ทันเอไอ

Peneliti Kembangkan Sistem ISEE yang Bantu Agen AI Memahami Database Perusahaan Lebih Akurat

Sistem Interactive Semantic Enrichment dari Purdue University, Adobe, dan UW–Madison membantu menambahkan pengetahuan spesifik domain ke dalam deskripsi field data, sehingga agen AI dapat bekerja dengan database secara lebih akurat

Ketika agen AI yang didukung LLM (Large Language Model atau model bahasa besar) semakin banyak digunakan untuk bekerja dengan data — mulai dari memahami data, eksplorasi, hingga kueri — masalah yang sering ditemui adalah menurunnya akurasi, terutama pada database tingkat perusahaan. Penyebabnya tidak selalu pada modelnya, melainkan pada deskripsi field data (field descriptions) yang sering kali ambigu atau tidak lengkap. Misalnya, field yang dinamai secara khusus oleh perusahaan itu sendiri, di mana makna sebenarnya hanya ada dalam pengetahuan domain (domain knowledge) karyawan dan tidak pernah didokumentasikan secara publik.

Untuk mengatasi kesenjangan ini, tim peneliti dari Purdue University, Adobe, dan University of Wisconsin—Madison yang dipimpin Yuan Tian, Yiru Chen, dan Rakesh R. Menon bersama rekan-rekannya mengusulkan sistem ISEE (Interactive SEmantic Enrichment) yang dipublikasikan di arXiv kategori cs.AI/cs.IR. Sistem ini bekerja secara interaktif: ketika menerima deskripsi field, ISEE akan menilai kualitas deskripsi tersebut dengan sistem penskoran, lalu mengumpulkan pengetahuan dari pengguna dan bersama-sama dengan pengguna menyempurnakan makna field agar lebih lengkap.

Tim peneliti menyatakan bahwa deskripsi field yang ambigu berdampak langsung pada tugas-tugas hilir (downstream tasks) seperti entity linking, yaitu proses menghubungkan data dengan entitas yang tepat — jenis tugas yang sangat mudah gagal dikerjakan agen AI jika tidak memahami apa makna sebenarnya dari masing-masing field.

Hasil studi pengguna dan evaluasi kualitas menemukan bahwa ISEE benar-benar membantu meningkatkan akurasi deskripsi field data, sekaligus mengurangi beban kognitif (cognitive load) pengguna dibandingkan metode dasar pada umumnya. Artinya, pengguna tidak perlu lelah berpikir dan mencatat semuanya sendiri dari nol.

Meski demikian, karya ini masih merupakan penelitian tahap awal yang dipublikasikan sebagai preprint di arXiv, belum melalui tinjauan sejawat (peer review) secara resmi, dan angka hasil eksperimen terperinci belum diungkapkan dalam abstrak. Penggunaan nyata di tingkat industri masih harus ditunggu perkembangannya.