Andrei Kulik, Salah Satu Pendiri XENOM – Seri Wawancara

Andrei Kulik adalah salah satu pendiri sekaligus CEO XENOM. Ia membawa pengalamannya dalam AI di perangkat, sistem terdistribusi, dan pembelajaran mesin ke operasional industri. Sebelumnya, ia mendirikan AIMatter bersama para pendirinya; perusahaan itu kemudian diakuisisi Google. Ia juga mengembangkan sistem AI untuk perangkat konsumen di Google. Sepanjang kariernya, ia berfokus membuat AI canggih bekerja secara andal di tengah keterbatasan praktis perangkat keras dan lingkungan dunia nyata.

XENOM mengembangkan platform AI industri yang memadukan perangkat lunak dengan perlengkapan pelindung pintar untuk memberi operator gambaran kondisi area kerja secara langsung. Sistemnya menggabungkan data lokasi, komunikasi tenaga kerja, pemantauan lingkungan, dan keselamatan. Dalam wawancara ini, Kulik membahas AI edge, helm pintar, pengawasan manusia, privasi pekerja, serta peralihan dari pemantauan industri menuju dukungan pengambilan keputusan prediktif.

Anda sebelumnya mendirikan AIMatter bersama para pendirinya, yang kemudian diakuisisi Google, dan menghabiskan bertahun-tahun mengembangkan sistem AI yang dirancang untuk berjalan langsung di perangkat konsumen. Apa yang menginspirasi Anda untuk mendirikan XENOM, dan bagaimana pengalaman Anda di Google membentuk visi Anda tentang penerapan AI di lingkungan industri?

Setelah akuisisi itu, saya menghabiskan bertahun-tahun mengerjakan satu masalah khusus: bagaimana membuat AI canggih berjalan andal di perangkat yang muat di saku, dengan daya baterai terbatas, konektivitas yang tidak menentu, dan kondisi dunia nyata yang tidak dapat disimulasikan sepenuhnya di laboratorium. Kami menghadirkan teknologi itu di ponsel, kacamata, dan earbud—miliaran perangkat. Pada suatu titik, saya mulai bertanya-tanya di mana lagi arsitektur ini dapat memberikan dampak. Perangkat konsumen memang praktis, tetapi di lokasi industri, dampak keputusan yang keliru—atau tidak adanya keputusan sama sekali—diukur dengan nyawa manusia dan kerugian produktivitas hingga jutaan. Sebagian besar lokasi industri masih belum memiliki gambaran kondisi secara langsung. Kesenjangan itu terasa sebagai masalah yang tepat untuk diatasi dengan teknologi yang telah kami kembangkan selama bertahun-tahun.

XENOM memadukan perangkat lunak berbasis AI dengan perlengkapan pelindung pintar untuk memberikan visibilitas secara langsung terhadap operasional industri. Apa titik lemah terbesar dalam sistem keselamatan industri konvensional, dan bagaimana platform Anda mengatasi tantangan yang sulit ditangani oleh teknologi pemantauan biasa?

Masalah mendasarnya adalah sebagian besar sistem dirancang untuk mencatat apa yang telah terjadi, bukan mencegahnya. Lokasi pekerja diperbarui setiap beberapa menit. Lembar waktu kerja diisi pada akhir sif. Pelanggaran keselamatan baru dicatat setelah laporan insiden dibuat. Saat manajer melihat datanya, sif sudah berakhir atau kecelakaan telah terjadi. Titik lemah kedua adalah fragmentasi: sebuah perusahaan mungkin menggunakan sistem pemantauan gas, sistem kontrol akses yang terpisah, daftar periksa APD berbasis kertas, dan proses pencatatan waktu kerja manual yang tidak saling terhubung. XENOM menggantikan semua itu dengan aliran data berkelanjutan dari lokasi kerja, yang diproses secara langsung, sehingga manajer memperoleh satu gambaran utuh alih-alih lima gambaran yang terpisah.

Sebagian besar karier Anda berfokus pada optimalisasi pembelajaran mesin dan inferensi LLM untuk perangkat dengan sumber daya terbatas. Bagaimana Anda menerapkan prinsip-prinsip ini di lingkungan industri, dan apa keunggulan teknis dalam memproses beban kerja AI di edge dibandingkan mengandalkan infrastruktur cloud?

Bekerja dengan perangkat bersumber daya terbatas mengajarkan satu disiplin: setiap milidetik, setiap miliwatt, dan setiap bita harus memiliki alasan yang jelas. Pola pikir inilah yang dibutuhkan untuk helm industri, karena helm dipakai selama satu sif penuh dan harus bekerja sekonsisten mungkin pada jam kesebelas seperti pada jam pertama. Kami sengaja membagi tugas: pekerjaan yang sensitif terhadap waktu dan membutuhkan banyak data—seperti memproses aliran suara dan sinyal sensor atau mendeteksi jatuh dan benturan—dijalankan pada NPU di dalam helm, menggunakan model yang diperkecil dan disesuaikan untuk perangkat keras tersebut. Sementara itu, gambaran kondisi di seluruh lokasi dan analitik yang lebih mendalam dibangun di sisi platform.

Pemrosesan edge memberi kami empat keunggulan praktis. Pertama, kecepatan: perangkat langsung merespons suatu kejadian tanpa perlu bolak-balik berkomunikasi dengan server. Kedua, keandalan: model ringkas yang berjalan di perangkat berperilaku secara konsisten, sedangkan setiap tautan tambahan dalam rangkaian menjadi titik lain yang berpotensi mengalami kegagalan. Ketiga, beban jaringan: ratusan helm tidak dapat terus-menerus mengirimkan audio mentah dan data sensor, jadi setiap helm hanya mengirimkan hasil analisisnya. Keempat, daya tahan baterai: transmisi termasuk aktivitas yang paling menguras daya pada perangkat, sehingga pemrosesan lokal dan pengiriman data yang lebih sedikit memperpanjang waktu pemakaian.

XENOM telah mengembangkan helm pintar yang mengintegrasikan penentuan lokasi, komunikasi, pemantauan lingkungan, dan kemampuan AI. Apa tantangan rekayasa tersulit dalam menyatukan teknologi-teknologi ini, terutama di lingkungan yang konektivitas, daya tahan baterai, dan keandalannya sulit diprediksi?

Tantangan tersulit bukanlah satu teknologi tertentu, melainkan memastikan semuanya dapat bekerja berdampingan secara andal dalam satu perangkat di kondisi yang akan merusak sebagian besar perangkat elektronik konsumen. Lokasi industri kotor, menuntut secara fisik, dan memiliki suhu ekstrem. Helm bisa terjatuh, terkena hujan, dan dipakai selama sif dua belas jam. Daya tahan baterai menjadi kendala nyata saat sistem menjalankan penentuan posisi, sensor, komunikasi, dan inferensi AI secara bersamaan. Selain itu, ada arsitektur konektivitas: kami membutuhkan perpindahan tanpa hambatan antara penentuan posisi satelit RTK di luar ruangan dan jaringan mesh UWB milik kami di dalam ruangan, tanpa penurunan akurasi saat pekerja berpindah di antara keduanya. Membuat perpindahan itu berlangsung otomatis, andal, dan waktu nyata menjadi salah satu hal paling menantang secara teknis yang pernah kami bangun.

Tim Anda telah mengembangkan model AI suara yang mampu mendeteksi tanda-tanda gangguan akibat alkohol melalui ucapan, dengan kinerja yang dilaporkan melampaui tolok ukur akademis sebelumnya. Terobosan teknis apa yang memungkinkan hal ini, dan bagaimana Anda memvalidasi keandalan sistem dalam berbagai bahasa, aksen, tingkat kebisingan latar, serta kondisi kerja di dunia nyata?

Wawasan utamanya adalah bahwa kondisi mabuk meninggalkan pola yang dapat dideteksi dalam pola-pola mikro ucapan—bukan pada kata-katanya, melainkan pada sifat akustiknya: waktu pengucapan, variasi nada, dan ketepatan artikulasi. Kami membangun model yang menganalisis pola-pola ini di latar belakang selama komunikasi suara biasa, tanpa memerlukan tes khusus atau tindakan apa pun dari pekerja. Angka akurasi 86,7% diperoleh melalui pengujian tolok ukur yang ketat terhadap kumpulan data akademis yang telah dipublikasikan. Untuk validasi di dunia nyata, kami menguji model dalam berbagai bahasa, aksen, dan kondisi kebisingan latar yang mewakili lokasi industri sebenarnya—mesin berat, angin, dan beberapa orang yang berbicara secara bersamaan. Model ini harus cukup tangguh untuk bekerja dalam kondisi yang sangat berbeda dari studi terkontrol. Untuk mencapainya, diperlukan keragaman data pelatihan dan proses iterasi yang signifikan.

Sistem AI yang dirancang untuk mengidentifikasi gangguan atau kelelahan pada pekerja menimbulkan pertanyaan penting terkait positif palsu dan akuntabilitas. Bagaimana XENOM menyeimbangkan deteksi risiko sejak dini dengan kebutuhan akan verifikasi manusia, dan perlindungan apa yang mencegah penilaian AI yang tidak akurat merugikan pekerja secara tidak adil?

Hal ini telah kami pertimbangkan dengan sangat saksama sejak awal. Sistem dirancang untuk memberi tahu supervisor tentang suatu kekhawatiran, bukan untuk mengambil tindakan secara mandiri. Penilaian AI yang mengindikasikan kemungkinan gangguan memicu pemeriksaan oleh manusia—supervisor dapat mengamati pekerja secara langsung, mengajukan pertanyaan, atau meminta tes fisik jika memang diperlukan. AI tidak mengeluarkan seseorang dari lokasi kerja. AI memberikan informasi yang dibutuhkan manusia agar dapat mengambil keputusan lebih cepat daripada jika tanpa informasi tersebut. Kami juga memantau tingkat positif palsu selama penerapan dan terus menyempurnakan model. Tujuannya adalah mengurangi jumlah insiden yang terjadi karena tidak ada yang menyadarinya—bukan menciptakan sistem yang menghukum pekerja hanya berdasarkan algoritma.

Sebelum mendirikan XENOM, Anda menjabat sebagai CTO OneSoil, tempat Anda menerapkan visi komputer dan pembelajaran mesin untuk pemantauan pertanian dan analisis produktivitas. Pelajaran apa dari penerapan AI di bidang pertanian yang terbukti paling berguna saat membangun sistem cerdas untuk lokasi konstruksi, tambang, pelabuhan, dan fasilitas energi?

Menerapkan AI di dunia fisik merupakan tantangan yang secara mendasar berbeda dari menerapkannya dalam perangkat lunak. Anda harus menghadapi berbagai kondisi yang berubah-ubah, peralatan yang perilakunya tidak pernah sama dua kali, serta operator yang telah menjalankan pekerjaan mereka selama puluhan tahun dan sangat skeptis terhadap apa pun yang menyuruh mereka bekerja dengan cara berbeda. Dinamika yang sama juga terjadi di lokasi industri. Teknologi harus mendapatkan kepercayaan dengan menunjukkan keandalan yang melampaui ekspektasi orang, dan harus cukup sederhana agar seseorang yang mengelola tim beranggotakan lima puluh orang dapat menggunakannya tanpa pelatihan. Pelajaran lainnya: kualitas data di lapangan hampir selalu lebih buruk daripada perkiraan Anda. Anda harus membangun sistem yang tangguh menghadapi gangguan, kekosongan data, dan kasus-kasus khusus yang tidak pernah muncul dalam kumpulan data yang bersih.

Platform AI industri dapat menghasilkan informasi terperinci tentang lokasi, aktivitas, komunikasi, dan produktivitas pekerja. Bagaimana Anda menangani privasi data, persetujuan karyawan, dan potensi pengawasan di tempat kerja, sambil memastikan teknologi ini benar-benar meningkatkan keselamatan dan efisiensi operasional?

Kami memandang hal ini dari sudut pembatasan tujuan. Data yang dikumpulkan XENOM digunakan untuk keselamatan dan pemantauan operasional—bukan sebagai alat pengawasan produktivitas dan tidak seharusnya digunakan demikian. Sebelum penerapan, kami bekerja sama dengan operator untuk menetapkan kebijakan tata kelola data yang jelas: data apa yang dikumpulkan, berapa lama disimpan, siapa yang dapat mengaksesnya, dan dalam keadaan apa data tersebut dapat digunakan untuk mengambil keputusan terkait kepegawaian. Data lokasi pekerja diagregasi dan dianonimkan untuk analisis produktivitas—pelacakan individu hanya tersedia bagi supervisor keselamatan untuk penanganan keadaan darurat, bukan bagi manajer lini untuk mengevaluasi kinerja. Seiring dengan berlakunya Undang-Undang AI Uni Eropa untuk sistem AI industri, kami memperkirakan kerangka peraturan akan meresmikan banyak hal ini. Kami lebih memilih untuk mengantisipasinya daripada kelabakan memenuhi ketentuan.

Memindahkan AI dari lingkungan laboratorium yang terkendali ke operasi industri yang kritis bagi keselamatan menghadirkan tantangan yang jarang dihadapi perusahaan AI yang hanya mengembangkan perangkat lunak. Apa kejutan terbesar yang Anda alami selama penerapan XENOM di dunia nyata, dan bagaimana Anda mengukur apakah teknologi ini memberikan peningkatan yang berarti dalam pencegahan kecelakaan, efisiensi operasional, dan produktivitas tenaga kerja?

Kejutan terbesar adalah betapa besarnya manfaat yang diperoleh hanya dengan memiliki gambaran akurat tentang keberadaan pekerja dan penggunaan waktu. Kami mengira keselamatan akan menjadi pokok pembicaraan utama dengan para operator. Namun, yang kami temukan adalah bahwa visibilitas produktivitas—memahami di mana waktu kerja terbuang, mengapa kinerja sejumlah kru lebih baik daripada yang lain, dan di mana letak hambatannya—sering kali menghasilkan ROI lebih cepat dan mendorong lebih banyak pihak di dalam perusahaan untuk mendukung platform ini dalam waktu yang jauh lebih singkat. Kejutan kedua adalah besarnya variasi antarindustri, bahkan antar lokasi dalam industri yang sama. Kegiatan konstruksi di Jerman sangat berbeda dari kegiatan konstruksi di UEA. Anda tidak bisa membuat satu produk lalu menganggapnya cocok digunakan di mana saja tanpa penyempurnaan yang signifikan.

Ke depan, XENOM membayangkan Industrial AI Copilot yang mampu melampaui pemantauan untuk memprediksi risiko dan merekomendasikan keputusan operasional. Bagaimana Anda melihat perkembangan AI fisik dalam lima tahun ke depan, dan terobosan teknologi apa yang masih diperlukan agar sistem AI industri dapat beroperasi dengan otonomi lebih besar sembari tetap berada di bawah pengawasan manusia?

Saat ini, AI industri pada umumnya berfungsi memberikan visibilitas—mengetahui apa yang sedang terjadi. Tahap berikutnya adalah prediksi: mengenali pola yang mendahului insiden atau penurunan produktivitas sebelum hal tersebut terjadi. Untuk itu, data terstruktur dan berlabel harus dikumpulkan dalam skala besar dari waktu ke waktu, dan itulah yang dilakukan XENOM sejak hari pertama. Tahap setelahnya adalah rekomendasi: sistem tidak hanya memberi tahu Anda apa yang mungkin terjadi, tetapi juga menyarankan tindakan yang perlu diambil—cara mengerahkan kembali pekerja, kapan operasi perlu dihentikan sementara, dan susunan kru mana yang memberikan hasil terbaik untuk tugas tertentu. Itulah tahap ketiga yang ingin kami capai melalui Industrial AI Copilot. Terobosan teknologi yang dibutuhkan bukan terutama kemajuan dalam pemodelan, melainkan solusi atas persoalan data. Anda memerlukan data operasional berkualitas tinggi dalam jumlah memadai, yang dikumpulkan dari cukup banyak lokasi dengan karakteristik beragam, untuk melatih model yang dapat melakukan generalisasi secara andal. Perusahaan yang mulai mengumpulkan data tersebut sekarang akan memiliki keunggulan yang sangat sulit ditiru di kemudian hari.

Terima kasih atas wawancara yang menarik ini. Pembaca yang ingin mendalami AI tepi, perlengkapan pelindung pintar, dan pemantauan keselamatan industri secara waktu nyata dapat mengunjungi XENOM.