Tentang Sesi Ini
Ringkasan & metadata
Sesi ini memperkenalkan Amazon Quick — sebuah asisten AI yang diposisikan bukan sebagai chatbot biasa, melainkan sebagai "rekan kerja agentik". Perbedaannya sederhana namun mendasar: chatbot menjawab dari pengetahuan umum, sedangkan Amazon Quick memahami data dan konteks perusahaan Anda, lalu benar-benar menuntaskan tugas kerja — menjawab pertanyaan bisnis, merangkum, membuat dashboard, hingga mengambil tindakan bertahap yang berguna.
Selama bertahun-tahun, analitik dan business intelligence (BI) menuntut keahlian khusus: menulis kueri, membangun dashboard, menunggu tim data. Amazon Quick menggeser cara kerja itu. Anda cukup bertanya dalam bahasa sehari-hari — "berapa penjualan cabang Surabaya bulan lalu dibanding target?" — dan asisten ini mencari sendiri jawabannya di sumber data yang sudah terhubung, lalu menyajikannya sebagai angka, grafik, atau ringkasan. Karena bersifat agentik, ia tidak berhenti di jawaban: ia bisa melanjutkan ke langkah berikutnya, misalnya menyiapkan draf laporan atau memicu tindakan lanjutan sesuai izin yang diberikan.
Kenapa penting untuk Anda? Jika selama ini keputusan bisnis di tim Anda tertunda karena harus antre ke tim data, sesi ini menunjukkan bagaimana analitik bisa dijangkau langsung oleh manajer, staf keuangan, bahkan pemilik UMKM — tanpa harus jadi ahli SQL. Fortress Digital Services akan berbagi pengalaman menerapkannya.
Fortress Digital Services (FDS) adalah penyedia teknologi bagi industri perbankan & jasa keuangan, berkantor di Jakarta dan Bandung dengan jangkauan layanan di Asia Tenggara (termasuk Filipina, Myanmar, dan Bangladesh). Perusahaan ini menyediakan solusi end-to-end seperti core banking, digital & mobile banking, kepatuhan regulasi, keamanan siber, serta model SaaS, dan mengklaim telah mendukung transformasi digital lebih dari 100 institusi keuangan. FDS juga mengoperasikan data center berstandar tinggi (disebut Tier 4) di Indonesia. Yang relevan dengan sesi ini: "Business Analytics & AI" tercantum sebagai salah satu penawaran inti FDS — sejalan dengan tema Amazon Quick sebagai asisten analitik. Keterkaitan ini menjadikan FDS narasumber yang masuk akal untuk berbagi pengalaman menerapkan analitik berbasis AI di sektor keuangan.
Sumber: Situs resmi FDS (fds.co.id — halaman About & Data Center) dan profil publik perusahaan. Catatan: hingga rangkuman ini disusun, tidak ada dokumentasi publik yang merinci penggunaan AWS atau Amazon Quick oleh FDS; detail arsitektur & skenario spesifik pada sesi bersifat ilustratif kecuali disebutkan langsung oleh pembicara.
Apa Itu & Bagaimana Bekerjanya
Apa itu Amazon Quick
Amazon Quick adalah asisten AI untuk analitik dan pekerjaan berbasis data yang dirancang agar terasa seperti rekan kerja, bukan alat pasif. Tiga kata kunci menandainya:
- Memahami konteks. Ia terhubung ke sumber data perusahaan (basis data, spreadsheet, gudang data, aplikasi bisnis) dan mengerti "kosakata" organisasi Anda — apa itu "penjualan bersih", siapa "pelanggan aktif", periode fiskal mana yang berlaku.
- Agentik. Ia tidak hanya membalas teks. Ia dapat mengambil beberapa langkah berurutan untuk menuntaskan tugas: mencari data, menganalisis, menyusun visual, sampai menyiapkan tindakan lanjutan.
- Menjawab dalam bahasa manusia. Pertanyaan biasa masuk, jawaban yang bisa dipakai keluar — tanpa perlu menulis kueri atau membangun dashboard secara manual.
Di balik layar, Amazon Quick memanfaatkan model AI dari Amazon Bedrock untuk bernalar, dipadukan dengan lapisan yang menghubungkannya secara aman ke data perusahaan serta tata kelola akses. Dengan begitu, kecerdasan model diarahkan ke data Anda sendiri, bukan pengetahuan umum internet.
Kemampuan & layanan pendukung
Berikut kemampuan inti dan blok pendukung yang membuat Amazon Quick bekerja, dengan fungsi ringkasnya:
Blok-blok ini bekerja bersama. Saat seorang manajer bertanya, Amazon Quick memakai Bedrock untuk bernalar, Konektor Data untuk menjangkau sumber yang relevan, Identity/Izin agar hanya data yang boleh dilihat pengguna itu yang diproses, dan Observability agar setiap keputusan bisa ditelusuri kembali saat audit atau perbaikan.
Analogi yang Mudah Dicerna
Asisten yang hafal lemari arsip
Ibaratnya, Amazon Quick adalah asisten pribadi baru yang, sejak hari pertama, sudah hafal isi seluruh lemari arsip perusahaan. Anda tinggal bertanya — "tolong carikan rekap penjualan tiga bulan terakhir dan bandingkan dengan target" — dan ia mencari sendiri dokumen yang tepat, membaca angkanya, lalu merangkumnya untuk Anda. Anda tidak perlu tahu di laci mana berkasnya, di sistem mana datanya, atau bagaimana cara menghitungnya.
- Hafal isi arsip = memahami sumber data & konteks perusahaan — tahu di mana angka penjualan, biaya, dan pelanggan berada.
- Tinggal ditanya = antarmuka bahasa sehari-hari — tak perlu menulis kueri atau membuka banyak aplikasi.
- Mencari & merangkum sendiri = kemampuan agentik — ia mengambil langkah demi langkah sampai tugas tuntas.
- Hanya membuka laci yang boleh = tata kelola akses — asisten menghormati izin Anda, tidak menembus data yang bukan hak Anda.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, cara Amazon Quick bekerja terlihat seperti ini: pengguna mengetik pertanyaan bisnis; Amazon Quick bernalar memakai model di Amazon Bedrock, memeriksa Identity/Izin untuk memastikan hak akses, lalu — lewat Konektor Data — menjangkau sumber data perusahaan (basis data, gudang data, spreadsheet, aplikasi bisnis). Hasilnya dirangkai menjadi jawaban, grafik, atau dashboard, sementara Observability merekam seluruh langkah.
Alur kerja satu permintaan
Ketika seorang manajer mengetik "ringkas penjualan minggu ini per wilayah", inilah yang terjadi di balik layar:
- Masuk & izin. Pertanyaan diterima; Identity memastikan pengguna hanya boleh melihat data yang menjadi haknya (mis. wilayah yang ia kelola).
- Bernalar. Amazon Quick (dengan model Bedrock) memahami maksud dan menyusun rencana: data apa yang perlu diambil dan bagaimana mengolahnya.
- Ambil data. Lewat Konektor Data, ia menjangkau sumber yang relevan — tabel penjualan, target, dimensi wilayah.
- Analisis. Angka diolah menjadi agregasi, perbandingan terhadap target, dan tren.
- Sajikan. Hasil dirangkai menjadi ringkasan naratif plus grafik/dashboard yang mudah dibaca.
- Rekam. Observability mencatat tiap langkah untuk audit, tata kelola, dan perbaikan.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan yang khas di Indonesia.
Manajer minta ringkasan penjualan
Seorang manajer regional ingin tahu performa penjualan tanpa menunggu laporan mingguan dari tim data. Ia cukup bertanya ke Amazon Quick: "ringkas penjualan per cabang bulan ini, tandai yang di bawah target." Asisten menjangkau data lewat Konektor Data, menghormati batas akses lewat Identity (hanya wilayahnya), lalu menyajikan ringkasan plus grafik. Karena agentik, ia bisa lanjut: "buatkan draf catatan untuk cabang yang tertinggal." Keputusan yang tadinya butuh berhari-hari kini selesai dalam hitungan menit.
Rekonsiliasi & laporan cepat
Tim keuangan sebuah perusahaan menggunakan Amazon Quick untuk mempercepat tutup buku. Alih-alih menyusun spreadsheet manual, staf bertanya: "bandingkan catatan kas bank dengan buku besar bulan lalu, tunjukkan selisih yang belum cocok." Amazon Quick menarik data dari kedua sumber, menyoroti anomali, dan menyiapkan draf laporan rekonsiliasi. Observability menyimpan jejak setiap langkah sehingga auditor dapat menelusuri asal setiap angka — penting untuk kepatuhan.
Analitik tanpa tim data besar
Sebuah UMKM tak punya analis data khusus, tetapi punya data penjualan di spreadsheet dan aplikasi kasir. Pemiliknya bertanya ke Amazon Quick: "produk apa yang paling laku tiga bulan terakhir, dan hari apa penjualan tertinggi?" Asisten membaca sumber yang terhubung dan menjawab dengan grafik sederhana. Kemampuan analitik yang dulu hanya terjangkau perusahaan besar kini bisa dipakai usaha kecil — cukup dengan bertanya dalam bahasa sehari-hari.
Ringkasan Visual (Geser)
Ringkasan visual
Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.
Poin yang Bisa Dibawa Pulang
Poin yang bisa dibawa pulang
- Rekan kerja, bukan chatbot. Amazon Quick memahami data perusahaan Anda dan menuntaskan tugas — menjawab, merangkum, membuat dashboard, mengambil tindakan bertahap.
- Analitik jadi demokratis. Cukup bertanya dalam bahasa sehari-hari; tak perlu SQL atau antre ke tim data.
- Tata kelola sejak awal. Izin per pengguna/peran + jejak audit menjaga data tetap aman dan bisa dipertanggungjawabkan.
- Cocok untuk semua ukuran. Dari operasional & keuangan enterprise hingga UMKM tanpa tim data — pengalaman Fortress Digital Services menegaskannya.