Kami menggunakan analitik untuk meningkatkan pengalaman. Anda dapat memperbarui pilihan kapan saja.
Glosarium
Definisi untuk istilah yang penting saat membangun sistem otomatisasi kerja AI yang akuntabel.
Chunking
ai
Chunking adalah proses memecah dokumen sumber menjadi unit retrieval yang lebih kecil sebelum dibuat embedding. Ukuran chunk dan strategi batas menentukan seberapa presisi retriever menemukan fakta relevan, menyeimbangkan recall, precision, dan biaya embedding di seluruh basis pengetahuan.
Sinonim: text chunking, document segmentation, passage splitting, chunk strategy
Apa ciri chunk yang baik?
Chunk yang baik berdiri sendiri secara semantik, berukuran sehingga satu fakta tidak terpotong di batas, dan membawa metadata stabil agar dapat difilter, disegarkan, dan dikutip dengan andal.
Bagaimana chunking memengaruhi kualitas jawaban?
Chunk yang terlalu besar mengencerkan relevansi dan memboroskan token, sedangkan chunk yang terlalu kecil memecah konteks dan menghilangkan makna. Pilihan batas langsung membentuk recall dan grounding jawaban yang dihasilkan.
Delegasi Agen
security
Delegasi agen adalah pemberian wewenang yang terkontrol, terbatas cakupan, dan terbatas waktu kepada agen AI untuk bertindak atas nama pengguna atau agen lain. Delegasi menjelaskan kapabilitas, tenant, dan tindakan yang diizinkan secara tepat, sehingga agen beroperasi dalam batas yang eksplisit, dapat dicabut, dan dapat diaudit.
Sinonim: delegated authority, scoped delegation, agent authorization, agent grant
Apa yang didefinisikan oleh cakupan delegasi?
Kapabilitas yang boleh digunakan agen, tenant tempat agen boleh bertindak, tindakan yang boleh diusulkan atau dieksekusi, dan waktu kedaluwarsa, sehingga wewenang tetap sempit, terbatas waktu, dan dapat dicabut.
Bagaimana delegasi tetap akuntabel?
Setiap tindakan terdelegasi diatribusikan kepada agen dan principal yang mendelegasikannya, lalu dicatat dalam jejak audit, sementara tindakan sensitif tetap dirutekan melalui kebijakan persetujuan.
Embedding
ai
Embedding adalah vektor numerik yang merepresentasikan makna teks, gambar, atau data lain di ruang berdimensi tinggi. Item dengan makna serupa menghasilkan vektor yang berdekatan, sehingga sistem dapat membandingkan, mengelompokkan, dan mengambil konten berdasarkan kemiripan semantik alih-alih kecocokan persis.
Sinonim: vector embedding, text embedding, semantic vector, dense representation
Mengapa versi model embedding penting?
Vektor dari model berbeda tidak dapat dibandingkan. Menyimpan versi model bersama setiap embedding membantu mendeteksi drift dan melakukan reindex dengan aman saat model embedding ditingkatkan.
Apakah embedding dapat dibalik menjadi teks asli?
Tidak persis, tetapi embedding dapat membocorkan informasi sensitif, sehingga harus mewarisi isolasi tenant dan kontrol akses yang sama dengan konten sumber yang direpresentasikannya.
Grounding
ai
Grounding adalah praktik membatasi output model AI pada bukti sumber yang dapat diverifikasi, bukan pada memori parametriknya. Jawaban yang grounded didukung oleh passage hasil retrieval yang dapat dikutip dan diperiksa, sehingga menjadi pertahanan utama terhadap respons yang direkayasa atau percaya diri tetapi salah.
Retrieval memasok model hanya dengan passage sumber yang relevan, prompt menginstruksikannya menjawab dari bukti itu, dan langkah verifikasi menolak klaim yang tidak memiliki kutipan pendukung.
Apa yang terjadi ketika tidak ada bukti grounding?
Sistem grounded yang dirancang baik menolak menjawab atau mengeskalasi ke manusia alih-alih mengarang respons, menampilkan celah eksplisit daripada tebakan yang tampak yakin.
Halusinasi
ai
Halusinasi adalah output dari model bahasa yang terdengar yakin tetapi tidak didukung atau direkayasa, yaitu klaim yang tampak masuk akal namun tidak berdasar pada bukti yang diberikan atau kenyataan. Halusinasi adalah risiko utama dalam otomatisasi knowledge work, dan grounding dengan bukti yang dikutip adalah mitigasi utamanya.
Sinonim: AI hallucination, fabrication, confabulation, ungrounded output
Mengapa model bahasa berhalusinasi?
Model memprediksi teks yang mungkin, bukan fakta terverifikasi. Tanpa bukti hasil retrieval yang membatasinya, model mengisi celah dengan pernyataan yang mungkin secara statistik tetapi belum diverifikasi.
Bagaimana mengurangi halusinasi?
Ground jawaban pada sumber yang diambil, wajibkan kutipan, verifikasi klaim terhadap bukti, dan rutekan kasus berkepercayaan rendah atau tidak didukung ke manusia alih-alih mengembalikan tebakan.
Human-in-the-Loop
governance
Human-in-the-loop adalah pola desain ketika manusia meninjau, menyetujui, atau mengoreksi usulan sistem AI sebelum usulan itu berdampak. Pola ini menjaga penilaian manusia tetap berada di jalur kritis untuk keputusan berisiko tinggi atau berkepercayaan rendah, sementara otomatisasi menangani volume rutin.
Sinonim: HITL, human in the loop, human oversight, human review
Kapan sebuah langkah harus human-in-the-loop?
Setiap kali keputusan berisiko tinggi, tidak mudah dibalik, berkepercayaan rendah, atau diatur kebijakan. Langkah rutin, berbasis bukti kuat, dan berisiko rendah dapat berjalan otomatis dengan manusia meninjau pengecualian.
Apa bedanya dengan otomatisasi penuh?
Otomatisasi penuh bertindak tanpa tinjauan. Human-in-the-loop memasukkan checkpoint eksplisit tempat seseorang dapat menyetujui, mengedit, atau menolak usulan, sehingga akuntabilitas untuk hasil sensitif tetap terjaga.
Isolasi Tenant
security
Isolasi tenant adalah jaminan bahwa data dan konfigurasi setiap pelanggan dalam sistem multi-tenant tetap terpisah secara logis dan tidak dapat diakses tenant lain. Isolasi ditegakkan di setiap lapisan - storage, retrieval, dan access control - sehingga satu organisasi tidak pernah dapat melihat atau memengaruhi pekerjaan organisasi lain.
Sinonim: multi-tenant isolation, tenant scoping, data partitioning, tenancy boundary
Bagaimana isolasi tenant ditegakkan saat retrieval?
Setiap query dicakup ke tenant peminta, dan konten tersimpan membawa identifier tenant sehingga vector dan keyword search hanya dapat mengembalikan bukti milik tenant itu sendiri.
Apakah isolasi hanya tentang data?
Tidak. Isolasi juga mencakup konfigurasi, kebijakan, embedding, dan log audit, sehingga tidak ada aspek pekerjaan satu tenant yang bocor ke tenant lain, bahkan di infrastruktur bersama.
Klasifikasi Intent
ai
Klasifikasi intent adalah langkah yang menentukan apa yang sebenarnya diminta oleh permintaan masuk, memetakan teks tidak terstruktur ke kategori kerja yang didefinisikan. Klasifikasi yang akurat merutekan setiap WorkItem ke workflow, sumber bukti, dan kebijakan yang tepat, sehingga menjadi fondasi otomatisasi yang andal.
Ia menentukan seluruh jalur downstream. Permintaan yang salah klasifikasi akan mengambil bukti yang salah dan menerapkan kebijakan yang salah, sehingga akurasi klasifikasi mengendalikan kualitas semua langkah berikutnya.
Bagaimana akurasi klasifikasi diukur?
Melalui evaluation gate atas set berlabel, dengan melacak precision dan recall per intent serta mengamati kebingungan antara kategori serupa sebelum workflow go live.
Kutipan Bukti
ai
Kutipan bukti adalah praktik melampirkan rujukan sumber yang dapat diverifikasi pada setiap klaim yang dibuat sistem AI. Setiap passage yang dikutip menaut kembali ke dokumen, catatan, atau aset pengetahuan asalnya, sehingga seseorang dapat memastikan jawaban berbasis bukti sebelum mempercayai atau menindaklanjutinya.
Minimal identifier sumber dan passage persis yang digunakan, idealnya dengan tautan stabil dan timestamp agar peninjau dapat memastikan bukti masih berlaku saat jawaban dibuat.
Mengapa kutipan penting untuk otomatisasi yang dikelola?
Kutipan membuat jawaban dapat diaudit. Tanpanya respons otomatis tidak dapat dipertanggungjawabkan, tetapi dengannya peninjau dapat memverifikasi grounding dan jejak audit dapat membuktikan bukti apa yang mendorong keputusan.
Model Context Protocol (MCP)
ai
Model Context Protocol adalah standar terbuka yang memungkinkan asisten AI terhubung ke tools dan sumber data eksternal melalui antarmuka seragam. Server MCP mengekspos tools dan resources bertipe yang dapat ditemukan dan dipanggil oleh klien model, sehingga kapabilitas dapat ditambahkan tanpa kode khusus per integrasi.
Sinonim: MCP, model context protocol, MCP server, tool protocol
Apa yang diekspos server MCP?
Tools bertipe yang dapat dipanggil model dan resources yang dapat dibacanya, masing-masing dijelaskan dengan schema dan anotasi agar klien dapat menemukan kapabilitas serta memanggilnya dengan aman.
Mengapa MCP penting untuk otomatisasi yang dikelola?
MCP memberi asisten eksternal cara standar, dengan deskripsi schema, untuk bertindak pada platform, sehingga tool call dapat divalidasi, dicakup ke tenant, dan dirutekan melalui kebijakan persetujuan yang sama seperti tindakan lain.
MongoDB Vector Search
infrastructure
Proses mengubah konten menjadi vector embedding dan menyimpannya di indeks vektor MongoDB Atlas Search bersama metadata untuk pencarian kemiripan yang efisien.
Mengapa menggunakan MongoDB Atlas Search untuk knowledge retrieval?
MongoDB Atlas Search menyediakan pencarian kemiripan vektor yang cepat dengan kemampuan menggabungkan query vektor dan tradisional, filtering metadata terintegrasi, dan scaling yang mulus dalam infrastruktur MongoDB yang sudah ada.
Metadata apa yang penting?
Simpan tenant ID, bahasa, URL, content hash, timestamp pembaruan, dan versi model untuk memungkinkan filtering, pemeriksaan freshness, dan reindexing terkendali.
Optimisasi Mesin Jawaban (AEO)
marketing
Optimisasi mesin jawaban adalah praktik menyusun konten agar mesin jawaban AI dan asisten chat dapat menemukan, mengutip, dan merangkumnya secara akurat. Jika SEO menargetkan peringkat tautan, AEO menargetkan jawaban yang disintesis itu sendiri, dengan definisi yang jelas, data terstruktur, dan file sumber yang dapat dibaca mesin.
Sinonim: AEO, generative engine optimization, GEO, AI search optimization
Apa perbedaan AEO dengan SEO?
SEO mengoptimalkan agar halaman muncul sebagai tautan yang dapat diklik di halaman hasil. AEO mengoptimalkan agar konten dipilih, dikutip, dan dirujuk di dalam jawaban buatan AI, yang menghargai definisi presisi, data terstruktur, dan feed bersih yang dapat dibaca mesin.
Sinyal apa yang membantu mesin jawaban mengutip halaman?
Penulisan yang dimulai dari definisi, structured data schema.org yang valid, indeks llms.txt, markup FAQ, dan URL kanonis stabil membuat konten lebih mudah diambil dan diatribusikan oleh mesin jawaban.
Otomatisasi Intake
platform
Otomatisasi intake adalah proses mengubah permintaan masuk yang tidak terstruktur menjadi catatan terstruktur dan dapat dibaca mesin tanpa entri data manual. Proses ini mengklasifikasikan permintaan, mengekstrak field yang penting, dan merutekan hasilnya ke workflow agar pekerjaan dapat dijawab atau ditindaklanjuti secara konsisten.
Email, pesan chat, formulir web, dokumen yang diunggah, dan catatan tersinkron dari sistem terhubung semuanya dapat dinormalisasi ke bentuk terstruktur yang sama untuk penanganan downstream.
Apakah otomatisasi intake menggantikan manusia?
Tidak. Ini menghapus beban entri data dan triase manual sehingga manusia fokus pada pengecualian yang membutuhkan penilaian, persetujuan, dan keputusan berisiko tinggi yang dirutekan kebijakan kepada mereka.
Pack Vertikal
platform
Pack vertikal adalah konfigurasi terpaket yang menyesuaikan platform ke domain kerja tertentu: intent, field ekstraksi, sumber bukti, kebijakan, dan tindakannya. Pack memungkinkan tim meluncurkan workflow terfokus, seperti akses IT atau keamanan vendor, tanpa membangun ulang engine yang mendasarinya.
Intent yang dikenali, field yang diekstrak, bukti yang menjadi dasar jawaban, kebijakan persetujuan yang ditegakkan, dan tindakan yang dikelola yang dapat diusulkan untuk domain kerja itu.
Apakah pack dapat disesuaikan?
Ya. Pack adalah konfigurasi awal yang diadaptasi tim di Studio, dengan menyesuaikan intent, prompt, sumber bukti, dan kebijakan agar cocok dengan proses nyata mereka.
Paket Kerja
platform
Paket kerja adalah bundel konteks yang disusun di sekitar WorkItem agar dapat dipahami dan ditindaklanjuti: permintaan asli, field terekstrak, bukti yang diambil, kebijakan yang berlaku, dan usulan tindakan. Ini adalah briefing lengkap dan mandiri untuk satu potongan pekerjaan.
Sinonim: work bundle, context packet, task packet, work context
Apa bedanya paket kerja dengan WorkItem?
WorkItem adalah catatan terlacak dari permintaan itu sendiri. Paket kerja adalah konteks yang disusun di sekitar catatan itu - bukti, kebijakan, dan usulan - untuk mendorong jawaban atau tindakan.
Mengapa konteks perlu dibundel menjadi paket?
Paket mandiri memungkinkan model atau peninjau membuat keputusan tanpa berburu di banyak sistem, dan mempertahankan bukti persis yang tersedia saat keputusan dibuat untuk jejak audit.
Pelanggaran SLA
operations
Pelanggaran SLA terjadi ketika pekerjaan melewati komitmen yang didefinisikan dalam service-level agreement, seperti tenggat respons atau resolusi. Mendeteksi dan mengeskalasi pelanggaran secara otomatis menjaga akuntabilitas tetap terlihat dan memastikan pekerjaan berisiko mencapai orang yang tepat sebelum komitmen terlewat.
Sinonim: service level breach, SLA violation, missed SLA, deadline breach
Bagaimana pelanggaran SLA dideteksi otomatis?
Setiap WorkItem membawa timer komitmennya, dan sistem mengamati waktu berjalan terhadap threshold, menaikkan eskalasi saat tenggat mendekat dan mencatat pelanggaran jika terlewat.
Apa yang terjadi ketika pelanggaran hampir terjadi?
Kebijakan dapat mengeskalasi WorkItem, memberi tahu owner, atau memprioritaskan ulang antrean sehingga perhatian berpindah ke pekerjaan berisiko sebelum komitmen benar-benar terlewat.
Pencarian Vektor
ai
Pencarian vektor menemukan konten berdasarkan makna, bukan kata persis. Teks diubah menjadi embedding berdimensi tinggi, lalu metrik kemiripan seperti cosine distance merangking vektor tersimpan berdasarkan kedekatannya dengan vektor query, mengembalikan passage yang terkait secara konseptual meskipun tidak ada keyword yang cocok.
Embedding adalah vektor numerik yang merepresentasikan makna sebuah teks, dihasilkan oleh model embedding. Teks dengan makna serupa jatuh berdekatan di ruang vektor.
Apa itu approximate nearest neighbor (ANN) search?
ANN search menukar sedikit akurasi dengan peningkatan kecepatan besar, menggunakan struktur indeks agar lookup kemiripan tetap cepat saat jumlah vektor tersimpan tumbuh hingga jutaan.
Protokol Agent2Agent (A2A)
ai
Protokol Agent2Agent adalah standar terbuka bagi agen otonom untuk menemukan satu sama lain, bertukar tugas, dan mengoordinasikan pekerjaan lintas batas organisasi. Standar ini mendefinisikan cara agen mengiklankan kapabilitasnya serta cara agen lain mendelegasikan tugas dan melacaknya hingga selesai.
MCP menghubungkan model ke tools dan data. A2A menghubungkan agen satu sama lain, mendefinisikan cara satu agen menyerahkan tugas ke agen lain dan mengikuti statusnya, bukan cara model memanggil satu tool.
Bagaimana tugas A2A dilacak?
Tugas A2A dipetakan ke catatan kerja terlacak sehingga lifecycle, bukti, dan hasilnya dapat diaudit, seperti pekerjaan yang berasal dari manusia atau formulir.
Retrieval Hibrida
ai
Retrieval hibrida menggabungkan pencarian vektor semantik dengan pencarian kata kunci leksikal untuk mengambil passage yang relevan. Vector search menangkap makna dan parafrasa, keyword search menangkap istilah serta identifier persis, dan langkah fusion menggabungkan kedua set hasil agar token presisi maupun kecocokan konseptual tidak terlewat.
Mengapa menggabungkan vector search dan keyword search?
Vector search dapat melewatkan istilah persis yang langka seperti SKU atau kode error, sementara keyword search melewatkan parafrasa. Menggabungkan keduanya memulihkan kekuatan masing-masing dan meningkatkan recall pada query dunia nyata.
Bagaimana dua set hasil digabungkan?
Metode fusion seperti reciprocal rank fusion atau campuran skor berbobot merangking ulang kandidat gabungan, sering diikuti cross-encoder reranker untuk precision akhir.
Retrieval-Augmented Generation (RAG)
ai
Retrieval-augmented generation adalah teknik yang meng-ground output model bahasa pada dokumen sumber yang diambil, bukan hanya mengandalkan memori parametriknya. Sistem mengambil passage relevan dari basis pengetahuan, memasoknya sebagai konteks, dan meminta model menjawab hanya dengan bukti itu.
RAG menyimpan pengetahuan di store eksternal yang dapat diperbarui seketika, sehingga jawaban tetap terkini dan setiap klaim dapat ditelusuri ke sumber. Fine-tuning memasukkan pengetahuan ke bobot model, yang lebih lambat disegarkan dan lebih sulit diatribusikan.
Apa isi pipeline RAG?
Biasanya ingestion dan chunking, embedding, indeks untuk vector atau hybrid search, retriever, dan langkah generation yang mengondisikan model pada passage yang diambil serta mengembalikan bukti yang dikutip.
Single Sign-On (SSO)
security
Metode autentikasi yang memungkinkan pengguna mengakses banyak aplikasi dengan satu set kredensial login melalui protokol federasi identitas seperti SAML atau OpenID Connect.
Mengapa SSO penting untuk platform shell-and-pack?
SSO memusatkan identitas, menegakkan kebijakan keamanan enterprise seperti MFA dan conditional access, serta mempercepat provisioning pengguna di seluruh shell, pack, dan workspace yang dikelola.
SAML vs OIDC?
SAML berbasis XML dan umum di stack enterprise lama; OIDC, yang dibangun di atas OAuth2, lebih ringan dan modern. Mendukung keduanya memaksimalkan kompatibilitas dengan IdP pelanggan.
Usulan Tindakan
platform
Usulan tindakan adalah saran terstruktur dan dapat ditinjau untuk mengubah sistem bisnis yang terhubung, dibuat oleh otomatisasi tetapi belum dijalankan. Usulan ini menamai sistem target, operasi, dan parameter persisnya, sehingga seseorang atau kebijakan dapat menyetujui, mengedit, atau menolaknya sebelum apa pun terjadi.
Mengapa mengusulkan tindakan alih-alih langsung menjalankannya?
Mengusulkan lebih dulu memisahkan intent dari dampak. Kebijakan persetujuan dan peninjau dapat memeriksa operasi serta parameter yang tepat, sehingga kesalahan otomatis tidak langsung mencapai system of record.
Apa isi sebuah usulan tindakan?
Integrasi target, operasi yang akan dilakukan, parameter yang sudah diselesaikan, bukti pendukung, dan keputusan kebijakan tentang apakah persetujuan wajib sebelum eksekusi.
Workflow Persetujuan
governance
Workflow persetujuan adalah rangkaian checkpoint yang dikelola yang harus dilewati usulan tindakan sebelum dieksekusi. Setiap langkah merutekan keputusan ke peninjau yang tepat berdasarkan risiko, peran, atau kebijakan, sambil mencatat siapa menyetujui apa agar hasilnya sepenuhnya akuntabel.
Sinonim: approval flow, review workflow, authorization workflow, sign-off process
Apa yang dapat memicu kebutuhan persetujuan?
Persyaratan dapat diterapkan berdasarkan workflow, kanal, kelas risiko, ambang moneter, atau jenis tindakan, sehingga hanya langkah yang benar-benar membutuhkan pengawasan yang berhenti untuk peninjau.
Bagaimana workflow persetujuan tetap dapat diaudit?
Setiap permintaan, persetujuan, edit, dan penolakan dicatat bersama aktor serta timestamp, menghasilkan jejak end-to-end yang membuktikan siapa mengotorisasi setiap tindakan yang dikelola.
WorkItem
platform
WorkItem adalah unit kerja di Threada: satu permintaan masuk dari email, chat, dokumen, atau formulir yang dinormalisasi menjadi catatan terstruktur dan dapat dilacak. Setiap WorkItem membawa intent, field terekstrak, bukti, dan riwayat lengkap setiap keputusan serta tindakan yang dilakukan atasnya.
Sinonim: work item, task record, tracked request, unit of work
Apa bedanya WorkItem dengan tiket dukungan?
Tiket biasanya melacak percakapan. WorkItem melacak pekerjaannya sendiri: intent terklasifikasi, field terekstrak, bukti yang meng-ground jawaban, dan tindakan yang dikelola yang diambil, semuanya dapat diaudit end-to-end.
Lifecycle apa yang dilalui WorkItem?
Intake menormalisasi permintaan, klasifikasi intent merutekannya, retrieval bukti meng-ground respons yang diusulkan, dan setiap tindakan melewati kebijakan persetujuan sebelum WorkItem diselesaikan dan dicatat.