Skip to content
  • (021) 53660861
  • redhat@ilogoindonesia.id
  • AKR Tower – 9th Floor Jl. Panjang no. 5
  • Beranda
  • Solutions
    • Application Platform
    • IT Automation
    • Security
    • AI Solution
    • Linux Standardization
    • Virtualization
  • Blog
  • Hubungi Kami

Month: January 2025

January 23, 2025January 23, 2025

Menyederhanakan dan mengoptimalkan Red Hat OpenShift di OpenStack dengan hosted control planes.

Infrastruktur Cloud-native terus berkembang, dan satu hal yang jelas adalah kebutuhan akan skalabilitas dan efisiensi dalam mengelola kluster Red Hat OpenShift Anda. Hosted Control Planes (HCP) adalah pendekatan revolusioner dalam OpenShift yang dirancang untuk mengoptimalkan cara kontrol plan diterapkan dan dioperasikan. Bagi penyedia layanan kluster yang mengoperasikan Red Hat OpenStack Services di OpenShift, model HCP sangat sesuai dengan tuntutan infrastruktur modern. Dengan memisahkan pengelolaan dan beban kerja, penyedia dapat mencapai pemanfaatan sumber daya yang lebih baik dengan kontrol kepadatan yang tinggi, memastikan ketersediaan tinggi, dan menyederhanakan manajemen siklus hidup—aspek penting bagi lingkungan yang menuntut waktu aktif yang tinggi. Artikel ini memberikan gambaran umum tentang fitur HCP di OpenShift.** Manfaat Hosted Control Planes Dengan rilis Red Hat OpenShift 4.17, HCP untuk OpenShift di OpenStack tersedia sebagai pratinjau pengembang. Red Hat OpenShift 4.18 akan membawa peningkatan signifikan, mengintegrasikan inovasi OpenShift dengan infrastruktur kuat seperti OpenStack Services di OpenShift dengan menyederhanakan dan mengoptimalkan siklus hidup kluster. Efisiensi Sumber Daya dan Biaya Dalam penerapan OpenShift tradisional di platform cloud, komponen kontrol plan berjalan di tiga mesin virtual (VM) yang didedikasikan, yang disebut master. Model ini seringkali menyebabkan sumber daya tidak dimanfaatkan dengan baik karena alokasi yang statis. Dengan HCP yang berjalan di kluster OpenShift yang ada (kluster manajemen), kontrol plan dipisahkan dan dihosting secara independen dalam pod di namespace yang terisolasi, memungkinkan penskalaan dinamis dan alokasi sumber daya yang lebih terperinci. Layanan komputasi, jaringan, dan penyimpanan fleksibel OpenStack Services di OpenShift memberikan fondasi yang memungkinkan penyedia untuk mengoptimalkan penggunaan sumber daya di seluruh infrastruktur mereka dan secara alami mengurangi biaya. Peningkatan Multi-tenancy Bagi penyedia yang menghosting kluster untuk beberapa pelanggan internal atau eksternal, multi-tenancy sangat penting. Pemisahan kontrol plan oleh HCP sejalan dengan model tenant OpenStack, memungkinkan penyedia untuk mengelola sumber daya proyek (seperti kuota) secara independen untuk setiap kluster yang dihosting. Karena HCP membuat multi-kluster lebih mudah, implementasi bentuk terkuat dari tenancy (kluster per tenant) menjadi lebih sederhana. Pendukung Hybrid Cloud HCP memungkinkan arsitektur hybrid cloud di mana kluster manajemen yang bertanggung jawab untuk menghosting HCP dapat berjalan di bare metal, mendukung cloud publik dan on-premises. Dengan rilis OpenShift 4.17, infrastruktur kluster yang dihosting (yang menampung beban kerja pengguna) kini dapat berjalan di cloud OpenStack. Fleksibilitas ini memungkinkan penyedia untuk menyeimbangkan kinerja, biaya, dan persyaratan kepatuhan sambil memanfaatkan sepenuhnya kemampuan OpenStack Services di OpenShift untuk hosting beban kerja. Kasus Penggunaan: HCP di OpenStack (hub dan spoke) Misalkan Anda menerapkan kluster manajemen sebagai kluster hub untuk kluster lain dalam lingkungan OpenStack. Dalam kluster ini, Anda dapat menginstal Hypershift Operator untuk menangani manajemen pod kontrol plan yang diperlukan untuk mengelola kluster yang dihosting dalam namespace khusus untuk setiap kluster. Setiap HCP dapat memetakan ke proyek OpenStack (tenant) yang berbeda untuk menyediakan dan mengelola mesin node pekerja khusus yang disebut nodepools. Desain ini memungkinkan kluster hub utama untuk mengelola beberapa kontrol plan yang dihosting yang disesuaikan dengan masing-masing yang dipetakan ke proyek dan kuota unik di OpenStack. Kumpulan kredensial yang didedikasikan memastikan bahwa mesin nodepool disediakan secara aman dan terisolasi untuk setiap kluster. Arsitektur ini kompatibel dengan lingkungan OpenStack yang menjalankan Red Hat OpenStack Platform 17.1 dan Red Hat OpenStack Services di OpenShift. Ini memberikan solusi yang efisien dan dapat diskalakan untuk mengelola banyak kluster tanpa memerlukan prasyarat yang rumit, menawarkan fleksibilitas bagi penyedia layanan kluster untuk beroperasi secara efisien di berbagai proyek dan cloud yang berbeda.   Peningkatan Kontrol Planes Integrasi OpenStack ke HCP menandai langkah maju yang signifikan dalam evolusi Shift-On-Stack, menawarkan penyedia layanan kluster cara yang modern dan efisien untuk mengelola kontrol plane Kubernetes. Meskipun hosting kontrol plane di OpenStack adalah hal baru, konsep hosted control planes telah matang melalui bertahun-tahun pengembangan iteratif untuk cloud publik termasuk AWS (dengan penawaran Red Hat OpenShift di AWS) dan Azure (dengan Azure Red Hat OpenShift), serta on-prem dengan platform Kubevirt dan Agent. Konsep ini secara konsisten membuktikan nilainya dengan menyederhanakan manajemen kluster, meningkatkan skalabilitas, dan mengoptimalkan penggunaan sumber daya. Bagi penyedia yang ingin meningkatkan layanan mereka, kombinasi Hypershift dan OpenStack menyediakan solusi inovatif yang kuat dan siap menghadapi masa depan. Ini baru permulaan. Tetaplah mengikuti perkembangan saat kami terus mengeksplorasi bagaimana alat dan strategi ini memberdayakan penyedia layanan platform untuk membangun, mengelola, dan meningkatkan penawaran mereka dalam lanskap cloud-native yang semakin kompleks.

Read More
January 23, 2025January 23, 2025

Budaya sumber terbuka: 9 prinsip dan nilai inti.

Ketika kita berpikir tentang sumber terbuka, yang pertama kali terlintas dalam pikiran biasanya adalah “perangkat lunak” dan “seberapa mudah diaksesnya.” Namun, sumber terbuka lebih dari itu—ini tentang cara berpikir, bekerja, dan berkolaborasi. Dengan idealisme kebebasan dan transparansi, perangkat lunak sumber terbuka dan budaya sumber terbuka telah mengubah banyak industri dengan mendorong inovasi dan kolaborasi. Berikut adalah 9 prinsip dan nilai inti yang mendefinisikan budaya ini dan mendorong kesuksesannya yang berkelanjutan. Partisipasi Kolaboratif dan Tanggung Jawab Bersama Sumber terbuka hampir sepenuhnya didasarkan pada upaya kolektif. Jarang sekali hanya satu orang yang mengerjakan semuanya—proyek sumber terbuka yang paling efektif melibatkan semua orang yang bekerja bersama dan memberikan perspektif, upaya, dan ide mereka. Pendekatan kolaboratif ini adalah salah satu prinsip utama budaya sumber terbuka. Apakah Anda berpengalaman atau baru memulai, kontribusi Anda dihargai dalam komunitas sumber terbuka. Tanggung jawab bersama ini membantu menjaga komunitas tetap kuat dan memastikan proyek berjalan dengan lancar. Ketika orang berkumpul untuk berkontribusi dan bekerja menuju tujuan bersama, itu memicu kreativitas dan meningkatkan produktivitas. Pertukaran Terbuka Definisi langsung dari pertukaran terbuka adalah bahwa informasi harus tersedia dan dapat diakses secara bebas oleh siapa saja, di mana saja, dan kapan saja. Dalam komunitas sumber terbuka, ini berarti Anda dapat mengakses kode dan perangkat lunak saat Anda membutuhkannya. Transparansi dan aksesibilitas ini memungkinkan orang untuk memiliki wawasan lebih dalam proses pengembangan yang beragam, yang membantu mempermudah dan mempercepat pemecahan masalah. Meritokrasi dan Inklusivitas Dalam komunitas sumber terbuka, latar belakang atau posisi seseorang seharusnya tidak mempengaruhi kemampuan mereka untuk berpartisipasi dan berkontribusi. Sumber terbuka telah lama berpegang pada ide “meritokrasi” di mana ide terbaik menang dan kontribusi seseorang hanya dievaluasi berdasarkan kualitas dan dampaknya. Dalam situasi ideal, meritokrasi memperkuat baik komunitas maupun proyek, karena solusi yang paling efektif diterapkan, dan semua orang memiliki ruang dan kesempatan untuk berbagi ide mereka. Namun, meskipun ide meritokrasi sangat menarik, masih ada tantangan yang menyertainya. Dalam kenyataannya, dunia tidak adil dan orang tidak mendapatkan kesempatan dan sumber daya yang sama untuk mengekspresikan ide mereka. Banyak orang menghadapi tantangan seperti kekurangan sumber daya atau bias masyarakat yang sering tidak diakui dalam situasi “meritokrasi.” Agar meritokrasi benar-benar berfungsi, komunitas sumber terbuka perlu bekerja secara aktif dan terus-menerus untuk memastikan semua orang termasuk dan memiliki kesempatan yang adil dan setara untuk berkontribusi. Inklusivitas adalah tentang menciptakan lingkungan di mana semua orang merasa diterima dan di mana suara mereka didengar. Pengembangan Berorientasi Komunitas Apa yang membuat proyek sumber terbuka begitu unik dan istimewa adalah bahwa mereka sering didorong oleh komunitas individu yang penuh semangat. Komunitas ini terbentuk di sekitar tujuan dan minat yang sama, di mana setiap anggota memberikan keterampilan unik mereka dan perspektif yang beragam. Sifat berorientasi komunitas dari sumber terbuka membantu memastikan bahwa proyek mencerminkan kebutuhan dan nilai-nilai orang yang berkontribusi padanya. Do-ocracy Dalam komunitas sumber terbuka, do-ocracy berarti orang yang secara aktif terlibat dan berkontribusi secara alami memiliki suara dalam pengambilan keputusan. Ini bukan tentang latar belakang atau gelar Anda—ini semua tentang pekerjaan dan upaya yang Anda lakukan yang membentuk arah proyek. Do-ocracy membuat proyek terasa lebih menarik dan kolaboratif—ketika orang melihat kontribusi mereka dapat mempengaruhi jalur jangka panjang proyek, mereka lebih mungkin merasa memiliki proyek tersebut. Kolaborasi Terbuka Keterbukaan dalam sumber terbuka melampaui sekadar berbagi kode, ini tentang menciptakan lingkungan di mana setiap orang merasa nyaman berkontribusi ide dan mencoba pendekatan baru. Ini mendorong komunitas di mana semua masukan dihargai, dan kemajuan proyek transparan. Ketika orang tahu ide mereka dihargai dalam lingkungan terbuka, mereka lebih cenderung terlibat, mendorong inovasi. Keterbukaan ini juga mendorong eksperimen, memungkinkan orang untuk mengeksplorasi, menguji ide-ide baru, dan menemukan apa yang terbaik, menjaga proyek tetap dinamis dan menarik.   Pemberdayaan Sumber terbuka adalah tentang bagaimana setiap orang mendapatkan kesempatan untuk membuat dampak dan perbedaan. Seperti yang disebutkan sebelumnya, gelar dan posisi tidak menentukan nilai dari pekerjaan dan ide Anda—yang benar-benar penting adalah keahlian, pekerjaan, dan kreativitas yang Anda bawa ke meja. Dan rasa pemberdayaan ini yang mengundang orang untuk terlibat dalam setiap proyek sumber terbuka. Organisasi Mandiri Sumber terbuka mendorong fleksibilitas dan kebebasan yang memberikan kontribusi ruang untuk menjadi kreatif dan mengembangkan cara kerja yang unik bersama-sama. Alih-alih terikat pada kerangka kerja yang terstruktur, orang dapat berpikir kreatif dan mengatur diri mereka sendiri dengan cara yang terbaik bagi orang-orang yang terlibat. Yang memungkinkan proyek tumbuh dan berubah dengan cara yang tak terduga. Penghormatan dan Timbal Balik Penghormatan sangat berarti dalam sumber terbuka. Sama seperti komunitas lainnya, sumber terbuka sangat menghargai prinsip-prinsip penghormatan dan timbal balik. Ini berarti menciptakan lingkungan yang positif dan penuh hormat yang membantu orang merasa nyaman berbagi dan berkontribusi pada proyek, serta saling membantu dengan menyediakan keahlian dan perspektif yang berbeda. Kesimpulan Sumber terbuka melampaui pengkodean—ini tentang membangun komunitas untuk mengerjakan proyek bersama. Ketika ide-ide semua orang dihargai dan kolaborasi menjadi kunci, hal-hal luar biasa bisa terjadi. Dengan berpegang pada prinsip-prinsip ini, kita tidak hanya membuat perangkat lunak—kita membentuk komunitas yang mendorong inovasi dan membuat perbedaan yang nyata. Kontribusi Anda membantu membentuk lanskap ini dan akan membuat sumber terbuka menjadi ruang di mana semua orang dapat berkembang. Apabila anda butuh penjelasan lebih detail mengenai redhat bisa langsung hubungi Redhat Indonesia.

Read More
January 17, 2025

Kasus penggunaan AI: Tidak yakin bagaimana AI dapat membantu organisasi Anda? Mulailah di sini.

Kecerdasan Buatan (AI) telah berkembang pesat dari fiksi spekulatif menjadi kenyataan sehari-hari dalam sekejap. Di mana pun Anda melihat, ada perusahaan yang mempromosikan produk atau fitur AI dan pembelajaran mesin (ML) terbaru mereka, mulai dari pembuat teks, chatbot, editor podcast otomatis, hingga segala hal lainnya. AI tiba-tiba ada di mana-mana, dan bisa dibilang ini adalah kemajuan teknologi terbesar yang kita lihat sejak lahirnya internet.   Unduh e-book “Buka Masa Depan” Namun, menurut beberapa perkiraan, lebih dari 80 persen proyek AI gagal, yang menunjukkan adanya kesenjangan jelas antara bagaimana orang dan organisasi memandang AI dan ML serta bagaimana mereka mendekati era inovasi baru ini. Jadi, bagaimana Anda bisa menghindari kegagalan ini? Bagaimana Anda bisa mengurangi risiko kegagalan proyek AI di bisnis Anda? Kami akan mulai dengan beberapa ide tentang apa yang perlu dilakukan sebelum meluncurkan proyek pengembangan aplikasi AI pertama Anda, dan kemudian, di artikel berikutnya, kami akan membahas bagaimana Anda bisa memulai dengan proyek percobaan AI pertama Anda.   Apa yang perlu dilakukan sebelum meluncurkan proyek AI Proyek AI mirip dengan proyek teknologi lainnya, dan lebih mungkin berhasil jika Anda: Memahami kekuatan dan kelemahan AI Menyelaraskan kasus penggunaan AI dengan tujuan bisnis strategis Melihat contoh AI di bisnis lainnya Membentuk tim AI lintas fungsi Mengevaluasi kesiapan AI organisasi Anda Mengembangkan budaya inovasi Mulailah dengan langkah-langkah ini untuk membantu mempersiapkan proyek pengembangan aplikasi AI Anda agar sukses. Mari kita bahas satu per satu.   Memahami Kekuatan dan Kelemahan AI Generative AI (gen AI) sangat bagus dalam terdengar seperti tahu apa yang dibicarakannya, namun kenyataannya tidak demikian. Aplikasi gen AI tidak memiliki pemahaman atas konten yang mereka buat. Mereka bukanlah “cerdas” dalam arti sebenarnya, melainkan sangat canggih dalam meniru pola bahasa dan asosiasi kata berdasarkan pelatihan mereka. Karena terdengar meyakinkan, sering kali kita percaya bahwa aplikasi gen AI mampu melakukan tugas-tugas yang kompleks. Namun, ini bisa mengarah pada proyek AI yang gagal karena tugas yang diminta lebih dari yang bisa ditangani oleh teknologi AI saat ini.   Kekuatan dan Kelemahan Gen AI Beberapa hal yang dikuasai oleh gen AI termasuk: Memproses data dalam jumlah besar Menganalisis data tersebut Mengubah format teks Mengotomatisasi tugas sederhana yang repetitif Mengambil dan meringkas informasi Menyesuaikan dan mengidentifikasi pola Mengklasifikasikan informasi Membantu brainstorming Namun, gen AI juga memiliki kelemahan: Tidak mampu berpikir atau menalar secara nyata Tidak bisa mengenali atau memahami konteks tanpa perintah khusus Tidak dapat melakukan tindakan kompleks Tidak tahu apa yang tidak diketahuinya, sehingga sering menghasilkan halusinasi atau informasi yang salah Tidak bisa menghasilkan karya orisinal Tidak memiliki kreativitas atau pemikiran kreatif Tidak memiliki konsep etika atau empati Aplikasi gen AI saat ini lebih cocok untuk menangani tugas-tugas mundan dan repetitif dalam skala besar, membebaskan waktu orang dan tim untuk fokus pada pekerjaan yang lebih kompleks, kreatif, dan inovatif.   Menyelaraskan Kasus Penggunaan AI dengan Tujuan Strategis Meskipun banyak hype, AI tidak akan menyelesaikan semua masalah Anda dan masih terbatas pada apa yang dapat dilakukan. Anda perlu membawa aplikasi AI ke tingkat yang lebih praktis dan menghabiskan waktu untuk melihat bagaimana AI bisa cocok dengan strategi bisnis yang ada. Pada akhirnya, aplikasi AI yang Anda kembangkan tidak akan terlihat oleh pelanggan—AI akan tersembunyi di balik layar sebagai komponen yang tidak terlihat dari aplikasi, layanan, dan proses Anda. Yang akan dilihat oleh pelanggan adalah aplikasi yang lebih pintar, layanan yang lebih mudah digunakan, dan proses yang lebih efisien. Komponen AI memungkinkan Anda untuk mengintegrasikan data, pengetahuan, dan keahlian organisasi ke dalam produk dan layanan Anda untuk memberikan pengalaman yang lebih baik dan konsisten bagi pelanggan. Saat baru memulai, pertimbangkan untuk memprioritaskan kasus penggunaan AI yang memberikan nilai dalam jangka pendek, seperti meningkatkan produktivitas tim atau mengoptimalkan layanan dukungan dan personalisasi untuk pelanggan yang ada atau yang kembali. Hindari kasus penggunaan yang berhubungan dengan inti bisnis hingga Anda merasa nyaman dengan AI dan data yang Anda masukkan ke dalamnya.   Melihat Contoh Penggunaan AI di Bisnis Lain Organisasi di berbagai industri berhasil menggunakan AI dengan cara yang inovatif dan berdampak yang dapat menjadi inspirasi untuk kasus penggunaan dan eksperimen AI Anda. Banyak di antaranya membantu meningkatkan efisiensi, memberikan pengalaman pelanggan yang lebih baik, dan memfasilitasi pengambilan keputusan yang lebih cepat dan lebih baik, di antara hal-hal lainnya. Beberapa contoh terkini termasuk: Pengecer menggunakan AI untuk menghasilkan rekomendasi yang dipersonalisasi untuk pelanggan yang kembali, meningkatkan tata letak toko, dan mengoptimalkan rantai pasokan. Organisasi dukungan IT menggunakan AI untuk mengategorikan tiket dukungan dan mengidentifikasi serta (secara otomatis!) menyelesaikan masalah berulang. Pengembang perangkat lunak menggunakan asisten pemrograman bertenaga AI untuk menjadi lebih efisien, mengurangi pekerjaan rutin agar dapat fokus pada tugas yang lebih bernilai tinggi. Pabrikan mulai menggunakan AI untuk membantu memprediksi kegagalan peralatan dan mengoptimalkan jadwal produksi. Lembaga keuangan menggunakan AI untuk mendeteksi transaksi yang mencurigakan dan memprediksi tren pasar saham. Organisasi kesehatan menggunakan AI untuk membantu merancang molekul obat baru, membuat laporan kesehatan yang dipersonalisasi, dan meningkatkan proses diagnostik. Situs e-commerce dan pasar online menggunakan gen AI untuk mendukung chatbot layanan pelanggan dan penjualan. Dengan membaca dan meneliti contoh-contoh lain tentang penggunaan AI, Anda akan menemukan beberapa yang lebih maju, namun pada akhirnya Anda akan memahami apa yang mungkin dilakukan dengan teknologi gen AI saat ini.   Membangun Tim AI Lintas Fungsi Seperti proyek teknologi lainnya, proyek AI memerlukan keahlian dari berbagai disiplin dalam organisasi Anda, termasuk: Ilmu data dan analitik TI/rekayasa Pengembangan aplikasi Manajemen data Strategi bisnis Riset pengguna Pemasaran dan komunikasi Hukum/kepatuhan Ahli domain lainnya sesuai kebutuhan Dengan membawa peserta yang tertarik dari disiplin-disiplin ini, tim Anda akan memiliki berbagai perspektif, pengalaman, dan opini. Tim lintas fungsi ini akan memastikan bahwa kasus penggunaan AI yang potensial dapat dijalankan secara teknis dan tetap selaras dengan tujuan strategis organisasi Anda. Tim lintas fungsi juga mendorong kolaborasi antara orang dan tim yang biasanya tidak sering berinteraksi, yang mempromosikan aliran ide, wawasan, dan keahlian yang lebih bebas.   Mengevaluasi Kesiapan AI Organisasi Anda Tidak ada gunanya merancang proyek pengembangan aplikasi gen AI jika organisasi Anda kekurangan bakat, data, atau infrastruktur. Tim AI lintas fungsi baru Anda akan membantu Anda menilai kemampuan organisasi Anda dalam mengintegrasikan AI ke dalam…

Read More
January 1, 2025

10 Pola Arsitektur Keamanan Terbaik untuk Aplikasi LLM

Industri perangkat lunak kini mulai mengembangkan berbagai aplikasi kecerdasan buatan (AI) yang didasarkan pada model bahasa besar (LLM). Meskipun banyak ancaman keamanan terhadap LLM mirip dengan yang dialami perangkat lunak tradisional, LLM dan aplikasi yang menggunakannya juga menghadapi risiko keamanan unik karena karakteristik spesifik mereka. Risiko-risiko ini sering kali dapat dikurangi dengan menerapkan pola arsitektur keamanan tertentu. Berikut adalah 10 cara untuk mengurangi dan mengatasi risiko keamanan dalam aplikasi LLM. 1. Identifikasi, autentikasi, dan otorisasi semua pihak yang terlibat Ini termasuk manusia dan agen yang berpartisipasi dalam aplikasi LLM. Gunakan standar autentikasi dan otorisasi yang tepat, seperti OpenID Connect (OIDC) dan OAuth2. Hindari memberikan akses tanpa autentikasi atau menggunakan kunci API jika memungkinkan. 2. Terapkan pembatasan laju (rate limiting) Manfaatkan komponen platform AI seperti API gateway—misalnya, 3Scale APICast—dan hindari membuatnya dari awal. Anda dapat membatasi jumlah permintaan yang dapat dilakukan ke LLM Anda menjadi 5 per detik jika Anda mengharapkan hanya manusia yang akan mengaksesnya. 3. Gunakan model terbuka Dan deploy (pasang) mereka secara lokal atau di instance cloud Anda sendiri. Model terbuka memberikan tingkat transparansi yang tidak dapat diberikan oleh model tertutup. Jika kasus penggunaan Anda mengharuskan menggunakan model cloud yang ditawarkan sebagai layanan, pilih penyedia terpercaya, pahami posisi keamanannya, dan manfaatkan fitur keamanan yang disediakan. Model IBM Granite adalah model perusahaan yang terbuka dan dapat dipercaya yang dapat Anda sesuaikan untuk kebutuhan Anda sendiri. 4. Validasi output LLM Output LLM tidak dapat diprediksi atau dikendalikan sepenuhnya. Gunakan mekanisme untuk memvalidasinya sebelum menyajikannya kepada pengguna atau menggunakannya sebagai input untuk sistem lain. Pertimbangkan untuk menggunakan pemanggilan fungsi dan output terstruktur untuk memaksakan format tertentu. Selain itu, manfaatkan solusi platform AI seperti pengaman waktu jalannya (runtime guardrails), seperti TrustyAI atau lingkungan sandbox, untuk meningkatkan keandalan dan keamanan. 5. Gunakan pencatatan log dengan bijak LLM bersifat non-deterministik, jadi memiliki log dari input dan output LLM dapat membantu saat Anda perlu menyelidiki potensi insiden dan aktivitas mencurigakan. Saat mencatat data, berhati-hatilah dengan informasi sensitif dan informasi pribadi yang dapat diidentifikasi (PII) serta lakukan penilaian dampak privasi (PIA). 6. Ukur dan bandingkan tingkat keamanan model yang Anda pilih Beberapa model memberikan lebih banyak halusinasi dan respons berbahaya dibandingkan model lainnya. Ini memengaruhi sejauh mana kita dapat mempercayai sebuah model. Semakin banyak respons berbahaya yang diberikan model, semakin tidak aman model tersebut. Keamanan sebuah model dapat diukur dan dibandingkan dengan model lain. Dengan melakukan ini, kita dapat memastikan bahwa keamanan model yang kita gunakan sebanding dengan yang ada di pasar dan sesuai dengan harapan pengguna aplikasi. Ingat bahwa jika Anda menyesuaikan (fine-tune) sebuah model secara independen tanpa data penyesuaian yang tepat, keamanan model yang dihasilkan mungkin telah berubah. Untuk mengukur keamanan model, Anda dapat menggunakan perangkat lunak sumber terbuka seperti lm-evaluation-harness, Project Moonshot, atau Giskard. 7. Gunakan model dari sumber terpercaya dan periksa lisensinya Model AI dirilis di bawah berbagai jenis lisensi perangkat lunak, beberapa di antaranya jauh lebih terbatas daripada yang lain. Bahkan jika Anda memilih untuk menggunakan model yang disediakan oleh organisasi yang Anda percayai, luangkan waktu untuk memeriksa batasan lisensinya agar tidak terkejut di kemudian hari. 8. Data sangat penting dalam aplikasi LLM Lindungi semua sumber data—seperti data pelatihan, data penyesuaian, model, dan data RAG—terhadap akses tidak sah dan catat setiap upaya untuk mengakses atau mengubahnya. Jika data diubah, seorang penyerang mungkin dapat mengendalikan respons dan perilaku sistem LLM. 9. Perkuat komponen AI seperti halnya Anda memperkuat aplikasi tradisional Beberapa komponen kunci AI mungkin lebih mengutamakan kemudahan penggunaan daripada keamanan secara default, jadi Anda harus menganalisis dengan hati-hati batasan keamanan dari setiap komponen yang Anda gunakan dalam sistem AI Anda. Tinjau port yang dibuka oleh setiap komponen, layanan yang mendengarkan, dan konfigurasi keamanannya. Perketat pembatasan ini jika diperlukan untuk mengamankan aplikasi AI Anda dengan baik. 10. Perbarui sistem LLM Anda Karena sistem LLM Anda mungkin bergantung pada banyak komponen sumber terbuka, perlakukan komponen-komponen ini seperti yang Anda lakukan pada sistem perangkat lunak lainnya dan pastikan mereka diperbarui ke versi yang tidak memiliki kerentanannya yang diketahui. Selain itu, jika memungkinkan, coba untuk selalu memantau kesehatan proyek sumber terbuka dan proyek hulu yang membuat komponen yang Anda gunakan. Jika Anda bisa, Anda sebaiknya terlibat dan berkontribusi pada proyek-proyek ini, terutama yang menghasilkan komponen utama dalam sistem Anda. Kesimpulan Aplikasi LLM memiliki risiko keamanan khusus, banyak di antaranya dapat dikurangi atau dihilangkan dengan menggunakan pola arsitektur keamanan AI yang telah kami bahas di sini. Pola-pola ini sering tersedia melalui platform AI itu sendiri. Sebagai seorang arsitek perangkat lunak atau desainer, penting untuk memahami fungsi bawaan platform agar Anda dapat menghindari pembuatan ulang dari awal atau menambah beban kerja yang tidak perlu. Red Hat OpenShift AI adalah platform AI dan machine learning (ML) yang fleksibel dan skalabel yang memungkinkan perusahaan untuk mengembangkan dan menyebarkan aplikasi berbasis AI secara besar-besaran di lingkungan cloud hibrida, dan dapat membantu mencapai tujuan keamanan ini.

Read More

Recent Posts

  • Red Hat: Solusi Open Source untuk Infrastruktur IT yang Fleksibel dan Scalable
  • Red Hat: Platform Open Source Enterprise untuk Hybrid Cloud, Automation, dan Infrastruktur IT Modern
  • Red Hat: Solusi Open Source Enterprise untuk Hybrid Cloud dan Otomatisasi IT Modern
  • Red Hat: Solusi Open Source Enterprise untuk Transformasi Digital dan Hybrid Cloud
  • Red Hat: Solusi Open Source Enterprise untuk Transformasi Digital dan Hybrid Cloud

Recent Comments

No comments to show.

Archives

  • April 2026
  • March 2026
  • February 2026
  • January 2026
  • December 2025
  • November 2025
  • October 2025
  • September 2025
  • August 2025
  • July 2025
  • June 2025
  • May 2025
  • March 2025
  • February 2025
  • January 2025
  • December 2024
  • November 2024

Categories

  • blog
  • redhat
  • Uncategorized

Redhat Indonesia ©️ 2024 Allright Reserved

PT iLogo Indonesia

  • (021) 53660861
  • AKR Tower – 9th Floor Jl. Panjang no. 5, Kebon Jeruk
  • redhat@ilogoindonesia.id