PT Inteligensi Teknologi Indonesia — Surabaya, Jawa Timur
Laboratorium rekayasa kecerdasan buatan dan data terapan.
Kami membangun model yang berjalan langsung di perangkat pengguna: di dalam peramban, tanpa server inferensi, tetap berfungsi saat jaringan putus. Penerapannya untuk produk edukasi, kebudayaan, dan sektor publik.
01 — Fokus rekayasa
Ringkasan lingkup teknis.
| Parameter | Nilai |
|---|---|
| Domain | Visi komputer, pengenalan teks, pemrosesan bahasa alami, sistem pembelajaran adaptif, rekayasa data. |
| Keluaran | Bobot model terkuantisasi, modul inferensi, antarmuka web, korpus dan dataset berlisensi terbuka, dokumentasi teknis, laporan evaluasi. |
| Lingkungan target | Peramban modern (WebGL, WebGPU, WebAssembly SIMD), telepon Android kelas menengah dengan RAM 4 GB, operasi luring penuh setelah unduhan pertama. |
02 — Bidang kerja
Enam kapabilitas. Rincian pada lembar kapabilitas.
| Kode | Kapabilitas | Inti teknis |
|---|---|---|
| ITL-01 | Vision & OCR on-device | Tesseract.js pada WebAssembly, prapemrosesan citra, klasifikator TensorFlow.js. |
| ITL-02 | Classifier visual on-device | MobileNetV2 atau ONNX Runtime Web, kuantisasi INT8, tanpa panggilan server. |
| ITL-03 | Mesin pembelajaran adaptif | Penjadwalan ulangan SM-2 atau FSRS, model penguasaan materi per unit. |
| ITL-04 | Core platform data & LLM | Next.js App Router, Postgres, pencarian semantik berbasis embedding. |
| ITL-05 | Terjemahan neural bahasa daerah | Fine-tuning NLLB-200 pada korpus paralel, evaluasi BLEU dan chrF++. |
| ITL-06 | Pipeline AI & MLOps | Versi dataset, gerbang mutu di integrasi berkelanjutan, deployment reprodusibel. |
Harga per paket tercantum pada daftar harga layanan.
03 — Metode kerja
Lima tahap. Setiap tahap punya kriteria selesai.
- Definisi masalah dan metrik. Menetapkan tugas, kelas keluaran, dan angka penerimaan sebelum pengumpulan data dimulai. Metrik ditulis di kontrak, bukan ditentukan setelah hasil keluar.
- Kurasi dataset. Pengumpulan, deduplikasi dengan perceptual hash, anotasi, dan pemisahan latih–validasi–uji tanpa kebocoran data antar partisi.
- Pelatihan dan kuantisasi. Transfer learning pada arsitektur ringan, penyetelan hiperparameter, lalu kuantisasi dan pemangkasan agar berkas model muat untuk pengiriman lewat jaringan seluler.
- Integrasi produk. Model dipasang ke antarmuka nyata, diuji pada perangkat target, diukur latensi dan konsumsi memorinya, bukan hanya pada mesin pengembang.
- Serah terima. Kode sumber, bobot model, dataset, dan dokumentasi diserahkan beserta laporan evaluasi yang memuat kegagalan yang diketahui.
04 — Batasan
Dicantumkan lebih dahulu agar lingkup pekerjaan jelas.
- Kami tidak melatih model dasar dari nol. Pekerjaan bertumpu pada model terbuka yang sudah ada, lalu disesuaikan pada data domain.
- Angka akurasi hanya berlaku pada himpunan uji yang dilaporkan. Bila distribusi data lapangan berbeda, angka itu tidak berlaku dan harus diukur ulang.
- Bahasa atau domain dengan korpus di bawah 5.000 pasang data diperlakukan sebagai eksperimen dengan hasil yang tidak dijamin, bukan sebagai produk.
- Data pelatihan harus berstatus lisensi jelas. Kami menolak dataset tanpa asal usul yang dapat ditelusuri.
- Inferensi di perangkat menukar sebagian akurasi dengan ukuran berkas dan kecepatan. Kompromi itu dinyatakan angkanya, bukan disembunyikan.
05 — Identitas
Data lengkap pada lembar perusahaan.
- Badan hukum
- PT Inteligensi Teknologi Indonesia
- Domisili
- Surabaya, Jawa Timur, Indonesia
- NPWP
- 62.878.359.9-611.000
- Surel
- halo@inteligensi.biz.id
- Bahasa kerja
- Indonesia dan Inggris