EIKON Technology

logo Eikon
Menu

Google Cloud

Google Cloud

Perkuat Perlindungan VM GCE Anda dengan Kunci Keamanan Baru FIDO

Setelah rilis versi 8.2 dua tahun lalu, kini OpenSSH memperkenalkan otentikasi FIDO sebagai salah satu opsi dukungan. Itu artinya, kunci pribadi SSH Anda dapat disimpan dan dilindungi dalam keamanan khusus. Cara ini jauh lebih aman dibanding menyimpan kunci pada disk lokal yang lebih rentan disusupi. Lebih lanjut, kapabilitas tersebut juga dikembangkan untuk proses otentikasi virtual machine (VM) dari Google Compute Engine atau GCE yang menggunakan layanan OS Login untuk pengelolaan SSH (Secure Shell). Bagaimana cara kerjanya? Mengenal OpenSSH OpenSSH (atau kadang disebut OpenBSD Secure Shell) merupakan rangkaian utilitas dengan jaringan aman yang dirancang berdasarkan protokol SSH (Secure Shell). Suite ini menyediakan sebuah saluran aman melalui sebuah jaringan tidak aman di dalam sebuah arsitektur client-server. OpenSSH pada dasarnya bukanlah suatu program komputer tunggal, melainkan merupakan serangkaian program yang berfungsi sebagai alternatif untuk protokol tidak terenkripsi seperti Telnet dan FTP (File Transfer Protocol). Suite ini juga telah terintegrasi ke beberapa sistem operasi seperti Microsoft Windows, macOS, dan bahkan sebagian besar Linux. Tersedia juga versi portabel yang ada pada sistem lain. Baca juga: Meningkatkan Keamanan Akses Penyimpanan Data Google Cloud Melalui Enkripsi Data Ubiquitous Otentikasi FIDO FIDO atau Fast Identity Online merupakan sistem otentikasi yang didesain untuk menyelesaikan masalah kekurangan interoperabilitas antar perangkat otentikasi. Anda sering kesulitan mengingat password dan username karena banyaknya aplikasi serta perangkat yang digunakan? Nah, FIDO dirancang untuk mengatasi masalah tersebut. FIDO menawarkan dua rangkaian protokol otentikasi standar, yaitu FIDO U2F (Universal Second Factor) dan FIDO UAF. Keduanya ada dalam arsitektur FIDO yang melayani berbagai pengalaman pengguna saat menggunakan internet. Otentikasi FIDO dalam OpenSSH Photo Credit: Piqsels Pembaruan ini akan mempermudah perlindungan akses menuju VM sensitif dengan menyiapkan otentikasi FIDO ke host dan secara fisik melindungi kunci yang digunakan sebagai pemberi akses. Meski begitu, Anda mungkin masih mempertanyakan bagaimana keamanan di sekitar proses manual untuk menghasilkan dan menyimpan kunci FIDO. Belum lagi masalah siklus hidup kunci keamanan fisik yang bisa membuat Anda kehilangan akses menuju host SSH. Akan selalu ada kemungkinan terkunci jika Anda kehilangan atau salah meletakkan kunci. Google Cloud memberikan solusi dengan melakukan integrasi dukungan tingkat akun industry-first untuk kunci keamanan FIDO dengan SSH. Jadi, Anda bisa mendapatkan semua manfaat otentikasi FIDO saat login SSH tanpa kekurangan apa pun. Mengaktifkan dukungan kunci keamanan lewat OS Login Sekarang, ketika Anda mengaktifkan dukungan kunci keamanan melalui OS Login untuk VM GCE, salah satu kunci keamanan Anda diperlukan untuk menyelesaikan proses login. Satu kunci keamanan yang dikonfigurasi pada akun Google Anda akan langsung diterima saat login. Apabila kehilangan kunci keamanan, Anda bisa dengan mudah memperbarui konfigurasi kunci keamanan (yaitu dengan menghapus kunci yang hilang dan menambahkan kunci baru) dan VM secara otomatis akan mulai menerima konfigurasi baru pada proses login selanjutnya. Photo Credit: Google Cloud Blog Jika diperlukan, dukungan kunci keamanan FIDO OS Login selanjutnya dapat digabungkan dengan Verifikasi 2 Langkah. Cara ini akan menambahkan lapisan keamanan ekstra dengan sistem otentikasi dua faktor (2FA). Saat sistem ini diaktifkan, pengguna harus memiliki kunci keamanan yang tersedia dan membuktikan akses resmi ke akun Google mereka pada saat login ke instance GCE mereka melalui faktor tambahan. Baca juga: Penerapan Keamanan Zero Trust pada Workload dengan GKE, Traffic Director, dan CA Service Proses otentikasi sangat penting untuk melindungi keamanan akses data. Dengan adanya sistem otentikasi FIDO pada OpenSSH, Anda bisa memastikan keamanan kunci pribadi lebih mudah dan efisien. Sayangnya, terkadang proses otentikasi yang berlapis bisa sangat memakan waktu. Google Cloud dengan integrasi dukungan tingkat akun hadir sebagai solusi atas permasalahan tersebut. Anda juga bisa menemukan beragam solusi penyimpanan dan keamanan data dengan Google Cloud. Dapatkan solusi komputasi awan tercanggih yang bisa disesuaikan menurut kebutuhan perusahaan Anda dengan Google Cloud. Tertarik untuk mencoba Google Cloud? Kami dari EIKON Technology siap membantu Anda. Untuk terhubung langsung dengan tim EIKON Technology terkait Google Cloud, silakan klik di sini!

Google Cloud

Lebih Jauh Mengenai Autoscaling pada Bigtable dan Analisis Penghematan Biayanya

Cloud Bigtable merupakan sebuah layanan terkelola sepenuhnya yang dapat menskalakan data dengan cepat dan hanya lewat satu tombol saja. Sedang menggunakan layanan ini? Anda dapat melakukan konfigurasi ukuran klaster untuk menghasilkan throughput puncak atau menskalakan data secara terprogram agar sesuai dengan workload. Bigtable kini juga telah mendukung Autoscaling  untuk skala otomatis, memungkinkan Anda mencapai pengelolaan yang lebih baik. Dalam sebuah eksperimennya, Google Cloud menemukan bahwa Autoscaling mampu mengurangi biaya workload diurnal umum (yang dijalankan siang hari) lebih dari 40%. Bayar sesuai kebutuhan Saat menggunakan Bigtable, Anda hanya perlu membayar sesuai kebutuhan saat Autoscaling diaktifkan. Layanan ini secara otomatis menambah atau mengurangi kapasitas sebagai respons terhadap perubahan tuntutan workload Anda. Autoscaling mengklaim penggunanya akan memiliki lebih banyak waktu untuk mengurus hal lain yang lebih penting dan mendesak karena masalah pengelolaan infrastruktur. Penerapan Autoscaling mereduksi kemungkinan terjadinya overhead karena manajemen penyediaan kapasitas telah dikelola sedemikian rupa. Autoscaling untuk saat ini telah berfungsi pada klaster HDD sekaligus SDD dan tersedia di seluruh wilayah Bigtable. Mulai menerapkan Bigtable Autoscaling pada Bigtable dikonfigurasi pada tingkat klaster dan dapat diaktifkan menggunakan Cloud Console, fitur command line, gcloud, Cloud Bigtable Admin API, dan library klien Bigtable. Dengan mengaktifkan Autoscaling, Bigtable secara otomatis akan menskalakan jumlah node dalam setiap klaster sebagai respons terhadap perubahan pemanfaatan kapasitas. Bahkan, risiko yang terkait dengan perkiraan kapasitas yang salah pun dapat diturunkan secara signifikan. Hal tersebut mencakup: penyediaan berlebihan (biaya tak perlu) dan kekurangan penyediaan (kehilangan peluang bisnis). Baca juga: Memanfaatkan Google Cloud untuk Menyusun Proyek Data Science Autoscaling dapat diaktifkan untuk klaster yang ada atau telah dikonfigurasikan dengan klaster baru. Anda akan memerlukan dua informasi: penggunaan sebuah CPU target dan sebuah lingkup untuk menjaga jumlah node Anda tetap ada di dalam. Layanan ini tidak memerlukan perhitungan, pemrograman atau pemeliharaan yang rumit. Hanya saja, Anda harus selalu memperhatikan jumlah node maksimum. Dalam satu lingkup, tidak boleh lebih dari 10 kali jumlah node minimum. Pemanfaatan penyimpanan merupakan salah satu faktor dalam Autoscaling, tapi target penggunaan penyimpanan ditetapkan oleh Bigtable dan tidak dapat dikonfigurasi. Berikut adalah contoh yang menunjukkan cara mengaktifkan Autoscaling dengan Cloud Console dan command line. Dua cara ini diklaim sebagai cara tercepat untuk memulai. Menggunakan Cloud Console Saat membuat atau melakukan pembaruan pada sebuah instance melalui Cloud Console, Anda dapat memilih antara alokasi node manual (Manual node allocation) atau Autoscaling. Jika Anda memilih Autoscaling, bisa langsung mulai melakukan konfigurasi lingkup node dan target penggunaan CPU. Photo Credit: Google Cloud Blog Menggunakan command line Untuk mulai melakukan konfigurasi Autoscaling melalui tool command line yang ada pada gcloud, Anda cukup mengubah parameter Autoscaling saat membuat atau memperbarui klaster. Berikut langkah-langkahnya: Memperbarui klaster yang sudah ada 01  gcloud bigtable clusters update –instance my-instance my-cluster-c1 –autoscaling-min-nodes 1 –autoscaling-max-nodes 10 –autoscaling-cpu-target 60 Membuat klaster baru 01  gcloud bigtable clusters create –instance my-instance my-cluster-c1 –zone=asia-east1-c –autoscaling-min-nodes=1 –autoscaling-max-nodes=10 –autoscaling-cpu-target=60 Photo Credit: Google Cloud Blog Kapan waktu yang tepat untuk menerapkan Bigtable pada workload Bigtable merupakan cara yang fleksibel untuk berbagai kasus penggunaan dengan profil traffic dinamis. Autoscaling pada Bigtable mungkin tidak selalu menjadi konfigurasi yang tepat untuk perusahaan Anda, jadi berikut adalah beberapa panduan kapan penerapan Autoscaling yang ideal. Kapan menggunakan Autoscaling Anda adalah pengguna lama Bigtable yang ingin mengoptimalkan biaya sambil mempertahankan kinerja klaster. Misalnya: pola traffic yang ada pada ritel online. Anda pengguna Bigtable baru atau memiliki workload baru. Menyediakan kapasitas yang cukup untuk memenuhi kasus penggunaan yang tidak diketahui jelas sulit. Bisnis sedang berkembang, namun Anda tidak yakin sejauh mana perkembangannya di masa depan nanti. Anda ingin mengambil langkah antisipasi terhadap kemungkinan apa pun. Evaluasi penghematan biaya Google Cloud melakukan sebuah eksperimen sebuah workload yang dijalankan selama 12 jam. Eksperimen tersebut membandingkan biaya yang dikeluarkan saat menggunakan dan tidak menggunakan Autoscaling. Katakanlah biaya satu node Bigtable adalah US$0.65/jam per node. Maka akan terlihat perhitungan biaya seperti di bawah ini: Photo Credit: Google Cloud Blog Pada tabel di atas terlihat bahwa penggunaan Autoscaling dapat menghemat biaya hingga US$87.05 atau dalam persentase berarti sekitar 70%. Baca juga: Tips Membangun Sistem Rekomendasi dengan Google Cloud Dengan memanfaatkan fungsi Autoscaling pada Cloud Bigtable Anda akan punya lebih banyak waktu untuk mengurus keperluan bisnis lainnya. Dari segi ekonomi, Autoscaling juga terbukti lebih hemat dibanding dengan penerapan skala manual. Penggunaan komputasi awan secara umum memang telah terbukti mampu menyederhanakan berbagai proses bisnis. Ingin memigrasikan proses bisnis Anda pada cloud? Google melalui Google Cloud menawarkan solusi untuk Anda. Platform ini bisa Anda dapatkan melalui EIKON Technology, authorized reseller Google untuk Indonesia. Informasi selengkapnya klik di sini!

Google Cloud

Mengintip Solusi Digital Assets Team yang Baru Diluncurkan Google Cloud

Kemunculan teknologi blockchain memunculkan inovasi yang luar biasa dan memperkenalkan suatu nilai baru bagi konsumen di seluruh dunia. Blockchain juga menunjukkan bahwa teknologi menjadi sangat umum pemakaiannya sekarang ini. Era di mana teknologi menjadi mainstream membuat perusahaan-perusahaan memerlukan infrastruktur yang scalable, aman, dan tentunya berkelanjutan. Google Cloud sebagai penyedia layanan komputasi awan membaca situasi ini dan memberikan solusi berupa Digital Assets Team. Solusi ini dirancang untuk mendukung kebutuhan konsumen dalam pembangunan, bertransaksi, menyimpan nilai, dan menerapkan produk baru pada platform berbasis blockchain. Bagaimana layanan Digital Assets Team ini bekerja.  Fungsi Digital Assets Team Blockchain serta perusahaan berbasis buku besar yang terdistribusi seperti Dapper Labs, Hedera, dan Theta telah menggunakan solusi dari Google Cloud untuk mencapai skalabilitas, fleksibilitas, dan juga keamanan. Di masa mendatang Digital Assets Team Google Cloud akan melakukan sejumlah inisiatif, baik itu jangka pendek maupun panjang untuk mendukung perusahaan di ranah aset digital atau ekosistem blockchain, termasuk di antaranya adalah: Menyediakan node hosting/node remote procedure call (RPC) khusus untuk developer, memungkinkan pengguna untuk menerapkan validator blockchain di Google Cloud melalui hanya dengan satu klik. Berpartisipasi dalam validasi node dan tata kelola on-chain dengan mitra terpilih. Membantu pengembang dan pengguna melakukan hosting node mereka pada cloud terbersih di industri, mendukung inisiatif lingkungan, sosial, dan tata kelola mereka. Mendukung tata kelola on-chain melalui partisipasi dari eksekutif dan insinyur senior Google Cloud. Photo Credit: Piqsels Hosting beberapa kumpulan data BigQuery publik di Marketplace Google Cloud, termasuk riwayat transaksi blockchain lengkap untuk Bitcoin, Ethereum, Bitcoin Cash, Dash, Litecoin, Zcash, Theta, Hedera Hashgraph, Band Protocol, Polygon, XRP, dan Dogecoin. Mendorong pengembangan bersama dan integrasi ke dalam ekosistem mitra Google yang tangguh, termasuk berpartisipasi di Google Cloud Marketplace. Merangkul inisiatif go-to-market bersama dengan mitra ekosistem kami di mana Google Cloud dapat menjadi jaringan penghubung antara perusahaan tradisional dan teknologi blockchain. Menjajaki peluang di masa mendatang untuk memungkinkan pelanggan Google Cloud melakukan dan menerima pembayaran dengan mata uang kripto.  Baca juga: Kelebihan Service Directory Google Cloud Pendekatan Google terhadap Blockchain dan Aset Digital Photo Credit: Piqsels Hadirnya blockchain dan aset digital telah mengubah cara dunia dalam menyimpan dan memindahkan informasi beserta nilainya. Google Cloud memandang evolusi teknologi blockchain dan jaringan terdesentralisasi yang ada saat ini serupa dengan kemunculan open source dan internet 10-15 tahun yang lalu. Sama seperti pengembangan open source yang merupakan bagian integral dari permulaan internet, blockchain pun menghasilkan inovasi dan penciptaan nilai bagi konsumen dan bisnis. Alasan inilah yang kemudian mendukung Google Cloud untuk menerapkan teknologi mereka ke pasar blockchain dengan menerapkan prinsip berikut: Konsisten dengan bisnis inti Google Cloud Bisa dibilang, Google Cloud adalah spesialis dalam inovasi yang didukung data dengan infrastruktur terkemuka, solusi industri, dan teknologi mutakhir lainnya. Google hingga saat ini terus mengejar proyek dan kemitraan blockchain yang selaras dengan misi mereka. Kepercayaan dan tata kelola pengguna Jaringan Blockchain menimbulkan pertanyaan baru mengenai kepatuhan hukum dan privasi pengguna. Google mendukung hal tersebut dengan menetapkan komitmen terhadap privasi dan kepercayaan pengguna, serta fokus tanpa kompromi pada kepatuhan terhadap hukum yang berlaku. Baca juga: Tips Membangun Sistem Rekomendasi dengan Google Cloud Digital Assets Team merupakan sebuah solusi yang lahir untuk menjawab perubahan teknologi. Kemunculan blockchain dan aset digital memang mau tak mau mengubah persepsi mengenai penyimpanan dan nilai suatu informasi. Bagi Anda yang tidak ingin tertinggal perkembangan teknologi yang begitu pesat, Google menawarkan layanan komputasi awan melalui Google Cloud. Penerapan Google Cloud dirancang fleksibel sehingga bisa digunakan oleh pengguna pribadi maupun perusahaan. Dapatkan produk Google Cloud resmi dan bergaransi hanya di EIKON Technology, authorized reseller untuk produk-produk Google. Informasi selengkapnya klik di sini!

Google Cloud

Cara Mengoptimalkan Biaya Penerapan Google Cloud VMwere Engine

Google Cloud VMware Engine memungkinkan Anda untuk menerapkan lingkungan VMware yang terkelola dengan bantuan hardware khusus dalam hitungan menit, memberikan fleksibilitas untuk menambah dan menghapus node ESXi sesuai permintaan. Fleksibilitas tersebut akan meningkatkan kapasitas komputasi dengan cepat sesuai kebutuhan. Dalam penerapannya, terdapat risiko pembengkakan biaya. Untuk itu, sebaiknya Anda menerapkan strategi pengoptimalan biaya dan melakukan peninjauan. Ulasan kali ini akan membahas beberapa strategi yang bisa Anda terapkan untuk mengoptimalkan biaya penerapan Google Cloud VMware Engine. Seperti apa langkah-langkahnya? Gunakan Committed Use Discounts Photo Credit: Piqsels Committed Use Discounts atau CUDs merupakan potongan harga yang dihitung berdasarkan penggunaan sejumlah node Google Cloud VMware Engine pada region tertentu untuk jangka waktu satu atau tiga tahun. Anda bisa menerapkan diskon ini untuk jumlah minimal node yang akan dijalankan selama periode satu atau tiga tahun. Dengan menjadikan Google Cloud VMware Engine sebagai platform target migrasi Anda, jumlah node pun bisa diubah secara berkala. Optimasi konsumsi penyimpanan Ada beberapa cara yang bisa Anda lakukan untuk memastikan konsumsi penyimpanan tidak berlebihan di antaranya: Terapkan kebijakan penyimpanan khusus Alih-alih menerapkan RAID 1 (kebijakan penyimpanan default), sebaiknya pilih RAID 5 atau RAID 6. Sebab, kebijakan penyimpanan yang menggunakan RAID 1 dengan nilai Failures to Tolerance (FTT)=1 cenderung menimbulkan overhead penyimpanan hingga 100%. Sebab, skema blok data RAID 1 menunjukkan pola pengulangan yang tak perlu. Buat disk baru Buatlah disk baru menggunakan format “Thin Provisioning”. Format tersebut akan menghemat ruang penyimpanan. Sebab, Thin Provisioning tidak langsung meluas. Ukurannya akan mengikuti jumlah data yang ditulis ke disk. Baca juga: Menggunakan Google Cloud Spot VMs untuk Menjalankan Workloads dengan Efisien Jangan letakkan Backup pada penyimpanan vSAN Alat pencadangan seperti Actifo menyediakan integrasi lingkungan VMware dan Cloud Storage yang memungkinkan operator memindahkan Backup ke lokasi penyimpanan yang lebih terjangkau. Hindari menyimpan Backup pada penyimpanan vSAN karena lebih boros. Memilih ukuran yang tepat untuk klaster ESXi Photo Credit: Piqsels Mengatur ukuran klaster ESXi Dengan mengatur klaster ESXi sedemikian rupa, maka penggunaan CPU, memori, dan penyimpanan berada pada level tertinggi tapi mendukung penghentian node ESXi tanpa kegagalan workloads. Sebab, mengoperasikan klaster dengan pemanfaatan resources yang mendekati kapasitas penuh dapat menyebabkan pemadaman. Konsolidasi klaster ESXi Jika Anda menjalankan workloads di beberapa klaster, tinjau apakah ada klaster yang dapat dikonsolidasikan untuk penyeimbangan resources yang lebih efisien di seluruh klaster. Konsolidasi Private Clouds Tinjau apakah Private Clouds dapat dikonsolidasikan jika Anda menjalankan lebih dari satu clouds Setiap Private Cloud memerlukan set management VM sendiri. Hal ini bisa menyebabkan overhead pada konsumsi resources secara keseluruhan. Tinjau pemanfaatan resource pada workloads Coba tinjau pemanfaatan resource pada VM setelah menjalankan aplikasi dalam kondisi stabil. Ekstrak metrik vCenter memberikan rekomendasi ukuran yang tepat secara terprogram. Misalnya, jika diketahui bahwa VM mengonsumsi lebih banyak resource CPU dan memori dari seharusnya, sesuaikan parameter VM selama waktu henti aplikasi yang sudah dijadwalkan sebelumnya (memerlukan reboot). Pertimbangkan untuk menjadwalkan eksekusi script yang mengekstrak statistik penggunaan CPU dan memori dari vCenter dan menyimpan data dalam format seperti CSV. Cara ini dapat diimplementasikan dengan PowerShell dari host eksekusi script. Photo Credit: Google Cloud Blog Tentukan kriteria untuk memberikan karakterisasi pada workloads, entah itu terlalu banyak atau justru kurang dimanfaatkan. Caranya adalah dengan membandingkan rata-rata penggunaan CPU dan memori selama minimal 30 hari dengan nilai ambang batas yang wajar. Simak contoh kondisi berikut: Penggunaan CPU (rata-rata 30-hari dan 1-tahun), maka persentasenya kurang dari 50%. Penggunaan CPU (maksimal 30-hari dan 1-tahun), maka persentasenya kurang dari 80%. Terlepas dari rekomendasi di atas, sebaiknya hindari membuat perubahan mendadak dan selalu tinjau data dengan cermat terhadap persyaratan workloads. Baca juga: Meningkatkan Kecepatan dan Keamanan Cloud Deployment Anda Dengan menerapkan langkah-langkah di atas, Anda dapat menekan biaya yang harus dikeluarkan dalam penerapan Google Cloud VMware Engine. Sebelum menerapkannya, pastikan lisensi Google Cloud Anda masih aktif ya. Jika lisensi Anda sudah nonaktif, segera perbarui dengan lisensi produk resmi agar pekerjaan tidak terhambat. Anda bisa memilih paket Google Cloud sesuai kebutuhan perusahaan. Tim EIKON Technology akan membantu Anda untuk menentukan mana paket yang paling cocok. Produk yang akan Anda dapatkan pun dijamin asli dan berlisensi resmi Google. Klik di sini untuk langsung terhubung dengan tim EIKON Technology.

Google Cloud

Tips Membangun Data Team yang Solid untuk Startup EdTech dengan Google Cloud

Pertumbuhan EdTech (Education Technology atau teknologi pendidikan) di Indonesia semakin cepat belakangan ini. Dalam sebuah survei yang dimuat dalam majalah Forbes, industri EdTech secara global diprediksi akan naik hingga US$325 miliar pada tahun 2025 nanti. Sedangkan Indonesia mencatatkan pertumbuhan sebesar 25% per tahunnya. Angka yang cukup besar jika dibandingkan dengan negara-negara lain di Asia. Potensi besar tersebut jelas tidak boleh disia-siakan. Terlebih, startup EdTech memiliki peluang untuk meningkatkan kualitas pendidikan di Indonesia. Dengan catatan, startup tersebut memiliki manajemen data pendidikan yang baik. Artikel kali ini akan membahas cara memanfaatkan beberapa platform dari Google Cloud untuk membangun data team yang solid untuk menyokong perkembangan startup EdTech. Mari pelajari detailnya bersama. Membangun data team Photo Credit: Piqsels Sebuah startup yang tidak memiliki data team khusus, kemungkinan besar, tidak akan memiliki manajemen database yang baik. Entah itu data menjadi sulit ditemukan, keamanannya lemah atau bahkan gagal memenuhi ekspektasi pelanggan. Terdapat suatu korelasi antara kematangan data team dengan keberhasilan pemanfaatan data perusahaan EdTech. Dengan memanfaatkan matriks dari Looker’s Analytical Maturity Playbook, Anda bisa menilai tingkat kematangan data team. Baca juga: Fitur Google for Education untuk Peningkatan Mutu Pembelajaran Selain tingkat kematangan data team, Anda juga perlu ingat bahwa informasi yang didapat dari data bukan hanya akan menjadi aset, tapi juga produk. Ketika data team Anda memiliki pandangan yang sama, mereka akan lebih mudah menentukan tahapan tepat untuk mengembangkan startup EdTech berbasis data yang sukses. Berikut adalah beberapa indikator organisasi data yang matang: Melaporkan fungsionalitas dengan teratur. Terus mengevaluasi potensi peningkatan pada sistem yang ada. Mengelola peluncuran konten pada internal perusahaan. Membenahi akses data dengan Redivis Redivis merupakan sebuah platform yang menghubungkan para peneliti akademis dengan data dan tools untuk memahami kecerdasan teknologi pendidikan. Platform ini dibangun di atas infrastruktur keamanan Google Cloud sehingga menciptakan suatu ekosistem data processing yang skalabel. Redivis mengembangkan suatu sistem akses berjenjang terhadap dataset. Dengan begitu, peneliti dapat meminta akses terpisah menuju dokumentasi dataset untuk menentukan apakah mereka memang dapat menggunakannya atau tidak. Photo Credit: Piqsels Redivis juga didukung oleh audit logs yang detail (didukung oleh Google Cloud Logging) dan kontrol keamanan tinggi pada level aplikasi untuk memperketat akses data. Untuk memberikan lebih banyak insights kepada peneliti, Redivis menghubungkan dataset pribadi mereka dengan dataset public yang di-hosting di BigQuery. Jadi, peneliti dapat menjalankan query pada miliaran catatan dalam hitungan detik. Menyusun sistem pembelajaran yang menyenangkan dengan Classcraft Classcraft merupakan sebuah perusahaan yang dirintis pada tahun 2014 dan bergerak di bidang pendidikan. Misi utama Classcraft adalah untuk membangun suatu lingkungan belajar yang lebih menyenangkan dengan sistem gamifikasi. Dalam pemahaman sederhana, sistem gamifikasi adalah penerapan aturan game di luar permainan itu sendiri. Misalnya, menerapkan sistem leaderboard atau peringkat yang ada di game balapan pada penilaian di ruang kelas. Untuk mencapai misi tersebut, Classcraft menciptakan sebuah data platform yang menerapkan analitik data. Dengan begitu, mereka dapat merumuskan cara baru untuk meningkatkan keterlibatan siswa di kelas. Photo Credit: Piqsels Classcraft kini telah bergabung menjadi Google for Education Build Partner sehingga Anda bisa menikmati seluruh layanannya lebih mudah. Terlebih kini Classcraft juga telah bermigrasi ke Google Cloud dan membangun integrasi dengan platform Google Workspace for Education, Google Classroom, hingga Chrome for Education. Classcraft juga sudah melakukan migrasi database dan infrastruktur analytics ke BigQuery dan Cloud Storage. Baca juga: Manfaat TIK dalam Pendidikan di Era Digital Saat Ini Keberadaan data team sangat penting dalam startup EdTech. Dengan manajemen data yang baik, potensi pengembangan EdTech pun akan semakin besar. Google Cloud melalui platform dan kolaborasi seperti Redivis dan Classcraft menyediakan solusi yang bukan hanya efisien tapi juga komprehensif untuk meningkatkan kematangan data team Anda. Bantu data team Anda untuk berkembang dengan menggunakan personalized Google Cloud. Masih bingung menentukan setup Cloud yang tepat untuk startup EdTech Anda? Tidak perlu khawatir, selain menyediakan produk resmi Google, EIKON Technology juga menyediakan layanan konsultasi untuk Anda. Informasi lebih lanjut, silakan klik di sini!

Google Cloud

Membuat Aplikasi yang Lebih Cerdas dengan Document AI, Workflows, dan Cloud Functions

Salah satu hambatan dalam membuat aplikasi cerdas adalah manajemen dokumen yang buruk. Padahal dokumen adalah sumber data yang penting dalam menyusun aplikasi cerdas. Ini karena dokumen yang tidak terstruktur akan menyulitkan proses pengambilan data untuk aplikasi. Dokumen dalam bentuk pdf atau gambar, sering kali membuat pemrosesan data menjadi jauh lebih rumit. Sebab, kedua jenis dokumen tersebut masih mengandalkan teknologi yang terfragmentasi dan bahkan metode manual. Google Cloud menghadirkan sebuah solusi komputasi untuk mengatasi tantangan tersebut lewat Document AI, teknologi Serverless, serta Workflows. Mari simak penjelasannya berikut. Mengenal Document AI Document AI secara resmi diperkenalkan ke public pada gelaran Cloud Next 2021. Google menyebutkan bahwa Document AI merupakan sebuah platform yang membantu perusahaan untuk mengubah dokumen menjadi data yang terstruktur dengan bantuan machine learning. Photo Credit: Google Cloud Blog Document AI juga telah didukung teknologi Procurement Document AI, sebuah solusi pengambilan data dari beragam jenis formular, termasuk invoice dan bahkan laporan inventarisasi barang. Semua prosesnya pun sudah dilakukan secara otomatis. Contoh penerapan Document AI Photo Credit: Google Cloud Blog Pada diagram di atas tampak terlihat ada dua alur. Alur pertama menggambarkan karyawan yang mengirimkan laporan pengeluaran (beberapa penerimaan diproses sekaligus). Sedangkan alur kedua menggambarkan manajer yang melakukan validasi atau penolakan laporan karyawan. Mula-mula, karyawan membuka situs web milik perusahaan yang didukung oleh Vue.js untuk kerangka frontend progresif JavaScript dan Shoelace sebagai library untuk menyimpan komponen-komponen web. Katakanlah, website tersebut di-hosting lewat Firebase Hosting sehingga frontend akan memanggil fungsi HTTP yang kemudian memicu eksekusi workflow menggunakan sintaks Workflows YAML.  Baca juga: Membuat Aplikasi Customer Experience dengan Google Docs di Appsheet Document AI connector Workflow tersebut kemudian akan menangani operasi yang berjalan lama tanpa memerlukan kode tambahan. Di sini, Document AI connector secara langsung akan memanggil batch titik akhir pemrosesan. API ini mengembalikan operasi yang berjalan lama dengan dua skenario: Jika Anda melakukan polling pada API, status operasi akan berubah menjadi “RUNNING” hingga akhirnya mencapai status “SUCCEEDED” maka operasi berhasil. Namun jika Anda melakukan polling pada API dan setelah selesai status operasi berubah menjadi “FAILED” maka operasi dinyatakan gagal. Perlu diingat juga, connectors akan tetap menangani operasi yang berjalan lama, meski Anda tidak melakukan polling API beberapa kali hingga status operasi berubah. Penerapan machine learning Photo Credit: Piqsels Document AI dilengkapi machine learning dengan model Vision and Natural Language Processing tercanggih untuk mengekstrak data skema dari dokumen secara cerdas. Dengan begitu, Anda sebagai developer aplikasi tak perlu lagi memikirkan cara menyempurnakan atau membingkai ulang gambar tanda terima atau mencari informasi yang relevan dengan dokumen tanda terima. Beberapa fitur pendukung Document AI Document AI telah dirancang untuk membantu Anda mengembalikan dokumen JSON dalam bidang line_item, currency, supplier_name, total_amount, dan bidang lain yang serupa. Di samping itu, Document AI juga dibekali kemampuan untuk memahami dokumen dan formulir standar seperti invoice, dokumen peminjaman, slip gaji, bahkan identitas seperti SIM. Fungsi cloud pada Document AI mengambil seluruh tanda terima yang relevan dan kemudian membuat penghitungannya sendiri sebelum mengirimkan laporan pengeluaran untuk disetujui manajer. Selain itu, Google juga menyediakan fitur lain seperti Callback. Fitur tersebut akan membantu Anda untuk membuat titik akhir callback. Dengan demikian, eksekusi workflow akan mengikuti callback untuk melanjutkan prosesnya kembali. Baca juga: Membuat Aplikasi Manajemen Inventaris dari Google Sheets dengan AppSheet Dalam merancang sebuah aplikasi, manajemen dokumen sangat penting. Terlebih jika aplikasi yang Anda buat bertujuan untuk menampilkan informasi yang termuat dalam file dokumen, misalnya aplikasi mengenai gaji karyawan atau invoice kepada pelanggan. Agar aplikasi cerdas Anda dapat mengambil data dari file yang berupa dokumen pdf atau bahkan gambar, Google Cloud menyediakan platform Document AI. Seluruh fitur dan layanan yang ada dalam Document AI bisa Anda akses melalui Google Cloud untuk bisnis. Dapatkan solusi berbasis cloud dari Google hanya di EIKON Technology, partner resmi Google untuk Indonesia. Untuk terhubung langsung dengan tim EIKON Technology, silakan klik di sini!

Google Cloud

Meningkatkan Produktivitas Developer dengan Cloud Client Libraries for Compute Engine

Memasuki bulan Februari 2022, Google Cloud meluncurkan Cloud Client Libraries for Engine untuk umum. Layanan tersebut diluncurkan dalam 7 bahasa pemrograman, yaitu Java, Python, C++, NodeJS, Go, Ruby, PHP, dan C#. Libraries ini memberikan peningkatan produktivitas developer dan kemudahan penggunaan dengan mengaktifkan style yang lebih idiomatis untuk setiap bahasa pemrograman. Cloud Client Libraries for Compute Engine diklaim mampu memberikan integrasi bahasa yang lebih baik, keamanan yang ditingkatkan, dan dukungan otorisasi pengguna. Compute Engine API dibangun di atas protokol REST standar dan libraries klien yang dirancang lebih sederhana dan intuitif. Bagaimana layanan ini bekerja? Apa itu Cloud Client Libraries Cloud Client Libraries merupakan client libraries terbaru untuk memanggil Google Cloud API. Layanan ini diklaim mampu meningkatkan pengalaman developer dengan menggunakan konvensi dan style alami tiap bahasa pemrograman. Di samping itu, Cloud Client Libraries juga mengurangi kode boilerplate yang harus ditulis. Sebab, client libraries ini dirancang untuk membantu Anda bekerja dengan metafora layanan, daripada detail implementasi atau konsep service API. Menggunakan Cloud Client Libraries dengan Cloud Code Photo Credit: Piqsels Cloud Code merupakan tools yang ada dalam VS Code, IntelliJ, dan Cloud Shell untuk mengembangkan aplikasi cloud. Penggunaan kode ini memungkinkan Anda menggunakan Cloud Client Libraries dengan mudah tanpa perlu meninggalkan IDE. Penerapan kode ini akan membantu Anda: Menjelajahi Cloud APIs. Membaca dokumentasi untuk Cloud APIs. Mengaktifkan Cloud APIs. Menambahkan Cloud Client Libraries ke proyek Anda. Baca juga: Meningkatkan Kecepatan Dan Keamanan Cloud Deployment Anda Menyiapkan otentikasi pengguna Photo Credit: Piqsels Untuk menjalankan client library ini, Anda harus mengatur autentikasi terlebih dahulu. Salah satu caranya adalah dengan membuat akun layanan. Berikut langkah-langkahnya: Membuat service account Pada Cloud Console, buka halaman Create service account. Pilih Go to Create service account. Pilih proyek Anda. Pada opsi Service account name, masukkan nama. Nantinya, Service account ID Anda di Cloud Console berdasarkan nama ini. Pada pilihan Service account description, ketikkan deskripsi. Klik Create and continue. Untuk memberikan akses menuju proyek Anda, berikan peran berikut ke akun layanan Anda: Project > Owner. Klik Select a role dan pilih role pertama (atau satu-satunya). Untuk peran tambahan, klik Add another role dan tambahkan setiap peran tambahan. Klik Continue. Klik Done untuk menyelesaikan pembuatan akun layanan. Jangan tutup jendela browser. Anda akan menggunakannya di langkah berikutnya. Membuat kunci akun layanan Pada halaman Cloud Console, klik alamat email untuk akun layanan yang Anda buat. Klik Keys. Klik Add key, lalu klik Create new key. Klik Create. File kunci JSON akan diunduh ke komputer Anda. Klik Close. Mulai menerapkan Cloud Client Libraries Photo Credit: Piqsels Panduan menurut bahasa pemrograman Untuk membantu Anda dalam menggunakan Cloud Client Libraries, Google menyediakan panduan untuk setiap bahasa pemrograman yang telah didukung. Berikut adalah daftar lengkap yang dapat Anda akses: Bahasa Pemrograman Panduan Instalasi Java GitHub Repo Library Reference Supported Java Versions Python GitHub Repo Library Reference C++ GitHub Repo Library Reference Node.js GitHub Repo Library Reference Go GitHub Repo Library Reference Ruby GitHub Repo Library Reference PHP GitHub Repo Library Reference C# GitHub Repo Library Reference Cloud Client Libraries untuk akun pribadi Cloud Client Libraries kini juga telah tersedia untuk akun pribadi. Sama seperti untuk penggunaan skala besar, Google juga menyediakan panduan yang dapat diakses masing-masing pengguna. Panduan tersebut juga telah disusun agar mudah diakses. Dengan begitu, Anda bisa mengakses produk yang relevan lebih cepat. Misalnya, Anda memerlukan informasi mengenai Pub/Sub, maka bisa mengakses halaman Pub/Sub Client Libraries. Bagi Anda yang ingin mempelajari lebih lanjut tentang client library untuk Compute Engine API, Google telah menyediakan dokumentasi tersendiri yang dapat diakses secara gratis kapan saja, Baca juga: 3 Cara Berinovasi Dengan Biaya Minim Menggunakan Cloud Computing Ada banyak sekali layanan yang bisa digunakan untuk meningkatkan produktivitas developer. Bagi Anda, developer yang memerlukan peningkatan dalam hal client library, layanan Cloud Client Libraries dari Google Cloud bisa dipertimbangkan. Tertarik? Untuk performa yang lebih optimal, gunakan akun Google Cloud yang telah dipersonalisasi sesuai kebutuhan Anda. Dapatkan Google Cloud sesuai dengan kebutuhan Anda melalui EIKON Technology, partner resmi Google untuk Indonesia. Untuk terhubung langsung dengan tim EIKON Technology, klik di sini!

Google Cloud

Memanfaatkan Google Cloud untuk Menyusun Proyek Data Science

Data science pada dasarnya merupakan suatu proses mengolah data untuk mendapatkan informasi yang bermanfaat. Terkadang, seorang data scientist tidak memiliki lanskap yang jelas mengenai tools yang dapat membantu setiap tahap dalam alur kerja data science. Sebab, kebanyakan data scientist lebih mengandalkan machine learning untuk menjawab permasalahan tersebut. Google melalui Google Cloud menyediakan beberapa produk dan layanan yang dapat membantu Anda untuk memiliki lanskap yang lebih baik dalam hal tools proyek data science. Menariknya lagi, Google Cloud telah membagi-bagi layanan tersebut dalam 6 area utama data science. Seperti apa layanan yang ditawarkan? Photo Credit: Pvergadia (Google Cloud Blog) Data engineering  Salah satu tantangan dalam dunia data science adalah keberadaan data potensial yang sulit untuk diakses. Untuk itulah data engineering terus berkembang, meletakkan fondasi penting untuk sistem hilir, melakukan rekayasa data yang melibatkan pengangkutan, pembentukan, dan pengayaan data. Penyerapan dan pra-pemrosesan data di Google Cloud Bisa dibilang, penyerapan data adalah pemindahan data dari satu lokasi ke lokasi lain. Penyerapan juga berhubungan dengan persiapan proses transformasi dan augmentasi data sebelum dikonsumsi. Tantangan terbesarnya adalah skalabilitas global, throughput tinggi, dan ketahanan data. Google Cloud menyediakan solusi berupa Dataflow, sebuah layanan terkelola Apache Beam. Baca juga: Membangun Industri Manufaktur Berbasis Digital dengan SAP Google Cloud Penyimpanan dan katalogisasi data di Google Cloud Untuk data yang terstruktur, Anda bisa mempertimbangkan gudang data seperti atau BigQuery Cloud Databases. Sedangkan untuk data yang tidak terstruktur, layanan Cloud Storage bisa dipilih. Anda juga mungkin bisa mempertimbangkan data lake untuk katalogisasi data. Google menyediakan Data Catalog untuk pembuatan katalog dan manajemen metadata. Photo Credit: Pvergadia (Google Cloud Blog) Data Analysis  Pada proses data analysis inilah nilai suatu data bisa mulai dikenali. Untuk memudahkan Anda dalam data analysis, berikut jenis layanan yang tersedia: Eksplorasi, pra-pemrosesan, dan wawasan data Eksplorasi data merupakan proses yang sangat berulang, melibatkan pemotongan dan pemilahan dan melalui pra-pemrosesan data sebelum akhirnya didapat wawasan data. Google Cloud menyediakan beberapa layanan untuk melakukan eksplorasi, pra-pemrosesan, dan mengungkap wawasan data. Jika Anda mencari lingkungan data science end-to-end yang berbasis notebook, tersedia Vertex AI Workbench. Ada juga Spark on Google Cloud untuk memproses data terstruktur dalam skala petabyte.  Photo Credit: Peqsels Model development Berikutnya ada model development. Pada tahap ini, machine learning mulai memberikan cara baru untuk mengetahui nilai data Anda. Namun terkadang muncul hambatan seperti overhead infrastruktur atau peralihan konteks. Untuk mengatasinya, Anda bisa mengandalkan Vertex AI Workbench yang merupakan layanan berbasis Jupyter dan sepenuhnya terkelola, skalabel, serta siap untuk pemakaian lingkungan perusahaan. ML engineering  Photo Credit: Markus Winkler (Pexels) ML engineering diperlukan dalam tahap penggabungan semua aktivitas siklus hidup aplikasi, termasuk di dalamnya adalah pengujian, penerapan, dan pemantauan. Fitur  Managed datasets dan Feature Store yang ada pada layanan Vertex AI menyediakan repositori bersama untuk kumpulan data dan fitur yang telah direkayasa, sehingga dapat menyediakan satu sumber kebenaran untuk data. Keduanya juga mendorong penggunaan Kembali serta kolaborasi dalam tim. Insights activation  Pada tahapan ini, data sudah memiliki nilai dan dapat digunakan dalam proses lain. Adna dapat menggunakan Locker dan Data Studio untuk mengaktifkan kasus penggunaan. Dengan begitu Anda bisa mengamati bagaimana data digunakan untuk memengaruhi keputusan bisnis dengan diagram, laporan, dan peringatan.   Orkestrasi Seluruh layanan dan solusi di atas memang menyediakan pondasi utama dalam data science modern. Meski begitu, layanan dan aplikasi tersebut tentu memerlukan orkestrasi untuk mengelola aliran data dari satu layanan ke layanan lain secara otomatis. Nah, di sinilah kombinasi antara data pipelines, ML pipelines, dan MLOps berperan. Orkestrasi yang efektif akan mengurangi jumlah waktu yang diperlukan saat beralih dari penyerapan data ke penerapan mode. Untuk orkestrasi data pipeline, Anda bisa mengandalkan Cloud Composer dan Cloud Scheduler dari Google Cloud.  Baca juga: Pengembangan Aplikasi Tanpa Coding Di Bidang Energi Google Cloud tidak hanya memberikan solusi yang mudah diakses, tapi juga komprehensif. Anda bahkan bisa menemukan beberapa layanan dan aplikasi yang dapat membantu penyusunan proyek data science. Jadi tunggu apalagi, segera dapatkan Google Cloud untuk tim Anda melalui EIKON Technology, authorized reseller Google Indonesia. Informasi lebih lanjut, klik di sini.

Cloud Computing, Google Cloud

Mengenal BigQuery Write API dalam Google Cloud

Google BigQuery Write API resmi diluncurkan tahun 2021 lalu. Write API sendiri merupakan jalur penyerapan data pilihan BigQuery yang menawarkan batching dan streaming dengan performa tinggi dalam satu API terpadu. Apa saja keunggulannya? Mengenal fitur BigQuery Write API Sejak pertama diperkenalkan, BigQuery Write API terus melakukan penyempurnaan untuk meningkatkan performa dan kemampuan. Dengan begitu, pengguna pun lebih mudah menyerap data secara langsung ke BigQuery. Beberapa fitur tersebut di antaranya: Menyerap data langsung ke BigQuery tanpa harus menyusunnya di Google Cloud Storage terlebih dahulu sehingga menyederhanakan alur kerja. Menyalurkan pemrosesan data dan langsung membacanya, memungkinkan Anda membangun aplikasi data dengan latensi rendah dan respons cepat. Menjamin pengiriman tepat satu kali, yang memastikan Anda tidak perlu menulis logika deduplikasi khusus. Mendukung transaksi baris batch-level, memungkinkan percobaan ulang yang aman dan deteksi pembaruan skema. Menyerap data ke BigQuery Ada beberapa cara untuk menyerap data ke dalam penyimpanan terkelola BigQuery. Metode penyerapan spesifik akan tergantung pada workload Anda. Umumnya, disesuaikan untuk tugas pemuatan satu kali dan tugas batch berulang (karena latensi batch tidak menjadi masalah). Anda dapat menggunakan BigQuery Data Transfer Service atau BigQuery Load Jobs. Di samping itu, Anda juga bisa menggunakan BigQuery Write API. Baca juga: Mengelola BigQuery Lebih Mudah Dengan Resource Charts dan Slot Estimator Photo Credit: Google Cloud Blog Membandingkan BigQuery Write API dengan BigQuery Load Job Sebelum BigQuery Write API diperkenalkan, penyerapan data bisa dilakukan melalui BigQuery Load Job atau Streaming API. Di manakah letak perbedaannya? Jika dibandingkan, ada beberapa perbandingan utama antara BigQuery Write API dengan BigQuery Load Jobs, yakni: Transaksi tingkat aliran: Pada BigQuery Write API, satu aliran hanya dapat dilakukan sekali, memungkinkan Anda melakukan percobaan ulang yang aman. Alur kerja yang lebih sederhana: Dengan menulis langsung ke penyimpanan BigQuery, Anda dapat menghindari mengekspor data ke Google Cloud Storage dan kemudian memuatnya ke BigQuery. Hal ini tidak bisa dilakukan pada BigQuery Load Jobs. SLO: BigQuery Write API memiliki tingkat SLO yang sama dengan BigQuery API lain yang ada seperti Query Jobs dan legacy Streaming API. Membandingkan BigQuery Write API dengan legacy Streaming API Jika poin sebelumnya membandingkan BigQuery Write API dengan BigQuery Load Jobs, kali ini mari simak perbandingannya dengan legacy Streaming API. Beberapa perbandingan yang paling mudah dikenali di antaranya: Menulis idempotency: Streaming API lawas hanya mendukung deduplikasi pada periode waktu yang singkat (urutan beberapa menit). Namun, BigQuery Write API memastikan bahwa satu penambahan hanya dapat terjadi sekali pada offset tertentu pada aliran yang sama, sehingga menjamin idempotency penulisan. Throughput yang lebih tinggi: Write API memiliki kuota default tiga kali lebih banyak (3GB/detik) dibandingkan dengan legacy Streaming API (1GB/detik), menghasilkan throughput yang lebih tinggi dalam proses penyerapan data. Kuota tambahan dapat diberikan berdasarkan permintaan pengguna. Biaya lebih rendah: Biaya Write API per GB 50% lebih hemat dibandingkan dengan Streaming API lawas. Selain itu, karena BigQuery Write API telah mendukung proses batch sekaligus streaming terpadu, Anda tidak perlu lagi menggunakan API terpisah untuk menangani semua workloads dalam skala besar. Batch dan Streaming API terpadu Photo Credit: Piqsels Write API didukung oleh streaming backend baru. Dukungan tersebut membuat Write API dapat menangani throughput yang jauh lebih besar dengan keandalan data lebih baik dari backend lama. Backend baru tersebut merupakan adalah sistem penyimpanan terstruktur berskala exabyte di belakang BigQuery. Sistem tersebut dibuat untuk mendukung pemrosesan berbasis streaming, tepatnya untuk analisis streaming yang skalabel di semua mesin analitis di GCP. Tidak seperti pendahulunya yang dioptimalkan untuk pemrosesan batch mode, streaming backend baru ini memperlakukan streaming sebagai beban kerja kelas satu. Di samping itu, backend ini juga telah mendukung streaming dan pemrosesan real-time dengan tingkat throughput yang tinggi. Baca juga: Jenis Pemrosesan Data Perusahaan Bagi Anda yang memerlukan penyerapan data dengan proses batching dan streaming berperforma tinggi dalam satu API terpadu, BigQuery Write API bisa dijadikan pilihan. BigQuery akan bekerja lebih baik jika berada dalam ekosistem Google. Untuk itu, ada baiknya juga jika Anda menggunakan layanan komputasi awan dari Google saat menggunakanWrite API. Dapatkan layanan cloud yang didukung ekosistem Google lewat Google Cloud. Sekarang, Anda bisa mengelola Google Cloud yang dipersonalisasi sesuai kebutuhan Anda. Tim EIKON Technology yang merupakan authorized reseller Google di Indonesia, siap menyediakannya untuk Anda. Untuk informasi lebih lanjut, klik di siniv!

Cloud Computing, Google Cloud

Tips Membangun Sistem Rekomendasi dengan Google Cloud

Tanpa disadari, keseharian manusia saat ini dekat dengan sistem rekomendasi, terutama dalam kehidupan di dunia maya. Bingung menentukan makan malam? Cek rekomendasi. Ingin mendengarkan lagu baru? Lihat rekomendasi dari aplikasi streaming. Ingin mencari produk yang serupa? Marketplace telah menyediakan rekomendasi untuk Anda. Dalam sebuah artikel di website Verge, diketahui bahwa sistem rekomendasi dari tim Google Brain telah memengaruhi dinamika kunjungan ke platform streaming video, YouTube. Lebih dari 70% waktu yang dihabiskan pengguna, ternyata dipengaruhi oleh rekomendasi dari algoritma YouTube. Jumlah ini menunjukkan peningkatan sekitar 20x lipat dibandingkan tiga tahun lalu. Fakta tersebut membuktikan bahwa rekomendasi kini bukan lagi sekadar menjadi pembeda bagi suatu organisasi, tapi juga menjadi suatu hal yang memang dibutuhkan konsumen dalam keseharian mereka. Bagi Anda yang tertarik untuk mulai membangun sistem rekomendasi sendiri, Google Cloud menyediakan pendekatan yang patut dicoba. Sistem rekomendasi tersebut terdiri dari Matrix Factorization pada BigQuery Machine Learning (BQML), Recommendations AI, serta Two-Tower built-in algorithm. Bagaimana cara kerjanya? Mulai dengan Matrix Factorization dari BQML Dalam membangun sebuah sistem rekomendasi, collaborative filtering merupakan model dasar. Lalu, mengapa harus menggunakan Matrix Factorization BQML? Ini karena Matrix Factorization sendiri merupakan model yang menerapkan collaborative filtering. Kemudan, BQML memungkinkan Anda untuk dapat membuat sekaligus menjalankan model tersebut dengan SQL standar langsung di gudang data. Baca juga: Mengenal BigQuery Explainable AI, Alat Interpretasi Model Machine Learning Collaborative filtering dimulai dengan membuat interaction matrix. Dalam matriks ini, pengguna ditulis sebagai baris dan produk sebagai kolom yang ada di kumpulan data Anda. Seringkali, tidak tampak interaksi antara baris dan kolom karena tidak semua pengguna berinteraksi dengan seluruh produk yang Anda. Nah, di sinilah embeddings berperan untuk menghasilkan penyematan bagi pengguna. Dengan begitu, Anda bisa mengelompokkan beberapa produk yang mirip atau sesuai dengan kategori produk yang dicari pengguna. Photo Credit: Google Cloud Blog Melanjutkan dengan Recommendations AI Recommendations AI merupakan sebuah layanan yang terkelola sepenuhnya dan berfungsi untuk membantu organisasi dalam menerapkan sistem rekomendasi skalabel. Layanan ini bekerja dengan menggunakan pendekatan deep learning canggih. Termasuk di dalamnya adalah arsitektur mutakhir seperti two-tower encoders. Photo Credit: Google Cloud Blog Penerapan model deep learning akan meningkatkan konteks dan relevansi rekomendasi. Ini karena model tersebut dapat dengan mudah mengatasi keterbatasan. Recommendations AI membantu Anda memanfaatkan penyajian model deep learning sekaligus menangani MLOps yang diperlukan dalam melayani model ini secara global, tentunya dengan latensi rendah. Model secara otomatis dilatih ulang setiap harinya dan disetel ulang setiap tiga bulan sekali untuk menangkap perubahan perilaku pelanggan, tambahan produk, harga, serta promosi. Sedangkan model baru akan dilatih dengan rutinitas CI/CD yang tangguh guna memvalidasi kelayakan mode tersebut sebelum ditayangkan. Two Tower encoders Dalam membangun suatu sistem rekomendasi Anda harus selalu ingat bahwa tujuan utama yang harus dicapai adalah kemampuan untuk menampilkan kumpulan item yang paling relevan dengan kebutuhan pengguna. Item tersebut kemudian disebut sebagai kandidat dan terkadang disertai dengan informasi seperti judul, deskripsi, bahasa, jumlah tampilan, bahkan klik pada item dari waktu ke waktu. Katakanlah Anda sedang membuat sistem rekomendasi film. Tentu saja, sekarang ini film ada jutaan jumlahnya, begitu pun dengan jumlah penontonnya. Penerapan two-tower encoder akan membantu Anda dalam tahap pemilihan kandidat (retrieval) untuk setiap pengguna dan kemudian menilai, mengurutkan, dan menyajikan daftar akhir yang direkomendasikan kepada pengguna. Simak ilustrasi berikut: Photo Credit: Google Cloud Blog Tahap retrieval menyaring daftar kandidat yang ada dengan melakukan encoding pada kandidat dan pengguna. Dengan begitu, keduanya akan berbagi ruang penyematan yang sama. Ruang penyematan yang baik akan menempatkan kandidat yang mirip satu sama lain lebih dekat dan item yang berbeda saling berjauhan. Setelah basis data pengguna dan penyematan kandidat selesai maka Anda bisa mulai menggunakan metode pencarian terdekat untuk kemudian menghasilkan daftar kandidat akhir yang benar-benar relevan dengan pengguna. Baca juga: Merancang Technical Training Yang Lebih Mudah Diakses dengan Google Cloud Keberadaan sistem rekomendasi tanpa disadari telah menjadi bagian penting dalam kehidupan sehari-hari manusia. Hal ini bisa menjadi peluang yang bagus bagi Anda untuk meningkatkan jumlah penjualan atau mungkin durasi kunjungan pelanggan. Google Cloud menyediakan sistem yang komprehensif dari hulu ke hilir untuk membangun suatu sistem rekomendasi yang efisien. Untuk hasil terbaik, sebaiknya gunakan Google Cloud yang telah dipersonalisasi sesuai kebutuhan Anda. Dapatkan personalized Google Cloud berlisensi hanya di EIKON Technology yang merupakan partner resmi Google di Indonesia. Untuk informasi selengkapnya, klik di sini!

Scroll to Top