LLM & Asisten AI untuk Agribisnis

Apa yang kami kerjakan

Use case LLM yang kami bangun untuk sektor agri & pangan, selalu di atas data yang sudah rapi di sistem:

• Asisten data operasional, tanya angka produksi, stok, dan keuangan dalam bahasa sehari-hari lewat WhatsApp atau dashboard, jawaban ditarik langsung dari ERP.
• Laporan harian otomatis, ringkasan pagi untuk owner dan manajer: apa yang berubah, apa yang menyimpang dari standar, apa yang perlu diputuskan hari ini.
• Ekstraksi dokumen, foto recording kandang, nota pakan, invoice supplier, dan RHPP plasma dibaca lalu masuk ke sistem tanpa entry ulang.
• Asisten SOP & pengetahuan, SOP biosekuriti, protokol vaksin, dan kontrak kemitraan bisa ditanya oleh petugas lapangan, jawaban merujuk dokumen resmi perusahaan.
• Agent alur kerja, pengingat setor recording, eskalasi deplesi abnormal, dan draf approval yang tinggal disetujui manajer.

Pengalaman

Latar belakang tim yang membangun software farming end-to-end memberi kami sesuatu yang jarang dimiliki vendor AI murni: pemahaman tentang pertanyaan apa yang sebenarnya ditanyakan owner jam 6 pagi, dan data apa yang benar-benar ada di lapangan. LLM yang menjawab dengan percaya diri tapi salah lebih berbahaya daripada tidak ada LLM sama sekali. Karena itu setiap jawaban kami buat bisa ditelusuri kembali ke angka sumbernya di ERP.

Untuk perusahaan yang ingin menjaga data sensitif di on-prem, kami memasang LLM privat berbasis Gemma family yang di-fine-tune untuk data operasional Anda. Data kandang dan pembukuan tidak pernah keluar dari server perusahaan.

Pendekatan

• 1. Data rapi dulu, LLM kemudian. Model bahasa hanya sebaik data yang dibacanya. Kalau recording masih tercecer di spreadsheet, kami rapikan dulu lewat implementasi ERP atau produk ERP Agric.
• 2. Grounded, bukan mengarang. Jawaban selalu ditarik dari query ke database dan dokumen resmi perusahaan. Kalau datanya tidak ada, asisten bilang tidak ada, bukan menebak.
• 3. Privat & on-prem. Opsi model terbuka (Gemma family) yang berjalan di server Anda sendiri atau cloud privat. Akses per peran: owner, manajer, petugas kandang melihat hal yang berbeda.
• 4. Masuk ke alur kerja yang ada. Lewat WhatsApp yang sudah dipakai tim, bukan aplikasi baru yang harus dipelajari. Output agent masuk ke ERP sebagai transaksi, bukan sekadar teks.
• 5. Diukur dengan jujur. Akurasi jawaban dievaluasi rutin terhadap angka sebenarnya. Kami akan bilang kalau untuk masalah tertentu, laporan biasa sudah cukup.

Studi kasus terkait