INTELIGENSI TECH

Inteligensi Tech · 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. Setiap kapabilitas diterbitkan bersama kartu model, angka tolok ukur, dan metode pengukurannya.

Lihat kartu modelDaftar harga layananAjukan permintaan kerja

Lingkungan target Android RAM 4 GB, Chrome 128, mode pesawat · Ambang kontrak akurasi top-1 ≥ 80% · Anggaran berkas ≤ 16 MB terkirim per kapabilitas

Ruang embedding sintetis: proyeksi 64 → 2 dimensi

Dihitung di peramban

Ringkasan angka peragaan: 3.000 titik data; proyeksi 64 dimensi ke 2 dimensi; jumlah tetangga terdekat k sama dengan 8. Angka waktu proyeksi, waktu pencarian tetangga, dan laju bingkai diperbarui saat peragaan berjalan.

Data pada panel ini sintetis: 3.000 vektor 64 dimensi yang dibangkitkan dari benih tetap, bukan data klien dan bukan hasil model produksi. Proyeksi 64 ke 2 dimensi serta pencarian delapan tetangga terdekat dihitung ulang di peramban Anda tiap bingkai, tanpa satu pun panggilan jaringan. Angka waktu adalah rerata bergerak dari pengukuran performance.now() pada perangkat ini.

Target rekayasa yang dipegang

Waktu muat pertama

3,0 detik

Target Largest Contentful Paint pada jaringan seluler lambat, sebelum bobot model diunduh.

Panggilan server

0 per inferensi

Setelah bobot tersimpan di peramban, tidak ada permintaan jaringan saat model dijalankan.

Ambang akurasi

80 % minimum

Angka penerimaan top-1 yang ditulis di kontrak sebelum pengumpulan data dimulai.

Bundel model

16 MB maksimum

Batas ukuran berkas terkirim untuk satu kapabilitas setelah kuantisasi INT8; nilai tipikal 6 sampai 13 MB.

†Empat angka di atas adalah target rekayasa yang dipakai sebagai batas perancangan, bukan hasil rata-rata seluruh proyek. Angka hasil pengukuran per model tercantum pada tabel tolok ukur di bawah.

01

Alur inferensi di dalam peramban

Jalur yang sama dipakai ulang lintas produk. Tiap kotak punya anggaran waktu.

Skema jalur eksekusi: klasifikasi citra

Gambar 01 · Sigap
Diagram alur inferensi di dalam perambanLima tahap berurutan: masukan pengguna dari kamera atau berkas (dekode 6 milidetik), prapemrosesan berupa deskew, binarisasi Otsu, dan penskalaan ke 224 kali 224 piksel (18 milidetik), model terkuantisasi INT8 berukuran 8,4 megabita yang dijalankan lewat WebAssembly atau WebGL (145 milidetik), pascapemrosesan berupa softmax dan pengambilan tiga skor teratas (4 milidetik), lalu antarmuka yang merender hasil (5 milidetik). Tahap prapemrosesan sampai pascapemrosesan seluruhnya berjalan di dalam peramban tanpa panggilan ke server inferensi. Total waktu ujung ke ujung sekitar 178 milidetik.Seluruh tahap ini berjalan di dalam peramban, tanpa satu pun panggilan server inferensi01Masukanpenggunakamera atau berkasdekode 6 ms02Prapemrosesandeskew · Otsu · 224×22418 ms03Model terkuantisasiWASM / WebGLINT8 · 8,4 MB145 ms04Pascapemrosesansoftmax · top-34 ms05Antarmukarender hasil dan skor5 msWaktu ujung ke ujung ≈ 178 ms pada perangkat uji, untuk jalur klasifikasi motif (Sigap).Tidak ada server inferensi. Citra dan teks pengguna tidak meninggalkan perangkat.

Geser diagram ke samping untuk melihat seluruh tahap.

Bobot model diunduh sekali lalu disimpan peramban melalui service worker. Sesudah itu masukan pengguna diproses, dijalankan pada model terkuantisasi, dan dirender tanpa satu pun permintaan jaringan. Konsekuensinya: biaya operasi mendekati nol, produk tetap hidup saat jaringan putus, dan data mentah pengguna tidak pernah berpindah ke luar perangkat. Angka waktu diukur pada perangkat uji yang sama dengan tabel tolok ukur.
02

Tolok ukur model produksi

Ukuran berkas, latensi p95, dan akurasi pada perangkat kelas menengah.

  • Model INT8 yang dikirim ke peramban, nilai yang berlaku
  • Acuan FP32 sebelum kuantisasi
Tabel tolok ukur: lima model produksi, diukur pada satu perangkat uji yang sama
Model dan kapabilitasnama paket · tumpukan runtimeUkuran model (MB)skala 0 sampai 48 · makin kecil makin baikLatensi p95 (ms)skala 0 sampai 450 · makin kecil makin baikAkurasi (%)skala 0 sampai 100 · makin besar makin baik
Pengenalan aksara pada citra naskahLensa · Tesseract.js 5 · WebAssembly SIMD6,1 MBacuan FP32 22,6 MB412 mspersentil ke-9591,4 %1 − CER
Klasifikasi motif kainSigap · MobileNetV3-Small · TensorFlow.js WebGL8,4 MBacuan FP32 34,1 MB178 mspersentil ke-9588,2 %top-1
Klasifikasi artefak museumSigap · EfficientNet-Lite0 · ONNX Runtime Web12,9 MBacuan FP32 47,3 MB264 mspersentil ke-9584,7 %top-1
Deteksi bidang dokumenLensa · U-Net ringkas 4 tingkat · WebAssembly2,7 MBacuan FP32 9,8 MB96 mspersentil ke-9593,1 %IoU ≥ 0,5
Embedding kalimat untuk pencarian luringWicara · MiniLM-L6 dipangkas ke 4 lapis · ONNX11,8 MBacuan FP32 45,9 MB132 mspersentil ke-9586,5 %recall@10

Geser tabel ke samping untuk melihat seluruh kolom.

†Perangkat uji: telepon Android kelas menengah, prosesor delapan inti 2,4 GHz, RAM 4 GB, Android 13, Chrome 128, mode pesawat, tanpa akselerator khusus. Setiap model dijalankan 200 kali setelah 20 kali pemanasan; nilai p95 diambil dari distribusi waktu ujung ke ujung, sudah termasuk prapemrosesan dan pascapemrosesan. Ukuran model adalah besar berkas yang benar-benar diunduh peramban setelah kompresi. Angka akurasi berlaku hanya pada himpunan uji yang dipisahkan sebelum pelatihan dan tidak pernah dipakai untuk menyetel hiperparameter; metrik tiap baris disebutkan di kolom akurasi. Pengukuran terakhir 28 Agustus 2026.

03

Enam kapabilitas

Spesifikasi lengkap dan cuplikan integrasi ada pada kartu model.

Lensa

Vision & OCR on-device

Pengenalan teks dan objek dari kamera atau berkas gambar, seluruhnya di sisi klien.

Tesseract.js 5 · TensorFlow.js 4 · WebAssembly SIMD

Sigap

Classifier visual on-device

Klasifikasi citra untuk domain sempit dengan model yang diperkecil sampai muat dikirim lewat jaringan seluler.

MobileNetV3-Small · EfficientNet-Lite0 · ONNX INT8

Ingat

Mesin pembelajaran adaptif

Penjadwalan ulangan berbasis bukti beserta model penguasaan materi per unit.

FSRS · SM-2 · PostgreSQL · IndexedDB

Wicara

Core platform data & LLM

Lapisan aplikasi tempat model dipasang: basis data, API, pencarian semantik, integrasi model bahasa.

Next.js 15 · PostgreSQL · pgvector HNSW

Alih

Terjemahan neural bahasa daerah

Penerjemahan mesin untuk bahasa dengan sumber daya terbatas, bertumpu pada mutu korpus paralel.

NLLB-200 distilled 600M · LoRA · sacreBLEU · chrF++

Rantai

Pipeline AI & MLOps

Versi dataset, gerbang mutu di integrasi berkelanjutan, dan jalur rilis yang dapat diulang.

Perceptual hash · uji regresi metrik · build reprodusibel

04

Metode kerja dan batasan

Lima tahap dengan kriteria selesai; batasan dinyatakan lebih dahulu.

Lima tahap pengerjaan

  1. Definisi masalah dan metrik. Tugas, kelas keluaran, dan angka penerimaan ditetapkan sebelum pengumpulan data dimulai. Metrik ditulis di kontrak, bukan ditentukan setelah hasil keluar.
  2. Kurasi dataset. Pengumpulan, deduplikasi dengan perceptual hash, anotasi, dan pemisahan latih, validasi, dan uji tanpa kebocoran antar partisi.
  3. Pelatihan dan kuantisasi. Transfer learning pada arsitektur ringan, penyetelan hiperparameter, lalu kuantisasi dan pemangkasan agar berkas model muat dikirim lewat jaringan seluler.
  4. Integrasi produk. Model dipasang ke antarmuka nyata, diuji pada perangkat target, diukur latensi dan konsumsi memorinya, bukan hanya di mesin pengembang.
  5. Serah terima. Kode sumber, bobot model, dataset, dan dokumentasi diserahkan beserta laporan evaluasi yang memuat kegagalan yang diketahui.

Batasan yang berlaku

  • 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 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. Dataset tanpa asal usul yang dapat ditelusuri ditolak.
  • Inferensi di perangkat menukar sebagian akurasi dengan ukuran berkas dan kecepatan. Kompromi itu dinyatakan angkanya, bukan disembunyikan.
05

Catatan lab

Ringkasan pekerjaan teknis internal. Ditulis saat pekerjaan selesai diukur.

Kuantisasi INT8 pada klasifikator motif kain

Ukuran berkas terkirim turun dari 34,1 MB ke 8,4 MB (−75,4%). Akurasi top-1 pada himpunan uji tertahan turun dari 89,0% ke 88,2%, masih di atas ambang kontrak 80%. Kelas yang paling terdampak dicatat di kartu model.

Kuantisasi

Pengukuran ulang latensi pada perangkat uji

Setelah pembaruan peramban mengaktifkan WebAssembly SIMD multi-thread secara bawaan, p95 jalur OCR turun dari 468 ms ke 412 ms tanpa perubahan bobot. Seluruh angka pada tabel tolok ukur diperbarui memakai protokol pengukuran yang sama.

Latensi

Pipeline evaluasi dipindah ke gerbang mutu integrasi berkelanjutan

Uji regresi metrik kini berjalan pada setiap perubahan. Rilis ditahan otomatis bila macro F1 turun lebih dari 1,5 poin terhadap acuan, atau bila ukuran berkas model melewati anggaran yang disepakati.

Pipeline

Deduplikasi korpus citra dengan perceptual hash

Dari 61.740 citra, 4.812 terdeteksi sebagai duplikat mendekati dan tersebar di dua partisi. Setelah pembersihan dan pemisahan ulang, selisih akurasi latih-uji menyempit dari 7,8 poin ke 3,1 poin.

Dataset
06

Paket, harga, dan cara memesan

Seluruh transaksi berjalan di situs ini, dari permintaan kerja sampai kuitansi.

Paket layanan dan harga mulai, sebelum pajak
PaketLayananHarga mulai
LensaVision & OCR On-DeviceRp 9.000.000
SigapClassifier Visual On-DeviceRp 6.000.000
IngatMesin Pembelajaran AdaptifRp 18.000.000
WicaraCore Platform Data & Integrasi LLMRp 20.000.000
AlihTerjemahan Neural Bahasa DaerahRp 24.000.000
JejakPelaporan Progres & Rilis AplikasiRp 8.000.000
RantaiPipeline AI & MLOpsRp 8.000.000

  1. Langkah 1: Pilih paket

    Setiap paket rekayasa AI tercantum di daftar harga beserta cakupan dan harganya, mulai Rp 6.000.000. Konsultasi teknis dan iterasi tambahan memakai tarif satuan.

    Buka daftar harga →

  2. Langkah 2: Ajukan permintaan kerja

    Isi formulir permintaan kerja: paket yang dibutuhkan, parameter proyek, serta data penagihan berupa nama, lembaga bila ada, surel, WhatsApp, dan alamat. Anda langsung mendapat tautan halaman pesanan.

    Buka formulir →

  3. Langkah 3: Peninjauan dan tagihan resmi

    Kami meninjau lingkupnya paling lambat dua hari kerja dan menetapkan nominal final. Tagihan bernomor lalu terbit di halaman pesanan, lengkap dengan rincian, total, dan tenggat bayar.

  4. Langkah 4: Bayar lewat virtual account

    Pilih bank dari halaman pesanan. Nomor virtual account bernominal pas langsung tampil dan bisa dibayar dari aplikasi bank, ATM, atau internet banking. Bank yang tersedia: Mandiri, BNI, BRI, BSI, Permata, CIMB Niaga, dan Danamon. Pemilik rekening BCA dan bank lain memilih Virtual Account CIMB Niaga, lalu membayarnya lewat transfer antarbank online ke CIMB Niaga (kode 022).

  5. Langkah 5: Kuitansi terbit sendiri

    Halaman pesanan memeriksa pembayaran secara otomatis. Begitu dana masuk, status berubah menjadi Lunas dan kuitansi bernomor terbit. Keaslian tagihan dan kuitansi bisa dicek lewat kode verifikasinya.

    Verifikasi dokumen →

  6. Langkah 6: Pengerjaan dimulai

    Kami menghubungi Anda lewat surel atau WhatsApp untuk rapat awal. Kode sumber, model terlatih, dan dokumentasi diserahkan setelah pelunasan.

Ajukan permintaan kerjaDaftar harga lengkap