Cassie Shum memaparkan pola arsitektur untuk sistem kecerdasan buatan agenik yang siap produksi

Cassie Shum, Wakil Presiden Ekosistem dan Rekayasa Produk di RelationalAI, menyampaikan presentasi yang membahas peran grafik pengetahuan sebagai fondasi penting bagi sistem agenik. Ia menjelaskan empat pola arsitektur praktis yang melampaui pendekatan pengambilan informasi dasar, yaitu pengelompokan konteks, asal usul keputusan, kode sebagai kebenaran, dan visibilitas agen. Shum juga mendemonstrasikan kerangka rekayasa yang dibangun di atas grafik pengetahuan untuk menyederhanakan umpan balik, mengoptimalkan penggunaan token, dan menjaga keandalan sistem.

Presentasi ini berfokus pada pelajaran yang dipelajari dari pengalaman langsung membangun dan menjalankan sistem agenik selama beberapa tahun terakhir. Shum menekankan bahwa pendekatan ini bukan tutorial teknis tentang pembuatan grafik pengetahuan, melainkan berbagi pengalaman pribadi dalam mengintegrasikan praktik rekayasa perangkat lunak dasar dengan sistem agenik. Ia menyatakan bahwa pemodelan data dan domain memiliki format yang sangat grafis karena berkaitan erat dengan hubungan antar elemen. Shum juga menegaskan bahwa presentasi ini bukan prediksi kerangka kerja, melainkan upaya untuk membangun fondasi yang kuat agar dapat beradaptasi dengan cepat terhadap perubahan teknologi yang pesat.

Struktur presentasi terbagi menjadi dua bagian utama. Bagian pertama membahas alasan mengapa grafik pengetahuan dianggap sebagai fondasi sistem agenik dan mengapa hal ini penting. Bagian kedua berfokus pada pelajaran yang dipelajari, termasuk demonstrasi langsung dari kerangka kerja yang dibangun untuk timnya di atas grafik pengetahuan. Dalam demonstrasi tersebut, Shum berperan sebagai pengguna grafik pengetahuan dan berbagi wawasan tentang penggunaan praktisnya dalam lingkungan kerja nyata.

Shum memiliki latar belakang lebih dari dua puluh tahun sebagai insinyur dan konsultan, termasuk pengalaman di Thoughtworks. Ia beralih dari fokus pada kode ke manajemen tim dan organisasi, namun kini kembali ke basis kode untuk memahami bagaimana agen bekerja. Peran utamanya di RelationalAI adalah memimpin tim dalam merancang dan menerapkan sistem kecerdasan buatan produksi yang dibangun di atas grafik pengetahuan. Keahliannya mencakup GraphRAG, alur kerja agenik, dan pembangunan sistem yang tangguh, dapat dijelaskan, dan siap produksi.

Acara ini merupakan bagian dari QCon AI, sebuah acara yang dipimpin oleh praktisi dan berfokus sepenuhnya pada disiplin rekayasa yang diperlukan untuk memperluas beban kerja secara aman. Acara ini menyediakan akses langsung ke playbook arsitektur dan metrik kegagalan yang digunakan oleh organisasi rekanan dalam produksi. Presentasi ini disampaikan oleh Mohit Suman, Manajer Produk Senior di Harness, serta Eric Metaj dan Rohin Chandra dari Datadog yang masing-masing menjabat sebagai Manajer Pemasaran Produk dan Manajer Produk untuk Optimasi CI/CD.