Ravi Bommakanti, CTO dari App Orchid – Seri Wawancara

Ravi Bommakanti, Chief Technology Officer di App Orchid, memimpin misi perusahaan untuk membantu perusahaan mengoperasikan AI di seluruh aplikasi dan proses pengambilan keputusan. Produk unggulan App Orchid, Easy Answers™, memungkinkan pengguna berinteraksi dengan data menggunakan bahasa alami untuk menghasilkan dasbor AI, wawasan, dan tindakan yang disarankan.

Platform ini mengintegrasikan data terstruktur dan tidak terstruktur – termasuk input waktu nyata dan pengetahuan karyawan – ke dalam kain data prediktif yang mendukung keputusan strategis dan operasional. Dengan teknologi Big Data in-memory dan antarmuka pengguna yang ramah, App Orchid mempermudah adopsi AI melalui penerapan cepat, implementasi biaya rendah, dan gangguan minimal pada sistem yang ada.

Mari kita mulai dengan gambaran besar – apa yang dimaksud dengan “agentic AI” bagi Anda, dan bagaimana hal itu berbeda dari sistem AI tradisional?

Agentic AI mewakili pergeseran mendasar dari eksekusi statis yang khas dari sistem AI tradisional ke orkestrasi dinamis. Bagi saya, ini tentang bergerak dari sistem yang kaku dan diprogram sebelumnya ke pemecah masalah otonom yang dapat beralasan, merencanakan, dan berkolaborasi.

Apa yang benar-benar membedakan agentic AI adalah kemampuannya untuk memanfaatkan sifat terdistribusi dari pengetahuan dan keahlian. AI tradisional sering beroperasi dalam batasan yang tetap, mengikuti jalur yang telah ditentukan sebelumnya. Sistem agentic, bagaimanapun, dapat memecah tugas yang kompleks, mengidentifikasi agen khusus yang tepat untuk subtugas – potensial menemukan dan memanfaatkannya melalui registri agen – dan mengatur interaksi mereka untuk mensintesis solusi. Konsep registri agen ini memungkinkan organisasi untuk secara efektif ‘menyewa’ kemampuan khusus sesuai kebutuhan, mencerminkan bagaimana tim ahli manusia disusun, bukan dipaksa untuk membangun atau memiliki setiap fungsi AI secara internal.

Jadi, bukan sistem monolitik, masa depan terletak pada menciptakan ekosistem di mana agen khusus dapat disusun dan koordinasikan secara dinamis – seperti seorang manajer proyek terampil yang memimpin tim – untuk menangani tantangan bisnis yang kompleks dan berkembang secara efektif.

Bagaimana Google Agentspace mempercepat adopsi agentic AI di seluruh perusahaan, dan apa peran App Orchid dalam ekosistem ini?

Google Agentspace adalah akselerator signifikan untuk adopsi AI perusahaan. Dengan menyediakan fondasi yang seragam untuk mengirimkan dan mengelola agen pintar yang terhubung ke berbagai aplikasi kerja, dan memanfaatkan mesin pencari dan model Google seperti Gemini, Agentspace memungkinkan perusahaan untuk mengubah informasi yang terisolasi menjadi intelijen yang dapat ditindaklanjuti melalui antarmuka yang sama.

App Orchid bertindak sebagai lapisan enablement semantik yang vital dalam ekosistem ini. Sementara Agentspace menyediakan infrastruktur agen dan kerangka orkestrasi, platform Easy Answers kami menangani tantangan perusahaan yang kritis untuk membuat data yang kompleks dipahami dan diakses oleh agen. Kami menggunakan pendekatan yang didorong oleh ontologi untuk membangun grafik pengetahuan yang kaya dari data perusahaan, lengkap dengan konteks bisnis dan hubungan – tepatnya pemahaman yang diperlukan oleh agen.

Hal ini menciptakan sinergi yang kuat: Agentspace menyediakan infrastruktur agen yang kuat dan kemampuan orkestrasi, sementara App Orchid menyediakan pemahaman yang mendalam tentang data perusahaan yang kompleks yang diperlukan oleh agen untuk beroperasi secara efektif dan memberikan wawasan bisnis yang berarti. Kolaborasi kami dengan Google Cloud Cortex Framework adalah contoh utama, membantu pelanggan secara signifikan mengurangi waktu persiapan data (hingga 85%) sambil memanfaatkan akurasi pengqueryan bahasa alami 99,8% dari platform kami untuk pengqueryan SQL. Bersama-sama, kami memungkinkan organisasi untuk mengirimkan solusi agentic AI yang benar-benar memahami bahasa dan kerumitan data bisnis mereka, mempercepat waktu hingga nilai.

Apa yang menjadi hambatan nyata yang dihadapi perusahaan saat mengadopsi agentic AI, dan bagaimana App Orchid membantu mereka mengatasi hambatan tersebut?

Hambatan utama yang kami lihat berkisar pada kualitas data, tantangan standar keamanan yang berkembang – terutama memastikan kepercayaan agen-ke-agen – dan mengelola sifat terdistribusi dari pengetahuan dan kemampuan perusahaan.

Kualitas data tetap menjadi masalah dasar. Agentic AI, seperti AI lainnya, memberikan output yang tidak dapat diandalkan jika diberi data yang buruk. App Orchid menangani hal ini secara fundamental dengan menciptakan lapisan semantik yang memberikan konteks pada sumber data yang berbeda. Dengan membangun hal ini, fitur crowdsourcing unik kami dalam Easy Answers melibatkan pengguna bisnis di seluruh organisasi – mereka yang memahami makna data terbaik – untuk berkolaborasi mengidentifikasi dan mengatasi kesenjangan dan inkonsistensi data, secara signifikan meningkatkan keandalan.

Keamanan menyajikan hambatan kritis lainnya, terutama karena komunikasi agen-ke-agen menjadi umum, potensial melintasi sistem internal dan eksternal. Membangun mekanisme yang kuat untuk kepercayaan agen-ke-agen dan mempertahankan tata kelola tanpa menghambat interaksi yang diperlukan adalah kunci. Platform kami fokus pada mengimplementasikan kerangka keamanan yang dirancang untuk interaksi dinamis.

Terakhir, memanfaatkan pengetahuan dan kemampuan yang terdistribusi secara efektif memerlukan orkestrasi lanjutan. App Orchid menggunakan konsep seperti Model Context Protocol (MCP), yang semakin penting. Ini memungkinkan sumber dinamis agen khusus dari repositori berdasarkan kebutuhan kontekstual, memfasilitasi alur kerja yang fluid dan adaptif daripada proses yang kaku dan telah ditentukan sebelumnya. Pendekatan ini selaras dengan standar yang muncul, seperti protokol Agent2Agent Google, yang dirancang untuk memstandarisasi komunikasi dalam sistem multi-agen. Kami membantu organisasi membangun solusi agentic AI yang tepercaya dan efektif dengan menangani hambatan ini.

Bisakah Anda menjelaskan bagaimana Easy Answers™ bekerja – dari kueri bahasa alami ke generasi wawasan?

Easy Answers mengubah cara pengguna berinteraksi dengan data perusahaan, membuat analisis yang canggih dapat diakses melalui bahasa alami. Berikut cara kerjanya:

• Koneksi: Kami memulai dengan menghubungkan ke sumber data perusahaan – kami mendukung lebih dari 200 basis data dan sistem umum. Yang penting, ini sering terjadi tanpa memerlukan pergerakan data atau replikasi, menghubungkan secara aman ke data di mana pun berada.
• Pembuatan Ontologi: Platform kami secara otomatis menganalisis data yang terhubung dan membangun grafik pengetahuan yang komprehensif. Ini mengatur data menjadi entitas bisnis yang kami sebut Managed Semantic Objects (MSOs), menangkap hubungan di antaranya.
• Pengayaan Metadata: Ontologi ini diperkaya dengan metadata. Pengguna memberikan deskripsi tingkat tinggi, dan AI kami menghasilkan deskripsi rinci untuk setiap MSO dan atributnya (bidang). Metadata gabungan ini memberikan konteks yang mendalam tentang makna dan struktur data.
• Kueri Bahasa Alami: Pengguna mengajukan pertanyaan dalam bahasa bisnis yang sederhana, seperti “Tunjukkan tren penjualan untuk produk X di wilayah barat dibandingkan dengan kuartal sebelumnya.”
• Interpretasi & Generasi SQL: Mesin NLP kami menggunakan metadata yang kaya dalam grafik pengetahuan untuk memahami niat pengguna, mengidentifikasi MSO dan hubungan yang relevan, dan menerjemahkan pertanyaan menjadi kueri data yang tepat (seperti SQL). Kami mencapai akurasi text-to-SQL 99,8% di sini.
• Generasi Wawasan (Kurasi): Sistem mengambil data dan menentukan cara paling efektif untuk menyajikan jawaban secara visual. Di platform kami, visualisasi interaktif ini disebut ‘kurasi’. Pengguna dapat secara otomatis menghasilkan atau mengkonfigurasi mereka untuk selaras dengan kebutuhan atau standar tertentu.
• Analisis Lebih Dalam (Wawasan Cepat): Untuk pertanyaan yang lebih kompleks atau penemuan proaktif, pengguna dapat memanfaatkan Wawasan Cepat. Fitur ini memungkinkan mereka untuk dengan mudah menerapkan algoritma ML yang dikirim dengan platform ke bidang data yang ditentukan untuk secara otomatis mendeteksi pola, mengidentifikasi anomali, atau memvalidasi hipotesis tanpa memerlukan keahlian ilmu data.

Proses ini, yang sering diselesaikan dalam beberapa detik, mendemokratisasikan akses data dan analisis, mengubah eksplorasi data yang kompleks menjadi percakapan sederhana.

Bagaimana Easy Answers menjembatani data yang terisolasi di perusahaan besar dan memastikan wawasan dapat dijelaskan dan dilacak?

Data yang terisolasi adalah hambatan besar di perusahaan besar. Easy Answers menangani tantangan dasar ini melalui pendekatan lapisan semantik unik kami.

Bukan konsolidasi data fisik yang mahal dan kompleks, kami menciptakan lapisan semantik virtual. Platform kami membangun tampilan logis yang seragam dengan menghubungkan ke sumber data yang beragam di mana pun mereka berada. Lapisan ini ditenagai oleh teknologi grafik pengetahuan kami, yang memetakan data ke dalam Managed Semantic Objects (MSOs), mendefinisikan hubungan mereka, dan memperkayanya dengan metadata kontekstual. Ini menciptakan bahasa bisnis yang umum yang dapat dipahami oleh manusia dan AI, secara efektif menjembatani struktur data teknis (tabel, kolom) dengan makna bisnis (pelanggan, produk, penjualan), terlepas dari di mana data secara fisik berada.

Memastikan wawasan dapat dipercaya memerlukan keterlacakan dan keterjelasan:

• Keterlacakan: Kami menyediakan pelacakan garis keturunan data yang komprehensif. Pengguna dapat menelusuri dari setiap kurasi atau wawasan kembali ke data sumber, melihat semua transformasi, filter, dan perhitungan yang diterapkan. Ini memberikan transparansi dan auditabilitas penuh, yang sangat penting untuk validasi dan kepatuhan.
• Keterjelasan: Wawasan disertai dengan penjelasan bahasa alami. Ringkasan ini mengartikulasikan apa yang ditunjukkan data dan mengapa itu signifikan dalam istilah bisnis, menerjemahkan temuan kompleks menjadi pemahaman yang dapat ditindaklanjuti untuk audiens yang luas.

Ini menjembatani kesenjangan dengan menciptakan tampilan semantik yang seragam dan membangun kepercayaan melalui keterlacakan dan keterjelasan yang jelas.

Bagaimana sistem Anda memastikan transparansi dalam wawasan, terutama di industri yang diatur di mana garis keturunan data sangat kritis?

Transparansi absolut tidak dapat dinegosiasikan untuk wawasan yang didorong oleh AI, terutama di industri yang diatur di mana auditabilitas dan defensibilitas sangat penting. Pendekatan kami memastikan transparansi di seluruh tiga dimensi utama:

• Garis Keturunan Data: Ini adalah fondasi. Seperti yang disebutkan, Easy Answers menyediakan pelacakan garis keturunan data dari ujung ke ujung. Setiap wawasan, visualisasi, atau angka dapat dilacak kembali secara teliti melalui seluruh siklus hidupnya – dari sumber data asli, melalui setiap gabungan, transformasi, agregasi, atau filter yang diterapkan – memberikan provenance data yang dapat diverifikasi yang diperlukan oleh regulator.
• Visibilitas Metodologi: Kami menghindari masalah ‘black box’. Ketika model analitis atau ML digunakan (misalnya, melalui Wawasan Cepat), platform kami jelas mendokumentasikan metodologi yang digunakan, parameter yang digunakan, dan metrik evaluasi yang relevan. Ini memastikan ‘bagaimana’ di balik wawasan adalah sama transparannya dengan ‘apa’.
• Penjelasan Bahasa Alami: Menerjemahkan output teknis ke konteks bisnis yang dapat dipahami adalah kritis untuk transparansi. Setiap wawasan dipasangkan dengan penjelasan bahasa alami yang menjelaskan temuan, signifikansi, dan potensial batasannya, memastikan kejelasan untuk semua pemangku kepentingan, termasuk petugas kepatuhan dan auditor.

Selain itu, kami mengintegrasikan fitur tata kelola tambahan untuk industri dengan kebutuhan kepatuhan khusus seperti kontrol akses berbasis peran, alur kerja persetujuan untuk tindakan atau laporan tertentu, dan log audit komprehensif yang melacak aktivitas pengguna dan operasi sistem. Pendekatan berlapis ini memastikan wawasan akurat, sepenuhnya transparan, dapat dijelaskan, dan dapat dipertahankan.

Bagaimana App Orchid mengubah wawasan yang dihasilkan AI menjadi tindakan dengan fitur seperti Tindakan Generatif?

Menghasilkan wawasan berharga, tetapi tujuan sebenarnya adalah mengarahkan hasil bisnis. Dengan data dan konteks yang tepat, ekosistem agen dapat mengarahkan tindakan untuk menjembatani kesenjangan kritis antara penemuan wawasan dan tindakan yang nyata, memindahkan analitik dari fungsi pelaporan pasif ke pengemudi aktif perbaikan.

Berikut cara kerjanya: Ketika platform Easy Answers mengidentifikasi pola, tren, anomali, atau peluang yang signifikan melalui analisisnya, itu menggunakan AI untuk mengusulkan tindakan spesifik yang relevan dengan konteks yang dapat diambil sebagai respons.

Ini bukanlah saran yang samar; mereka adalah rekomendasi konkrit. Misalnya, bukan hanya menandai pelanggan yang berisiko tinggi churn, itu mungkin merekomendasikan penawaran retensi yang disesuaikan untuk segmen yang berbeda, potensial menghitung dampak yang diharapkan atau ROI, dan bahkan menggambar template komunikasi. Ketika menghasilkan rekomendasi ini, sistem mempertimbangkan aturan bisnis, kendala, data historis, dan tujuan.

Kritis, ini mempertahankan pengawasan manusia. Tindakan yang disarankan disajikan kepada pengguna yang tepat untuk ditinjau, dimodifikasi, disetujui, atau ditolak. Ini memastikan penilaian bisnis tetap sentral dalam proses pengambilan keputusan sementara AI menangani pekerjaan berat mengidentifikasi peluang dan merumuskan respons potensial.

Setelah tindakan disetujui, kami dapat memicu alur agen untuk eksekusi yang lancar melalui integrasi dengan sistem operasional. Ini bisa berarti memicu alur kerja di CRM, memperbarui perkiraan di sistem ERP, meluncurkan tugas pemasaran yang ditargetkan, atau memulai proses bisnis lain yang relevan – sehingga menutup loop dari wawasan langsung ke hasil.

Bagaimana grafik pengetahuan dan model data semantik menjadi pusat keberhasilan platform Anda?

Grafik pengetahuan dan model data semantik adalah inti absolut dari platform Easy Answers; mereka meningkatkan platform ini di luar alat BI tradisional yang sering memperlakukan data sebagai tabel dan kolom yang terputus dari konteks bisnis yang nyata. Platform kami menggunakan grafik pengetahuan untuk membangun lapisan semantik pintar di atas data perusahaan.

Dasar semantik ini kritis untuk kesuksesan kami karena beberapa alasan kunci:

• Mengaktifkan Interaksi Bahasa Alami yang Sebenarnya: Model semantik, yang terstruktur sebagai grafik pengetahuan dengan Managed Semantic Objects (MSOs), properti, dan hubungan yang ditentukan, bertindak sebagai ‘Rosetta Stone’. Ini menerjemahkan nuansa bahasa manusia dan istilah bisnis ke dalam kueri data yang tepat yang diperlukan untuk mengambil data, memungkinkan pengguna untuk mengajukan pertanyaan secara alami tanpa mengetahui skema yang mendasarinya. Ini adalah kunci untuk akurasi text-to-SQL yang tinggi.
• Melestarikan Konteks Bisnis yang Kritis: Tidak seperti bergabung relasional sederhana, grafik pengetahuan kami secara eksplisit menangkap jaringan yang kaya dan kompleks dari hubungan antara entitas bisnis (misalnya, bagaimana pelanggan berinteraksi dengan produk melalui tiket dukungan dan pesanan pembelian). Ini memungkinkan analisis yang lebih dalam dan kontekstual yang mencerminkan bagaimana bisnis beroperasi.
• Menyediakan Fleksibilitas dan Skalabilitas: Model semantik lebih fleksibel daripada skema yang kaku. Ketika kebutuhan bisnis berkembang atau sumber data baru ditambahkan, grafik pengetahuan dapat diperluas dan dimodifikasi secara bertahap tanpa memerlukan perubahan total, mempertahankan konsistensi sambil beradaptasi dengan perubahan.

Pemahaman konteks data yang mendalam yang disediakan oleh lapisan semantik kami adalah fundamental untuk semua yang dilakukan Easy Answers, dari Q&A dasar hingga deteksi pola lanjutan dengan Wawasan Cepat, dan membentuk dasar esensial untuk kemampuan agentic AI kami di masa depan, memastikan agen dapat beralasan atas data dengan cara yang bermakna.

Apa model dasar yang Anda dukung, dan bagaimana Anda memungkinkan organisasi untuk membawa model AI/ML mereka sendiri ke dalam alur kerja?

Kami percaya pada pendekatan yang terbuka dan fleksibel, mengakui evolusi cepat AI dan menghormati investasi organisasi yang ada.

Untuk model dasar, kami memelihara integrasi dengan opsi utama dari beberapa penyedia, termasuk keluarga Gemini dari Google, model GPT dari OpenAI, dan alternatif sumber terbuka yang terkemuka seperti Llama. Ini memungkinkan organisasi untuk memilih model yang terbaik sesuai dengan kinerja, biaya, kebutuhan tata kelola, atau kemampuan khusus. Model ini memberdayakan berbagai fitur platform, termasuk pemahaman bahasa alami untuk kueri, generasi SQL, ringkasan wawasan, dan generasi metadata.

Selain itu, kami menyediakan jalur yang kuat untuk organisasi untuk membawa model AI/ML khusus mereka sendiri ke dalam alur kerja Easy Answers:

• Model yang dikembangkan dalam Python dapat sering diintegrasikan secara langsung melalui Mesin AI kami.
• Kami menawarkan kemampuan integrasi yang lancar dengan platform ML cloud utama seperti Google Vertex AI dan Amazon SageMaker, memungkinkan model yang dilatih dan dihosting di sana untuk diaktifkan.

Kritis, lapisan semantik kami memainkan peran kunci dalam membuat model yang kompleks ini dapat diakses. Dengan menghubungkan input dan output model ke konsep bisnis yang didefinisikan dalam grafik pengetahuan kami (MSOs dan properti), kami memungkinkan pengguna bisnis non-teknis untuk memanfaatkan model prediktif, klasifikasi, atau kausal yang canggih (misalnya, melalui Wawasan Cepat) tanpa perlu memahami ilmu data yang mendasarinya – mereka berinteraksi dengan istilah bisnis yang familiar, dan platform kami menangani terjemahan teknis. Ini benar-benar mendemokratisasikan akses ke kemampuan AI/ML yang canggih.

Menghadap ke depan, apa tren yang Anda lihat membentuk gelombang berikutnya dari AI perusahaan – terutama di pasar agen dan desain agen tanpa kode?

Gelombang berikutnya dari AI perusahaan bergerak menuju ekosistem yang sangat dinamis, komposabel, dan kolaboratif. Beberapa tren yang berkembang mengarah ke arah ini:

• Pasar Agen dan Registri: Kami akan melihat peningkatan signifikan dalam pasar agen yang berfungsi bersama dengan registri agen internal. Ini memfasilitasi pergeseran dari bangunan monolitik ke model ‘sewa dan kompos’, di mana organisasi dapat menemukan dan mengintegrasikan agen khusus – internal atau eksternal – dengan kemampuan khusus sesuai kebutuhan, secara dramatis mempercepat penerapan solusi.
• Komunikasi Agen yang Distanadarisasi: Untuk ekosistem ini berfungsi, agen memerlukan bahasa yang umum. Protokol komunikasi agen-ke-agen yang distandarisasi, seperti MCP (Model Context Protocol), yang kami gunakan, dan inisiatif seperti protokol Agent2Agent Google, menjadi penting untuk memungkinkan kolaborasi yang lancar, berbagi konteks, dan delegasi tugas antara agen, terlepas dari siapa yang membangunnya atau di mana mereka berjalan.
• Orkestrasi Dinamis: Alur kerja statis yang telah ditentukan sebelumnya akan digantikan oleh orkestrasi dinamis. Lapisan orkestrasi pintar akan memilih, mengkonfigurasi, dan mengoordinasikan agen pada runtime berdasarkan konteks masalah spesifik, mengarah ke sistem yang jauh lebih adaptif dan tangguh.
• Desain Agen Tanpa Kode/Rendah Kode: Demokratisasi akan diperluas ke penciptaan agen. Platform tanpa kode dan rendah kode akan memberdayakan ahli bisnis, bukan hanya spesialis AI, untuk merancang dan membangun agen yang mengandung pengetahuan domain dan logika bisnis khusus, lebih lanjut memperkaya kumpulan kemampuan khusus yang tersedia.

Peran App Orchid adalah menyediakan fondasi semantik kritis untuk masa depan ini. Untuk agen dalam ekosistem dinamis ini berkolaborasi secara efektif dan melakukan tugas yang bermakna, mereka perlu memahami data perusahaan. Lapisan semantik dan grafik pengetahuan kami memberikan pemahaman kontekstual ini, memungkinkan agen untuk beralasan dan bertindak atas data dengan cara yang relevan dengan bisnis.

Bagaimana Anda membayangkan peran CTO berkembang di masa depan di mana kecerdasan keputusan didemokratisasikan melalui agentic AI?

Demokratisasi kecerdasan keputusan melalui agentic AI secara fundamental meningkatkan peran CTO. Ini bergeser dari menjadi penyelia infrastruktur teknologi utama menjadi arsitek ekosistem kecerdasan organisasi.

Evolusi kunci termasuk:

• Dari Manajer Sistem ke Arsitek Ekosistem: Fokus bergeser dari mengelola aplikasi yang terisolasi ke merancang, mengkurasi, dan mengatur ekosistem dinamis dari agen yang berinteraksi, sumber data, dan kemampuan analitis. Ini melibatkan memanfaatkan pasar agen dan registri secara efektif.
• Strategi Data sebagai Strategi Bisnis Inti: Memastikan data tidak hanya tersedia tetapi juga kaya secara semantik, andal, dan dapat diakses menjadi penting. CTO akan menjadi pusat dalam membangun fondasi grafik pengetahuan yang menguatkan sistem pintar di seluruh perusahaan.
• Paradigma Tata Kelola yang Berkembang: Model tata kelola baru akan diperlukan untuk agentic AI – menangani kepercayaan agen, keamanan, penggunaan AI etis, auditabilitas keputusan yang diotomatisasi, dan mengelola perilaku yang muncul dalam kolaborasi agen.
• Mempromosikan Adaptabilitas: CTO akan menjadi kritis dalam membenamkan adaptabilitas ke dalam jaringan teknis dan operasional organisasi, menciptakan lingkungan di mana wawasan yang dihasilkan AI mengarah ke respons yang cepat dan pembelajaran berkelanjutan.
• Menggalang Kolaborasi Manusia-AI: Aspek kunci akan menjadi mengembangkan budaya dan merancang sistem di mana manusia dan agen AI bekerja secara sinergis, melengkapi kekuatan masing-masing.

Pada akhirnya, CTO menjadi kurang tentang mengelola biaya TI dan lebih tentang memaksimalkan ‘potensi kecerdasan’ organisasi. Ini adalah pergeseran menuju menjadi mitra strategis yang sebenarnya, memungkinkan seluruh bisnis untuk beroperasi lebih cerdas dan adaptif dalam dunia yang semakin kompleks.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi App Orchid.