Apa Itu Model Keputusan?

Selama 3 tahun, industri AI memperlakukan setiap masalah komputasi sebagai masalah pembangkitan teks.

Ketika agen otonom perlu memilih alat, memverifikasi transaksi keuangan, melakukan triase kerentanan keamanan, menyesuaikan aktuator robotik, atau menentukan apakah suatu tindakan memerlukan persetujuan manusia, standar industri adalah meminta model bahasa berparameter 70 miliar menghasilkan aliran token yang terbuka. Pengembang lalu memasang pola regex yang rapuh, parser JSON yang spekulatif, dan loop percobaan ulang untuk mengekstrak satu kata atau bendera boolean dari respons.

Pendekatan itu bukan sekadar pemborosan komputasi: ratusan langkah decoding autoregresif serial dihabiskan untuk menghasilkan keluaran yang bisa diwakili dalam 2 bit. Secara arsitektur, pendekatan itu memang tidak cocok.

Model bahasa generatif dilatih untuk memaksimalkan kemungkinan token berikutnya pada distribusi teks yang tak terbatas. Mereka diskursif, konversasional, dan secara struktural rawan berhalusinasi di bawah ketidakpastian. Tetapi 95% alur kendali dalam sistem perangkat lunak tidak membutuhkan esai.

Yang dibutuhkan adalah sebuah keputusan.

---

Model Bahasa Menalar. Model Keputusan Memutuskan.

Untuk memahami perbedaannya, lihat fungsi objektif yang mendasarinya.

Model Bahasa Besar (LLM) mengoptimalkan kemungkinan token autoregresif pada urutan yang terbuka:

Loss_LLM = - Σ log P(w_t | w_<t)

Ia menghasilkan urutan token w_1, w_2, ..., w_n yang diambil dari kosakata tak terbatas dengan lebih dari 100,000 kemungkinan. Model tidak dapat menyatakan bahwa bukti tidak cukup untuk menjawab tanpa menghasilkan frasa bahasa alami yang meniru kerendahan hati; ia tidak dapat mengeluarkan distribusi probabilitas asli di atas ruang keadaan operasional; dan angka keyakinan yang ia laporkan sendiri terkenal tidak terkalibrasi.

Model Keputusan mengoptimalkan objektif yang secara fundamental berbeda. Dengan keadaan bukti eksplisit E dan ruang keputusan terstruktur D, Model Keputusan menghitung pemetaan langsung ke keluaran terbatas dan bertipe y:

y_hat = argmax_y P(y | E, D)

Dilengkapi distribusi posterior yang dikalibrasi secara ketat P(y | E) dan primitif operasional kelas satu untuk abstensi berprinsip (DEFER).

Dimensi Arsitektur	Model Bahasa Generatif (LLMs)	Model Keputusan (misalnya Hanzo Kai)
Objektif Utama	Sintesis dan pembangkitan teks terbuka	Transisi keadaan diskret yang dapat diverifikasi
Ruang Keluaran	Urutan token tak terbatas (kosakata 100k+)	Skema terbatas dan bertipe ketat (Choice, Score, Predicate, Defer)
Keyakinan dan Kalibrasi	Tidak terkalibrasi; softmax yang dikarang di atas token	Probabilitas yang dikalibrasi secara empiris (P = 0.90 berarti akurasi 90%)
Representasi Keadaan	Jendela konteks sesaat dari string token	Bidang bukti multimodal terstruktur dengan provenans kriptografis
Topologi Eksekusi	Decoding serial autoregresif (latensi O(N))	Resolusi graf paralel dan Difusi Keputusan (laluan maju O(1))
Penanganan Ketidakpastian	Berhalusinasi pelengkapan yang masuk akal	Abstensi Berprinsip (DEFER ke kebijakan atau peninjau manusia)
Kemampuan Audit	Penjelasan verbal non-deterministik	Paket Keputusan yang tak dapat diubah dan dapat diputar ulang, dengan bukti hash kriptografis

Saat penalaran dipisahkan dari pengambilan keputusan, arsitektur sistem menjadi jauh lebih sederhana, lebih cepat, dan lebih andal.

---

Lima Pilar Arsitektur Model Keputusan

Model Keputusan yang sejati bukan LLM yang diminta "Jawab dengan JSON yang valid". Ia adalah arsitektur neural khusus yang dirancang dari dasar untuk evaluasi terbatas. Model keputusan berbobot terbuka dari Hanzo, Kai 1, berdiri di atas lima pilar arsitektur:

1. Keluaran Terbatas dan Bertipe (Tanpa Parsing String)

Dalam perangkat lunak produksi, setiap antarmuka antar sistem harus bertipe secara ketat. Meminta model bahasa menghasilkan keputusan lalu berharap ia mematuhi skema regex memasukkan risiko ekor yang katastrofik.

Model keputusan menghapus parsing teks sepenuhnya. Setiap keluaran bertipe secara native ke salah satu dari empat primitif:

• Choice<T>: Satu pilihan dari himpunan kandidat yang eksplisit dan terenumerasi, disertai distribusi probabilitas lengkap atas semua alternatif (p_1, p_2, ..., p_k dengan Σ p_i = 1.0).
• Score[min, max]: Penilaian kuantitatif yang dibatasi dalam batas operasional tetap, lengkap dengan interval keyakinan.
• Predicate: Verifikasi boolean murni (true atau false) dengan kepastian yang terkalibrasi.
• Defer: Penolakan eksplisit untuk menebak ketika bukti tidak cukup atau bertentangan, lalu menyerahkan eksekusi ke kebijakan fallback yang telah ditentukan atau ke manusia di dalam loop.

Karena lapisan keluaran dibatasi pada skema yang valid di tingkat logit, model keputusan secara fisik tidak dapat menghasilkan hasil di luar batas, nilai enum yang ilegal, atau payload yang rusak.

// Calling Hanzo Kai 1 via the unified SDK:
const decision = await kai.decide({
  question: "deploy_canary_to_production",
  schema: {
    type: "choice",
    options: ["promote", "rollback", "quarantine", "defer_to_sre"],
  },
  evidence: [
    { type: "p99_latency_ms", value: 142, threshold: 150 },
    { type: "error_rate_delta", value: "+0.002%", threshold: "+0.01%" },
    { type: "canary_health_score", value: 0.98 },
  ],
});

// The result is directly typed, validated, and calibrated:
console.log(decision.result);      // "promote"
console.log(decision.probability); // 0.964
console.log(decision.entropy);     // 0.12 (low uncertainty)

---

2. Bidang Bukti Multimodal Terpadu

Keputusan di dunia nyata jarang bergantung pada teks saja. Di domain kritis, seperti keuangan berdaulat, manipulasi robotik, triase medis otomatis, dan telemetri industri, keputusan menuntut evaluasi sinyal yang heterogen secara bersamaan.

Model keputusan tidak mengubah data tabular, umpan sensor, dan larik radar menjadi tabel Markdown yang kaku agar dibaca LLM. Sebagai gantinya, Kai memakai enkoder modalitas khusus:

• Telemetri dan Deret Waktu: Jendela bergulir yang divektorisasi dan fitur domain frekuensi.
• Visual dan Termal: Token visual padat dari backbone visi.
• Keadaan Terstruktur: Proyeksi entitas graf dan relasional dari Hanzo Datastore.
• Kode dan Spesifikasi: Embedding semantik tingkat AST dan matriks persyaratan formal.

Semua modalitas diproyeksikan ke bidang bukti terpadu. Yang terpenting, bukti mempertahankan provenans kriptografis: setiap tensor masukan di-hash dan diberi sidik jari. Jika sebuah keputusan diaudit 6 bulan kemudian, keadaan masukan yang persis sama dapat direkonstruksi bit demi bit.

---

3. Resolusi Graf Paralel dan Difusi Keputusan

Kemacetan terbesar pada agen otonom modern adalah eksekusi serial. Loop agen yang membutuhkan 50 keputusan antara biasanya memanggil LLM 50 kali secara berurutan. Pada 500ms hingga 2s per pelengkapan, agen menghabiskan menit hanya untuk menelusuri alur kendalinya sendiri.

Selain itu, perambatan kesalahan pada rantai LLM serial bersifat katastrofik. Jika setiap langkah punya tingkat keberhasilan 95%, rantai 20 langkah hanya berhasil sebesar:

0.95 ^ 20 ≈ 35.8%

Model keputusan menyelesaikan ini lewat Difusi Keputusan pada graf asiklik berarah (DAGs).

Alih-alih menilai keputusan secara serial, seluruh program keputusan diserahkan sekaligus. Dalam satu laluan maju:

1. Lintasan 1 (Konvergensi Segera): 80–90% simpul dengan bukti yang tidak ambigu terselesaikan segera dengan keyakinan tinggi (P > 0.99).
2. Lintasan 2 (Difusi Bersyarat): Simpul yang bergantung menerima keadaan terkunci dari induknya, lalu menghaluskan distribusi probabilitasnya.
3. Lintasan 3 (Pemenuhan Kendala): Simpul berentropi tinggi atau yang bertentangan yang tersisa dievaluasi terhadap kendala batas formal.

Alur kerja kompleks dengan 100 keputusan operasional yang saling bergantung terselesaikan dalam milidetik, bukan menit.

---

4. Kalibrasi yang Ketat dan Abstensi Berprinsip

Jika sebuah model AI mengatakan ia 99% yakin, seberapa sering ia benar-benar benar?

Pada model generatif siap pakai, keyakinan yang dilaporkan sendiri terkenal berkorelasi buruk dengan kebenaran. Model menderita kepercayaan diri berlebih yang parah pada masukan di luar distribusi, dan dengan senang hati berhalusinasi pembenaran yang meyakinkan untuk keluaran yang salah.

Dalam aplikasi industri, dirgantara, dan keuangan, jawaban salah yang terlalu yakin bersifat fatal. Model Keputusan harus terkalibrasi secara empiris:

E[ Indicator(y_pred == y_true) | P(y_pred) = p ] = p

Ketika Kai mengeluarkan probabilitas 0.85, keputusan itu secara empiris benar tepat 85% dari waktu.

       Uncalibrated LLM (Overconfident)            Calibrated Decision Model (Kai)
  1.0 |                    /                 1.0 |                     /
      |                   /                      |                   /
A 0.8 |             _____/                 A 0.8 |                 /
C     |            /                       C     |               /
C 0.6 |           /                        C 0.6 |             /
      |          /                         |          /
  0.4 |    _____/                          0.4 |        /
      |   /                                      |      /
  0.2 |  /                                   0.2 |    /
      | /                                        |  /
  0.0 +----------------------                0.0 +----------------------
      0.0  0.2  0.4  0.6  0.8  1.0               0.0  0.2  0.4  0.6  0.8  1.0
             CONFIDENCE                                 CONFIDENCE

Ketika entropi melebihi toleransi risiko berparameter τ, model tidak menebak. Ia memanggil Abstensi Berprinsip:

Entropy(P(y | E)) = - Σ p_i * log(p_i) > τ  ==>  DEFER

Sistem mengembalikan eksekusi kepada spesialis manusia atau buku aturan deterministik, dan menyediakan gradien sensitivitas eksplisit yang menunjukkan potongan bukti yang hilang mana yang paling menurunkan entropi.

---

5. Paket Keputusan yang Dapat Diputar Ulang (Jejak Audit)

Di lingkungan perusahaan yang teregulasi, "AI menghasilkan teks ini" bukan pembelaan hukum yang sah dan bukan pula postur kepatuhan.

Setiap keputusan yang dievaluasi Kai menghasilkan Paket Keputusan yang tak dapat diubah dan tersegel secara kriptografis:

{
  "decision_id": "dec_8f0a2c91b4",
  "program_version": "fraud_triage_v2.4",
  "timestamp": "2026-09-30T19:00:00Z",
  "model": {
    "name": "kai-1-core",
    "weights_sha256": "e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855"
  },
  "evidence_fingerprints": {
    "transaction_context": "sha256:7c9e...",
    "biometric_telemetry": "sha256:4a1d...",
    "historical_risk_profile": "sha256:9f8b..."
  },
  "posterior_distribution": {
    "approve": 0.012,
    "step_up_mfa": 0.976,
    "terminate_session": 0.009,
    "defer_to_fraud_desk": 0.003
  },
  "selected_action": "step_up_mfa",
  "entropy": 0.098,
  "signature": "ed25519:3b7a8f..."
}

Jika auditor atau insinyur respons insiden menanyakan sebuah transaksi bertahun-tahun kemudian, mereka dapat memutar ulang Paket Keputusan terhadap revisi model yang persis sama, dan memverifikasi bahwa keluaran itu deterministik secara matematis, tahan gangguan, dan sesuai kebijakan.

---

Di Mana Model Keputusan Berada dalam Tumpukan Anda

Model Keputusan tidak menggantikan model generatif. Mereka melepaskan model generatif dari pekerjaan yang memang tidak pernah dirancang untuk mereka.

Dalam arsitektur perusahaan modern, sistem berkembang ketika tugas dipisahkan dengan bersih antara pembangkitan dan kendali:

                          ┌──────────────────────────┐
                          │   Incoming Workload      │
                          └─────────────┬────────────┘
                                        │
                                        ▼
                          ┌──────────────────────────┐
                          │       Enso Router        │
                          │  (Task Intent & Triage)  │
                          └──────┬────────────┬──────┘
                                 │            │
             Generative Tasks    │            │   Control & Decision Tasks
       (Code, Research, Content) │            │   (Routing, Approvals, Safety)
                                 ▼            ▼
                     ┌───────────────┐    ┌───────────────┐
                     │  Zen Models   │    │  Kai Models   │
                     │ (LLM / Reason)│    │ (Decision Mod)│
                     └───────────────┘    └───────┬───────┘
                                                  │
                                                  ▼
                                          ┌───────────────┐
                                          │Typed Decision │
                                          │    Package    │
                                          └───────────────┘

• Zen: model penalaran generatif terdepan dari Hanzo. Gunakan Zen saat Anda membutuhkan riset tekstual yang dalam, bukti rantai pemikiran banyak langkah, sintesis kreatif, dan penyusunan dokumen.
• Kai: keluarga model keputusan berbobot terbuka dari Hanzo. Gunakan Kai saat Anda membutuhkan perutean deterministik, pemilihan alat, ambang keselamatan, eksekusi perdagangan, triase, dan kendali loop agen.
• Enso: meta-router berthroughput tinggi yang memeriksa tugas masuk pada lapisan mikrodetik, mengarahkan tugas generatif ke Zen dan tugas keputusan ke Kai.

---

Bobot Terbuka. Infrastruktur Berdaulat.

Infrastruktur keputusan yang andal tidak boleh terkunci di dalam API pihak ketiga yang tertutup dan mengubah perilaku tanpa pemberitahuan. Ketika sebuah model mengatur deployment produksi, sistem fisik, atau risiko keuangan, Anda harus memiliki kedaulatan penuh atas bobot, runtime, dan privasi datanya.

Kai 1 berbobot terbuka. Anda dapat menjalankannya:

1. Di Hanzo Sovereign Cloud: Diskalakan secara global dengan jaminan tanpa egress dan latensi di bawah milidetik.
2. Di VPC Anda sendiri atau on-premises: Dapat di-deploy lewat Docker atau Kubernetes pada GPU NVIDIA, AMD ROCm, atau node CPU berdensitas tinggi.
3. Di tepi: Terputus sepenuhnya untuk lingkungan robotika, dirgantara, dan pertahanan berdaulat.

Berhentilah meminta model bahasa menulis esai ketika perangkat lunak Anda hanya membutuhkan sebuah keputusan.

Selamat datang di era Kecerdasan Keputusan.

---