Author: hadi s

Melihat perkembangan AI di tahun 2025, wajar jika banyak orang khawatir tentang otomatisasi yang bisa menggantikan peran manusia. Saya sering berbicara dengan pelanggan, mitra, dan rekan kerja yang sedang menghadapi pertanyaan ini. Tapi saya juga percaya bahwa sebagian besar kekhawatiran ini sebenarnya kurang tepat. Peluang sebenarnya bukanlah melawan kemajuan AI, tapi melihatnya sebagai undangan untuk menjadi lebih manusiawi—bukan sebaliknya. Perspektif Sederhana yang Berarti Selama beberapa tahun terakhir, saya punya pandangan sederhana: “Bukan AI yang akan mengambil pekerjaan Anda, tapi orang yang tahu cara menggunakan AI.” Tapi sekarang saya ingin melangkah lebih jauh. Seiring AI semakin canggih, mudah diakses, dan terintegrasi dalam pekerjaan sehari-hari, keunggulan kita bukan lagi soal kemampuan teknis semata—melainkan kemampuan manusia yang tidak bisa ditiru AI. Keterampilan seperti empati, berpikir kreatif, pengambilan keputusan yang etis, kepemimpinan, dan kecerdasan emosional akan menjadi nilai yang paling membedakan. “AI, jika diterapkan dengan bijak, tidak membuat kita kehilangan sisi kemanusiaan. Justru sebaliknya: AI mendorong kita untuk lebih menjadi manusia.” Itulah kutipan yang saya tulis dalam artikel saya di AI Magazine, dan keyakinan ini terus membentuk pandangan saya tentang masa depan dunia kerja. Di Titik Perubahan Saat ini, AI bisa membuat konten, meringkas dokumen, dan menyusun alur kerja hanya dalam hitungan detik. Informasi yang dulu butuh waktu dan keahlian khusus, sekarang bisa diakses siapa saja. Tapi jika semua orang bisa mengakses data yang sama, apa yang bisa membedakan kita? Jawabannya: bagaimana kita menafsirkan informasi itu, bagaimana kita menyampaikan cerita, membangun kepercayaan, dan menciptakan hasil yang berdampak. Ada kutipan dari Robert Rose (Content Marketing Institute) yang selalu saya ingat: “Ketika semua orang bisa mengakses wawasan yang sama, pertanyaannya adalah: apa yang tersisa? Jawabannya: koneksi.” Kutipan ini menggambarkan perubahan besar—dari informasi sebagai keunggulan, menjadi koneksi antar manusia sebagai nilai utama. Bukti Nyata di Lapangan Saat saya berbicara dengan tim IT di perusahaan besar yang sedang melakukan transformasi atau menerapkan teknologi jaringan baru, saya melihat pola yang sama: Pemimpin yang sukses bukan hanya mereka yang ahli secara teknis, tetapi mereka yang bisa menyatukan tim, menginspirasi perubahan, dan menyampaikan visi. Ini semua adalah kemampuan yang sangat manusiawi—dan justru semakin penting di era AI. AI memang akan mengubah peran pekerjaan. Tapi bukan sekadar menggantikan tugas. AI akan menaikkan standar pekerjaan. Tugas-tugas yang bisa diulang, dihitung, dan diprediksi akan diambil alih AI. Sementara itu, kita bisa fokus pada hal-hal yang benar-benar penting: membuat keputusan dalam ketidakpastian, membimbing orang lain, merancang sistem baru, dan menyelesaikan masalah yang belum pernah ditemui algoritma mana pun. Kiat Hidup di Dunia Kerja yang Diperkaya AI Joanna Stern dari Wall Street Journal menyarankan para lulusan baru untuk menjalani lima prinsip: jadilah pribadi kreatif, pembelajar seumur hidup, pencari kebenaran, pekerja keras, dan kolaborator. Ini bukan sekadar nasihat karier—ini adalah strategi bertahan di dunia kerja masa depan. Saya menambahkan: ini juga adalah ciri-ciri pemimpin sejati. AI bisa membantu, tapi AI tidak bisa memimpin. AI bisa menghitung, tapi tidak bisa peduli. Itu semua tugas kita. Sebagai pemimpin, kita tidak hanya mengadopsi alat baru—kita juga membentuk budaya tentang bagaimana alat itu digunakan. Kita harus memberi contoh: di mana manusia tetap perlu mengawasi, kapan nilai-nilai harus jadi penuntun, dan bagaimana menyeimbangkan kepercayaan pada teknologi dengan tanggung jawab manusia. Kunci Keberhasilan: Kepercayaan Dalam banyak diskusi saya dengan para CIO dan pemimpin IT global, satu hal selalu muncul: pentingnya kepercayaan. Bukan hanya kepercayaan pada sistem AI, tapi kepercayaan antar manusia. Organisasi yang sukses dalam mengadopsi AI adalah mereka yang menjaga komunikasi dua arah, membuat tim merasa dihargai, dan tetap memberi ruang bagi rasa kepemilikan—even saat AI ikut terlibat. Contohnya, ada pelanggan yang menggunakan generative AI untuk mempercepat dokumentasi jaringan dan tanggapan dukungan. AI memang menghemat waktu, tapi yang membuat proyek itu sukses adalah bagaimana tim mereka memanfaatkan waktu yang tersisa untuk membangun kolaborasi lintas fungsi dan memahami kebutuhan pengguna. Upaya manusia-lah yang menjadikannya keunggulan strategis. Redefinisi “Keahlian” Semakin AI menyatu dalam pekerjaan, kita juga harus mengubah cara kita melihat keahlian. Sertifikasi teknis dan keahlian alat memang masih penting—tapi itu tidak cukup. Kita perlu mulai menghargai dan memberi penghargaan pada keterampilan seperti empati, kemampuan beradaptasi, kejelasan etika, dan kemampuan bercerita. Itu bukan sekadar “soft skill”—itu adalah aset nyata yang meningkatkan kinerja tim, kepuasan pelanggan, dan ketahanan organisasi. Menjadi Manusia yang Tidak Tergantikan Bagaimana cara membangun keterampilan ini? Dimulai dari niat. Ciptakan lingkungan kerja yang mendukung perkembangan keterampilan manusia. Bangun program mentoring yang fokus pada empati. Jalankan jalur kepemimpinan yang mengajarkan komunikasi inklusif. Lakukan penilaian kinerja yang tidak hanya fokus pada hasil kerja, tapi juga mendengarkan aktif dan pengambilan keputusan yang etis. Di dunia kerja yang didukung AI, menjadi “cukup baik” saja tidak akan cukup. Anda harus punya nilai lebih. Bukan sebagai “bagian kecil dari mesin AI”, tapi sebagai manusia yang unik. Tunjukkan keterampilan komunikasi Anda. Tumbuhkan pengaruh Anda. Tulis dan buat konten yang mencerminkan wawasan dan perspektif Anda. Saat Anda bicara di panggung, menulis memo internal, atau membangun jaringan profesional, cara Anda menyampaikan makna sebagai manusia akan jadi pembeda utama. Di Extreme Networks, kami melihat keterampilan manusia berdampak besar di semua tim—dari engineering hingga layanan pelanggan. Solusi terbaik bukan hanya hasil dari kode yang hebat, tapi juga empati: kemampuan memahami kebutuhan pengguna bahkan sebelum mereka mengucapkannya. Masa depan ditentukan oleh seberapa besar kita membawa sisi manusiawi kita ke dalam pekerjaan. Dan karena itulah saya percaya bahwa Era AI juga adalah Era Keterampilan Manusia. Di masa depan, yang membedakan kita bukan hanya apa yang kita ketahui—tapi bagaimana kita memimpin, terhubung, memahami, dan menginspirasi. Jadi, ya—pelajari cara kerja AI. Kuasai alat-alatnya. Pahami kemampuannya. Tapi jangan lupa berinvestasi pada hal yang hanya Anda yang bisa lakukan. Jadilah orang yang melihat konteks yang orang lain lewatkan. Jadilah orang yang berbicara dengan jelas saat orang lain ragu. Jadilah jembatan antara manusia dan mesin. Karena risiko sebenarnya bukan AI mengambil pekerjaan Anda. Risiko sebenarnya adalah kita lupa apa yang membuat kita berbeda. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan extremenetworks indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi kami sekarang atau kunjungi extremenetworks.ilogoindonesia.id untuk informasi…

Saat ini, para pemimpin IT menghadapi berbagai tantangan dalam mengelola dan mengoptimalkan jaringan mereka. Dengan meningkatnya kompleksitas dan kebutuhan akan keamanan yang kuat, infrastruktur jaringan dituntut bekerja lebih baik dari sebelumnya. Teknologi fabric menawarkan solusi transformatif untuk tantangan ini—menciptakan lingkungan jaringan yang lebih sederhana, aman, dan mudah dikembangkan. Tonton webinar on-demand ini untuk mendengar langsung dari para ahli industri mengenai bagaimana teknologi fabric telah merevolusi jaringan mereka. Apa yang Akan Anda Dapatkan dari Sesi Ini: 1. Menyederhanakan Operasi melalui Otomatisasi Otomatisasi mempermudah pengelolaan jaringan dengan mengurangi kerumitan dan mempercepat tugas-tugas rutin. Hal ini membantu tim IT bekerja lebih efisien, menurunkan biaya operasional, dan memungkinkan mereka fokus pada tugas yang lebih strategis dan berdampak. Hasilnya, efisiensi meningkat dan inovasi lebih mudah dicapai. 2. Meningkatkan Keamanan dengan Prinsip Zero Trust Prinsip zero trust memperkuat keamanan jaringan dengan memverifikasi setiap permintaan akses secara ketat. Setiap pengguna dan perangkat harus melalui proses autentikasi dan otorisasi secara real-time. Dengan begitu, hanya pihak yang sah yang bisa mengakses jaringan. Teknologi fabric menyediakan infrastruktur yang mendukung penerapan zero trust, menjaga lingkungan jaringan tetap aman dan tahan terhadap berbagai ancaman. 3. Skalabilitas yang Mulus Teknologi fabric memungkinkan jaringan berkembang dengan mudah, baik di lingkungan cloud, edge, maupun IoT. Fabric mendukung integrasi layanan cloud dan memperluas perlindungan ke perangkat-perangkat edge dan IoT secara efisien. “Apa yang diinginkan oleh pengguna akhir kami—baik dokter, perawat, terapis, maupun staf administrasi—adalah jaringan yang andal, stabil, dan cepat. Tugas kami adalah memenuhi harapan tersebut dan terus memperkuat digitalisasi, dan kami siap untuk itu.” — Michael Restuccia, SVP dan CIO, Penn Medicine Cerita dari Para Pengguna Teknologi Fabric: ✅ Temple University Membangun Jaringan Kelas Dunia dengan Extreme Fabric Temple University melakukan transformasi besar-besaran dengan mengganti infrastruktur lama mereka di lebih dari 300 gedung kampus menggunakan Extreme Fabric. Dengan upgrade lebih dari 2.500 switch, tim IT yang mendukung 35.000 pengguna kini dapat menyiapkan perangkat dalam waktu kurang dari 90 menit. Dengan fitur otomatisasi dan segmentasi, mereka dapat memisahkan jaringan mahasiswa, staf pengajar, dan operasional secara efisien, serta memastikan konektivitas tetap lancar tanpa gangguan. Hasilnya? Jaringan yang sederhana, aman, dan scalable—mampu mendukung kebutuhan kampus hingga lokasi jarak jauh, bahkan dengan tim IT yang kecil. ✈️ Peningkatan Jaringan di Bandara Internasional Philadelphia Bandara Philadelphia memanfaatkan Extreme Networks untuk layanan routing utama dan otomatisasi jaringan yang aman melalui Extreme Fabric. Teknologi ini membantu tim IT bandara melayani 17.000 karyawan dan 30 juta penumpang per tahun dengan fleksibilitas tinggi. Selain itu, fitur keamanannya yang kuat membantu bandara menjaga data sensitif dan tetap patuh terhadap regulasi. Fabric juga memungkinkan tim merespons cepat terhadap proyek pembangunan atau perubahan operasional yang dinamis. 🏥 Penn Medicine Meningkatkan Layanan Kesehatan dengan Operasional IT yang Handal Penn Medicine mengandalkan solusi jaringan IT untuk mendukung operasional medis penting. Dengan 11.000 access point, 200.000 port switching, dan 65 TB data yang mengalir setiap harinya, jaringan mereka memastikan pengalaman pasien dan keluarga tetap mulus. Infrastruktur ini juga memberikan keamanan tinggi untuk melindungi data rumah sakit dan pasien secara menyeluruh. Saatnya Mengubah Jaringan Anda! Jangan lewatkan kesempatan untuk mempelajari cara para pemimpin IT mengoptimalkan jaringan mereka dengan Extreme Fabric. Tonton webinar on-demand kami dan temukan wawasan berharga untuk membawa jaringan Anda ke level berikutnya! Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan extremenetworks indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi kami sekarang atau kunjungi extremenetworks.ilogoindonesia.id untuk informasi lebih lanjut!

Seiring dengan meningkatnya permintaan terhadap AI, pusat data (data center) kini mulai dirancang ulang untuk mengatasi tantangan komputasi dan jaringan yang unik dari beban kerja AI. Masa depan cloud AI akan sangat bergantung pada Ethernet berbasis standar untuk memberikan skala, performa, dan fleksibilitas yang dibutuhkan untuk aplikasi dan beban kerja generasi berikutnya. Apakah jaringan Anda siap untuk beban kerja AI? Pusat data tradisional kini sedang mengalami perubahan besar. Dulu, AI hanya digunakan di bagian tertentu saja. Sekarang, AI diharapkan hadir di mana-mana—dari perangkat pengguna, pusat data, hingga cloud. Agar bisa mengikuti perkembangan ini, organisasi perlu mempercepat pengembangan infrastruktur AI agar bisa menjalankan beban kerja kapan saja, di mana saja, dan dalam skala berapa pun. Untuk itu dibutuhkan jaringan pusat data AI yang dirancang khusus untuk performa tinggi, skalabilitas besar, dan komunikasi tanpa kehilangan data (lossless). Masalah besar di jaringan: Tantangan berat beban kerja AI Beban kerja AI dan pembelajaran mesin (ML) sangat beragam, mulai dari menganalisis data, membuat prediksi, hingga mengotomatisasi keputusan. Beban kerja ini sangat penting untuk teknologi-teknologi canggih saat ini, namun menuntut infrastruktur data center yang jauh lebih kuat—terutama dalam hal kecepatan jaringan, penyimpanan, dan komputasi. Misalnya, melatih model bahasa besar (LLM) membutuhkan data terpusat dalam jumlah besar serta koneksi bandwidth tinggi secara terus-menerus. Di sisi lain, beban kerja inference (pengambilan hasil dari model yang sudah dilatih) cenderung lebih terdistribusi, membuat lalu lintas data berpindah-pindah antara perangkat, edge, core, dan cloud. Lalu lintas di data center tradisional biasanya bersifat asinkron—misalnya permintaan dari database atau pengguna yang mengakses server web. Sebaliknya, beban kerja AI menghasilkan lalu lintas yang disebut “elephant flows”: aliran data besar dan terus-menerus yang bergerak secara horizontal (east-west) antar mesin dalam data center. Hampir tidak ada lalu lintas yang keluar-masuk dari/ke luar data center (north-south), karena hingga 90% lalu lintasnya terjadi antar mesin di dalam. Di dalam klaster AI, sebagian besar data berpindah antar GPU dalam jangka waktu panjang. Tidak seperti jaringan biasa di mana proses bisa jalan secara paralel, jaringan GPU membutuhkan semua data tersedia sebelum melanjutkan proses. Keterlambatan di satu GPU saja bisa memperlambat seluruh pekerjaan. Karena itu, jaringan menjadi faktor kunci yang perlu dirancang khusus untuk memenuhi kebutuhan AI. Merancang jaringan untuk AI Banyak perusahaan kini mempertimbangkan untuk menjalankan beban kerja AI di lingkungan on-premises (di pusat data sendiri), bukan di cloud. Alasannya mencakup privasi data, kepatuhan regulasi, keamanan, latensi, dan tingginya biaya bandwidth cloud. Sebuah pusat data yang mendukung AI biasanya terdiri dari tiga komponen utama: Jaringan front-end dan back-end Sistem penyimpanan (storage) Klaster komputasi (GPU/CPU) Ukuran dan desain klaster AI tergantung pada kompleksitas model, ukuran dataset, dan kecepatan pelatihan/inference yang diinginkan. Klaster ini bisa sekecil perusahaan biasa atau sebesar data center hyperscale dengan ribuan node. Arsitektur jaringan AI Arsitektur jaringan AI umumnya menggunakan desain bertingkat (layered), yaitu struktur leaf-and-spine (CLOS) yang terpisah antara front-end dan back-end. Front-end fabric: Menghubungkan CPU dan lalu lintas dari pengguna luar. Back-end fabric: Menghubungkan GPU dengan NIC RoCEv2 untuk komunikasi cepat dan lossless. Desain ini membuat beban kerja penyimpanan dan komputasi terpisah sehingga bisa diskalakan secara efisien. Jaringan front-end menangani API, koordinasi, dan pengumpulan data telemetri. Jaringan back-end menangani aliran data besar untuk pelatihan model dan penyimpanan. Di bagian back-end, terdapat dua bagian penting: Jaringan komputasi (GPU) Jaringan penyimpanan (storage) Keduanya harus dirancang tanpa oversubscription, artinya koneksi ke switch harus cukup besar agar tidak terjadi kemacetan data. Semakin besar klaster, semakin penting untuk menjaga kepadatan port, bandwidth, dan arsitektur yang efisien. Solusinya Cloud menawarkan skalabilitas dan fleksibilitas. Tapi karena AI generatif membutuhkan sumber daya besar dan mahal, banyak organisasi mulai berpikir ulang—apakah beban kerja AI sebaiknya dijalankan di pusat data sendiri saja? Selain biaya, menjalankan AI di on-premises juga memberikan kontrol lebih baik atas keamanan dan privasi data. Model AI biasanya menggunakan data dalam jumlah besar dan sering kali sensitif. Meski cloud aman, banyak organisasi lebih nyaman menyimpan data di dalam sistem mereka sendiri. Ethernet, teknologi jaringan yang telah digunakan selama puluhan tahun, kini sedang bertransformasi untuk mendukung beban kerja AI. Ethernet generasi baru mendukung kecepatan hingga 400, 800, bahkan 1.6 Tbps, dan dirancang agar tidak kehilangan data (lossless). Tantangan utama jaringan AI adalah keterbatasan tumpukan TCP/IP lama di kecepatan tinggi, karena beban berat pada CPU. Solusinya adalah Remote Direct Memory Access (RDMA), yang memindahkan tugas komunikasi dari CPU ke perangkat keras khusus, sehingga performa meningkat drastis. Khususnya, RDMA over Converged Ethernet (RoCE) jika dikombinasikan dengan fitur seperti: DCQCN (Data Center Quantized Congestion Notification) PFC (Priority Flow Control) ECN (Explicit Congestion Notification) Load balancing dinamis …membentuk fabric Ethernet lossless yang sangat cocok untuk beban kerja AI. Ultra Ethernet: Masa depan jaringan AI InfiniBand memang selama ini jadi standar emas dalam komputasi kinerja tinggi (HPC), tapi RoCE punya keunggulan besar: Lebih mudah diintegrasikan dengan Ethernet yang sudah ada Biaya lebih rendah Cocok untuk pusat data AI Namun, RoCE juga punya keterbatasan. Karena itu, sejumlah vendor dan operator membentuk Ultra Ethernet Consortium (UEC), yang bertujuan meningkatkan performa dan skalabilitas Ethernet untuk memenuhi tuntutan beban kerja AI yang terus berkembang. UEC ingin menambahkan fitur-fitur baru pada teknologi Ethernet agar bisa menangani pertukaran data dalam jumlah sangat besar antar node komputasi di klaster AI. Kembali ke pusat data sendiri Ethernet sudah menjadi tulang punggung data center, baik untuk beban kerja tradisional maupun AI. Dengan semakin banyaknya model AI open-source seperti DeepSeek, kita akan melihat peningkatan kembali penggunaan data center milik perusahaan sendiri (on-premises). Model-model AI kini semakin ringan dan bisa berjalan di perangkat yang lebih sederhana. Artinya, AI tidak harus selalu dijalankan di cloud. Ini membuat pusat data lokal menjadi lebih menarik, karena bisa menekan biaya operasional. Menjalankan AI di on-premises juga memberikan kontrol yang lebih baik atas data sensitif dan memenuhi aturan privasi dan kedaulatan data. Karena AI menjadi lebih ringan dan efisien, ke depan kita akan melihat pergeseran ke komputasi edge—yaitu menjalankan AI di lokasi yang dekat dengan pengguna. Ini mengurangi latensi, menghemat bandwidth cloud, dan membawa layanan AI lebih dekat ke pengguna akhir. Masa depan pusat data AI Kombinasi antara Ethernet kinerja tinggi, model AI yang inovatif, dan kebutuhan perusahaan yang terus berkembang akan membentuk ulang…

Setiap hari, kita melihat berita tentang kemajuan kecerdasan buatan (AI). Tapi, apakah kegembiraan ini menyembunyikan kenyataan bahwa kita mulai mencapai batasnya? Bagaimana jika lompatan besar berikutnya dalam AI—yakni terciptanya Artificial General Intelligence (AGI), atau kecerdasan buatan umum yang bisa berpikir dan mengambil keputusan sendiri—membutuhkan kita untuk memikirkan ulang cara kerja komputasi itu sendiri? Gambar 1 – Titik temu antara Komputasi, AI, dan Kuantum: Apakah kita sedang menunggu konvergensi? Saat ini, kita mulai menemui batasan dari AI generatif, baik dari sisi efisiensi model maupun keterbatasan perangkat keras. Berita tentang pelatihan dan inferensi berbiaya rendah, serta munculnya arsitektur kuantum topologis, mulai mengguncang arah investasi dan menimbulkan pertanyaan: seberapa jauh kita bisa maju tanpa adanya perubahan teknologi besar? Dalam konteks ini, mari kita renungkan pernyataan dari ilmuwan ternama Richard Feynman: “Alam itu tidak bekerja secara klasik, dan kalau kamu ingin mensimulasikan alam, kamu sebaiknya membuatnya secara kuantum. Dan masalah ini luar biasa, karena tidak terlihat mudah.” — Richard Feynman, Kuliah tahun 1981 Pernyataan ini menunjukkan bahwa AI selama ini masih dibangun di atas komputasi klasik. Untuk maju lebih jauh, mungkin sudah saatnya kita mulai menerima prinsip-prinsip komputasi kuantum. Konvergensi antara AI dan Komputasi Kuantum bisa mengubah arah perkembangan teknologi secara besar-besaran. Bisa jadi, terobosan besar berikutnya adalah menyadari bahwa kecerdasan kita sendiri dipengaruhi oleh efek kuantum—bukan hanya impuls listrik seperti yang disimulasikan komputer klasik. Jika ini bisa kita pahami dan terapkan, dampaknya bisa sangat besar: mengubah industri, menyelesaikan masalah kompleks, dan menciptakan lompatan inovasi sebagaimana AI generatif telah lakukan dalam beberapa tahun terakhir. Pengantar AI dan Komputasi Kuantum AI telah mengalami banyak perubahan sejak pertama kali dikembangkan. Awalnya, AI adalah perangkat lunak yang berjalan di atas komputer biasa, yang memproses data, teks, gambar, dan media lainnya menjadi informasi yang berguna. Pada tahap awal, AI hanya mengandalkan CPU (Central Processing Unit) yang bekerja satu per satu (single-threaded). Semua parameter disimpan di memori, sehingga membatasi kemampuan AI untuk menangani data besar dan kompleks. Karena kebutuhan akan AI yang lebih canggih terus meningkat, keterbatasan CPU menjadi kendala. Maka, digunakanlah GPU (Graphics Processing Unit), yang mampu memproses banyak hal secara paralel sekaligus. Ini sangat membantu dalam pelatihan dan penggunaan jaringan neural (neural networks), terutama model deep learning yang membutuhkan banyak komputasi. Kemunculan GPU menjadi momen penting dalam perkembangan AI. Dengan kekuatan paralelisme GPU, AI menjadi mampu melatih model yang jauh lebih besar dan kompleks. Inilah yang melahirkan era AI generatif, seperti model bahasa besar (LLM) termasuk seri GPT dari OpenAI, yang bisa menghasilkan teks menyerupai manusia. AI generatif membawa loncatan besar dibandingkan pembelajaran mesin tradisional. Jika machine learning biasa digunakan untuk klasifikasi atau prediksi, AI generatif bisa menciptakan sesuatu yang baru—teks, gambar, musik, bahkan video. Kemampuan ini membuka banyak peluang seperti pembuatan konten otomatis, agen AI canggih, hingga pembuatan “deepfake” yang makin sulit dibedakan dari buatan manusia. Namun meskipun GPU mempercepat AI, batasan masih ada. Model AI besar memerlukan sumber daya besar, dan ini menimbulkan tantangan efisiensi serta konsumsi energi. Di sinilah komputasi kuantum menawarkan harapan baru: pemrosesan paralel dalam skala besar dan kecepatan tinggi yang belum pernah ada sebelumnya. Tapi tantangannya adalah—akurasinya belum stabil. Jika ini bisa diatasi, AI bisa menjadi jauh lebih cepat dan cerdas. Komputasi Klasik dan Perjalanan AI Perjalanan komputer klasik sangat panjang. Dari komputer pertama tahun 1940-an, ditemukannya transistor tahun 1947, hingga perkembangan internet dan teknologi mobile, semua itu menjadi fondasi AI modern. AI sendiri mulai dikenal sejak tahun 1950-an dengan tokoh-tokoh seperti Alan Turing dan John McCarthy. Perkembangannya naik turun, dari simbolik AI, sistem pakar, hingga machine learning dan deep learning. Pertumbuhan data besar (big data) dan kemampuan komputasi mendorong AI menjadi lebih hebat. Tapi kini, lagi-lagi kita mulai melihat tanda-tanda “batas” baru. Model besar AI tidak lagi memberikan peningkatan secepat dulu—mirip dengan berhentinya Hukum Moore dalam dunia komputer. Maka muncul pertanyaan: apakah kita akan masuk ke “musim dingin AI” lagi (AI winter), atau kita bisa melompat ke era kuantum? Evolusi Komputasi Kuantum Komputasi kuantum dulunya hanya teori. Namun sejak awal 2020-an, kita mulai melihat aplikasi nyata. Teorinya sudah dibahas sejak 1980-an oleh tokoh seperti Feynman. Dalam masa tunggu kemajuan fisika terapan, para ilmuwan menciptakan algoritma kuantum seperti algoritma Shor (untuk faktorisasi angka besar) dan Grover (untuk pencarian data) yang menunjukkan bahwa komputer kuantum bisa lebih unggul dari komputer klasik dalam tugas tertentu. Contoh penerapan gabungan AI dan kuantum: Penemuan Obat: Komputasi kuantum bisa mensimulasikan interaksi molekul secara akurat, dan AI menganalisis datanya. Model Keuangan: Kuantum mengoptimalkan model, AI menggunakannya untuk prediksi investasi. Rantai Pasok: Kuantum menyelesaikan masalah logistik kompleks, AI meningkatkan efisiensinya. Komputer klasik memakai bit (0 atau 1), seperti saklar on/off. Komputer kuantum memakai qubit, yang bisa mewakili keduanya sekaligus—mirip dengan saklar dimmer. Tantangan utamanya adalah membuat qubit tetap stabil (tidak “berisik”). Tahun 2025, komputer kuantum terbesar sudah melewati 1.000 qubit. Misalnya, prosesor kuantum IBM Condor memiliki 1.121 qubit, dan Google dengan chip Willow-nya (105 qubit) telah menunjukkan perhitungan yang jauh lebih cepat dari superkomputer tercepat di dunia. Titik Temu AI dan Kuantum Hari ini, kita sedang menuju titik temu AI dan komputasi kuantum. Kuantum mampu memproses data secara paralel dalam jumlah besar, dan AI butuh kecepatan serta efisiensi ini. Kekuatan gabungan dari kuantum dan GPU bisa melahirkan model AI generasi berikutnya. Quantum Neural Networks (QNN) memungkinkan pemrosesan lebih efisien dan cepat. Ini membuka jalan menuju AGI, di mana mesin tidak hanya cerdas, tapi juga memahami dan belajar seperti manusia. Manfaat utamanya: Kecepatan paralel: proses miliaran kemungkinan sekaligus. Pelatihan lebih cepat: waktu pelatihan model bisa jauh lebih singkat. Inferensi real-time: hasil analisis data bisa lebih cepat dan akurat. Skalabilitas tinggi: bisa menangani data sangat besar. Efisiensi energi: berpotensi lebih hemat energi dibanding superkomputer klasik. Menuju AGI Gabungan Quantum Machine Learning (QML) dan GPT seperti qLLM (Quantum LLM) bisa memecahkan batas skalabilitas dan kompleksitas saat ini. Ini sangat penting untuk membangun AGI yang benar-benar bisa memahami dunia seperti manusia. Jika berhasil, kita akan memiliki sistem AI yang cepat, efisien, dan bisa beradaptasi dengan baik terhadap berbagai situasi. Harapan dan Tantangan ke Depan Meskipun masa depan AI dan komputasi kuantum sangat menjanjikan, masih banyak tantangan: seperti koreksi kesalahan, kestabilan qubit,…

Menurut Ericsson, lalu lintas jaringan seluler bisa mencapai 473 exabyte (EB) per bulan pada tahun 2030. Dengan meningkatnya permintaan koneksi internet yang cepat dan lancar, penyedia layanan komunikasi (CSP) dituntut untuk mengelola data dalam jumlah besar secara efisien dan tetap memberikan koneksi 5G yang handal kepada pengguna akhir. Mengapa Jaringan Fabric Penting untuk 5G Untuk mengoptimalkan lalu lintas jaringan, banyak CSP kini mulai menggunakan network fabric yang berskala besar dan berperforma tinggi di pusat data mereka. Infrastruktur ini mendukung aplikasi 5G berbasis cloud-native yang berjalan langsung di server bare-metal, menggunakan teknologi seperti Kubernetes (K8s), dan menerapkan prinsip DevOps, di mana otomatisasi dan orkestrasi menjadi bagian penting dari operasional jaringan. Keuntungan utama untuk penyedia layanan 5G: Biaya lebih rendah (TCO): Jaringan fabric menawarkan model kepemilikan yang lebih hemat dibandingkan infrastruktur lama. Penerapan layanan baru lebih cepat: Teknologi cloud-native memungkinkan CSP menghadirkan layanan baru dengan lebih gesit. Stack yang lebih sederhana: Mengurangi kebutuhan akan mesin virtual tradisional, sehingga operasional lebih ringan dan hemat biaya. Itulah mengapa teknologi fabric kini digunakan untuk ratusan juta pelanggan 5G di seluruh dunia. Kolaborasi Extreme Fabric dan Solusi Infrastruktur Cloud-Native dari Ericsson Extreme Networks menyediakan IP Fabric dan perangkat switch/router Seri 8000 yang telah digunakan di ratusan pusat data global. Solusi ini terintegrasi dengan mulus ke dalam Ericsson Cloud Native Infrastructure Solution (CNIS). Kolaborasi antara Extreme dan Ericsson ini memberikan manfaat besar bagi CSP: ✅ Jaringan lebih tangguh dan andal ✅ Otomatisasi tugas jaringan dan tenant, mengurangi konfigurasi manual yang rumit ✅ Penyesuaian real-time terhadap kebutuhan jaringan, sehingga performa tetap optimal Solusi untuk Tantangan Lalu Lintas Jaringan Pusat data saat ini menghadapi tantangan besar, terutama karena pola lalu lintas yang terus berubah dan meningkatnya volume data – termasuk dari kebutuhan baru seperti AI. Dengan menggunakan Extreme Fabric dan Ericsson CNIS, penyedia layanan kini memiliki arsitektur jaringan yang mampu memberikan performa konsisten dan bisa diskalakan, cocok untuk tuntutan jaringan modern. Menuju Masa Depan Konektivitas Tanpa Batas Permintaan akan koneksi internet cepat dan stabil akan terus meningkat. Untuk mencapainya, kombinasi antara 5G dan Wi-Fi sangat dibutuhkan. Lewat kerja sama antara pemimpin industri seperti Ericsson dan Extreme, para CSP dapat menyajikan layanan 5G yang andal tanpa beban konfigurasi manual yang kompleks. Solusi ini tidak hanya menghilangkan kerumitan teknis, tapi juga mempersiapkan jaringan 5G agar siap memenuhi kebutuhan digital masa depan. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan extremenetworks indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi kami sekarang atau kunjungi extremenetworks.ilogoindonesia.id untuk informasi lebih lanjut!

Saat ini, hampir semua perusahaan di dunia IT berbicara soal sistem AI baru mereka. Tapi tidak semua AI diciptakan sama. Banyak perusahaan memilih jalan pintas—menambahkan AI ke sistem lama mereka dan menyebutnya sebagai inovasi. Di Extreme Networks, kami memilih jalur yang berbeda. Kami membangun Extreme Platform ONE dan kemampuan AI-nya sebagai platform yang memang dirancang dengan fokus AI sejak awal, bukan tempelan. Tujuannya: mengubah cara tim IT berinteraksi dengan jaringan mereka—dan lebih dari itu. Untuk membagikan cerita lengkap di balik platform ini, saya berbincang dengan Markus Nispel, pemimpin tim AI kami. Kami membahas keputusan besar, tantangan teknis, dan pelajaran berharga dalam membangun sistem yang bukan sekadar asisten AI biasa, tetapi sebuah perubahan besar dalam cara kerja jaringan. Keputusan Besar: Bangun Sendiri atau Tempelkan? Sejak awal, kami punya dua pilihan: menempelkan AI ke sistem lama, atau membangun dari nol dengan pola pikir AI-first. Menempelkan jelas lebih cepat dan mudah, tapi hasilnya akan dangkal dan tidak maksimal. Sementara visi kami adalah menghadirkan pengalaman baru yang sepenuhnya ditenagai AI. Jadi, kalau kami hanya menambahkan AI ke sistem lama, kami akan membatasi potensi di masa depan. Kami pun menggunakan kerangka kerja ARC yang biasa kami pakai untuk mengevaluasi inovasi berbasis AI: Acceleration (Percepatan): AI mempercepat dan menyederhanakan alur kerja agar manusia bisa bekerja lebih efisien. Replacement (Penggantian): AI mengubah cara tim IT berinteraksi dengan sistem—mengurangi pekerjaan manual dan mengubah proses kerja. Creation (Penciptaan Nilai Baru): AI membuka peluang bisnis baru dan cara kerja yang sebelumnya tidak mungkin dilakukan. Kami percaya AI adalah teknologi revolusioner, seperti halnya mobile dan cloud di masa lalu. Perusahaan seperti Google, Uber, dan Amazon menciptakan pasar baru berkat teknologi ini. Kami pun bertanya: “Layanan IT dan keamanan jaringan seperti apa yang hanya mungkin tercipta karena adanya AI?” Dari situlah kami sadar: AI harus jadi inti dari platform kami, bukan sekadar tambahan. Membangun Pondasi Sebelum mulai membangun, kami bertanya: Apa yang dibutuhkan agar AI benar-benar berguna? Jawabannya adalah data—tapi bukan sembarang data. Data harus terstruktur, akurat, dan berasal dari berbagai sumber. Dan itu berlaku untuk data terstruktur maupun tidak. Selanjutnya, soal arsitektur. Karena teknologi AI terus berubah, kami tidak ingin terkunci pada satu pendekatan. Maka, kami mengadopsi prinsip modularitas: Platform dibangun agar bisa diganti model AI-nya, menambahkan alat baru, dan terus ditingkatkan tanpa membangun ulang. Kami juga menggunakan pendekatan lakehouse untuk fleksibilitas dalam menangani berbagai tipe data. Tidak kalah penting, AI harus mudah digunakan. Kami menerapkan prinsip integrasi yang berfokus pada pengguna: AI harus menyatu dengan cara kerja tim IT, bukan malah menyulitkan. Intinya, kami membangun platform dengan kecerdasan yang menyatu di inti sistem, tetapi dengan cara interaksi yang bisa disesuaikan dengan kebutuhan pengguna. Menghadapi Perubahan Cepat Dunia AI Salah satu tantangan utama saat membangun AI Expert (fitur AI interaktif) adalah kecepatan evolusi AI yang sangat cepat. Kami ingin sistem yang stabil dan bisa diandalkan, walau teknologinya terus berubah. Versi pertama AI Expert dibuat dengan pendekatan retrieval-augmented generation (RAG)—AI yang bisa menarik jawaban dari dokumentasi, basis pengetahuan, dan laporan insiden masa lalu. Tapi kami cepat menyadari, AI butuh pengetahuan yang terstruktur, bukan cuma pencarian teks bebas. Kami juga sadar bahwa AI tidak akan pernah sempurna. Jadi, kami menetapkan standar kualitas yang jelas, dan ketika AI Expert memenuhi standar itu, kami meluncurkannya dalam versi uji coba ke karyawan dan mitra untuk penyempurnaan. Pendekatan modular terbukti tepat. Kami bisa terus memperbarui model AI tanpa membangun ulang sistem. Ini jadi dasar munculnya fitur baru seperti AI Canvas dan sistem AI yang bisa bertindak (agentic AI). Lebih dari Sekadar Chat: Munculnya AI Agentik Selama uji coba, kami menemukan bahwa percakapan saja tidak cukup. Pengguna ingin AI bisa bertindak, bukan hanya menjawab pertanyaan. Maka kami kembangkan AI Expert menjadi sistem agentik—AI yang bisa: Bekerja dengan data jaringan real-time Memberi saran cerdas berdasarkan kejadian langsung Dan berkontribusi aktif dalam operasi jaringan Kami juga menambahkan AI Canvas, yaitu tampilan visual untuk menyelesaikan masalah, mengeksplorasi saran AI, dan berkolaborasi dengan AI. Tim juga bisa membuat dasbor yang bisa dibagikan ke seluruh organisasi, bukan hanya untuk IT. Seiring kepercayaan dan penggunaan meningkat, makin banyak tugas yang bisa diotomatisasi sepenuhnya, baik dengan maupun tanpa campur tangan manusia. Pentingnya Data Streaming dan Analitik Real-Time Salah satu alasan utama kami membangun AI langsung ke dalam platform adalah karena kami butuh kemampuan analisis data real-time. Kalau AI hanya ditambahkan ke alat yang sudah ada, pasti akan muncul masalah performa dan wawasan yang terfragmentasi. Karena itu, kami membangun sistem yang bisa mengonsumsi data streaming secara langsung. AI jadi bisa: Mendeteksi kejadian saat itu juga Memberikan saran instan Bahkan mencegah masalah sebelum terjadi Dari Buat Sendiri ke Kemitraan Strategis Awalnya, kami ingin mengembangkan semuanya sendiri. Tapi kami sadar, kekuatan kami adalah pada diferensiasi produk, bukan riset AI murni. Akhirnya, kami bermitra dengan Microsoft. Mereka menyediakan layanan AI untuk pengembangan model dan keamanan AI, sementara kami fokus pada integrasi AI yang dalam dengan ekosistem Extreme Networks. Dengan begitu, kami tetap terdepan tanpa harus membangun model AI dari nol. Pelajaran Penting: Metadata adalah Segalanya Satu hal yang tidak kami sangka adalah betapa pentingnya metadata. AI akan jauh lebih akurat jika mendapat metadata berkualitas tinggi, baik dari data terstruktur maupun tidak. Itu mengubah cara kami membangun produk. Kami mulai menambahkan AI sejak awal proses pengembangan agar data sudah rapi dan terstruktur sejak awal. AI bukan hanya alat operasional, tapi juga alat lintas fungsi—dari dokumentasi hingga analitik jaringan. Kami pun mengadopsi pendekatan data mesh, memastikan data siap dipakai oleh AI di seluruh organisasi. Apa Selanjutnya? Teknologi AI terus berkembang, dan Extreme Platform ONE siap untuk terus beradaptasi. Ini bukan sekadar produk—tapi platform yang terus berevolusi. Mulai dari otomatisasi yang lebih dalam hingga kecerdasan real-time yang lebih canggih, kami baru menggores permukaan potensi AI dalam operasi jaringan dan keamanan. Yang paling penting: ini bukti bahwa AI yang dibangun dengan benar, bukan sebagai fitur tambahan, tetapi sebagai perubahan mendasar, bisa mengubah segalanya. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan extremenetworks indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi…