Alon Eirew, CTO (AI) dari MCE Systems – Seri Wawancara

Alon Eirew, CTO (AI) dari MCE Systems, memimpin strategi AI perusahaan dan teknologi stack ujung-ke-ujung, mencakup arsitektur, pengembangan model, infrastruktur, integrasi produk, dan adopsi AI yang lebih luas di seluruh operasi internal. Sebelumnya, ia menghabiskan lebih dari sembilan tahun di Intel (INTC ), berkembang dari insinyur perangkat lunak senior dan arsitek perangkat lunak ke Peneliti Utama NLP, di mana ia mengarahkan penelitian ekstraksi pengetahuan, memperoleh pendanaan untuk proyek multi-tahun, menerbitkan makalah di konferensi NLP utama, dan membimbing startup melalui Intel Ignite. Pada awal karirnya, Eirew membantu mengembangkan teknologi asisten pribadi di Telmap yang kemudian menjadi bagian dari Intel, dan sejak itu ia telah memberikan saran kepada perusahaan AI awal sambil mengajar ilmu komputer, pemrograman berorientasi objek, pertambangan data, dan pengambilan informasi di beberapa universitas Israel.

MCE Systems mengembangkan lapisan pengalaman asli AI untuk penyedia telekomunikasi, menghubungkan sistem warisan, data waktu nyata, dan alur kerja cerdas untuk mendukung interaksi pelanggan di seluruh titik sentuh. Didirikan pada tahun 2005, perusahaan ini membangun bisnisnya di sekitar manajemen siklus hidup perangkat digital, dengan teknologi yang mencakup diagnostik perangkat dan perawatan, program pertukaran, penilaian perangkat jarak jauh, dan pengembalian. MCE semakin menerapkan AI generatif dan agenik ke alur kerja ini, membantu operator mendeteksi masalah perangkat, membantu pelanggan melalui kemungkinan resolusi, dan mengkoordinasikan perjalanan layanan yang lebih kompleks di seluruh saluran digital dan asisten.

Anda menghabiskan hampir satu dekade di Intel bekerja pada NLP, ekstraksi pengetahuan, pengambilan informasi, dan bahkan teknologi asisten pribadi awal yang berasal dari Telmap sebelum menjadi bagian dari Intel. Menyusuri kembali, ide mana dari sistem AI awal itu ternyata lebih maju dari zamannya, dan asumsi apa yang diambil industri secara keseluruhan salah?

Satu ide yang jelas lebih maju dari zamannya adalah asisten pribadi yang kami kerjakan sebelum era LLM. Sistem ini memahami niat, menghubungkan konteks di seluruh tugas dan membantu pengguna mencapai tujuan secara alami. Ini memiliki ambisi yang sama dengan agen hari ini. Perbedaannya adalah pendekatan yang mendasarinya: Daripada model bahasa, kami bergantung pada kombinasi pembelajaran mesin dan algoritma untuk menyimpulkan niat pengguna. Metode ini, bagaimanapun, terbukti sulit ketika diterapkan pada skala mempertimbangkan cara berbagai pengguna mengekspresikan permintaan yang sama.

Bayangkan menggunakan seorang perwakilan layanan untuk menangani ribuan pertanyaan pelanggan, tetapi mereka hanya dapat menangani pertanyaan yang diformulasikan dengan struktur kalimat tertentu. Seperti yang bisa dibayangkan, itu hanya akan mencakup rentang kasus yang relatif kecil dan akan sulit menangani banyak masalah pelanggan. LLM sepenuhnya mengubah semuanya. Hari ini, memahami niat pengguna telah sebagian besar diselesaikan. Jadi dalam analogi kita, perwakilan sekarang fleksibel dan dapat berbicara dengan jutaan pelanggan.

Sementara saya tidak akan mengklaim bahwa industri secara keseluruhan salah, saya percaya banyak yang meremehkan betapa sentralnya model bahasa akan menjadi. Lompatan besar datang ketika model bahasa pertama seperti ELMo, BERT, dan RoBERTa diperkenalkan. Pada saat itu, sedikit yang benar-benar memahami gravitasi transformasi yang akan datang. Ini adalah model dasar dari LLM modern yang kita gunakan setiap hari yang hampir tidak bisa dibayangkan tidak memiliki.

Sebagian besar perusahaan melihat model awal ini sebagai komponen yang berguna dalam aplikasi sempit, bukan sebagai dasar untuk paradigma komputasi baru sepenuhnya. Dalam retrospeksi, banyak dari mereka melewatkan kesempatan untuk memposisikan diri sebagai pemain AI utama.

Selama karir penelitian Anda, Anda fokus pada ekstraksi pengetahuan multi-dokumen dan pemahaman peristiwa. Ketika perusahaan semakin bergantung pada model bahasa besar, mengapa Anda percaya ekstraksi pengetahuan terstruktur tetap menjadi tantangan kritis?

LLM adalah alat kuat untuk menangani berbagai topik, tetapi aplikasi perusahaan dan pengguna akhir memerlukan keahlian untuk memecahkan masalah tertentu, yang memerlukan akses ke pengetahuan. Pengetahuan kontekstual ini tidak biasanya merupakan data pelatihan model, sehingga menerapkan LLM dalam perusahaan berarti mengumpulkan pemahaman di seluruh titik data internal yang potensial. LLM saat ini sebagian besar berjuang dengan ini, kehilangan konteks substansial karena keterbatasan teknis dan akses, dan celah itu membatasi dampaknya.

Di MCE, misalnya, kami menyediakan solusi agen AI perawatan pelanggan. Salah satu tujuannya adalah untuk memungkinkan operator telekomunikasi membantu pelanggan mereka menyelesaikan masalah teknis perangkat mobile tanpa memerlukan intervensi manusia. Tanpa memberi agen AI informasi teknis kontekstual tentang perangkat, semua yang dilakukan agen AI hanyalah menyediakan hasil generik yang tidak menyelesaikan masalah atau tidak relevan dan kemudian memaksa pelanggan untuk mencari bantuan manusia. Ini adalah jenis masalah ekstraksi pengetahuan yang harus kami atasi untuk menerapkan AI dengan pelanggan kami dan ini adalah tempat di mana organisasi sering gagal dalam mendapatkan hasil yang diinginkan.

Penelitian saya sendiri menyelami ekstraksi pengetahuan dan pengambilan informasi dari koleksi dokumen besar, menjelajahi hubungan antara “peristiwa”, istilah dalam disiplin AI yang digunakan untuk mendefinisikan kausalitas dan kerangka waktu dari setiap jenis representasi informasi. Kami menerapkan ini di MCE dalam solusi AI kami untuk interaksi manusia dengan membangun pemahaman struktural yang dapat membantu LLM lebih baik merangkum, merepresentasikan, dan mencari pengetahuan untuk memecahkan masalah pelanggan.

Anda telah menerbitkan penelitian di konferensi NLP terkemuka termasuk ACL, EMNLP, dan NAACL. Apa saja terobosan dalam lima tahun terakhir yang memiliki dampak nyata terbesar, dan mana yang saat ini terlalu dibesar-besarkan?

Beberapa terobosan yang menonjol bagi saya dan terjadi dalam proses sebagai LLM berkembang.

Yang pertama adalah sekitar penyetelan instruksi dan rekayasa prompt. Ini harus diselesaikan terlebih dahulu sebelum mencapai adopsi yang lebih luas. Kami semua pernah berada di situasi di mana Anda meminta LLM untuk melakukan sesuatu yang spesifik dan itu berputar-putar, mendekati tetapi tidak mendapatkan respons yang Anda butuhkan. Jadi, menemukan cara agar model dapat memahami prompt dan memberikan hasil akurat adalah langkah besar pertama.

Dengan ekstensi, terobosan berikutnya adalah untuk agen, yang memerlukan LLM untuk melampaui tugas yang dipicu sekali dan benar-benar melakukan beberapa hal: membuat rencana, berinteraksi dengan pengguna akhir, menggunakan alat, menggunakan memori, dan mengakses pengetahuan. Ini penting untuk mencapai di mana kita berada hari ini.

Tetapi terobosan berikutnya, yang hanya sebagian diselesaikan tetapi sedang berlangsung, adalah sepenuhnya menyelesaikan masalah halusinasi. Sampai saat ini, telah ada kemajuan yang cukup untuk memungkinkan kita untuk lebih mengandalkan LLM daripada sebelumnya. Namun, masih ada pekerjaan yang harus dilakukan dan alasan lain mengapa pengawasan manusia dan penghalang tetap penting.

Apa yang terlalu dibesar-besarkan adalah derajat otonomi yang diklaim agen harus memiliki. Sistem yang sepenuhnya otonom yang beroperasi di seluruh lingkungan bisnis yang kompleks tanpa pengawasan manusia masih belum cukup andal dalam pandangan saya. Apa yang saya temukan lebih produktif adalah merancang AI untuk melakukan tugas bernilai tinggi, mengeskalasi ketidakpastian, dan menjelaskan penalaran, tanpa mengorbankan kendali manusia atas aliran keseluruhan. Itulah tempat di mana AI agen akan menciptakan nilai dunia nyata yang paling besar dalam jangka pendek.

Anda telah bekerja sebagai peneliti, arsitek perangkat lunak, pemimpin teknik, penasihat startup, dosen, dan sekarang Chief AI Officer. Bagaimana definisi AI yang sukses berubah sepanjang berbagai tahap karir Anda?

Sepanjang karir saya, saya belajar bahwa definisi AI yang sukses terus berkembang dan nilai inti yang berbeda ada di seluruh disiplin. Penelitian terapan dan arsitektur mengajarkan saya bahwa AI harus bekerja di bawah kendala dunia nyata. Penelitian akademis mengajarkan saya pentingnya ketat dan evaluasi. Kepemimpinan teknik menunjukkan bahwa eksekusi dan disiplin operasional sama pentingnya dengan model itu sendiri. Menasihati startup mengajarkan saya bahwa AI menciptakan dampak terbesar ketika itu memecahkan masalah nyata dan memiliki jalur adopsi yang jelas.

Hari ini, sebagai kepala AI di MCE, saya mendefinisikan kesuksesan sebagai AI yang menciptakan nilai yang dapat diukur sambil memenangkan kepercayaan pengguna akhir. Ini harus meningkatkan hasil untuk pelanggan, karyawan, dan bisnis, cukup andal untuk produksi, transparan cukup untuk diperintah, dan berguna cukup sehingga orang benar-benar mengadopsinya. Dalam arti ini, definisi saya telah berkembang dari “Apakah teknologi itu bekerja?” menjadi “Apakah itu menciptakan nilai yang bertanggung jawab, berulang, dan skala?”

Ini juga merupakan transisi yang kami lakukan di MCE, yang dimulai dua tahun yang lalu dan membawa kami ke sini sekarang. Nilai ini adalah bagaimana kami memikirkan AI sekarang untuk kasus penggunaan internal dan untuk pelanggan kami di telekomunikasi.

MCE Systems menerapkan AI untuk pengalaman pelanggan telekom, perawatan pelanggan, dan pemasaran. Apa saja kasus penggunaan AI yang paling menarik yang saat ini muncul dalam industri telekomunikasi?

Penyedia layanan komunikasi (CSP), atau “operator” seperti yang biasa disebut, berada dalam posisi yang sulit, di mana mereka menghadapi masalah komoditisasi. Harga benar-benar merupakan kekuatan penarik untuk mendapatkan pelanggan baru atau mempertahankan mereka, tetapi itu tidak berkelanjutan. Jika Anda melihat raksasa lain yang menjual produk atau layanan konsumen, seperti Apple (AAPL ), Amazon (AMZN ), atau Netflix (NFLX ), mereka membangun produk hebat dan pengalaman di sekitarnya. Ini terbukti jelas dalam keuangan, di mana bank dipaksa oleh pemain baru yang gesit untuk bergerak dari hanya memegang simpanan orang dan menawarkan produk investasi untuk juga menawarkan pengalaman digital penuh di sekitarnya. Sama dengan telekomunikasi.

Jadi visi kami adalah membantu membawa nilai tambah kepada pelanggan CSP dengan pengalaman yang lebih baik di atas produk koneksi yang hebat yang mereka sediakan. Ini berarti menjadi lebih proaktif dan komunikatif dengan pelanggan tentang pengalaman jaringan dan perangkat mereka secara keseluruhan. Dan bagi kami, AI adalah yang akhirnya memungkinkan mereka untuk melakukannya dengan baik.

Dalam industri, ini telah menjadi terutama alat pertahanan untuk mengurangi biaya tenaga kerja pusat panggilan atau membuat karyawan lebih produktif. Tetapi bagi kami, AI juga merupakan alat ofensif untuk menjadi proaktif dengan perawatan pelanggan dan mempersonalisasi layanan dan apa yang Anda tawarkan kepada pelanggan, semuanya di perangkat mobile pelanggan.

Misalnya, menangkap masalah perangkat atau masalah koneksi baterai atau masalah degradasi sebelum pelanggan menyadarinya dan membantu mereka memperbaikinya. Pengalaman seperti itu membangun kesetiaan yang tulus. Mengetahui situasi pelanggan dengan cukup baik untuk menawarkan paket broadband yang tepat, tambahan data, atau produk gaya hidup pada saat yang tepat mengarah pada konversi yang lebih tinggi. Dan mengumpulkan sinyal di seluruh aset jaringan, CRM, dan data perangkat untuk memprediksi churn dengan akurat, lalu bertindak lebih awal, adalah mungkin kasus penggunaan yang paling kuat di antara semuanya. CSP yang berhasil dalam hal ini akan memiliki keunggulan yang signifikan.

Ada banyak hype seputar menjadi “AI-native” atau “AI-ready”. Bagaimana MCE mendekati paradigma ini dan apa yang Anda percaya adalah poin-poin terpenting yang dilewatkan organisasi dalam transformasi ini?

Apa yang banyak dilewatkan adalah bahwa transformasi AI bukan hanya penerapan teknologi, tetapi juga perubahan modus operandi. Kesempatan terbaik ada di mana adopsi terasa alami: alur kerja sudah ada, rasa sakit dapat diukur, dan AI dapat jelas memperbaiki kecepatan, kualitas, atau pengambilan keputusan. MCE mendekati paradigma ini dengan beberapa ide.

Kami memulai dengan mempertanyakan kematangan alat AI dan mengadopsi AI dengan cara yang mengalikan produktivitas karyawan. Kami mempertanyakan bagaimana kami bisa mendidik tim kami, mendefinisikan pedoman penggunaan yang jelas, dan menghubungkan sistem internal ke AI di mana itu benar-benar bisa membuat perbedaan dari hari ke hari.

Setelah kami menilai basis alat kami, kami melihat ke otomatisasi alur kerja dan mengidentifikasi di mana agen bisa mengurangi pekerjaan manual. Secara alami, kami menemukan bahwa kami bisa sangat mengurangi waktu pengembangan. Dalam satu contoh, aplikasi fungsional yang sangat fungsional, prototipe membutuhkan beberapa hari untuk dibuat ketika sebelumnya akan membutuhkan dua atau tiga minggu.

Apa yang sering diremehkan untuk produktivitas internal adalah demokratisasi data. Kami bekerja dan terus bekerja untuk membuat penggunaan yang lebih baik dari data internal kami sehingga baik manusia maupun sistem AI membuat keputusan yang lebih baik. Ini termasuk memahami kebutuhan pelanggan, meningkatkan operasi, dan membangun produk yang belajar dari pengalaman sebelumnya. Ini masih proses yang berkelanjutan, karena ini adalah proses iteratif dan analitis untuk mengevaluasi apa yang berhasil dan apa yang tidak.

Banyak organisasi berlomba-lomba untuk menerapkan agen AI. Apa pelajaran praktis yang telah Anda pelajari tentang di mana AI otonom dapat secara nyata menciptakan nilai versus di mana pengawasan manusia tetap penting?

Mudah untuk terjebak dalam hipe otomatisasi. Tetapi saya percaya dalam mendekati agen secara metodis. Saya sarankan untuk tidak pernah memulai dengan tingkat otomatisasi target; sebaliknya, mulailah dengan mengidentifikasi alur kerja di mana agen dapat menciptakan nilai, pecah menjadi potongan-potongan yang lebih kecil, dan tanyakan potongan mana yang dapat sepenuhnya diotomatisasi, mana yang setengah-otomatis, dan di mana penilaian manusia diperlukan.

Dalam praktek, kami menemukan bahwa agen menciptakan nilai terbesar ketika digunakan dalam tugas yang sangat didefinisikan, yang mencakup mengumpulkan informasi, menganalisis input, menghasilkan rekomendasi, dan mempersiapkan output untuk langkah berikutnya. Otomatisasi yang disempurnakan di mana tugasnya cukup sederhana bekerja jauh lebih baik daripada mencoba mengotomatisasi proses yang kompleks sepenuhnya.

Di mana manusia tetap penting adalah dalam pengawasan, penanganan pengecualian, keputusan yang sensitif terhadap pelanggan, dan secara umum, situasi di mana akuntabilitas menjadi penting. Tujuan tidak pernah untuk menggantikan pengambilan keputusan manusia, tetapi untuk membiarkan agen menangani bagian di mana mereka dapat secara andal menciptakan nilai sambil membiarkan manusia menangani keputusan yang memerlukan akuntabilitas.

MCE telah berbicara tentang menggunakan AI untuk menyampaikan pengalaman perangkat yang lebih dipersonalisasi dan meningkatkan efisiensi operasional untuk operator mobile. Bagaimana Anda menyeimbangkan personalisasi dengan kekhawatiran yang meningkat seputar privasi, transparansi, dan kepercayaan pengguna?

Karena AI terasa sangat manusiawi, pengguna secara alami berinteraksi dengannya dengan cara yang mengungkapkan lebih dari yang mereka inginkan. Itu meletakkan tanggung jawab nyata pada organisasi untuk waspada dan transparan tentang data yang dikumpulkan. Contoh sederhana: ketika pelanggan mengirimkan screenshot sebagai bagian dari proses pemecahan masalah, gambar itu mungkin tidak sengaja menangkap informasi pribadi di layar mereka. Sangat penting bahwa organisasi menerapkan pengaman untuk memotong gambar untuk menghapus konten berlebih yang terlihat dan mempertahankan fokus pada apa yang sebenarnya interaksi itu tentang dan mengurangi paparan data yang tidak perlu.

Bagi saya, setiap data yang kami kumpulkan harus jelas melayani kepentingan dan kebutuhan pelanggan. Ini harus dikumpulkan hanya ketika itu mendukung tujuan tertentu, seperti memecahkan pertanyaan pelanggan atau menyediakan derajat personalisasi yang tepat. Pada saat yang sama, data harus ditangani dengan cara yang menjaga privasi, menghindari setiap tautan yang tidak perlu ke identitas dunia nyata pelanggan.

Dengan kata lain, pahami profil kebutuhan spesifik pelanggan sehubungan dengan bisnis kami. Dalam kasus kami, sebagai organisasi yang mematuhi privasi, itu tentang mengetahui kondisi perangkat mobile dan perilaku pengguna sehubungan dengan penyedia, bukan tentang identitas pelanggan dan jenis perilaku lainnya.

Apa yang juga penting adalah dalam interaksi dengan pelanggan itu sendiri. Penghalang penting di sini untuk tetap dalam tujuan, suara merek, dan benar-benar menghindari mengembara di luar apa yang organisasi siap untuk mengatur. Dalam praktek, penghalang membantu menghindari pelanggaran hukum atau regulasi dan pengalaman pelanggan yang negatif. Terkadang, ini bisa menjadi proses yang melelahkan, tetapi sangat penting.

Anda telah mengajar subjek yang berkisar dari dasar-dasar ilmu komputer hingga pengambilan informasi dan pertambangan data. Jika Anda merancang kurikulum AI untuk siswa yang memasuki dunia kerja saat ini, apa topik yang akan Anda prioritaskan dan konsep usang apa yang akan Anda hapus?

Kurikulum perlu berubah dalam dua cara. Topik yang sebelumnya terbatas pada program pascasarjana, seperti jaringan neural, transformer, model bahasa besar, generasi yang ditingkatkan, evaluasi, pemeliharaan, dan AI yang bertanggung jawab, perlu menjadi subjek inti sarjana. Siswa yang memasuki dunia kerja perlu memahami bagaimana sistem ini bekerja dan bagaimana mengevaluasinya secara kritis.

Siswa juga perlu belajar bagaimana menggunakan AI secara bertanggung jawab sebagai alat untuk belajar dan penelitian. Itu berarti mempertanyakan output, memverifikasi sumber, memahami keterbatasan, dan memperlakukan AI sebagai mitra berpikir daripada jalan pintas untuk mengerjakan tugas.

Apa yang tidak saya hapus adalah matematika dan fondasi algoritma. Saya akan mengurangi tugas yang menghargai implementasi mekanis tanpa menunjukkan pemikiran kritis. Fokus harus bergeser ke formulasi masalah, evaluasi, desain sistem, dan penggunaan yang bertanggung jawab.

Setelah memberikan saran kepada sejumlah startup tentang strategi AI, apa kesalahan paling umum yang dilakukan pendiri ketika membangun produk AI, dan apa yang membedakan perusahaan yang sukses beralih dari prototipe ke produksi?

Kesalahan paling umum yang saya lihat adalah jatuh cinta dengan teknologi sebelum benar-benar memahami masalah, pelanggan, atau jalur adopsi. Yang kedua adalah tidak mengetahui keterbatasan AI dengan cukup baik, sehingga memaksakannya ke dalam kasus penggunaan di mana itu belum matang.

Apa yang membedakan pendiri yang berhasil mencapai produksi yang sukses adalah keahlian domain yang mendalam dan sikap penelitian. Produk AI terbaik datang dari pendiri yang memahami vertikal tertentu dengan cukup baik untuk mengidentifikasi celah teknologi yang nyata. Mereka tidak memulai dari “apa yang bisa kita lakukan dengan AI?” tetapi dari “ini adalah masalah spesifik, ini adalah mengapa solusi yang ada di pasar tidak cukup, dan ini adalah mengapa AI sekarang dapat memecahkannya secara berkelanjutan.”

Lebih lanjut, pendiri yang sukses terus belajar dari pelanggan, kompetitor, penasihat, dan upaya yang gagal. Mereka mempelajari bagaimana keputusan dibuat, bagaimana anggaran bergerak, dan apa yang menciptakan kepercayaan bagi audiens target. Pada akhirnya, mereka tidak hanya membangun produk, mereka membangun sesuatu yang perlu bertahan hidup dalam lingkungan nyata dan tidak untuk kepentingan sendiri.

Menghadap ke depan lima tahun, apakah Anda percaya dampak terbesar AI akan datang dari model dasar yang lebih kuat, sistem agenik, AI multimodal, kecerdasan di perangkat, atau tren yang sama sekali berbeda yang saat ini kurang dihargai oleh industri?

Dampak terbesar tidak akan datang dari perbaikan model dasar saja, tetapi dari bagaimana model tersebut ditanamkan ke dalam sistem yang dapat mengamati dan bertindak dalam alur kerja nyata sambil juga memperbaiki. Perubahan dari model kuat ke sistem yang mampu adalah di mana saya harapkan kemajuan yang paling berarti dalam jangka pendek.

Ini akan menjadi sangat kuat ketika sistem menjadi sepenuhnya multimodal, bernalar atas teks, suara, gambar, video, dan sinyal kontekstual dunia nyata lainnya yang dapat meniru bagaimana manusia memahami dunia. Ini akan membuka kemungkinan baru dalam dukungan pelanggan, kesehatan, manufaktur, dll.

Teknologi lain yang muncul yang saya percaya akan menjadi mengganggu adalah agen yang berinteraksi dengan dunia fisik. Perusahaan seperti Boston Dynamics sudah menunjukkan kemungkinan dan potensi ketika persepsi, penalaran, perencanaan, dan aksi fisik bersatu. Baik dalam bentuk humanoid atau sistem robotik khusus, agen dengan tubuh mungkin akan membuktikan sebagai salah satu ekspresi AI yang paling nyata dan revolusioner yang kita lihat dalam lima tahun ke depan. Untuk MCE, ini menciptakan peluang dalam logistik dan alur kerja operasional, di mana banyak tugas berulang, rendah-kompleksitas masih memerlukan interaksi fisik manusia. Contoh termasuk mengambil perangkat, menekan tombol, menghubungkan kabel, atau memindahkan perangkat antara stasiun. Ini adalah kandidat ideal untuk otomatisasi melalui robotika dan AI yang memungkinkan sistem menjadi lebih efisien, konsisten, dan menangani volume yang jauh lebih besar.

Untuk telekomunikasi, kemampuan untuk memprediksi churn pelanggan dan bertindak atasnya dengan model AI adalah di mana uang akan berada dalam beberapa tahun ke depan. Jika Anda dapat membangun model yang andal yang menggabungkan data dari semua titik pelanggan yang berbeda, dapat mengevaluasi kemungkinan churn dengan akurat dan kemudian bertindak atasnya, Anda akan telah menyelesaikan masalah yang stagnan bagi penyedia. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi MCE Systems.