing-masing pengujian ini harus dilakukan secara menyeluruh, sering kali menggunakan sistem agentic itu sendiri agar kasus-kasus ekstrem (edge cases) dapat diidentifikasi dengan benar dan diperbaiki sebelum mencapai tahap produksi.
00:12:27Juga, jika Anda menyukai konten kami, pertimbangkan untuk menekan tombol hype karena itu membantu kami membuat lebih banyak konten seperti ini dan menjangkau lebih banyak orang.
00:12:34Setelah sistem Anda siap, saatnya untuk menerapkannya (deploy) dan membuatnya tersedia untuk dunia nyata.
00:12:39Anda tidak bisa langsung menerapkannya begitu saja dan menganggapnya selesai, karena pada sistem agentic ada lebih banyak hal yang terlibat.
00:12:44Untuk sistem normal, penerapan biasanya berarti mendorongnya ke tahap produksi dan memantau kesehatan sistem.
00:12:49Untuk sistem agentic, hal ini sepenuhnya berbeda dan di sinilah arti dari penerapan itu sendiri berubah.
00:12:54Dalam SDLC, penerapan adalah akhir dari pengembangan dan awal dari fase operasi yang stabil, titik di mana perangkat lunak memasuki tahun-tahun yang mapan.
00:13:02Dalam ADLC, penerapan justru merupakan awal dari pemantauan dan kendali aktif, yang dibentuk oleh pembaruan model, pergeseran konteks (context drift), dan perubahan lingkungan yang terus bergerak bahkan setelah Anda beralih.
00:13:11Jadi, meskipun pengembangan mungkin sudah selesai, tahap ini menjadi jauh lebih kritis karena Anda sekarang harus aktif memantau metrik perilaku dan sistem.
00:13:19Anda juga memerlukan aturan peringatan (alerting) yang terus mengawasi masalah kualitas, keamanan, dan performa sehingga dapat ditangkap lebih awal sebelum berubah menjadi kesalahan produksi skala besar.
00:13:28Penerapan pada dasarnya adalah aktivasi terkendali dengan pengamatan terus-menerus sementara pengguna nyata berinteraksi dengan sistem.
00:13:34Alih-alih hanya berfokus pada kesehatan sistem, Anda berfokus pada performa perilaku sehingga masalah dapat ditangkap lebih awal sebelum menjangkau semua pengguna.
00:13:41Dalam praktiknya, Anda pertama-tama merilis sistem ke sekelompok pengguna terbatas dan membiarkan mereka menggunakannya dalam kondisi nyata.
00:13:46Kemudian Anda mengamati bagaimana sistem agentic merespons dari waktu ke waktu sebelum meluncurkannya secara bertahap ke semua orang.
00:13:52Setelah implementasi melalui semua proses tersebut, ia menjadi siklus berkelanjutan dari pemeliharaan, pembelajaran konstan, dan pertumbuhan.
00:13:58Ini adalah tahap yang penting karena menjaga agen tetap akurat dan selaras dengan kebutuhan dunia nyata.
00:14:03Dengan sistem tradisional, loop umpan balik (feedback loops) relatif sederhana.
00:14:06Seorang pengguna melaporkan bug, lalu pengembang melakukan iterasi untuk memperbaikinya.
00:14:10Dengan sistem agentic, hal ini sangat berbeda karena didasarkan pada proses perbaikan terus-menerus yang tidak pernah berhenti pada titik mana pun.
00:14:16Siklus tersebut terus menyempurnakan model, dan semua sinyal negatif dimasukkan kembali agar ia dapat meningkatkan perilakunya dari waktu ke waktu.
00:14:22Hal ini biasanya dilakukan melalui sinyal UI seperti jempol ke atas dan jempol ke bawah untuk menangkap bagaimana perasaan pengguna setelah menerima respons.
00:14:29Banyak sistem produksi yang sudah menggunakan mekanisme serupa, seperti memilih di antara beberapa keluaran atau memeringkat respons seperti yang terlihat pada alat seperti ChatGPT atau sistem umpan balik di Claude.
00:14:39Sinyal-sinyal ini kemudian dimasukkan kembali ke dalam sistem agentic sehingga ia dapat belajar dan beriterasi menuju performa yang lebih baik.
00:14:44Ada juga pembaruan berkala pada sumber data dan embeddings untuk memastikan sistem tetap mutakhir dan tidak terganggu oleh informasi yang kedaluwarsa.
00:14:52Penyelarasan (alignment) harus terus dipantau agar keamanan dan batasan pengaman (guardrails) tetap efektif terhadap segala jenis prompt, termasuk risiko seperti prompt injection.
00:15:00Variabel kunci di sini adalah manajemen biaya berkelanjutan, pelacakan kualitas, backlog peningkatan produk, dan peningkatan model, yang semuanya perlu dipelihara terus-menerus untuk menjaga sistem tetap stabil, aman, dan operasional dari waktu ke waktu.
00:15:11Itu membawa kita pada akhir video ini.
00:15:13Jika Anda ingin mendukung saluran ini dan membantu kami terus membuat video seperti ini, Anda dapat melakukannya dengan menggunakan tombol super thanks di bawah.
00:15:20Seperti biasa, terima kasih telah menonton dan sampai jumpa di video berikutnya.
Community Posts
No posts yet. Be the first to write about this video!
Write about this video