Trunk Tools Tinggalkan Model Umum: Menghadirkan Inovasi Dalam Manajemen Proyek Konstruksi | VentureBeat

URL Sumber: VentureBeat

Waktu Publikasi: 4 Juli 2026

Pendahuluan

Sebagian besar sektor industri tidak memiliki basis data SaaS yang bersih dan terorganisir; kenyataannya adalah banyaknya dokumen yang rumit, skema proprietary, alur kerja yang tersirat, dan tugas yang berkepanjangan yang biasanya sulit ditangani oleh model-model umum. Hal ini mendorong perusahaan manajemen proyek konstruksi, Trunk Tools, untuk membangun arsitektur khusus yang terdiri dari tiga lapisan: persepsi, semantik, dan agen, yang berdasarkan pada data-detail tinggi untuk mendukung otomatisasi industri yang akurat dan relevan.

Pendekatan Khusus Trunk Tools

Konstruksi yang dirancang khusus ini telah berhasil mempersingkat siklus peninjauan dari bulan menjadi hari, mencegah kesalahan lapangan yang mahal, dan memberikan kemampuan kepada agen otonom untuk menganalisis jutaan halaman dokumentasi. “Kami bertujuan untuk mengambil data dari sistem yang terpisah, memprosesnya, menyusunnya, melewati ontologi kami ke dalam graf pengetahuan, dan kemudian melatih model AI,” jelas Sarah Buchner, pendiri dan CEO Trunk Tools serta mantan tukang kayu.

Pendekatan Trunk Tools ini bisa menjadi cetak biru bagi para pelaku industri lainnya untuk mengubah kekacauan data menjadi alur kerja spesifik yang siap dengan agen.

Titik Lemah Model LLM Umum pada Data Industri

Model LLM (Large Language Model) generasi awal memang kuat, namun mereka lebih dioptimalkan untuk luasnya aplikasi ketimbang kedalaman spesifik industri tertentu. Menurut Kriti Faujdar, seorang manajer produk senior di AI, “Model-model umum dilatih untuk bisa beradaptasi dengan berbagai hal, sehingga mereka kurang efektif pada domain spesifik.” Contohnya adalah istilah langka, penalaran spesifik industri, dan konteks yang tidak terucapkan yang biasanya “hanya diketahui” oleh para praktisi.

Sébastien De Bollivier, seorang pengembang web dan software, juga sepakat bahwa tantangan terbesar berasal dari data yang “penuh jargon, singkatan, dan spesifikasi format yang berbeda.” Hasilnya, meskipun model sekelas GPT-4 dapat memahami kontrak hukum dalam bahasa Prancis, model tersebut sering kali kesulitan dalam merujuk artikel tertentu yang diperlukan oleh praktisi.

Selain itu, data perusahaan yang paling berharga jarang masuk ke dalam pelatihan awal model. Data tersebut tersimpan di sistem internal dan format proprietary. “RAG (Retrieval-Augmented Generation) membantu sedikit,” kata Faujdar. “Namun pada akhirnya itu hanya memberikan fakta yang lebih baik kepada model yang masih kesulitan dalam penalaran di domain tersebut.”

Pre-training pada data domain sangat penting; perusahaan harus melakukan fine-tuning pada contoh tugas yang baik dan membuat evaluasi mereka sendiri. “Beberapa ribu contoh dari praktisi nyata lebih baik daripada jutaan contoh yang tidak teratur,” tambah Faujdar.

Model Mixture-of-Experts (MoE) memiliki keuntungan bisa memberikan spesialisasi tanpa meningkatkan biaya inferensi secara berlebihan. Menggabungkan RAG dengan fine-tuning juga terbukti efektif; RAG menangani fakta dalam konteks jangka panjang, sementara fine-tuning memperbaiki kosakata dan penalaran.

Kelemahan Model Khusus

Faujdar memberikan satu catatan penting: model-model khusus dapat terjebak dan kurang berguna di luar domain mereka, kecuali jika mereka dilatih ulang.

Struktur Tiga-Lapisan dari Trunk Tools

Di domain yang sangat khusus seperti konstruksi, “data dump” ke dalam LLM tidaklah cukup, ungkap Amrish Kapoor, CTO Trunk Tools. Sebagian besar transformer adalah model probabilistik; ketika diberikan sebuah gambar, mereka melaporkan bahwa itu “kemungkinan” adalah pohon, atau “kemungkinan” seorang anak sedang bermain di samping pohon tersebut.

Hal ini membuat model-model tersebut tidak memadai untuk interpretasi simbolik dengan presisi tinggi. Misalnya, pada dokumen konstruksi, simbol berukuran 2 milimeter dapat memiliki makna yang sangat berbeda tergantung pada tempatnya.

Terlebih lagi, model probabilistik yang dibatasi oleh konteks kesulitan mengingat detail proyek dalam jangka panjang. “Saya tidak hanya berbicara tentang jendela konteks beberapa token,” kata Kapoor. “Saya berbicara tentang memori jangka panjang yang membentang selama berbulan-bulan atau bahkan bertahun-tahun, karena beberapa proyek ini memiliki rentang waktu yang panjang.”

Kembali ke struktur tiga lapis Trunk Tools yang membagi alur kerja menjadi:

1. Persepsi: membaca dan mengekstrak data dari dokumen yang tidak teratur seperti PDF, gambar, atau pemindaian.
2. Lapisan Semantik/Graf: memahami data tersebut dan hubungan antar data.
3. LLM dan Agen: yang berfungsi untuk mengoperasikan data dan meneruskan ke pengguna.

Menangani Masalah Data dalam Konstruksi

Jalur kerja konstruksi dipenuhi dengan asumsi dan koneksi yang tersirat di antara data dari berbagai sumber, ujar Buchner. Dan jumlah data tak terstruktur yang ada adalah “mustahil untuk diproses atau dimaknai dengan cara manusia.”

Buchner memperkirakan bahwa rata-rata gedung bertingkat tinggi menghasilkan sekitar 3,6 juta halaman dokumentasi terkait. “Jika Anda mencetak seluruh dokumen, tumpukan itu akan setinggi gedung itu sendiri.”

Ketiga lapisan dalam sistem Trunk Tools — persepsi, semantik, dan LLM — dilatih dengan “dataset yang sangat spesifik” dari pelanggan dengan “izin eksplisit” dan pengenalan otomatis. Pelanggan yang tidak ingin datanya digunakan untuk pelatihan Trunk dapat memilih untuk keluar.

Mengukur Keberhasilan

Platform Trunk Tools mendukung tujuh agen AI yang dibangun khusus untuk konstruksi, seperti menganalisis respons permintaan informasi (RFI), meninjau tawaran, dan memeriksa gambar desain. Agen submittal, misalnya, dapat mengidentifikasi informasi yang hilang, bertentangan, atau tidak sesuai dalam spesifikasi produk dan RFI dalam hitungan detik.

Trunk Tools mengklaim telah mengurangi siklus submittal dari 50 hingga 60 hari menjadi hanya 10 hari, yang berdampak signifikan baik pada jadwal maupun biaya proyek.

Dalam satu contoh, agen peninjau gambar dapat mengangkat bahwa sebuah balok struktural telah dipindahkan sebanyak 8,5 inci, tetapi perubahan tersebut tidak dicatat oleh arsitek. Jika tidak tertangkap, proyek tersebut bisa berpotensi menambah biaya hingga lebih dari $10,000 dan mempengaruhi jadwal.

Pelajaran untuk Sektor Lain

Pendekatan Trunk Tools dalam membangun agen dapat diterapkan di sektor mana pun yang menangani volume tinggi data tak terstruktur yang khusus untuk industri tertentu. Pelaku industri harus memahami tantangan spesifik data yang dihadapi pengguna akhir mereka dan membangun infrastruktur teknis yang dapat mengubah data tak terstruktur menjadi sesuatu yang dapat dipahami oleh LLM.

Dengan memanfaatkan investasi yang terus meningkat pada model dasar, adalah penting bagi perusahaan untuk membangun sistem modular yang dapat memanfaatkan kekuatan berbagai model seiring dengan peningkatan performa mereka.

About The Author

Teknonesia Team

See author's posts