Tentang Sesi Ini
Ringkasan & metadata
Catatan: Ini adalah sesi sponsor yang dibawakan oleh Cloudera (kode berakhiran "-S" menandai sponsored session). Materinya memaparkan sudut pandang Cloudera sebagai platform data hybrid dan bagaimana ia berpadu dengan AWS.
Sesi ini membahas Cloud Anywhere — sebuah pendekatan arsitektur agar beban kerja data dan AI bisa dirancang sekali, lalu berjalan di mana saja: di pusat data sendiri (on-premises), di cloud publik seperti AWS, dalam mode hybrid, bahkan hingga edge. Pertanyaan yang dijawab bukan lagi "cloud atau on-prem?", melainkan "bagaimana agar tidak terjebak memilih salah satu — dan bisa berpindah kapan pun tanpa menulis ulang semuanya?"
Kenyataannya, banyak perusahaan Indonesia tak bisa memindahkan seluruh data ke cloud begitu saja. Ada regulasi & kedaulatan data yang mewajibkan sebagian data tetap di dalam negeri atau di pusat data sendiri; ada beban kerja lama yang sudah tertanam on-prem; dan ada kekhawatiran terkunci pada satu vendor (vendor lock-in). Cloud Anywhere menawarkan cara agar data & AI tetap portabel dan fleksibel — dengan tata kelola yang konsisten di setiap lingkungan.
Kenapa penting untuk Anda? Jika organisasi Anda punya data yang tersebar (sebagian wajib on-prem, sebagian ingin di cloud) dan ingin membangun analitik atau AI tanpa terkunci pada satu tempat, sesi ini adalah peta jalannya.
Apa Itu & Bagaimana Bekerjanya
Apa itu Cloud Anywhere
Inti gagasannya adalah hybrid data platform: satu platform data yang lapisan pengalaman & aturannya seragam, namun dapat dijalankan di banyak lingkungan sekaligus. Di atasnya diletakkan data fabric — sebuah "jaring data" yang menyatukan data yang tersebar di berbagai tempat sehingga terlihat dan dikelola seolah-olah satu, lengkap dengan katalog, keamanan, dan silsilah (lineage) yang berlaku menyeluruh.
Dengan pola ini, sebuah beban kerja analitik atau model ML/AI tidak lagi terikat pada lokasi. Anda bisa memproses data di dekat sumbernya (mis. on-prem karena alasan regulasi), lalu memindahkan pelatihan model ke AWS saat butuh skala GPU, tanpa mengubah logika, tanpa mengganti alat, dan — yang terpenting — tanpa kehilangan aturan tata kelola yang sama.
Prinsip desainnya: portabilitas dengan tata kelola konsisten. Fleksibel di mana beban kerja berjalan, tetapi seragam dalam cara data diamankan, diberi izin, dan diaudit. Ini yang membedakannya dari sekadar "punya on-prem dan punya cloud secara terpisah".
Kapabilitas utama
Berikut kapabilitas inti yang dibahas di sesi, dengan fungsi ringkasnya:
Kapabilitas-kapabilitas ini saling melengkapi. Contohnya, satu tim data bisa memakai Data Fabric untuk menyatukan data on-prem & cloud, menjalankan ML/AI di AWS untuk skala, menjaga Tata Kelola yang sama di kedua tempat, memanfaatkan Portabilitas agar bebas berpindah, dan Observability untuk mengawasi biaya serta kinerja secara menyeluruh.
Analogi yang Mudah Dicerna
Ibarat pindah rumah tanpa repot
Ibaratnya, data & AI Anda adalah sebuah keluarga dengan seisi rumahnya. Suatu saat keluarga itu perlu pindah rumah — dari rumah lama (on-prem) ke rumah baru yang lebih luas (cloud AWS), atau justru tinggal di dua rumah sekaligus (hybrid). Biasanya pindahan itu merepotkan: harus mengepak ulang semua perabotan, memasang ulang instalasi, dan sering kali aturan rumah tangga jadi berubah di tempat baru.
Cloud Anywhere membuat pindahan itu mulus. Perabotan (beban kerja & data) tak perlu dikemas ulang, dan yang terpenting: aturan rumah tangga (tata kelola) tetap sama persis di rumah mana pun keluarga itu tinggal — siapa boleh masuk kamar mana, jam berapa pintu dikunci, semuanya konsisten.
- Rumah (lingkungan) = on-prem, cloud AWS, hybrid, atau edge — tempat keluarga bisa tinggal, bebas dipilih.
- Perabotan (beban kerja & data) = analitik & model ML/AI yang bisa "diangkut" utuh, tanpa dikemas ulang.
- Aturan rumah tangga (tata kelola) = izin, keamanan, dan audit yang tetap konsisten di mana pun.
- Jalan & truk pindahan (portabilitas) = jalur yang memungkinkan perpindahan tanpa menulis ulang segalanya.
- Peta seluruh isi rumah (data fabric) = katalog yang tahu di mana tiap barang berada, walau tersebar di dua rumah.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, arsitektur hybrid data platform terlihat seperti ini: di atas berbagai lingkungan (on-prem, cloud AWS, dan edge) terbentang lapisan Data Fabric yang menyatukan data. Beban kerja analitik dan ML/AI berjalan di atas fabric ini dan bisa berpindah lingkungan, sementara satu lapisan Tata Kelola & Keamanan menyelimuti semuanya agar aturan tetap konsisten di mana pun.
Alur portabilitas satu beban kerja
Ketika sebuah tim ingin melatih model AI memakai data yang wajib disimpan on-prem, lalu menyajikannya lewat cloud, inilah yang terjadi:
- Data tetap di tempatnya. Data sensitif tetap on-prem sesuai regulasi; Data Fabric mengatalognya agar terlihat menyeluruh.
- Rancang sekali. Pipeline analitik & pelatihan model didefinisikan satu kali di platform, bukan per lingkungan.
- Proses di dekat sumber. Pra-pemrosesan data berjalan on-prem agar data mentah tak perlu keluar.
- Pindahkan beban kerja. Saat butuh skala GPU, pelatihan model dipindah ke AWS — tanpa menulis ulang logika.
- Tata kelola ikut serta. Izin, keamanan, dan lineage yang sama berlaku otomatis di lingkungan baru.
- Sajikan & pantau. Model disajikan di lingkungan yang paling pas, dengan biaya & kinerja terpantau menyeluruh.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan yang khas di Indonesia.
Data on-prem + cloud karena regulasi
Sebuah perusahaan telekomunikasi wajib menyimpan sebagian data pelanggan di dalam negeri di pusat datanya sendiri (kedaulatan data). Namun ia ingin membangun analitik canggih yang butuh skala. Dengan hybrid data platform, data sensitif tetap on-prem, sedangkan beban analitik berat berjalan di AWS — dengan tata kelola yang sama di kedua sisi, sehingga tetap patuh pada regulasi tanpa mengorbankan inovasi.
Kebebasan memilih tanpa terkunci vendor
Sebuah grup ritel khawatir terlalu bergantung pada satu penyedia. Dengan pendekatan portabel, mereka merancang beban kerja data & AI agar bisa berpindah antar lingkungan. Bila suatu saat biaya atau kebutuhan berubah, mereka bebas memindahkan sebagian beban kerja tanpa harus menulis ulang dari nol — daya tawar dan fleksibilitas tetap di tangan mereka.
Latih di cloud, sajikan di edge
Sebuah produsen manufaktur melatih model deteksi cacat produk di AWS (butuh GPU besar), lalu menyajikan model itu di edge — langsung di pabrik dekat kamera lini produksi — agar keputusan instan tanpa menunggu koneksi internet. Model yang sama berpindah lingkungan dengan tata kelola konsisten, dan datanya disatukan lewat data fabric.
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
- Fleksibilitas itu strategi, bukan sekadar teknis. Regulasi, kedaulatan data, dan risiko lock-in membuat kemampuan "berjalan di mana saja" jadi penting.
- Hybrid data platform + data fabric menyatukan data yang tersebar dan membuat beban kerja tidak terikat lokasi.
- Portabilitas berarti tata kelola konsisten. Bisa pindah lingkungan tanpa menulis ulang, dan aturan keamanan tetap seragam.
- Berpadu dengan AWS. On-prem, cloud, dan edge bukan pilihan saling meniadakan — melainkan satu kesatuan yang bisa dikombinasikan.