Tentang Sesi Ini
Ringkasan & metadata
Catatan: Ini adalah sesi sponsor oleh ClickHouse. Materi dipaparkan dalam bahasa Inggris. Buku ini merangkumnya secara independen dalam bahasa Indonesia untuk kepentingan belajar.
Sesi ini memperkenalkan gagasan "Agentic Data Stack" — sebuah tumpukan data yang cepat dan terpadu yang berperan sebagai fondasi bagi aplikasi AI dan agen (agentic AI) ketika dijalankan di skala besar. Jika sesi lain di summit ini berfokus pada model dan agen yang cerdas, sesi ClickHouse ini menyoroti hal yang sering terlupakan: agen secerdas apa pun tetap bergantung pada seberapa cepat ia bisa membaca data terbaru.
ClickHouse adalah database analitik kolumnar (OLAP) yang dirancang untuk kueri analitik sub-detik di atas data yang sangat masif. Dalam konteks agen AI, kemampuan ini menjadi krusial: ketika agen perlu menjawab pertanyaan atau mengambil tindakan berdasarkan kondisi terkini — jumlah stok, tren transaksi menit terakhir, log sistem yang baru masuk — ia butuh lapisan data yang bisa mengembalikan jawaban nyaris seketika. Seluruh pembahasan diletakkan dalam konteks menjalankannya di atas AWS.
Kenapa penting untuk Anda? Jika Anda sedang membangun agen atau asisten AI yang harus menjawab berdasarkan data yang selalu berubah — bukan sekadar dokumen statis — maka pertanyaan "dari mana dan secepat apa agen membaca data" akan menentukan apakah produk Anda terasa cerdas atau justru lambat dan usang.
Apa Itu & Bagaimana Bekerjanya
Apa itu Agentic Data Stack
Sebuah agen AI pada dasarnya adalah lingkaran: ia menerima pertanyaan, bernalar, mengambil data yang relevan, lalu menjawab atau bertindak. Bagian "mengambil data" inilah yang sering menjadi titik lemah. Jika data agen berasal dari database transaksional (OLTP) yang lambat untuk kueri analitik, atau dari gudang data yang butuh puluhan detik untuk memindai miliaran baris, maka agen akan terhenti menunggu — dan pengalaman pengguna hancur.
Agentic Data Stack adalah cara memandang tumpukan data khusus untuk melayani agen: cepat (kueri kilat), terpadu (menyatukan berbagai sumber), dan real-time (mencerminkan kondisi terbaru). ClickHouse mengisi peran mesin analitiknya. Sebagai database kolumnar, ia menyimpan data per-kolom sehingga hanya membaca kolom yang benar-benar diperlukan sebuah kueri — jauh lebih hemat dan cepat untuk agregasi dan analitik dibanding database baris tradisional.
Karakter kuncinya: sub-detik pada data masif. Kueri agregasi (menghitung, merata-rata, mengelompokkan) di atas miliaran baris dapat kembali dalam hitungan milidetik. Bagi agen, ini berarti ia bisa "bertanya ke data" berkali-kali dalam satu percakapan tanpa membuat pengguna menunggu.
Lapisan & layanan
Berikut komponen yang membentuk sebuah Agentic Data Stack di atas AWS, dengan peran ringkasnya:
Keenam elemen ini bekerja bersama. Data mengalir masuk lewat Data Ingestion, disimpan murah di S3 dan dimuat ke ClickHouse untuk kueri kilat; agen di atas Bedrock menanyakan data itu lewat lapisan Real-time Analytics; dan seluruh sistem — termasuk perilaku agen — dipantau lewat Observability yang juga bertumpu pada mesin analitik cepat.
Analogi yang Mudah Dicerna
Bahan bakar oktan tinggi untuk agen
Ibaratnya, agen AI adalah mobil balap dengan mesin yang sangat canggih. Tapi mesin secanggih apa pun tidak akan melaju kencang jika bahan bakarnya datang tersendat-sendat — menetes lewat selang kecil yang tersumbat. Data adalah bahan bakar agen, dan ClickHouse adalah bahan bakar beroktan tinggi yang mengalir deras dan bersih.
- Mesin (model/agen) = kecerdasan yang bernalar — sudah pintar, tetapi haus akan data.
- Bahan bakar (data) = informasi terbaru yang dibutuhkan untuk menjawab & bertindak.
- Selang tersumbat (database lambat) = kueri yang butuh puluhan detik membuat agen tersendat.
- ClickHouse (bahan bakar oktan tinggi + pompa cepat) = data mengalir kilat, sub-detik, meski tangkinya masif.
- Lintasan (AWS) = tempat semuanya berjalan dengan andal dan bisa diskalakan.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, sebuah aplikasi ber-agen yang bertumpu pada Agentic Data Stack terlihat seperti ini: berbagai sumber data mengalir masuk lewat ingestion, mendarat di penyimpanan murah S3 dan tabel cepat ClickHouse. Ketika pengguna bertanya, aplikasi memanggil agen (memakai model di Amazon Bedrock) yang lalu menjalankan kueri analitik kilat ke ClickHouse, dan mengembalikan jawaban atau tindakan. Observability memantau seluruh alur.
Alur kerja satu permintaan
Ketika seorang pengguna bertanya "berapa pesanan yang masuk dalam 5 menit terakhir dan mana produk terlaris?", inilah yang terjadi di balik layar:
- Masuk. Pertanyaan diterima aplikasi dan diteruskan ke agen.
- Bernalar. Agen (dengan model Bedrock) memahami maksud dan menyusun kueri analitik yang tepat.
- Kueri kilat. Kueri dijalankan ke ClickHouse yang memindai data terbaru secara kolumnar — sub-detik meski data masif.
- Ambil hasil. Angka agregat terbaru kembali nyaris seketika.
- Jawab / bertindak. Agen merangkai hasil menjadi jawaban ramah, atau memicu tindakan (mis. peringatan stok).
- Pantau. Observability mencatat kueri & latensi untuk audit dan optimasi.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan yang khas di Indonesia.
Agen dengan dashboard & insight instan
Sebuah marketplace ingin timnya bisa "berbicara ke data". Seorang manajer bertanya lewat asisten AI, "bandingkan penjualan flash sale hari ini dengan minggu lalu per kategori." Agen menyusun kueri agregasi ke ClickHouse yang memindai jutaan transaksi dan mengembalikan hasil dalam hitungan milidetik. Manajer memperoleh insight instan tanpa menunggu tim data membuat laporan — dan bisa langsung menindaklanjuti kampanye yang sedang berjalan.
Pemantauan log & metrik skala besar
Sebuah perusahaan fintech mengalirkan miliaran baris log dan metrik dari layanannya setiap hari. Agen "SRE assistant" membantu insinyur bertanya, "layanan mana yang latensinya melonjak dalam 10 menit terakhir?" ClickHouse — yang memang unggul untuk beban observability — memindai jendela waktu terbaru secara kilat sehingga agen bisa menunjuk akar masalah dengan cepat, memangkas waktu pemulihan insiden.
Rekomendasi & deteksi anomali berbasis data segar
Penyedia layanan streaming membangun agen yang memberi rekomendasi dan mendeteksi anomali pemakaian secara langsung. Karena keputusan harus mencerminkan perilaku pengguna beberapa detik terakhir, bukan data kemarin, agen mengandalkan tabel real-time di ClickHouse. Data mengalir masuk lewat ingestion berkelanjutan, dan agen mengueri fitur terbaru untuk setiap keputusan — menjaga pengalaman tetap relevan dan responsif.
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
- Data adalah bahan bakar agen. Kualitas jawaban dibatasi oleh seberapa cepat & segar data yang bisa diakses agen.
- ClickHouse memberi kueri sub-detik pada data masif berkat desain kolumnar (OLAP) — cocok untuk agen yang "bertanya ke data" berkali-kali.
- Pola integrasi sederhana. Agen/LLM → kueri data cepat → jawaban atau tindakan.
- Cocok untuk analitik real-time, observability, dan aplikasi data-intensive AI — dan berjalan andal di atas AWS.