Telset.id – Beban kerja database yang dipicu AI agent memaksa bisnis memikirkan ulang fondasi data mereka. Search dan analytics yang selama ini berjalan di sistem terpisah kini mulai menyatu, karena satu pertanyaan natural language bisa berubah menjadi beberapa operasi database sekaligus. Tekanan ini muncul ketika aplikasi AI di lapisan atas terus tumbuh, sementara lapisan di bawahnya yang bertugas menemukan, mengambil, dan menganalisis data justru kurang mendapat perhatian.
Pendiri sekaligus CEO SereneDB, Alexander Malandin, menyebut kondisi ini lewat sebuah perumpamaan: seekor gajah yang berdiri di atas kaki porselen. Sistem di atas lapisan data kian berat dan ambisius, tetapi fondasinya menerima jauh lebih sedikit perhatian. Investor dan perusahaan teknologi berbicara soal AI infrastructure terus-menerus, tetapi yang mereka maksud biasanya adalah chip, model, dan aplikasi di atasnya. Padahal setiap aplikasi tersebut bergantung pada lapisan yang tidak populer: sistem yang menemukan, mengambil, dan menganalisis datanya.
Di banyak bisnis, search dan analytics masih hidup di sistem terpisah. Satu sistem menemukan informasi relevan dalam dokumen dan data tak terstruktur, sementara sistem lain menghitung, membandingkan, dan mengidentifikasi pola. Pipeline menyalin dan menyinkronkan informasi di antara keduanya, dan engineer harus memastikan semuanya tetap berjalan bersama. Pemisahan ini bukan keputusan desain yang bodoh. Model tersebut menjadi status quo karena cocok dengan pertanyaan, perangkat keras, dan pengguna pada masanya. Kini antarmuka natural language dan AI agent yang mengekspos celahnya.
Satu Pertanyaan Berubah Jadi Beberapa Tugas
AI agent dapat mengubah satu permintaan manusia menjadi beberapa kueri mesin yang lebih kecil sebelum mengembalikan jawaban. Agent mungkin mencari bagian-bagian berbeda dari permintaan secara terpisah, memberi peringkat pada hasilnya, lalu memutuskan apakah bukti yang dimiliki sudah cukup untuk melanjutkan. Apa yang terasa seperti satu aksi bagi pengguna bisa menghasilkan pekerjaan database berulang. Sebagian permintaan hanya butuh retrieval, sebagian lain meminta sistem menemukan bukti sekaligus menghitungnya. Begitu sebuah tugas membutuhkan keduanya, batas antara search dan analytics langsung terlihat.
Natural language tidak menghormati cara industri database membagi dirinya. Orang tidak memisahkan “temukan dokumen relevan” dari “hitung maknanya” saat meminta jawaban kepada kolega. Agent juga tidak. Mereka menerjemahkan satu niat menjadi rangkaian pencarian dan perhitungan yang dibutuhkan. Aktivitas database ekstra ini sudah berdampak bahkan sebelum kita membayangkan agent swarm, yaitu sekelompok AI agent yang bekerja paralel pada bagian-bagian dari tugas yang lebih besar. Satu prompt yang tampak sederhana sudah bisa menciptakan pekerjaan database lebih banyak daripada yang dilihat pengguna. Setiap serah-terima antar sistem menambah latensi, biaya, dan satu titik lagi tempat konteks bisa hilang.
Tekanan pada lapisan data ini sejalan dengan tren investasi infrastruktur yang sedang berlangsung. Lihat saja langkah Nvidia Investasi di sektor infrastruktur, atau strategi Intelligent Infrastructure yang mulai diadopsi pelaku industri. Persoalan yang diangkat Malandin menunjukkan bahwa investasi di lapisan atas perlu diimbangi fondasi data yang efisien.
Search dan Analytics Tumbuh Terpisah
AI agent mengekspos serah-terima tersebut karena sistem search dan database analitik memang berkembang secara terpisah. Search engine dirancang untuk menemukan informasi relevan dalam teks berantakan, log, dan dokumen, bahkan ketika pengguna tidak bisa mendeskripsikan jawabannya dengan tepat. Database analitik dibangun untuk bekerja dengan data terstruktur: mengagregasi dataset besar, menggabungkan record, menghitung rata-rata, dan mengidentifikasi tren. Pemisahan ini masuk akal ketika bisnis umumnya meminta satu sistem untuk menemukan informasi dan sistem lain untuk menghitungnya. Pemisahan itu menjadi masalah ketika satu pertanyaan membutuhkan keduanya.
Search bisa mengidentifikasi kumpulan dokumen yang tepat, tetapi sistem lain sering dibutuhkan untuk mengolah angka di dalamnya. Alat analitik dapat menghitung dengan cepat, tetapi umumnya bekerja paling baik ketika pengguna sudah tahu di mana data relevan berada dan bagaimana strukturnya. Untuk menggabungkan search dengan analytics, bisnis membangun salinan data tambahan, pipeline ekstraksi dan transformasi, job sinkronisasi, serta kode aplikasi. Vector search dapat menambah satu lagi sistem khusus ke dalam rantai tersebut. Data engineer kemudian menghabiskan waktu memelihara plumbing itu, bukan karena plumbing tersebut menciptakan nilai sendiri, tetapi karena pekerjaan di bawahnya tetap terpisah.
Beberapa produk search dan analitik sudah mulai merambah ke bidang lain. Meski begitu, banyak bisnis masih menjalankan sistem terpisah dan memelihara infrastruktur yang menghubungkannya. Pola serupa terlihat di industri cloud, seperti langkah Meta Cloud Infrastructure dan gelontoran dana Google AI Infrastructure, yang sama-sama menegaskan betapa besarnya taruhan pada lapisan fondasi.
Baca Juga:
Menjalankan sistem search dan analytics secara terpisah berarti membayar salinan data tambahan, pipeline di antaranya, dan engineer yang menjaga semuanya tetap bekerja. Search index perlu diperbarui saat data sumber berubah. Penyimpanan analitik bisa menyimpan versi lain dari informasi yang sama, sementara vector search dapat menghadirkan lapisan spesialis lain. Arsitekturnya bervariasi, tetapi setiap salinan tambahan mengonsumsi storage, setiap job sinkronisasi butuh pemantauan, dan setiap serah-terima menciptakan titik lain tempat data bisa kedaluwarsa atau kueri melambat. Biaya itu sudah ada sebelum AI agent meningkatkan volume kueri. Agent membuatnya lebih sulit diabaikan karena satu aksi pengguna dapat memicu beberapa operasi di sepanjang rantai sistem yang sama.
Format Terbuka Mengubah Ekonomi Data
Salah satu cara mengurangi duplikasi adalah menyimpan data di object storage dan menggunakan format terbuka agar berbagai alat dapat bekerja dengannya. Dalam praktiknya, data bisa berada di Amazon S3, layanan object storage dari Amazon Web Services, sebagai file Apache Parquet yang diorganisasi ke dalam tabel dengan Apache Iceberg. Pendekatan ini memisahkan storage dari database dan server yang memproses data. Alat search dan analytics dapat bekerja dari informasi dasar yang sama, bukan mengharuskan salinan lengkap di setiap produk. Index dan lapisan komputasi tetap dibutuhkan, dan sebagian workload akan terus membutuhkan sistem khusus, tetapi duplikasi tidak lagi harus menjadi default.
Di seluruh industri, search dan analytics mulai bertemu seiring bisnis memperoleh kendali lebih besar atas lokasi data mereka. Ketika workload baru muncul, mereka dapat menggunakan data dasar yang sama daripada otomatis menambah database lain, salinan lain, dan pipeline lain. Pekerjaan memelihara lapisan data ini juga menuntut keandalan operasional yang tinggi, seperti terlihat pada kasus Layanan N-Central yang dihentikan akibat zero-day.
Mengurangi duplikasi data dan pipeline akan semakin bernilai ketika bisnis memberi lebih banyak pekerjaan kepada AI agent. Agent swarm yang masif dan konkuren belum menjadi realitas produksi sehari-hari, tetapi agent sudah mengubah workload database. Satu permintaan natural language bisa menjadi beberapa operasi database, dan agent dapat mengulangi proses itu terus-menerus, tanpa jam kerja atau jeda yang membentuk penggunaan manusia. Ketika agent menangani lebih banyak pekerjaan, volume kueri dapat mulai mengikuti aktivitas software alih-alih jumlah karyawan.
Gejala pertama dari permintaan ekstra itu kemungkinan besar bukan keruntuhan database secara tiba-tiba. Gejalanya lebih mungkin muncul sebagai antrean, respons yang melambat, timeout, tagihan infrastruktur yang naik, dan tekanan lebih besar pada pipeline antar sistem. Bisnis tidak perlu mengasumsikan swarm sudah dekat untuk membenarkan peninjauan lapisan data. Infrastruktur dan biaya operasional yang terduplikasi sudah ada. Lebih banyak agent akan meningkatkan keduanya.
Lapisan data yang lebih sederhana tetap harus mengalahkan infrastruktur yang sudah dikenal dan dipercaya bisnis. Istilah legacy sering dipakai sebagai hinaan, tetapi Malandin memaknainya lebih literal: status quo yang sudah mapan. Sistem yang ada menjadi dominan karena menyelesaikan masalah penting dan, dalam banyak kasus, terus menyelesaikannya dengan baik. Bisnis tidak seharusnya membongkar infrastruktur yang berfungsi hanya karena AI sedang populer. Mereka perlu mengajukan pertanyaan yang lebih praktis: berapa banyak sistem lengkap yang menyimpan versi data yang sama, berapa banyak pipeline yang ada hanya untuk memindahkan informasi di antaranya, berapa lama waktu yang dibutuhkan untuk menjawab pertanyaan yang menggabungkan bukti tak terstruktur dengan analisis numerik, dan berapa banyak waktu spesialis yang dihabiskan untuk menjaga rute itu tetap operasional.
Jika jawabannya tetap sederhana dan ekonomis, arsitektur saat ini mungkin sudah memadai. Jika setiap fitur AI baru membutuhkan store lain, salinan lain, dan lapisan perekat lain, fondasinya layak mendapat perhatian lebih dekat. Gajahnya kian berat, dan kakinya pantas mendapat perhatian yang sama dengan semua yang dibangun di atasnya. Namun mengubah fondasi itu tidak akan mudah, karena tidak ada kompetitor yang lebih sengit daripada status quo.
Komentar
Belum ada komentar.