KONTAN.CO.ID - SINGAPURA. Kemampuan artificial intelligence (AI) di sektor industri tidak hanya ditentukan oleh seberapa canggih foundation model yang digunakan. Data  perusahaan serta feedback dari penggunaan langsung di lapangan menjadi faktor penting untuk meningkatkan akurasi AI agent.

Yuxiang Zhou, co-founder & CEO Black Lake Technologies menceritakan pengalaman Black Lake dalam menerapkan AI untuk membantu industri manufaktur. 

Ia membandingkan beberapa versi model AI dan menemukan bahwa meski model baru menunjukkan peningkatan signifikan dalam pekerjaan umum seperti coding, pembuatan gambar dan menjawab pertanyaan medis, peningkatan tersebut tidak otomatis terjadi pada pekerjaan industri tertentu.

Black Lake Technologies merupakan perusahaan teknologi yang mengembangkan solusi digital dan AI untuk industri manufaktur. Perusahaan menerapkan AI agents ke dalam workflow industri, termasuk membantu mengubah data dan dokumen desain menjadi proses kerja di pabrik. Tercatat, beberapa layanannya sudah digunakan oleh perusahaan kelas kakap seperti Tesla, McDonald's, Mixue Group. 

Dalam salah satu skenario Black Lake, AI digunakan untuk mengubah design files menjadi work specifications atau proses kerja di pabrik. Pada awalnya, tingkat akurasi AI hanya sekitar 60%. Meski telah menggunakan model yang lebih baru, tingkat akuransi ini tidak banyak berubah. 

Menurut Yuxiang, salah satu penyebabnya adalah terbatasnya data industri dunia nyata dalam proses pelatihan foundation model. Perusahaan industri, terutama yang memiliki data proprietary (data internal perusahaan), cenderung tidak bersedia menyerahkan data tersebut kepada perusahaan pembuat foundation model.

Black Lake kemudian mencoba pendekatan yang lebih sederhana. 

“Karena sistem workflow digital kami telah mengakumulasi banyak pengetahuan proprietary selama bertahun-tahun, mengapa tidak menggunakan RAG sederhana atau contextual engineering? Saya kemudian melakukan data cleaning sederhana pada sebagian kecil database dan memasukkan data tersebut ke dalam model, bahkan tanpa melakukan post-training,” ujar Yuxiang dalam FutureChina Global Forum (FCGF) 2026 di Singapura, Kamis (24/9).

Dengan membersihkan sebagian kecil database proprietary perusahaan dan memasukkannya ke dalam model melalui RAG (Retrieval-Augmented Generation) atau contextual engineering, langkah tersebut ternyata dapat meningkatkan akurasi dari sekitar 60% menjadi 88%.

Setelah dilakukan lebih banyak data labeling dan pengembangan sistem memori, akurasi meningkat lagi menjadi sekitar 92%. 

"Tingkat akurasi tersebut sudah cukup untuk membuat AI agent digunakan dalam workflow sehari-hari di pabrik," kata dia. Sebagai pembanding, pekerjaan yang sama jika dilakukan manusia, membutuhkan waktu sekitar lima jam.

Setelah agent digunakan secara langsung, manusia tetap berperan sebagai supervisor dengan memberikan koreksi terhadap kesalahan yang dibuat AI. Proses tersebut kemudian menghasilkan feedback baru yang dapat digunakan untuk meningkatkan kemampuan agent.

Yuxiang mengatakan, berdasarkan pengalaman Black Lake, setelah sebuah agent digunakan di sisi klien selama sekitar satu hingga dua bulan, ditambah dengan feedback, tingkat akurasinya dapat meningkat secara bertahap dari sekitar 92% menjadi 97%-98%.

Ia menyebut pendekatan tersebut sebagai “Reinforcement Learning from Engineering Feedback”, yang menurutnya memiliki konsep serupa dengan Reinforcement Learning from Human Feedback (RLHF).

Menurut Yuxiang, hal tersebut menunjukkan bahwa pengembangan AI untuk industri tidak hanya bergantung pada apakah model yang digunakan bersifat open source atau closed source. Tantangan utamanya adalah bagaimana kemampuan foundation model diterjemahkan ke kebutuhan industri tertentu dan kemudian terus ditingkatkan melalui feedback dari penggunaan nyata.

Dengan proses tersebut, AI agent dinilai berpotensi bergerak dari sekadar alat bantu menjadi sistem yang semakin mandiri dalam menjalankan pekerjaan industri.

Cek Berita dan Artikel yang lain di Google News