Ketika AI fisik mulai merambah ke rumah, ruang kerja, dan infrastruktur publik kita, dampaknya dipastikan akan luar biasa. Kendaraan otonom akan menjadi hal yang umum di jalanan kita, pabrik dan gudang akan beralih ke otomatisasi penuh, perangkat cerdas akan membantu dalam prosedur medis, dan semakin banyak kecerdasan akan tertanam dalam perangkat rumah tangga.
Dengan demikian, pentingnya AI fisik semakin terlihat jelas. Gartner bahkan menjadikannya sebagai tren strategis teratas yang akan membentuk prioritas perusahaan dalam lima tahun ke depan. Peluang yang ada tentu sangat bermanfaat. Tapi, apakah organisasi sudah siap menjalankan robot otonom, drone, kendaraan otomatis, dan otomatisasi industri secara besar-besaran?
Para pemimpin proyek mulai menyadari bahwa penerapan AI di ruang fisik, di mana AI tersebut akan hidup berdampingan dengan manusia, sangat berbeda dengan penerapan AI di lingkungan komputasi awan yang abstrak. AI fisik mengharuskan mesin dan sistem untuk mengenali apa yang terjadi di sekitar mereka, menginterpretasikan konteks, dan bertindak secara otonom di dunia nyata.
Secara logis, penerapan ini harus dibuktikan aman dan dapat diandalkan. Untuk mencapainya, para pemimpin dituntut untuk mengatasi banyak komplikasi praktis, seperti batasan pada perangkat edge, kepatuhan regulasi, dan pertimbangan lingkungan.
Selain itu, mereka juga perlu meyakinkan tim manajemen senior bahwa AI fisik dapat diimplementasikan secara luas dalam operasional mereka. Ini akan membutuhkan mereka untuk menunjukkan bahwa biaya operasional yang berkelanjutan dapat dikelola dan ada gambaran yang jelas tentang pengembalian investasi, entah melalui peningkatan uptime, optimasi energi, atau efisiensi tenaga kerja. Tanpa bukti yang mendukung, proyek ini tidak akan pernah lepas dari fase uji coba.
Memasukkan AI Sejak Awal
Untuk mengatasi tantangan ini, langkah pertama bagi pemimpin adalah memastikan solusi AI fisik dan manfaatnya sudah dipertimbangkan sejak awal dalam setiap proyek. Ketika organisasi gagal untuk memasukkan AI pada tahap paling awal—seperti dalam desain dan pengembangan produk atau lingkungan operasional—hal ini akan menciptakan tantangan.
Akibatnya, sering terjadi fragmentasi antara perangkat keras, firmware, aplikasi, dan komputasi awan, yang menyebabkan penumpukan utang teknis dan hasil yang mengurangi keuntungan. Aset operasional yang terfragmentasi juga menyebabkan alur kerja yang tidak terkoordinasi, kemacetan operasional, dan kinerja yang kurang optimal.
Jika situasi ini terjadi, sering kali organisasi kesulitan untuk berinovasi dan beradaptasi saat peluang komersial baru muncul, seperti melalui perangkat konsumen pintar, robot pabrik, atau infotainment dalam kendaraan.
Gartner memperkirakan bahwa organisasi yang mengambil pendekatan proaktif dalam mengurangi apa yang mereka sebut sebagai “utang AI” akan berkembang hingga 500% lebih cepat dalam tiga tahun ke depan.
Mengaktifkan Inferensi Edge
Berbeda dengan penerapan AI di cloud, AI fisik mengharuskan organisasi untuk mengintegrasikan inferensi edge real-time dengan beberapa lapisan komputasi. Solusi khusus perlu dirancang untuk mengatasi berbagai batasan yang ditemui pada perangkat edge, termasuk kapasitas komputasi, memori, konsumsi daya, batas termal, dan faktor bentuk.
Batasan ini umumnya memaksa untuk melakukan trade-off yang disengaja dalam ukuran model, frekuensi pembaruan, pemilihan perangkat keras, dan strategi inferensi. Seiring perkembangan kemampuan edge, batasan ini dapat semakin teratasi. GPU konsumsi daya rendah dan akselerator AI khusus memperluas jenis beban kerja yang bisa dijalankan secara lokal.
Teknik seperti kompresi model dan kuantisasi juga membantu mengurangi permintaan komputasi sekaligus mempertahankan kinerja yang dapat diterima.
Di lingkungan yang sangat terbatas, arsitektur edge terdistribusi bisa digunakan untuk memindahkan tugas-tugas tertentu ke perangkat terdekat. Dengan kemajuan ini, yang lebih penting adalah bagaimana batasan edge dirancang sejak awal, bukan di mana kecerdasan itu dijalankan.
Hal ini akan meningkatkan keandalan, mengurangi ketergantungan pada komputasi awan, dan menurunkan biaya operasional berkelanjutan.
Menjalankan Simulasi
Solusi rekayasa edge ini akan memberikan bukti konsep bagi organisasi. Namun, untuk memungkinkan skala, pemimpin proyek juga perlu menguji skenario dan memahami dampak sekunder di seluruh operasi tanpa mengganggu produksi, mengorbankan keselamatan, atau menginvestasikan modal secara prematur.
Pemimpin proyek dapat mengurangi risiko investasi dan memvalidasi keputusan mereka dengan memanfaatkan platform simulasi canggih, seperti NVIDIA’s Omniverse. Ini memungkinkan mereka untuk membuat digital twins dari pabrik, aset, dan alur kerja serta mengeksplorasi skenario “seandainya”.
Simulasi memungkinkan tim untuk menilai kinerja dan mengidentifikasi batasan lebih awal. Misalnya, dalam lingkungan yang memerlukan energi tinggi, tim dapat menganalisis penggunaan daya dan trade-off keberlanjutan. Ini memungkinkan pemimpin untuk mengevaluasi biaya, menyesuaikan ukuran investasi modal, mempercepat siklus perencanaan, dan menyelaraskan pemangku kepentingan di sekitar pandangan bersama tentang masa depan.
Membangun Kepercayaan
Penggunaan simulasi juga membantu mengidentifikasi kemenangan cepat yang akan membantu pemimpin menunjukkan keberhasilan awal. Ini akan memberikan bukti penting bahwa teknologi ini aman dan dapat diandalkan, serta dapat memberikan pengembalian investasi yang jelas.
Ini bisa menjadi fase pertama dari program peluncuran bertahap. Dalam AI fisik, disarankan agar organisasi mengambil pendekatan bertahap, sehingga membantu membangun kepercayaan di antara tim manajemen senior—dan menghapus keraguan yang bisa menghambat proyek dan mencegah mereka dari skala.
Untuk lebih meyakinkan, pemimpin proyek sebaiknya juga meluncurkan proyek manajemen perubahan organisasi yang terstruktur. Ini akan mempersiapkan pemangku kepentingan dan tenaga kerja untuk dampak AI fisik dalam operasional mereka.
Memimpin Perubahan Organisasi
Keterampilan yang diperlukan dalam proyek AI fisik berbeda dari yang dibutuhkan dalam penerapan AI cloud. Organisasi perlu memiliki keahlian yang lebih dalam di sistem terbenam, perangkat lunak real-time, dan bahasa pemrograman tingkat rendah. Akibatnya, mungkin ada kebutuhan untuk meningkatkan tenaga kerja dan mengembangkan struktur organisasi.
Untuk mendorong penerimaan teknologi, strategi komunikasi yang jelas juga perlu diterapkan—yang menjelaskan bagaimana AI fisik akan memberikan nilai, serta bagaimana penerapan ini akan mempengaruhi peran dan proses individu. Di samping itu, mungkin perlu juga memberikan pelatihan tambahan dan dukungan berkelanjutan selama proses peluncuran ini.
AI fisik tidak bisa lagi dianggap sebagai konsep futuristik—sekarang sudah mulai mengubah dunia di sekitar kita. Ini memungkinkan organisasi untuk berinovasi, lebih cepat memasuki pasar, dan memanfaatkan peluang komersial. Selain itu, juga membantu mengoptimalkan alur kerja operasional, meningkatkan produktivitas, dan menurunkan biaya.
Jika organisasi ingin memanfaatkan dan mempercepat adopsi, mereka harus mengembangkan solusi yang sesuai dengan kebutuhan spesifik mereka dan mengurangi risiko pada strategi penerapan mereka. Ketika mereka melakukannya, organisasi biasanya menemukan bahwa mereka dapat mengskalakan AI fisik dengan cepat dan mendapatkan manfaat lebih awal.
