Perkembangan Kustomisasi Sistem PLM dengan AI
8 Oktober 2026 · Baca 2 menit
Juga diterbitkan dalam हिन्दी
Sebuah eksperimen baru-baru ini menunjukkan bahwa LLM‑agen dapat digunakan untuk mengembangkan kustomisasi pada sistem PLM yang besar dan tertutup. Ini merupakan hasil dari sebuah diskusi yang dimulai oleh seorang penulis yang mengeksplorasi bagaimana agen AI dapat digunakan dalam konteks pengembangan sistem. Penulis menyatakan bahwa bukan hanya kecerdasan model yang meningkat, tetapi juga konteks dan arah yang diberikan kepada agen yang memainkan peran penting dalam keberhasilan proyek ini.
Penulis membahas bagaimana pengelolaan oleh manusia terhadap agen dapat diterapkan di hampir semua tahap siklus hidup pengembangan atau penerapan sistem PLM. Dalam pengalamannya, penulis mencatat bahwa banyak orang sudah terbiasa menggunakan chat untuk menyelesaikan tugas tanpa perlu memverifikasi kebenaran informasi. Namun, dalam hal pengembangan, agen terbukti lebih cepat dan berkualitas tinggi dibandingkan dengan chat. Hal ini menunjukkan pentingnya menempatkan agen dalam konteks yang mendukung untuk meningkatkan kualitas hasil akhir.
Beberapa manfaat yang dapat diperoleh dari penggunaan agen dalam konteks ini termasuk percepatan pengujian teori dan hipotesis, pengembangan aturan yang tidak melanggar logika bisnis yang ada, serta perencanaan migrasi yang realistis ke logika bisnis baru. Selain itu, penggunaan agen juga dapat mengurangi ketergantungan pada sumber daya eksternal dan membantu menutup kekurangan sumber daya.
Penulis membagikan pengalamannya dalam melakukan eksperimen pertama, di mana ia bertanya apakah agen dapat terhubung ke sistem hanya dengan menggunakan serangkaian permintaan REST yang tidak terdokumentasi. Meski tidak sepenuhnya memahami beberapa istilah teknis, penulis berhasil mendapatkan agen untuk login ke dalam sistem dan menemukan permintaan yang tidak terduga. Dari pengalaman ini, ia menyimpulkan bahwa semakin banyak informasi yang diberikan kepada agen selama proses dialog, semakin baik hasil yang diperoleh dari setiap sesi.
Meskipun ada tantangan dalam bentuk potensi kesalahan atau kebingungan yang dapat terjadi, penulis percaya bahwa dengan model yang lebih cerdas dan konteks yang lebih luas, banyak dari masalah ini dapat diatasi.