Connect with us

Berita

EAGLET meningkatkan kinerja agen AI pada misi jangka panjang dengan membuat rencana yang disesuaikan

Published

on

Seharusnya tahun 2025 tahun "agen kecerdasan buatan," Menurut CEO Nvidia Jensen Huang, dan lainnya di industri AI. Dalam banyak hal, hal ini telah terjadi, dengan banyak penyedia model AI terkemuka seperti OpenAI, Google, dan bahkan pesaing Tiongkok seperti Alibaba merilis model atau aplikasi AI terperinci yang dirancang untuk fokus pada serangkaian tugas sempit, seperti penelusuran web dan penulisan laporan.

Namun masih ada rintangan besar bagi masa depan agen AI yang berkinerja tinggi dan andal: meyakinkan mereka untuk tetap mengerjakan tugas ketika tugas tersebut mencakup beberapa langkah. Tes benchmark pihak ketiga Hal ini menunjukkan bahwa model AI yang paling kuat pun mengalami tingkat kegagalan yang lebih tinggi, semakin banyak langkah yang mereka ambil untuk menyelesaikan suatu tugas, dan semakin banyak waktu yang mereka habiskan untuk mengerjakannya (di luar jam kerja).

A Kerangka akademik baru yang disebut EAGLET Ini mengusulkan cara praktis dan efektif untuk meningkatkan kinerja tugas jangka panjang di agen berbasis LLM – tanpa memerlukan klasifikasi data manual atau pelatihan ulang.

Ini dikembangkan oleh para peneliti dari Universitas Tsinghua, Universitas Peking, DeepLang AI, dan Universitas Illinois Urbana-Champaign. Anak Garuda menawarkan a "Grafik global" Yang dapat diintegrasikan ke dalam alur kerja agen yang ada untuk mengurangi halusinasi dan meningkatkan efisiensi tugas.

EAGLET adalah model bahasa yang disempurnakan yang menafsirkan instruksi tugas—biasanya disajikan sebagai perintah oleh pengguna atau lingkungan operasi agen—dan menghasilkan rencana tingkat tinggi untuk agen (didukung oleh LLM-nya). Dia tidak melakukan intervensi selama implementasi, namun panduan awal yang diberikannya membantu mengurangi kesalahan perencanaan dan meningkatkan tingkat penyelesaian tugas.

Mengatasi masalah perencanaan pada agen jangka panjang

Banyak agen berbasis LLM kesulitan menyelesaikan tugas jangka panjang karena mereka mengandalkan pemikiran reaktif dan langkah demi langkah. Pendekatan ini sering kali mengarah pada perilaku coba-coba, perencanaan halusinasi, dan tindakan yang tidak efektif.

EAGLET mengatasi keterbatasan ini dengan memperkenalkan a Unit Perencanaan Global Yang bekerja sama dengan agen pelabuhan.

Daripada menggabungkan perencanaan dan pembangkitan pekerjaan ke dalam satu model, EAGLET memisahkan keduanya, sehingga memungkinkan strategi tingkat tugas yang lebih kohesif.

Pipeline pelatihan dua tahap tanpa anotasi manusia

Perencana EAGLET dilatih menggunakan proses dua tahap dan tidak memerlukan rencana atau anotasi yang ditulis manusia.

Fase pertama melibatkan pembuatan rencana sintesis dengan LLM berkemampuan tinggi, seperti GPT-5 dan DeepSeek-V3.1-Think.

Rencana-rencana ini kemudian disaring menggunakan strategi baru yang disebut pemfilteran konsensus simetris, yang hanya mempertahankan rencana-rencana yang meningkatkan kinerja tugas untuk agen eksekusi ahli dan pemula.

Pada tahap kedua, proses pembelajaran penguatan berbasis aturan menyempurnakan rencana lebih lanjut, menggunakan fungsi penghargaan yang dirancang khusus untuk mengevaluasi seberapa baik setiap rencana membantu keberhasilan banyak agen.

Memperkenalkan Bonus Peningkatan Kapasitas Ekspor (ECGR)

Salah satu inovasi utama EAGLET adalah Port Capability Gain Bonus (ECGR).

Imbalan ini mengukur nilai rencana yang dibuat dengan memeriksa apakah rencana tersebut membantu agen berkemampuan tinggi dan rendah untuk menyelesaikan tugas dengan lebih berhasil dan dengan langkah yang lebih sedikit.

Hal ini juga mencakup faktor pembusukan yang mendukung jalur misi yang lebih pendek dan efisien. Pendekatan ini menghindari pemberian imbalan berlebihan yang hanya berguna bagi agen yang sudah kompeten dan mendukung panduan perencanaan yang lebih umum.

Kompatibel dengan dealer dan model saat ini

Bagan EAGLET dirancang bersifat modular dan "pasang dan mainkan," Artinya, ini dapat dimasukkan ke dalam saluran proxy yang ada tanpa harus melatih ulang eksekutornya.

Dalam evaluasinya, skema ini meningkatkan kinerja di berbagai model dasar, termasuk GPT-4.1, GPT-5, Llama-3.1, dan Qwen2.5.

Ini juga terbukti efektif terlepas dari strategi stimulasinya, bekerja dengan baik dengan perintah standar gaya ReAct serta metode seperti Reflexion.

Performa mutakhir di seluruh tolok ukur

EAGLET telah diuji pada tiga tolok ukur yang banyak digunakan untuk tugas agen jangka panjang: ScienceWorld, yang mensimulasikan eksperimen ilmiah dalam lingkungan laboratorium berbasis teks; ALFWorld, yang menugaskan agen untuk menyelesaikan aktivitas rumah tangga melalui bahasa alami di lingkungan simulasi rumah; dan WebShop, yang menilai perilaku yang diarahkan pada tujuan dalam antarmuka belanja online yang realistis.

Di ketiga domain tersebut, agen implementasi yang dilengkapi EAGLET mengungguli agen implementasi non-perencanaan dan baseline perencanaan lainnya, termasuk MPO dan KnowAgent.

Dalam eksperimen yang dilakukan pada model Llama-3.1-8B-Instruct open source, EAGLET meningkatkan kinerja rata-rata dari 39,5 menjadi 59,4, peningkatan sebesar +19,9 poin di seluruh tugas.

Dalam skenario ScienceWorld yang belum terlihat, kinerja meningkat dari 42,2 menjadi 61,6.

Dalam skenario yang dilihat oleh ALFWorld, EAGLET meningkatkan skor dari 22,9 menjadi 54,3, peningkatan kinerja lebih dari 2,3x.

Peningkatan yang lebih kuat terlihat pada model yang lebih mumpuni.

Misalnya, GPT-4.1 meningkat dari rata-rata 75,5 menjadi 82,2 dengan EAGLET, dan GPT-5 meningkat dari 84,5 menjadi 88,1, meskipun performanya sudah kuat.

Pada beberapa benchmark, peningkatan performa mencapai +11,8 poin, seperti saat menggabungkan EAGLET dengan metode port ETO dalam misi tak terlihat ALFWorld.

Dibandingkan dengan dasar perencanaan lainnya seperti MPO, EAGLET secara konsisten memberikan tingkat penyelesaian tugas yang lebih tinggi. Misalnya, dalam tugas tak terlihat ALFWorld menggunakan GPT-4.1, MPO mencapai 79,1, sementara EAGLET mencetak 83,6 – keunggulan +4,5 poin.

Selain itu, makalah ini menunjukkan bahwa agen yang menggunakan EAGLET rata-rata menyelesaikan tugas dalam langkah yang lebih sedikit. Menggunakan GPT-4.1 sebagai port, jumlah hop rata-rata menurun dari 13,0 (tanpa skema) menjadi 11,1 (EAGLET). Dengan GPT-5, angkanya menurun dari 11,4 menjadi 9,4, yang mendukung klaim peningkatan efisiensi implementasi.

Peningkatan efisiensi dalam pelatihan dan implementasi

Dibandingkan dengan metode berbasis RL seperti GiGPO, yang memerlukan ratusan iterasi pelatihan, EAGLET mencapai hasil yang lebih baik atau sebanding dengan sekitar seperdelapan upaya pelatihan.

Efisiensi ini juga diterapkan pada eksekusi: agen yang menggunakan EAGLET biasanya memerlukan lebih sedikit langkah untuk menyelesaikan tugas. Hal ini berarti berkurangnya waktu inferensi dan penghitungan biaya dalam skenario produksi.

Belum ada hukum umum

Pada versi yang dikirimkan ke arXiv, penulis belum merilis implementasi EAGLET open source. Tidak jelas apakah atau kapan kode tersebut akan dirilis, di bawah lisensi apa, atau bagaimana kode tersebut akan dipelihara, yang mungkin membatasi kegunaan kerangka kerja ini untuk penerapan di perusahaan dalam waktu dekat.

VentureBeat telah menghubungi penulis untuk mengklarifikasi poin-poin ini dan akan memperbarui artikel ini ketika kami mendengarnya kembali.

Masih ada pertanyaan mengenai penerapan di tingkat perusahaan

Meskipun skema ini digambarkan sebagai perangkat lunak plug-and-play, masih belum jelas apakah EAGLET dapat dengan mudah diintegrasikan ke dalam kerangka agen perusahaan populer seperti LangChain atau AutoGen, atau apakah memerlukan tumpukan khusus untuk mendukung pemisahan eksekusi skema.

Demikian pula, pengaturan pelatihan memanfaatkan beberapa agen implementasi, yang mungkin sulit untuk direplikasi di lingkungan perusahaan dengan akses terbatas terhadap model tersebut. VentureBeat bertanya kepada para peneliti apakah metode penyaringan konsensus dapat diadaptasi untuk tim yang hanya memiliki akses ke model pelaksana tunggal atau sumber daya komputasi yang terbatas.

Para penulis EAGLET melaporkan keberhasilan di seluruh jenis dan ukuran model, namun belum diketahui skala model minimum yang layak untuk penerapan praktis. Misalnya, dapatkah tim perusahaan menggunakan skema dengan model terbuka subparameter 10B secara efektif di lingkungan yang sensitif terhadap latensi? Selain itu, kerangka kerja ini dapat memberikan nilai spesifik industri di berbagai bidang seperti dukungan pelanggan atau otomatisasi TI, namun masih harus dilihat betapa mudahnya skema ini dapat disesuaikan atau disesuaikan untuk sektor-sektor tersebut.

Perencanaan waktu nyata versus perencanaan yang dibuat sebelumnya

Pertanyaan terbuka lainnya adalah bagaimana EAGLET diterapkan dengan baik dalam praktik. Haruskah perencana waktu nyata bekerja bersama pelaksana dalam satu lingkaran, atau lebih baik menggunakannya secara offline untuk membuat rencana global terlebih dahulu untuk jenis tugas yang diketahui? Setiap pendekatan mempunyai implikasi terhadap waktu akses, biaya, dan kompleksitas operasional. VentureBeat telah mengajukan pertanyaan ini kepada penulis dan akan melaporkan kembali setiap ide yang muncul.

Pertukaran strategis untuk tim perusahaan

Bagi para pemimpin teknis di organisasi menengah hingga besar, EAGLET mewakili bukti konsep yang meyakinkan untuk meningkatkan keandalan dan efisiensi agen LLM. Namun tanpa alat atau pedoman implementasi yang umum, kerangka kerja ini masih memberikan keputusan membangun versus menunggu. Perusahaan harus mempertimbangkan potensi keuntungan dalam kinerja dan efisiensi tugas dibandingkan dengan biaya untuk mereproduksi atau memperkirakan proses pelatihan internal.

Kasus penggunaan potensial di lingkungan perusahaan

Untuk organisasi yang mengembangkan sistem AI yang efektif — terutama di lingkungan yang memerlukan perencanaan berjenjang, seperti otomatisasi TI, dukungan pelanggan, atau interaksi online — EAGLET menawarkan model cara menggabungkan perencanaan tanpa pelatihan ulang. Kemampuannya untuk menjalankan model sumber terbuka dan tertutup, ditambah dengan pendekatan pelatihan yang efisien, dapat menjadikannya titik awal yang menarik bagi tim yang ingin meningkatkan kinerja agen dengan overhead minimal.

Tautan sumber

Continue Reading
Click to comment

Leave a Reply

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Berita

Pembaruan Deep Research baru dari Qwen memungkinkan Anda mengubah laporannya menjadi halaman web dan podcast dalam hitungan detik

Published

on

Tim Qwen yang terdiri dari peneliti dan insinyur pemodelan AI dari raksasa e-commerce Tiongkok, Alibaba, telah memperkenalkan perluasan besar-besaran alat Qwen Deep Research miliknya, yang tersedia sebagai metode opsional yang diaktifkan pengguna di situs web Qwen Chat (pesaing ChatGPT).

Pembaruan ini memungkinkan pengguna untuk membuat tidak hanya laporan penelitian komprehensif dengan kutipan yang terorganisir dengan baik, tetapi juga halaman web interaktif dan podcast multi-pembicara – semuanya dalam satu atau dua klik.

Postingan ini adalah bagian dari Pelepasan kepemilikanyang berbeda dari banyak penawaran model sumber terbuka Qwen sebelumnya.

Sedangkan fiturnya bergantung pada model open source Qwen3-Pembuat Kode, foto di QuinnDan Qwen3-TTS Untuk meningkatkan kemampuan intinya, pengalaman end-to-end – termasuk implementasi pencarian, penerbitan web, dan pembuatan audio – diperlukan Diselenggarakan dan dikelola oleh Quinn.

Ini berarti pengguna mendapatkan keuntungan dari alur kerja yang terkelola dan terintegrasi tanpa perlu mengonfigurasi infrastruktur. Namun, pengembang yang memiliki akses ke model sumber terbuka secara teoritis dapat mereplikasi fungsi serupa pada sistem swasta atau komersial.

Pembaruan diumumkan melalui pejabat tim akun X (@Alibaba_Qwen) Hari ini, 21 Oktober 2025, tertulis:

“Qwen Deep Research baru saja mendapat peningkatan besar. Kini tidak hanya membuat laporan, namun juga membuat halaman web dan podcast langsung – didukung oleh Qwen3-Coder, Qwen-Image, dan Qwen3-TTS. Ide-ide Anda kini terlihat dan didengar.”

Keluaran penelitian multi-format

Alur kerja dasar dimulai dengan permintaan pengguna dalam antarmuka Qwen Chat. Dari sana, Qwen berkolaborasi dengan mengajukan pertanyaan klarifikasi untuk membentuk ruang lingkup penelitian, mengambil data dari web dan sumber resmi, dan menganalisis atau menyelesaikan setiap inkonsistensi yang ditemukan — bahkan membuat kode khusus bila diperlukan.

A Video demo diposting oleh Qwen di X Dia mengulas proses ini di Qwen Chat menggunakan pasar SaaS AS sebagai contoh.

Dalam laporan ini, Quinn mengambil data dari berbagai sumber industri, mengidentifikasi perbedaan dalam perkiraan ukuran pasar (misalnya, $206 miliar versus $253 miliar), dan menyoroti ambiguitas dalam pangsa pasar global di AS. Asisten mengomentari perbedaan skala antar sumber dan menghitung tingkat pertumbuhan tahunan gabungan (CAGR) sebesar 19,8% dari tahun 2020 hingga 2023, memberikan analisis kontekstual untuk mendukung angka mentahnya.

Setelah pencarian selesai, pengguna dapat mengklik "bola mata" ikon di bawah hasil keluaran (lihat tangkapan layar), yang akan menampilkan laporan gaya PDF di panel kanan.

Kemudian, ketika laporan ditampilkan di panel kanan, pengguna dapat mengklik "menciptakan" terletak di sudut kanan atas dan pilih dari dua opsi berikut:

  1. "Pengembangan web" Yang menghasilkan a Halaman web yang hidup dan profesionalditerbitkan secara otomatis dan Dipandu oleh Quinn,menggunakan Qwen3-Coder untuk struktur dan Qwen-Image untuk visual.

  2. "Siniar," Yang seperti disebutkan, menghasilkan suara Siniaryang juga menampilkan narasi multi-speaker dinamis yang dihasilkan oleh Qwen3-TTS Dipandu oleh Quinn Untuk kemudahan berbagi dan pengoperasian.

Hal ini memungkinkan pengguna dengan cepat mengubah satu proyek penelitian menjadi berbagai bentuk konten – tertulis, visual, dan audio – dengan masukan tambahan minimal.

Situs ini menyertakan grafik tertanam yang dibuat oleh Qwen Image, sehingga cocok untuk digunakan dalam presentasi publik, kelas, atau penerbitan.

Fitur podcast memungkinkan pengguna memilih antara 17 nama pembicara yang berbeda sebagai host dan 7 sebagai co-host, meskipun saya tidak dapat menemukan cara untuk melihat pratinjau output audio sebelum memilihnya. Tampaknya dirancang untuk mendengarkan secara mendalam saat bepergian.

Tidak ada cara untuk mengubah keluaran bahasa yang dapat saya lihat, jadi keluaran saya dikeluarkan dalam bahasa Inggris, seperti laporan dan perintah awal saya, meskipun Qwen LLM bersifat multimodal. Suaranya sedikit lebih otomatis dibandingkan alat AI lain yang pernah saya gunakan.

Di bawah ini adalah contoh halaman web yang saya buat Tentang kesamaan rezim otoriter sepanjang sejarah, Satu lagi penampakan UFO atau UAPdan di bawah paragraf ini, podcast tentang penampakan UFO, atau UAP.

Meskipun situs web dihosting melalui tautan publik, podcast harus diunduh oleh pengguna dan tidak dapat ditautkan secara publik, itulah yang dapat saya katakan dalam penggunaan singkat saya sejauh ini.

Perhatikan bahwa podcast sangat berbeda dari laporan sebenarnya – bukan hanya versi audio yang dibaca langsung, namun format baru dari dua pembawa acara yang berdiskusi dan bercanda tentang topik tersebut menggunakan laporan sebagai titik awal.

Laporan versi halaman web juga menyertakan grafik baru yang tidak ditemukan dalam laporan PDF.

Perbandingan dengan Google NotebookLM

Meskipun kemampuan baru ini telah diterima dengan baik oleh banyak pengguna awal, namun muncul perbandingan dengan asisten peneliti lainnya – terutama Google. buku catatan LMyang keluar dari versi beta baru-baru ini.

Komentator AI dan penulis buletin Gemuk (@kimmonismus) ditandai di X:

“Saya sangat bersyukur Qwen memberikan update secara rutin. Ini bagus.

Namun mencoba membuat versi NotebookLM di dalam Qwen-3-max tampaknya tidak terlalu menjanjikan dibandingkan dengan versi Google.”

Meskipun NotebookLM dirancang untuk mengatur dan menanyakan dokumen dan halaman web yang ada, Qwen Deep Research lebih berfokus pada hal itu Buat konten penelitian baru dari awalMengumpulkan sumber dari web terbuka dan menyajikannya melalui berbagai metode.

Perbandingan tersebut menunjukkan bahwa meskipun kedua alat tersebut tumpang tindih dalam konsep umum – pencarian yang dibantu AI – keduanya berbeda dalam pendekatan dan penargetan pengalaman pengguna.

Tersedianya

Qwen Deep Research sekarang sudah aktif dan tersedia melalui Aplikasi obrolan koin. Fitur tersebut dapat diakses melalui URL berikut.

Tidak ada detail harga Qwen3-Max atau kemampuan pencarian mendalam spesifik yang diberikan hingga tulisan ini dibuat.

Apa selanjutnya untuk penelitian Qwen Deep?

Dengan menggabungkan panduan penelitian, analisis data, dan pembuatan konten multi-format dalam satu alat, Qwen Deep Research bertujuan untuk menyederhanakan jalur dari ide hingga keluaran yang dapat dipublikasikan.

Integrasi kode, visual, dan audio membuatnya sangat menarik bagi pembuat konten, pendidik, dan analis lepas yang ingin memperluas penelitian mereka ke dalam bentuk yang ramah web atau podcast tanpa berpindah platform.

Namun, perbandingan dengan penawaran yang lebih terspesialisasi seperti NotebookLM menimbulkan pertanyaan tentang bagaimana pendekatan umum Qwen mengintegrasikan kedalaman, akurasi, dan pengoptimalan. Apakah kekuatan penerapan multi-format melebihi kekhawatiran tersebut mungkin tergantung pada prioritas pengguna – dan apakah mereka lebih menghargai penerbitan sekali klik dibandingkan integrasi erat dengan catatan dan materi yang ada.

Untuk saat ini, kata Quinn, penelitian tidak berakhir dengan sebuah dokumen, namun dimulai dengan sebuah dokumen.

Beri tahu saya jika Anda ingin mengemasnya kembali menjadi sesuatu yang lebih pendek atau disesuaikan dengan audiens tertentu – buletin, blog bergaya jurnalistik, penjelasan tim internal, dll.

Tautan sumber

Continue Reading

Berita

Para ahli mengatakan UNRWA harus dilarang berpartisipasi dalam upaya rekonstruksi Gaza

Published

on

baruAnda sekarang dapat mendengarkan artikel Fox News!

Di tengah penerapan 20 poin rencana perdamaian Presiden Donald Trump untuk mengakhiri perang antara Hamas dan Israel, para ahli Timur Tengah mendesak agar Badan Bantuan dan Pekerjaan PBB untuk Pengungsi Palestina di Timur Dekat (UNRWA) tidak hadir dalam rekonstruksi Jalur Gaza karena dugaan dukungan mereka terhadap organisasi teroris Hamas dan rekam jejak mereka yang sangat tidak kompeten.

Hugh Duggan, yang bertugas di Dewan Keamanan Nasional sebagai Asisten Khusus Presiden dan Direktur Senior Urusan Internasional pada tahun 2020, mengatakan kepada Fox News Digital, “Misi UNRWA adalah memberikan bantuan dan dukungan sambil menunggu solusi politik yang bertahan lama. Oleh karena itu, solusi tersebut masih dalam jangkauan – sambil menunggu kepatuhan dan perlucutan senjata Hamas – dan operasi kemanusiaan yang benar-benar netral memerlukan tindakan dan metode.” Baru”.

Dia menambahkan: “Selama berbulan-bulan, Yayasan Kemanusiaan Gaza telah mendistribusikan bantuan secara independen melalui saluran PBB dan mencegah pengalihan bantuan oleh kelompok bersenjata. Operasi kemanusiaan PBB lainnya akan berfungsi dengan baik untuk berlindung dan bekerja di bawah bayang-bayang GHF di bawah terik matahari untuk kebutuhan kemanusiaan yang kritis.”

Tentara Israel membunuh seorang teroris Hamas yang mengatakan dia bekerja untuk UNRWA, dan memimpin serangan terhadap pembantaian tempat penampungan bom Al-Reem.

Gambar dipajang di dinding tempat perlindungan bom, tempat orang-orang berlindung enam bulan lalu sebelum terbunuh dalam serangan mematikan 7 Oktober di Israel oleh teroris Hamas dari Gaza, dekat Kibbutz Beri di Israel selatan, 7 April 2024. REUTERS/Amir Cohen (Reuters/Amir Cohen)

Dugan, mantan diplomat yang bertugas di misi AS untuk badan dunia tersebut, mengatakan bahwa UNRWA mengubah industri rumah tangga menjadi birokrasi lintas batas yang luas yang melanggengkan pemborosan keuangan dan memperpanjang konflik dengan memberikan status pengungsi kepada keturunan pengungsi Palestina setelah perang pertama antara Israel dan negara-negara Arab.

Dia mengatakan: “Setelah konflik Arab-Israel tahun 1948, misi penting UNRWA adalah untuk memberikan bantuan dan program lapangan kerja langsung bagi 800.000 pengungsi Palestina. Misinya adalah untuk keluar dari bisnis secepat mungkin, namun mereka telah mengambil jalur misi yang merayap. Selama beberapa dekade, secara administratif diambil alih oleh birokrasi PBB, UNRWA telah berupaya untuk melanggengkan situasi pengungsi yang kini membengkak menjadi 5,9 juta.”

“Miliaran dolar kemudian, warga Palestina masih sangat bergantung pada bantuan kemanusiaan dasar,” Dugan menyimpulkan. “Hal ini telah menempatkan UNRWA sebagai pemain politik yang melampaui misi awalnya. Kebijakan dan hubungannya dengan Hamas menunjukkan bahwa UNRWA telah kehilangan landasan netralitas kemanusiaan dan non-diskriminasi.”

File tersebut mengungkapkan informasi yang digunakan untuk menjelaskan hubungan mendalam antara badan PBB dan gerakan Hamas di Gaza

Warga Palestina membawa bantuan dari Yayasan Kemanusiaan Gaza

Orang-orang membawa kotak-kotak pasokan bantuan dari Yayasan Kemanusiaan Gaza (GHF), sebuah kelompok bantuan swasta yang didukung AS yang mengabaikan perintah lama PBB di wilayah tersebut, dengan kembalinya warga Palestina yang terlantar dari pusat distribusi bantuan di Jalur Gaza tengah pada bulan Juni. 8 Perserikatan Bangsa-Bangsa dan organisasi bantuan besar menolak bekerja sama dengan Dana Kemanusiaan Global, karena kekhawatiran bahwa dana tersebut dirancang untuk memenuhi tujuan militer Israel. (Gambar Iyad Boudi/AFP Viti)

Pada bulan Agustus, Fox News Digital memperoleh gambaran umum Departemen Luar Negeri yang diberikan kepada Kongres yang menyatakan, “Pemerintah telah memutuskan bahwa UNRWA telah mengalami kompromi yang tidak dapat diperbaiki dan sekarang berupaya untuk membongkarnya sepenuhnya.” Pemerintahan Biden telah memberikan dana pajak AS sebesar $1 miliar kepada UNRWA sejak tahun 2021 sebelum pembekuan pada tahun 2024 mulai berlaku.

Juru bicara UNRWA Juliette Touma menanggapi tuduhan terhadap organisasi tersebut dan menyebutnya serius. Dia mengatakan kepada Fox News Digital bahwa tuduhan tersebut “tidak pernah dibuktikan, apalagi dibuktikan,” dan menambahkan bahwa “Perserikatan Bangsa-Bangsa telah melakukan penyelidikan dan peninjauan eksternal, dan tidak satu pun dari tuduhan tersebut yang terbukti. Yang paling penting, tuduhan ini menghalangi UNRWA, organisasi kemanusiaan terbesar, untuk mengirimkan makanan kepada mereka yang kelaparan.

“Hal ini menempatkan rekan-rekan saya di Gaza dalam risiko dan membahayakan nyawa mereka karena informasi yang salah ini,” kata Touma. “UNRWA memiliki 12.000 staf yang bertugas di Gaza. Tidak mungkin memperbaiki situasi kemanusiaan di Gaza tanpa UNRWA dan tim-timnya. Kami tahu bahwa semua upaya untuk menggantikan UNRWA telah membawa bencana.”

Dia melanjutkan: “Mengingat hal di atas dan tindakan yang diambil oleh PBB terhadap tuduhan-tuduhan ini, tuduhan-tuduhan ini tetap saja – tuduhan-tuduhan yang memiliki konsekuensi serius bagi kehidupan rekan-rekan kami, penyediaan bantuan kemanusiaan dan reputasi badan ini.”

Hamas UNRWA

Gambar yang diterbitkan oleh tentara Israel menunjukkan tiga orang yang diklaim tentara Israel sebagai teroris Hamas di dalam kompleks UNRWA di Rafah. (IDF)

Seorang juru bicara Departemen Luar Negeri AS mengatakan kepada Fox News Digital, “Presiden Trump dan Menteri Rubio telah lama menyatakan bahwa Hamas tidak akan memerintah Gaza lagi. Ini termasuk lembaga-lembaga yang telah mereka infiltrasi untuk mempertahankan kekuasaan dan pengaruhnya.”

Juru bicara tersebut mengulangi panduan yang terkandung dalam Perintah Eksekutif Presiden Trump tanggal 4 Februari tentang Penghentian Pendanaan atau Peninjauan Dukungan untuk Organisasi PBB dan Internasional Tertentu, yang menyatakan bahwa “UNRWA telah disusupi oleh anggota kelompok yang telah lama ditetapkan oleh Menteri Luar Negeri (Sekretaris) sebagai organisasi teroris asing, dan bahwa pegawai UNRWA terlibat dalam serangan Hamas terhadap Israel pada tanggal 7 Oktober.” 2023″.

Mantan juru bicara militer Israel Letnan Kolonel Jonathan Conricus mengatakan: “UNRWA telah terbukti sangat korup, disusupi oleh Hamas dan Jihad Islam, yang merupakan salah satu alasan mengapa Hamas mampu merekrut puluhan ribu pemuda yang diindoktrinasi dan mempertahankan diri melalui dua tahun pertempuran.”

Serangan teroris Hamas

Teroris Hamas membunuh warga sipil, termasuk wanita, anak-anak, dan orang tua, ketika mereka menyerang Israel pada 7 Oktober 2023. (IDF melalui AP)

“Jika kita ingin Gaza bebas dari ekstremisme, organisasi pertama yang harus disingkirkan dari kekuasaan adalah Hamas. Organisasi kedua adalah UNRWA. Keduanya tidak boleh berperan dalam membentuk masa kini atau masa depan Gaza. Ini adalah waktu untuk berinvestasi demi masa depan yang lebih baik bagi Gaza dan wilayah tersebut, dan ini adalah waktu untuk menghapus UNRWA.”

“Sejak Hamas merebut kekuasaan di Jalur Gaza pada tahun 2007, UNRWA telah memfasilitasi pembangunan militer Hamas,” kata Conricus. “Dengan mengalihkan bantuan internasional untuk memenuhi kebutuhan sipil warga Gaza sesuai arahan Hamas, UNRWA telah memungkinkan Hamas untuk mentransfer sebagian besar dananya untuk pembangunan militer dalam bentuk penggalian terowongan, produksi rudal, pembelian drone dan rudal canggih, serta pembayaran gaji dan pelatihan sejumlah besar individu.

Markas UNRWA di Gaza.

Markas UNRWA di Kota Gaza, Gaza pada 21 Februari 2024. (Dawoud Abu Al-Kass/Anasul melalui Getty Images)

KLIK UNTUK MENDAPATKAN APLIKASI BERITA FOX

Dia mengatakan, “Sepanjang perang dua tahun, para pejuang Hamas secara sistematis menggunakan fasilitas dan infrastruktur UNRWA untuk mendukung dan melanjutkan operasi militer mereka melawan Israel. Pusat komando bawah tanah Hamas ditemukan tepat di bawah fasilitas UNRWA di Kota Gaza, termasuk pasokan listrik dan layanan TI dari kantor UNRWA hingga bunker bawah tanah Hamas. Hamas secara sistematis menggunakan sekolah-sekolah UNRWA di seluruh Jalur Gaza.” Seperti tempat pementasan militer, fasilitas produksi senjata, tempat pengumpulan intelijen, dan tempat persembunyian pejuang Hamas.”

Ketika ditanya tentang peran UNRWA, juru bicara militer Israel mengatakan kepada Fox News Digital: “Tingkat politiklah yang menentukan segalanya mengenai perjanjian perdamaian dan rincian pascaperang.” Fox News Digital telah menghubungi juru bicara Kementerian Luar Negeri Israel beberapa kali untuk memberikan komentar. Pemerintah Israel melarang operasi UNRWA pada Januari 2025.

Tautan sumber

Continue Reading

Berita

Manfaat tak terduga dari komputer yang didukung AI: Mengapa kreativitas bisa menjadi produktivitas baru

Published

on

Disediakan oleh HP


Kreativitas dengan cepat menjadi ukuran baru produktivitas. Meskipun AI sering dibingkai sebagai alat untuk efisiensi dan otomatisasi, penelitian baru dari… Institut Manajemen Sloan MIT Ia menunjukkan bahwa AI generatif meningkatkan kreativitas manusia – ketika karyawan memiliki alat dan keterampilan yang tepat untuk menggunakannya secara efektif.

Ini tempatnya Komputer yang didukung oleh kecerdasan buatan Laptop generasi berikutnya menggabungkan pemrosesan AI lokal dengan unit pemrosesan saraf (NPU) yang kuat, memberikan kecepatan dan keamanan yang diharapkan oleh para pekerja pengetahuan sekaligus membuka kemungkinan-kemungkinan kreatif baru. Dengan menangani tugas AI langsung di perangkat, komputer yang didukung AI mengurangi latensi, melindungi data sensitif, dan menurunkan konsumsi daya.

Tim telah membuktikan dampaknya. Tim pemasaran menggunakan PC yang didukung AI untuk membuat aset kampanye dalam hitungan jam, bukan minggu. Insinyur memperpendek siklus desain dan pembuatan prototipe. Tenaga penjualan membuat proposal yang dipersonalisasi di tempat, bahkan tanpa akses cloud. Dalam setiap kasus, PC yang didukung AI tidak hanya mempercepat alur kerja, tetapi juga memicu ide-ide baru, iterasi yang lebih cepat, dan tim yang lebih terlibat.

Imbalannya jelas: kreativitas yang diwujudkan dalam hasil bisnis yang terukur, mulai dari waktu pemasaran yang lebih cepat dan kepatuhan yang lebih kuat hingga keterlibatan pelanggan yang lebih dalam. Namun, penerapan teknologi ini masih belum merata dan manfaatnya belum menjangkau angkatan kerja yang lebih luas.

Manfaat kreatif awal, namun masih ada kesenjangan

Penelitian New Morning Consult dan HP menunjukkan bahwa hampir separuh pengambil keputusan TI (45%) sudah menggunakan komputer yang didukung AI untuk bantuan kreatif, dan hampir sepertiga (29%) menggunakannya untuk tugas-tugas seperti membuat dan mengedit gambar. Ini bukan hanya soal efisiensi, namun juga menghadirkan imajinasi ke dalam alur kerja sehari-hari.

menurut Indeks Hubungan Perburuhan HP 2025Prestasi adalah pendorong terbesar dari hubungan kerja yang sehat, bahkan melebihi kepemimpinan. Berikan karyawan alat yang memungkinkan mereka membuat tugas, bukan sekadar melaksanakannya, dan Anda akan meningkatkan produktivitas, kepuasan, retensi, dan optimisme. Naluri yang sama yang mendorong pekerja untuk membangun di luar kantor adalah naluri yang sama yang dapat dimanfaatkan oleh perusahaan di dalam kantor.

Tantangannya adalah di kalangan pekerja pengetahuan yang lebih luas, tingkat adopsi masih rendah, hanya 29% untuk bantuan kreatif dan hanya 19% untuk pembuatan citra. Kesenjangan inovasi ini berarti bahwa potensi penuh dari komputer yang didukung AI belum menjangkau angkatan kerja yang lebih luas. Bagi manajer TI, peluangnya tidak hanya untuk menerapkan perangkat keras yang lebih cepat, namun juga untuk menumbuhkan budaya tempat kerja di mana kreativitas mendorong nilai bisnis yang terukur.

Manfaat kreatif dari komputer yang didukung AI

Jadi, ketika Anda menampilkan komputer bertenaga AI kepada karyawan yang memiliki kemampuan tersebut, seperti apa praktiknya? Pengguna awal sudah mulai melihat komputer bertenaga AI mengubah cara kerja kreatif dilakukan.

Tim memimpikan ide-ide baru dengan lebih cepat. Komputer yang didukung AI dapat memunculkan perspektif baru dan solusi yang tidak konvensional, sehingga meningkatkan kreativitas manusia, bukan menggantikannya. Dengan modul NP khusus untuk menangani beban kerja AI, alur kerja karyawan tetap lancar. Masa pakai baterai diperpanjang, latensi berkurang, dan kinerja ditingkatkan, sehingga tim dapat fokus pada ide, bukan menunggu waktu.

AI pada perangkat membuka media kreatif baru, mulai dari desain visual, produksi video, hingga pengeditan musik, video, foto, dan presentasi dapat dibuat, diedit, dan disempurnakan secara real-time.

Selain itu, beban kerja AI seperti peringkasan, transkripsi, dan pembuatan kode berjalan secara instan tanpa bergantung pada API cloud. Hal ini berarti karyawan dapat bekerja secara produktif di lingkungan dengan bandwidth rendah atau offline, sehingga menghilangkan risiko waktu henti, terutama bagi tenaga kerja yang berpindah-pindah dan penempatan global.

Dan di seluruh perusahaan, PC yang didukung AI berarti hasil bisnis yang nyata dan terukur.

pemasaran: PC yang didukung AI memungkinkan tim kreatif membuat variasi iklan, konten sosial, dan aset kampanye dalam hitungan menit, bukan hitungan hari, sehingga mengurangi ketergantungan pada agensi eksternal. Hal ini menghasilkan peluncuran kampanye yang lebih cepat, pengurangan pembelanjaan vendor eksternal, dan peningkatan kecepatan saluran.

Produk dan Teknik: Desainer/insinyur dapat membuat prototipe menggunakan desain berbantuan komputer (CAD), membuat maket 3D, atau menjalankan simulasi secara lokal menggunakan akselerator AI pada perangkat, sehingga memperpendek putaran umpan balik. Ini berarti mengurangi siklus iterasi, pembuatan prototipe lebih cepat, dan waktu pemasaran lebih cepat.

Penjualan/Keterlibatan Pelanggan: Perwakilan dapat menggunakan PC yang didukung AI untuk membuat proposal secara real-time, presentasi yang dipersonalisasi, atau menganalisis kontrak secara offline di lokasi klien, bahkan tanpa koneksi cloud. Hal ini menciptakan siklus transaksi yang lebih cepat, keterlibatan pelanggan yang lebih tinggi, dan perputaran penjualan yang lebih singkat.

Mulai dari efisiensi hingga prestasi

Komputer yang didukung AI lebih dari sekadar peningkatan kinerja. Mereka membentuk kembali cara orang melakukan pendekatan dan pengalaman bekerja. Dengan memberikan alat yang memicu kreativitas dan produktivitas kepada karyawan, organisasi dapat menghasilkan inovasi yang lebih cepat, keterlibatan yang lebih dalam, dan retensi yang lebih kuat.

Bagi manajer TI, peluang ini lebih dari sekadar peningkatan efisiensi. Nilai sebenarnya dari PC yang mendukung AI tidak diukur dari kecepatan atau spesifikasinya, namun dari bagaimana PC tersebut membuka kemungkinan baru untuk kreativitas, kolaborasi, dan kompetisi – membantu tim tidak hanya bekerja lebih cepat, namun juga lebih kreatif dan produktif.


Artikel bersponsor adalah konten yang diproduksi oleh perusahaan yang membayar postingan tersebut atau memiliki hubungan kerja dengan VentureBeat, dan selalu diberi label dengan jelas. Untuk informasi lebih lanjut, hubungi penjualan@venturebeat.com.

Tautan sumber

Continue Reading

Trending