Connect with us

Berita

Di Bawah Terpal Agen AI: Panduan Teknologi Menuju Frontier Generasi AI Berikutnya

Published

on

Agen adalah topik paling trendi dalam AI saat ini, dan untuk alasan yang bagus. Agen AI bertindak atas nama penggunanya, secara mandiri menangani tugas-tugas seperti melakukan pembelian online, membuat perangkat lunak, meneliti tren bisnis, atau memesan perjalanan. Dengan mengeluarkan AI generatif dari antarmuka obrolan dan memungkinkannya bertindak langsung terhadap dunia, AI agen mewakili lompatan maju dalam kekuatan dan kegunaan AI. Membawa AGI keluar dari sandbox yang dilindungi pada antarmuka obrolan dan memungkinkannya bertindak langsung di dunia merupakan lompatan maju dalam kekuatan dan kegunaan AI.

Agen AI telah berkembang sangat cepat: misalnya, salah satu elemen penyusun agen saat ini, Model Context Protocol (MCP), baru berusia satu tahun! Seperti halnya bidang yang bergerak cepat, terdapat banyak definisi yang saling bersaing, opini yang memanas, dan opini yang salah arah.

Untuk mengatasi hype tersebut, saya ingin menjelaskan komponen dasar sistem AI agen dan bagaimana komponen tersebut cocok satu sama lain: Sebenarnya tidak serumit kelihatannya. Semoga setelah Anda selesai membaca postingan ini, pelanggan tidak terkesan misterius.

Ekosistem agen

Ada banyak definisi dari kata “agen”, tapi saya menyukai sedikit variasi pada konsep sederhana programmer Inggris Simon Willison:

Agen LLM menjalankan alat dalam satu lingkaran untuk mencapai tujuan.

Model bahasa besar (LLM) mengarahkan pengguna dengan tujuan: misalnya, memesan meja di restoran dekat teater tertentu. Seiring dengan tujuannya, model menerima daftar alat yang tersedia, seperti database lokasi restoran atau catatan preferensi makanan pengguna. Model tersebut kemudian merencanakan cara mencapai tujuan dan memanggil salah satu alat yang memberikan respons; Formulir tersebut kemudian memanggil alat baru. Melalui pengulangan, agen bergerak menuju pencapaian tujuan. Dalam beberapa kasus, opsi pemformatan dan tata letak formulir dilengkapi atau ditingkatkan dengan kode penting.

Namun infrastruktur seperti apa yang diperlukan untuk mencapai pendekatan ini? Sistem proxy memerlukan beberapa komponen dasar:

  • cara untuk Bangun agennya. Saat Anda menerapkan proxy, Anda tidak ingin membuat kode dari awal. Ada banyak kerangka pengembangan agen.

  • suatu tempat ke Jalankan model kecerdasan buatan. Pengembang AI berpengalaman dapat mengunduh LLM open-weight, namun dibutuhkan pengalaman untuk melakukannya dengan benar. Hal ini juga memerlukan perangkat keras mahal yang tidak akan dimanfaatkan dengan baik oleh rata-rata pengguna.

  • suatu tempat ke Jalankan kode proksi. Dengan menggunakan kerangka kerja yang ada, pengguna membuat kode untuk objek proxy dengan serangkaian fungsi yang ditentukan. Sebagian besar pekerjaan ini melibatkan pengiriman perintah ke model AI, tetapi kodenya harus dijalankan di suatu tempat. Dalam praktiknya, sebagian besar agen akan berjalan di cloud, karena kami ingin agen tersebut tetap berjalan saat laptop kami dimatikan, dan kami ingin agen tersebut meningkatkan skala dan melakukan pekerjaan mereka.

  • Mekanisme penerjemahan antara berbasis teks dan LLM Panggilan alat.

  • A jangka pendek ingatan Untuk melacak konten interaksi agen.

  • A Memori jangka panjang Untuk melacak preferensi dan minat pengguna di seluruh sesi.

  • cara untuk Trek Implementasi sistem, untuk mengevaluasi kinerja agen.

Mari selami lebih detail tentang masing-masing bahan ini.

Bangun agen

Meminta LLM untuk menjelaskan bagaimana dia berencana melakukan pendekatan terhadap tugas tertentu akan meningkatkan kinerjanya pada tugas tersebut. “Penalaran berantai” ini sekarang ada di mana-mana dalam AI.

Analog dalam sistem agen adalah model ReAct (inferensi + tindakan), di mana agen memiliki ide (“Saya akan menggunakan fungsi peta untuk menemukan restoran terdekat”), melakukan tindakan (mengeluarkan panggilan API ke fungsi peta), dan kemudian melakukan observasi (“Ada dua restoran pizza dan satu restoran India dalam dua blok dari bioskop”).

ReAct bukan satu-satunya cara untuk membangun agen, namun merupakan inti dari sebagian besar sistem agen yang sukses. Saat ini, proxy biasanya merupakan loop overhead Pikiran, tindakan dan observasi urutan.

Alat yang tersedia untuk agen dapat mencakup alat lokal dan alat jarak jauh seperti database, layanan mikro, dan SaaS. Spesifikasi alat ini mencakup penjelasan bahasa alami tentang bagaimana dan kapan menggunakannya serta sintaksis panggilan API-nya.

Pengembang juga dapat meminta agen untuk membuat alatnya sendiri dengan cepat. Misalkan sebuah alat mengambil tabel yang disimpan sebagai teks yang dipisahkan koma, dan untuk mencapai tujuannya, agen perlu mengurutkan tabel tersebut.

Menyortir tabel dengan mengirimkannya berulang kali melalui LLM dan mengevaluasi hasilnya akan membuang-buang sumber daya – bahkan tidak ada jaminan untuk memberikan hasil yang benar. Alternatifnya, pengembang cukup meminta agen untuk membuat kode Python-nya sendiri ketika dihadapkan pada tugas yang sederhana namun berulang. Cuplikan kode ini dapat dijalankan secara lokal bersama agen atau di alat kompiler kode aman khusus.

Alat yang tersedia dapat membagi tanggung jawab antara LLM dan pengembang. Setelah alat yang tersedia untuk agen diidentifikasi, pengembang cukup menginstruksikan agen alat mana yang harus digunakan bila diperlukan. Atau, pengembang bisa menentukan alat mana yang akan digunakan untuk tipe data tertentu, dan bahkan elemen data mana yang akan digunakan sebagai argumen selama pemanggilan fungsi.

Demikian pula, pengembang cukup meminta agen untuk membuat kode Python bila diperlukan untuk mengotomatisasi tugas yang berulang, atau sebagai alternatif, memberi tahu algoritma mana yang akan digunakan untuk tipe data apa dan bahkan menyediakan kodesemu. Pendekatannya dapat bervariasi dari satu agen ke agen lainnya.

Waktu pengoperasian

Secara historis, ada dua metode utama untuk mengisolasi kode yang berjalan di server bersama: containerization, yang efektif namun kurang memberikan keamanan; dan mesin virtual, yang aman tetapi menimbulkan banyak beban komputasi.

Pada tahun 2018, layanan komputasi tanpa server Lambda Amazon Web Services (AWS) dikerahkan. petasanParadigma baru dalam isolasi server. Firecracker menciptakan “microVM”, lengkap dengan isolasi perangkat keras dan kernel Linux-nya sendiri tetapi dengan pengurangan overhead (serendah beberapa megabyte) dan waktu startup (serendah beberapa milidetik). Overhead rendah berarti setiap fungsi yang dijalankan di server Lambda dapat memiliki mikroVM sendiri.

Namun, karena pembuatan agen memerlukan penerapan LLM, bersama dengan sumber daya memori untuk melacak input dan output LLM, model isolasi per fungsi tidak praktis. Sebaliknya, dengan isolasi berbasis sesi, setiap sesi diberi mikroVMnya sendiri. Saat sesi berakhir, informasi status LLM disalin ke memori jangka panjang, dan microVM dimusnahkan. Hal ini memastikan penyebaran host agen yang aman dan efisien.

Panggilan alat

Sama seperti banyak kerangka pengembangan untuk pembuatan agen, ada banyak standar untuk komunikasi antara agen dan alat, yang paling populer – saat ini – adalah Model Context Protocol (MCP).

MCP membuat koneksi satu-ke-satu antara LLM agen dan server MCP khusus yang menjalankan panggilan alat, dan juga membuat format standar untuk meneruskan berbagai jenis data bolak-balik antara LLM dan servernya.

Banyak platform menggunakan MCP secara default, tetapi MCP juga dapat dikonfigurasi, sehingga mereka akan mendukung semakin banyak protokol seiring berjalannya waktu.

Namun, terkadang, alat yang diperlukan bukanlah alat yang memiliki API yang tersedia. Dalam kasus seperti itu, satu-satunya cara untuk mengambil data atau melakukan suatu tindakan adalah melalui gerakan kursor dan klik pada situs web. Ada sejumlah layanan yang tersedia untuk melakukan hal ini Penggunaan komputer. Hal ini menjadikan situs web mana pun sebagai alat potensial bagi agen, yang membuka konten dan layanan berharga selama puluhan tahun yang belum tersedia secara langsung melalui API.

Lisensi

Dengan agen, delegasi bekerja dalam dua arah. Pertama, pengguna tentunya memerlukan izin untuk menjalankan agen yang mereka buat. Namun karena proxy bertindak atas nama pengguna, biasanya proxy memerlukan otorisasinya sendiri untuk mengakses sumber daya jaringan.

Ada beberapa cara berbeda untuk menangani masalah perizinan. Salah satunya adalah menggunakan algoritma otorisasi akses seperti OAuth, yang pada dasarnya mengkomunikasikan proses otorisasi melalui sistem proxy. Pengguna memasukkan kredensial masuk OAuth, dan sistem proksi menggunakan OAuth untuk masuk ke sumber daya yang dilindungi, namun sistem proksi tidak pernah memiliki akses langsung ke kata sandi pengguna.

Dalam metode lain, pengguna login ke sesi aman di server, dan server memiliki kredensial login mereka pada sumber daya yang dilindungi. Izin memungkinkan pengguna memilih dari berbagai strategi otorisasi dan algoritme untuk menerapkan strategi tersebut.

Memori dan jejak

Memori jangka pendek

LLM adalah mesin prediksi kata berikutnya. Apa yang membuat mereka sangat serbaguna adalah bahwa prediksi mereka didasarkan pada rangkaian panjang kata-kata yang telah mereka lihat, yang disebut Konteks. Konteks itu sendiri adalah semacam memori. Tapi itu bukan satu-satunya jenis yang dibutuhkan sistem proxy.

Katakanlah, sekali lagi, seorang agen mencoba memesan restoran di dekat bioskop, dan melalui alat pemetaan, beberapa lusin restoran diambil dalam radius satu mil. Dia tidak ingin membuang informasi tentang semua restoran tersebut ke dalam konteks LLM: semua informasi asing tersebut dapat merusak kemungkinan kata berikutnya.

Sebagai alternatif, ia dapat menyimpan seluruh menu dalam memori jangka pendek dan mengambil satu atau dua catatan sekaligus, berdasarkan harga pengguna, preferensi dapur, dan kedekatannya dengan panggung, misalnya. Jika tidak ada satu pun restoran yang berhasil, agen dapat kembali ke memori jangka pendek, daripada harus menjalankan panggilan alat lain.

Memori jangka panjang

Agen juga perlu mengingat interaksi mereka sebelumnya dengan kliennya. Jika saya memberi tahu agen reservasi restoran minggu lalu jenis makanan apa yang saya suka, saya tidak ingin memberi tahu dia lagi minggu ini. Hal yang sama berlaku untuk toleransi harga saya, jenis suasana yang saya cari, dll.

Memori jangka panjang memungkinkan agen mencari apa yang perlu diketahui tentang percakapan sebelumnya dengan pengguna. Namun, agen biasanya tidak menciptakan kenangan jangka panjang sendiri. Sebaliknya, setelah sesi selesai, seluruh percakapan berpindah ke model AI terpisah, menciptakan kenangan jangka panjang baru atau memperbarui kenangan yang sudah ada.

Pembuatan memori dapat mencakup peringkasan LLM dan “chunking”, di mana dokumen dibagi menjadi beberapa bagian yang dikelompokkan menurut topik untuk memudahkan pengambilan selama sesi berikutnya. Sistem yang tersedia memungkinkan pengguna untuk memilih strategi dan algoritma untuk peringkasan, segmentasi, dan teknik ekstraksi informasi lainnya.

Observabilitas

Agen adalah sistem perangkat lunak jenis baru, dan mereka memerlukan cara berpikir baru dalam mengamati, memantau, dan meninjau perilaku mereka. Beberapa pertanyaan yang kami ajukan mungkin terdengar familier: apakah agen bekerja cukup cepat, berapa biayanya, berapa banyak panggilan alat yang mereka lakukan, dan apakah pengguna puas. Namun pertanyaan-pertanyaan baru juga akan muncul, dan kita tidak bisa serta merta memprediksi data apa yang kita perlukan untuk menjawabnya.

Alat pemantauan dan pelacakan dapat memberikan pandangan komprehensif tentang eksekusi sesi dengan agen, merinci langkah demi langkah tindakan apa yang diambil dan alasannya. Bagi pembuat agen, jejak ini adalah kunci untuk memahami seberapa baik agen bekerja — dan menyediakan data untuk membuatnya bekerja lebih baik.

Saya harap penjelasan ini cukup memperjelas agen AI sehingga Anda siap mencoba membangun agen Anda sendiri!

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