Constellation software Inc. mengumumkan hasil keuangan kuartal ketiga tahun 2025, melaporkan pendapatan sebesar US$2,95 miliar dan laba bersih sebesar US$210 juta, serta mengumumkan utang dividen sebesar US$1,00 per saham pada bulan Januari 2026.
Meskipun kinerja operasional dan akuisisi kuat, fokus investor telah beralih ke kekhawatiran mengenai suksesi kepemimpinan dan strategi kecerdasan buatan setelah kepergian CEO Mark Leonard baru-baru ini karena alasan kesehatan.
Kami akan mengeksplorasi bagaimana ketidakpastian seputar suksesi CEO dan strategi AI membentuk narasi investasi Constellation Software sehubungan dengan perkembangan ini.
Temukan perusahaan dengan potensi arus kas yang menjanjikan namun diperdagangkan di bawah nilai wajarnya.
Untuk menjadi pemegang saham Constellation Software saat ini, Anda harus percaya pada strategi jangka panjang perusahaan dalam mengakuisisi dan mengembangkan bisnis perangkat lunak pasar vertikal, bahkan di masa yang penuh gejolak. Hasil kuartal ketiga baru-baru ini masih menunjukkan pertumbuhan pendapatan dan laba sebesar dua digit, arus kas bebas yang solid, dan dividen berkelanjutan sebesar US$1,00, yang biasanya dianggap meyakinkan. Namun, kepergian pendiri-CEO Mark Leonard yang tiba-tiba karena alasan kesehatan telah menimbulkan risiko baru dalam jangka pendek, terutama dengan sentimen investor yang sudah berhati-hati terhadap rencana perusahaan untuk kecerdasan buatan. Penurunan harga saham baru-baru ini mencerminkan pergeseran fokus, menjauh dari momentum operasional dan menuju ketidakpastian seputar kepemimpinan dan apakah Constellation dapat mempertahankan kecepatan akuisisi dan beradaptasi dengan perubahan perangkat lunak yang didorong oleh AI. Meskipun tesis jangka panjang seputar pelaksanaan operasional masih ada, perubahan kepemimpinan ini merupakan katalis penting jangka pendek dan faktor risiko, yang kemungkinan besar akan lebih membebani kepercayaan diri dibandingkan hasil kuartal mana pun. Di sisi lain, ketidakpastian seputar babak selanjutnya dari Constellation bukanlah sesuatu yang dapat dipersiapkan oleh semua investor.
Meski melemah, saham Constellation Software mungkin masih diperdagangkan 35% di atas nilai wajarnya. Temukan potensi kerugiannya di sini.
TSX:Nilai Wajar Komunitas CSU pada November 2025
Perkiraan nilai wajar investor dari Komunitas Simply Wall St mencakup rentang yang luas, mulai dari US$3.700 hingga lebih dari US$11.250, berdasarkan 21 perspektif unik. Penyebaran opini ini terjadi ketika pertanyaan seputar perubahan eksekutif dan pendekatan Constellation terhadap kecerdasan buatan mempengaruhi pandangan pasar. Pertimbangkan sudut pandang yang berbeda ini saat Anda mempertimbangkan ekspektasi Anda terhadap masa depan perusahaan.
Jelajahi 21 estimasi nilai wajar lainnya di Constellation Software – mengapa saham tersebut mungkin bernilai 3x lebih tinggi dari harga saat ini!
Tidak setuju dengan penilaian ini? Buat narasi Anda sendiri dalam waktu kurang dari 3 menit – hasil investasi yang luar biasa jarang datang dari mengikuti kelompoknya.
Saat ini bisa menjadi titik masuk terbaik. Pilihan ini baru dari pemindaian harian kami. Jangan menunda:
Artikel oleh Simply Wall St ini bersifat umum. Kami memberikan komentar berdasarkan data historis dan perkiraan analis hanya dengan menggunakan metodologi yang tidak memihak dan artikel kami tidak dimaksudkan sebagai nasihat keuangan. Ini bukan merupakan rekomendasi untuk membeli atau menjual saham apa pun, dan tidak mempertimbangkan tujuan Anda, atau situasi keuangan Anda. Kami bertujuan untuk memberikan Anda analisis terfokus jangka panjang yang didorong oleh data fundamental. Perhatikan bahwa analisis kami mungkin tidak memperhitungkan pengumuman perusahaan terbaru yang sensitif terhadap harga atau materi kualitatif. Simply Wall St tidak memiliki posisi di saham mana pun yang disebutkan.
Perusahaan yang dibahas dalam artikel ini antara lain CSU.TO.
Punya tanggapan tentang artikel ini? Khawatir dengan isinya? Hubungi kami secara langsung. Atau, kirim email ke editorial-team@simplywallst.com
AI dalam teknologi manajemen proyek semakin populer, namun keamanan dan keterampilan staf adalah poin utama, tulis analis Capterra David Jani
Perangkat lunak manajemen proyek (PM) tidak dapat dinegosiasikan bagi sebagian besar perusahaan yang berfokus pada konstruksi, dan dengan pesatnya peningkatan dan adopsi kecerdasan buatan (AI), memahami cara mendapatkan laba atas investasi (ROI) yang baik dengan teknologi baru sangatlah penting.
Dalam studi terbaru dari Capterra, 59% pembeli PM di Inggris mengatakan AI mendorong mereka untuk melakukan pembelian terakhir, dan anggaran meningkat untuk memenuhi inovasi baru ini. Selain itu, 36% mengatakan mereka akan meningkatkan anggaran untuk mengadopsi alat-alat baru secara khusus.
Namun, hampir separuh PM Inggris mengantisipasi kesulitan dalam menerapkan AI karena kesenjangan dalam keahlian, kesulitan dalam proses orientasi, atau ketidakselarasan alur kerja. Kegagalan dalam memilih alat yang tepat dan mengantisipasi tantangan implementasi dapat menyebabkan terbuangnya waktu dan anggaran, terganggunya produktivitas, dan yang lebih penting lagi, membahayakan integritas data.
Menemukan platform yang benar-benar sesuai dengan bisnis Anda, memenuhi janji AI dengan aman, dan mengalokasikan anggaran secara efektif mungkin terdengar mudah, namun menghindari jebakan pemasaran AI memerlukan pemikiran yang cermat. Apa yang bisa dilakukan untuk mendapatkan keuntungan?
Dunia usaha memprioritaskan AI, dan ROI sepertinya juga mengikuti
Banyak teknologi AI telah beralih dari kemungkinan teoretis ke kesamaan sehari-hari. Banyak penyedia perangkat lunak kini secara terang-terangan mempromosikan penyertaan model bahasa besar (LLM), fitur otomatisasi, dan analisis prediktif dalam perangkat lunak manajemen proyek.
Dunia usaha telah memperhatikan hal ini seiring dengan meningkatnya pengeluaran untuk perangkat lunak. Temuan Capterra menunjukkan sebagian besar PM di Inggris berencana membelanjakan lebih banyak pada tahun 2025 dibandingkan tahun lalu, dengan peningkatan anggaran sebesar 36% untuk mengadopsi alat baru secara khusus.
Studi terbaru lainnya juga menunjukkan bahwa penggunaan AI dalam manajemen proyek konstruksi sudah menjadi hal yang lumrah dan bukan pengecualian.
Ada banyak area di mana pembeli mengharapkan keuntungan dari investasi. Dalam studi Capterra, manfaat paling umum yang dicari pembeli perangkat lunak PM di Inggris berkisar pada otomatisasi tugas, memperoleh analisis prediktif yang lebih baik, atau mendukung pembuatan konten.
Dalam banyak kasus, hal ini menghasilkan ROI positif bagi sebagian besar pembeli (85%) dalam studi Capterra. Namun, tantangannya terletak pada penerapan yang efektif, yang merupakan kunci keberhasilan.
Antusiasme terhadap AI tinggi, namun eksekusi adalah persoalan lain
Untuk membuka potensi AI, diperlukan sejumlah elemen yang diketahui sebelum diadopsi. Hal ini mencakup keahlian yang Anda perlukan, sumber daya teknis yang tersedia untuk mengelola sistem, serta tujuan yang jelas tentang bagaimana AI akan melakukan tugasnya.
Sekitar separuh PM (48%) di Inggris memandang penerapan AI yang efektif sebagai tantangan besar saat menggunakan perangkat lunak manajemen proyek. Hal ini diperburuk oleh masalah staf yang tidak memiliki keterampilan yang diperlukan untuk menggunakan dan mengelola fitur-fitur berkemampuan AI dengan benar, kurangnya dukungan orientasi dari vendor, atau kegagalan untuk menyelaraskan alur kerja yang ada dengan teknologi baru.
Kurangnya keterampilan dalam pengetahuan AI jelas dapat menyebabkan ketidakmampuan untuk menskalakan alat AI di berbagai proyek. Beberapa perencanaan ke depan diperlukan di sini untuk menemukan keterampilan tersebut di antara tenaga kerja Anda saat ini atau mendatangkan mereka dari luar.
Selain itu, pelatihan untuk keterampilan semacam ini perlu menjadi prioritas berkelanjutan. Potensi yang belum terealisasi merupakan risiko yang sangat nyata dalam pelaksanaan alat manajemen proyek berkemampuan AI, meskipun alat tersebut berfungsi dengan baik dalam skala kecil.
Faktor penting lainnya adalah keamanan data: Sistem PM adalah pengguna utama data perusahaan dan AI semakin meningkatkan kebutuhan perlindungan.
Menjaga keamanan saat memperkenalkan AI
Tidak ada bisnis yang dapat bermain-main dengan perlindungan keamanan sibernya, dan hal ini terutama berlaku pada perangkat lunak manajemen proyek. Dengan lebih dari tujuh dari 10 (72%) menilai keamanan sebagai hal yang sangat penting dan setengah dari pembelian PM dipengaruhi oleh faktor keamanan, penggunaan data dan sistem API yang ekstensif oleh AI menjadikan pertimbangan keamanan menjadi semakin penting ketika menangani adopsi perangkat lunak.
Oleh karena itu, tidak mengherankan jika setengah (51%) keputusan untuk mengadopsi perangkat lunak PM baru dipengaruhi oleh masalah keamanan.
Manajer proyek harus mempertimbangkan kemungkinan terjadinya ketidakamanan, seperti:
Pengawasan diperlukan saat menilai fitur PM baru untuk tumpukan perangkat lunak Anda. Kehati-hatian dan perhatian ekstra perlu diberikan, terutama untuk mengendalikan akses terhadap informasi yang paling sensitif. Penting juga untuk mempertimbangkan pola pikir yang mengutamakan keamanan saat mempertimbangkan fitur, cara fitur menggunakan data, dan cara mengamankannya dari serangan.
Selain itu, seperti biasa, perhatikan perlindungan umum untuk sistem. Ajukan pertanyaan praktis pada diri Anda seperti, apakah ini memungkinkan pengguna mengontrol akses yang paling aman informasi? Atau apakah metode masuknya cukup kuat?
Terakhir, sebaiknya kita melihat sejarah terkini vendor dalam hal keamanan siber. Cari tahu apakah mereka baru-baru ini atau sering diretas dan apakah ada kehilangan data. Pahami secara detail cara mereka mengamankan API dan melindungi pengguna untuk memastikan produk mereka menjaga keamanan dengan baik.
Memahami AI = ROI terbaik
AI bukanlah keajaiban dan tidak akan langsung memperbaiki semua proses PM Anda. Memahami alat ini dan apa yang perlu diubah agar sesuai dengan perusahaan Anda adalah langkah pertama yang penting adopsi. Hal ini memerlukan pemahaman yang baik tentang alur kerja Anda dan membangun keterampilan AI di organisasi Anda.
Menetapkan sasaran yang lebih jelas membantu memilih alat yang dapat memberikan hasil dan berkembang bersama bisnis Anda. Titik fokus utama adalah keamanan, yang memerlukan perhatian lebih dari biasanya oleh PM saat mengadopsi fitur AI yang signifikan.
Dengan banyaknya dana yang terfokus pada pengembangan AI dan penerapan perangkat lunak PM, mendorong ROI menjadi semakin penting untuk menghindari penggunaan yang kurang atau bahkan pengabaian dan memperoleh hasil yang diinginkan.
AI menjadi alat QA utama yang membantu pembuatan skenario, deteksi risiko, dan perencanaan pengujian dengan lebih cepat. Pada Online TestConf, Arbaz Surti menunjukkan betapa efektifnya dorongan menggunakan peran, konteks, dan format keluaran membantu mendapatkan skenario pengujian yang jelas, relevan, dan dapat ditindaklanjuti. AI dapat meningkatkan kemampuan penguji, namun penilaian manusia diperlukan untuk memastikan relevansi dan kualitas.
AI akan menjadi bagian dari perangkat QA, dan penguji yang mempelajari cara membentuk perintah secara efektif akan menggunakannya untuk mempercepat pembuatan skenario, mengungkap risiko dengan lebih cepat, dan memfokuskan waktu mereka pada pekerjaan yang bernilai lebih tinggi, jelas Surti:
Dalam proyek Baskin-Robbins saya, kami harus menguji bagaimana ketersediaan item menu disinkronkan ke sistem pemesanan. Saya memberi AI petunjuk mendetail yang menjelaskan aplikasi tersebut dan memintanya untuk membuat kasus tepi. Muncul beberapa skenario yang belum saya pertimbangkan — termasuk skenario di mana item yang ditandai sebagai “tersedia” di aplikasi sebenarnya kehabisan stok di toko.
Penangkapan ini mencegah bug serius yang dapat menyebabkan pelanggan melakukan pemesanan yang tidak dapat dipenuhi dan toko menghadapi pengembalian dana yang berantakan, kata Surti.
Rekayasa yang cepat adalah perpanjangan dari hal terbaik yang telah kami lakukan: mengajukan pertanyaan yang bagus. Jika Anda memberikan perintah yang tidak jelas kepada AI, biasanya Anda akan mendapat jawaban yang tidak jelas, kata Surti. Jika Anda menerapkan disiplin yang sama yang digunakan penguji dalam menulis kasus pengujian, Anda akan mendapatkan hasil yang lebih mendekati apa yang sebenarnya dibutuhkan penguji: skenario pengujian yang jelas, relevan, dan dapat ditindaklanjuti yang dapat mereka percayai.
Menulis petunjuk yang efektif untuk kasus uji seperti menulis persyaratan yang jelas; semakin banyak konteks yang Anda berikan, semakin baik hasilnya. Dia menyarankan menggunakan struktur sederhana:
Tentukan peran: Anda adalah insinyur QA senior, penguji kinerja yang berfokus pada skenario beban dan tekanan, penguji keamanan yang ahli dalam mengidentifikasi kerentanan dalam alur autentikasi, atau pimpinan QA yang bertanggung jawab atas penentuan prioritas berbasis risiko.
Tambahkan konteks: fitur atau sistem apa yang Anda uji, aturan atau batasan apa pun.
Atur format output yang Anda inginkan.
Saat Anda melakukan ini, alih-alih membuat daftar kasus pengujian secara acak, Anda akan sering mendapatkan skenario terstruktur dan berprioritas yang dapat Anda masukkan langsung ke dalam alur kerja QA Anda, kata Surti. Ini tentang membimbing AI dengan cara yang sama seperti Anda memandu penguji junior.
Alur kerja pengujian yang didukung AI memberdayakan penguji alih-alih menggantikan mereka. AI dihubungkan ke berbagai bagian siklus QA, Surti menjelaskan:
Selama perencanaan ujian, ini dapat membantu Anda melakukan brainstorming cakupan lebih cepat. Untuk pembuatan kasus uji, ia dapat menyusun skenario dan bahkan menyarankan kasus tepi yang mungkin Anda lewatkan. Saat Anda mencapai eksekusi dan otomatisasi, AI dapat membantu membuat skrip atau memprioritaskan pengujian bernilai tinggi. Dan dalam pelaporan, teknologi ini dapat merangkum hasil, menemukan pola, atau menerjemahkan temuan teknis ke dalam bahasa yang ramah bisnis.
Alur kerjanya masih sama, namun AI bertindak seperti asisten cerdas di setiap langkah, membantu penguji bergerak cepat, dan fokus pada pemikiran bernilai lebih tinggi, kata Surti.
Untuk mendorong QA, Surti menyarankan untuk fokus pada prinsip-prinsip panduan daripada langkah-langkah spesifik:
Kejelasan dibandingkan kelengkapan: prioritaskan menanyakan apa yang saya perlukan daripada mencoba mendapatkan semuanya dalam satu waktu.
Format untuk digunakan kembali: menyusun keluaran sehingga dapat dimasukkan langsung ke dalam rencana pengujian, tabel, atau daftar periksa.
Berpikirlah seperti seorang penguji: perlakukan respons AI sebagai sesuatu untuk divalidasi dan diulangi, sama seperti hasil pengujian.
Dorongan sadar risiko: mengarahkan AI untuk fokus pada skenario yang berdampak besar atau kasus yang sulit, bukan pada jawaban yang umum.
Iterasi reflektif: setiap perintah adalah peluang untuk menyempurnakan dan mempelajari, meningkatkan hasil seiring waktu.
AI adalah akselerator yang kuat, bukan pengganti penguji, kata Surti. Ini bersinar dalam bertukar pikiran, menghasilkan skenario, atau memunculkan kasus-kasus rumit yang mungkin Anda lewatkan karena tekanan waktu. Namun nilai sebenarnya muncul ketika Anda membimbingnya dengan petunjuk yang baik dan kemudian menerapkan penilaian manusia untuk menyaring hal-hal yang penting. AI membantu Anda menjangkau lebih banyak wilayah dengan lebih cepat, namun pengujilah yang memastikan kedalaman dan relevansi cakupan tersebut, ia menyimpulkan.
InfoQ mewawancarai Arbaz Surti tentang permintaan pengujian perangkat lunak.
InfoQ: Bagaimana kita bisa menulis perintah yang efektif untuk menghasilkan kasus uji?
Arbaaz Surti: Berikut ini contoh prompt dengan output yang dihasilkan:
Peran: Anda adalah insinyur QA senior yang berpengalaman dalam pengujian pembayaran e-niaga.
Konteks: Fitur yang diuji adalah alur pembayaran e-niaga untuk aplikasi web. Itu harus mendukung checkout tamu dan diautentikasi, beberapa metode pembayaran (kartu kredit, kartu hadiah, PayPal), kode promo, kelanjutan multi-perangkat, opsi pengiriman, dan perhitungan pajak. Sistem menerapkan validasi pembayaran dan harus menahan serangan keamanan umum (SQLi, XSS). Ada batas waktu sesi/checkout 15 menit.
Batasan: Buat tabel penurunan harga dengan kolom berikut:
| Skenario Tes | Kategori (Fungsional / Kasus Tepi / Keamanan / Kegunaan) | Masukan/Tindakan | Hasil yang Diharapkan | Prioritas (Tinggi / Sedang / Rendah) |
Persyaratan:
– Menyediakan 15-20 skenario berbeda yang mencakup Fungsional, Kasus Edge, Keamanan, dan Kegunaan.
– Sertakan jalur bahagia inti, kasus kegagalan pembayaran/negatif, kasus edge (keranjang kosong, batas waktu, multi-perangkat), dan uji keamanan (injeksi SQL, XSS).
…
Keluarkan hanya tabel Markdown (tidak ada komentar tambahan).
Hasil:
Skenario Tes
Kategori
Masukan / Tindakan
Hasil yang Diharapkan
Prioritas
Tambahkan item ke keranjang
Fungsional
Pilih item dan klik “Tambahkan ke Keranjang”
Barang muncul di keranjang dengan harga yang benar
Tinggi
Terapkan kode diskon
Fungsional
Masukkan kupon yang valid/tidak valid
Valid: diskon berlaku; Tidak valid: pesan kesalahan
Tinggi
Masuk saat checkout
Fungsional
Masuk di tengah pembayaran
Keranjang dipertahankan, pengguna dialihkan ke pembayaran
Sedang
…
InfoQ: Teknik prompting apa saja yang ada, dan bagaimana Anda menggunakan teknik tersebut?
keluar: Teknik yang diambil dari Survei Sistematis Teknik Rekayasa Cepat yang memberikan dampak paling besar kepada penguji adalah:
Dorongan peran membantu membentuk “suara” dan keahlian AI – misalnya, menjadikannya bertindak seperti insinyur QA senior.
Dekomposisi adalah memecah tugas-tugas besar menjadi langkah-langkah yang lebih kecil dan lebih dapat diuji.
Output terstruktur juga merupakan kuncinya, karena ketika Anda meminta hasil dalam tabel, JSON, atau piagam pengujian, Anda mendapatkan sesuatu yang dapat Anda masukkan ke dalam alur kerja Anda.
Dan Anda dapat meminta AI untuk mengevaluasi sendiri cakupannya, sehingga membantu menemukan kesenjangan.
Ada teknik yang lebih canggih seperti Chain-of-Thought prompting (CoT), di mana Anda memandu AI untuk bernalar langkah demi langkah. Namun bagi sebagian besar penguji, memulai dengan teknik inti ini sudah dapat mengubah kualitas keluaran.
Narasi yang umum dalam infrastruktur AI sering kali berpusat pada dominasi NVIDIA, namun arus balik yang menarik juga muncul, yang didukung oleh perusahaan seperti Zyphra. Dalam diskusi baru-baru ini di podcast Latent Space, Alessio Fanelli berbicara dengan Quentin Anthony, Kepala Pelatihan Model di Zyphra dan penasihat di EleutherAI, mempelajari poros strategis Zyphra yang berani terhadap perangkat keras AMD dan implikasinya terhadap masa depan pengembangan dan penerapan model AI. Wawasan Anthony mengungkapkan filosofi keterlibatan teknis yang mendalam, menantang kepuasan industri, dan menunjukkan jalan menuju keunggulan kompetitif.
Zyphra, sebuah perusahaan model full-stack, menangani segalanya mulai dari kurasi data hingga penerapan model, dengan fokus khusus pada edge AI. Keputusan strategis yang signifikan bagi startup ini adalah memigrasikan seluruh cluster pelatihannya ke AMD. “Kami baru-baru ini memindahkan seluruh klaster pelatihan kami ke AMD,” kata Anthony, menyoroti keyakinan bahwa AMD menawarkan “klaster pelatihan yang sangat menarik” yang secara signifikan mengurangi biaya operasional mereka. Langkah ini bukannya tanpa tantangan mendasar, yang berakar pada pengalaman Anthony sebelumnya bekerja pada superkomputer Frontier di Oak Ridge National Lab, yang seluruhnya didasarkan pada GPU AMD MI250X. Kebutuhan ini memaksanya untuk memindahkan operasi kompleks seperti Flash Attention ke perangkat keras AMD, sebuah proses yang sulit namun pada akhirnya mengungkap banyak hal.
Pengalaman langsung Anthony menggarisbawahi wawasan penting: meskipun NVIDIA secara historis memiliki keunggulan perangkat lunak, GPU MI300X terbaru AMD menawarkan metrik perangkat keras yang menarik. Dia mencatat bahwa untuk operasi yang terikat memori atau yang melibatkan paralelisme, MI300X AMD, dengan VRAM 192GB dan bandwidth memori yang superior, dapat mengungguli NVIDIA H100s. “Semakin sedikit waktu yang Anda habiskan dalam komputasi padat… dan semakin banyak waktu yang Anda habiskan dalam paralelisme atau berpindah ke dan dari HBM, AMD MI300X sebenarnya memiliki metrik perangkat keras yang jauh lebih baik,” jelas Anthony. Hal ini menunjukkan bahwa untuk beban kerja tertentu, terutama yang tidak bergantung pada komputasi padat FP8, AMD menghadirkan alternatif yang ampuh dan hemat biaya.
Namun, perjalanan untuk memanfaatkan potensi AMD menuntut pendekatan yang tidak konvensional dalam pengembangan kernel. Anthony secara terbuka mengkritik kecenderungan industri terhadap kerangka kerja tingkat tinggi seperti Triton, dan memilih pengkodean langsung dalam ROCm atau bahkan perakitan GPU bila diperlukan. Filosofinya jelas bersifat “bottom-up”: memahami sifat intrinsik perangkat keras terlebih dahulu, kemudian merancang algoritme untuk sepenuhnya mengeksploitasi kemampuan tersebut. Hal ini berbeda dengan pendekatan “top-down” yang mungkin mengabaikan spesifikasi perangkat keras, sehingga berpotensi mengabaikan kinerja. Dia berpendapat bahwa sebagian besar “masalah perangkat lunak” yang dirasakan AMD sebagian disebabkan oleh keterbatasan perangkat keras dan kurangnya upaya optimasi tingkat rendah yang berdedikasi. “Jika Anda mengevaluasi semuanya secara merata, Anda akan menemukan hal-hal seperti ini dalam kesulitan,” katanya, menunjukkan bahwa banyak pengembang yang belum memanfaatkan ekosistem AMD, sehingga menciptakan peluang bagi mereka yang ingin melakukan pekerjaan lebih mendalam.
Inovasi Zyphra meluas ke arsitektur modelnya. Perusahaan ini telah menjadi yang terdepan dalam model hibrida ruang angkasa, seperti Zamba 2, yang menggabungkan transformator dan blok Mamba2. Anthony dengan bangga mencatat bahwa Zamba 2, model parameter 7B, dapat menandingi kinerja Llama 3 8B. Model-model ini dioptimalkan untuk penerapan edge, dengan skala mulai dari model 1,2 miliar untuk ponsel hingga 7 miliar untuk desktop, yang menunjukkan komitmen terhadap AI pada perangkat yang efisien. Strategi pengembangan spektrum model yang disesuaikan dengan beragam kendala perangkat keras, mulai dari perangkat edge dengan sumber daya terbatas hingga klaster lokal yang lebih kuat, adalah kunci dari visi mereka tentang AI yang ada di mana-mana.
Bacaan Terkait
Anthony juga menyampaikan pemikiran jujurnya tentang peran AI dalam produktivitas pengembang dan tantangan pembuatan kode tingkat rendah. Meskipun mengakui kegunaan AI untuk tugas-tugas tingkat tinggi seperti fusi kode atau menghasilkan boilerplate, ia tetap skeptis tentang kemampuannya saat ini untuk menghasilkan kernel GPU tingkat rendah yang dioptimalkan. Ia menemukan bahwa model sering kali menghasilkan kode tingkat rendah yang “dead basic” atau benar-benar salah, yang kemudian sulit untuk di-debug karena paralelisme yang melekat dan kompleksitas operasi GPU. Dia lebih memilih akses API langsung daripada alat seperti Cursor, memprioritaskan kontrol penuh atas konteks dan menghindari “efek mesin slot” dari model yang terus-menerus mendorong. Tantangan dalam menciptakan kumpulan data kernel yang kuat dan metrik evaluasi yang andal semakin memperumit peran AI dalam domain ini.
Jalur yang ditempuh Zyphra bersama AMD merupakan bukti kekuatan keahlian teknis yang mendalam dan pilihan perangkat keras yang strategis dalam lanskap yang didominasi oleh satu pemain. Dengan merangkul nuansa arsitektur AMD dan berinvestasi dalam pengembangan kernel dasar, Zyphra tidak hanya mengurangi biaya tetapi juga mencapai terobosan kinerja yang dapat membentuk kembali dinamika kompetitif pelatihan dan penerapan model AI.
Narasi yang umum dalam infrastruktur AI sering kali berpusat pada dominasi NVIDIA, namun arus balik yang menarik juga muncul, yang didukung oleh perusahaan seperti Zyphra. Dalam diskusi baru-baru ini di podcast Latent Space, Alessio Fanelli berbicara dengan Quentin Anthony, Kepala Pelatihan Model di Zyphra dan penasihat di EleutherAI, mempelajari poros strategis Zyphra yang berani terhadap perangkat keras AMD dan implikasinya terhadap masa depan pengembangan dan penerapan model AI. Wawasan Anthony mengungkapkan filosofi keterlibatan teknis yang mendalam, menantang kepuasan industri, dan menunjukkan jalan menuju keunggulan kompetitif.
Zyphra, sebuah perusahaan model full-stack, menangani segalanya mulai dari kurasi data hingga penerapan model, dengan fokus khusus pada edge AI. Keputusan strategis yang signifikan bagi startup ini adalah memigrasikan seluruh cluster pelatihannya ke AMD. “Kami baru-baru ini memindahkan seluruh klaster pelatihan kami ke AMD,” kata Anthony, menyoroti keyakinan bahwa AMD menawarkan “klaster pelatihan yang sangat menarik” yang secara signifikan mengurangi biaya operasional mereka. Langkah ini bukannya tanpa tantangan mendasar, yang berakar pada pengalaman Anthony sebelumnya bekerja pada superkomputer Frontier di Oak Ridge National Lab, yang seluruhnya didasarkan pada GPU AMD MI250X. Kebutuhan ini memaksanya untuk memindahkan operasi kompleks seperti Flash Attention ke perangkat keras AMD, sebuah proses yang sulit namun pada akhirnya mengungkap banyak hal.
Pengalaman langsung Anthony menggarisbawahi wawasan penting: meskipun NVIDIA secara historis memiliki keunggulan perangkat lunak, GPU MI300X terbaru AMD menawarkan metrik perangkat keras yang menarik. Dia mencatat bahwa untuk operasi yang terikat memori atau yang melibatkan paralelisme, MI300X AMD, dengan VRAM 192GB dan bandwidth memori yang superior, dapat mengungguli NVIDIA H100s. “Semakin sedikit waktu yang Anda habiskan dalam komputasi padat… dan semakin banyak waktu yang Anda habiskan dalam paralelisme atau berpindah ke dan dari HBM, AMD MI300X sebenarnya memiliki metrik perangkat keras yang jauh lebih baik,” jelas Anthony. Hal ini menunjukkan bahwa untuk beban kerja tertentu, terutama yang tidak bergantung pada komputasi padat FP8, AMD menghadirkan alternatif yang ampuh dan hemat biaya.
Namun, perjalanan untuk memanfaatkan potensi AMD menuntut pendekatan yang tidak konvensional dalam pengembangan kernel. Anthony secara terbuka mengkritik kecenderungan industri terhadap kerangka kerja tingkat tinggi seperti Triton, dan memilih pengkodean langsung dalam ROCm atau bahkan perakitan GPU bila diperlukan. Filosofinya jelas bersifat “bottom-up”: memahami sifat intrinsik perangkat keras terlebih dahulu, kemudian merancang algoritme untuk sepenuhnya mengeksploitasi kemampuan tersebut. Hal ini berbeda dengan pendekatan “top-down” yang mungkin mengabaikan spesifikasi perangkat keras, sehingga berpotensi mengabaikan kinerja. Dia berpendapat bahwa sebagian besar “masalah perangkat lunak” yang dirasakan AMD sebagian disebabkan oleh keterbatasan perangkat keras dan kurangnya upaya optimasi tingkat rendah yang berdedikasi. “Jika Anda mengevaluasi semuanya secara merata, Anda akan menemukan hal-hal seperti ini dalam kesulitan,” katanya, menunjukkan bahwa banyak pengembang yang belum memanfaatkan ekosistem AMD, sehingga menciptakan peluang bagi mereka yang ingin melakukan pekerjaan lebih mendalam.
Inovasi Zyphra meluas ke arsitektur modelnya. Perusahaan ini telah menjadi yang terdepan dalam model hibrida ruang angkasa, seperti Zamba 2, yang menggabungkan transformator dan blok Mamba2. Anthony dengan bangga mencatat bahwa Zamba 2, model parameter 7B, dapat menandingi kinerja Llama 3 8B. Model-model ini dioptimalkan untuk penerapan edge, dengan skala mulai dari model 1,2 miliar untuk ponsel hingga 7 miliar untuk desktop, yang menunjukkan komitmen terhadap AI pada perangkat yang efisien. Strategi pengembangan spektrum model yang disesuaikan dengan beragam kendala perangkat keras, mulai dari perangkat edge dengan sumber daya terbatas hingga klaster lokal yang lebih kuat, adalah kunci dari visi mereka tentang AI yang ada di mana-mana.
Bacaan Terkait
Anthony juga menyampaikan pemikiran jujurnya tentang peran AI dalam produktivitas pengembang dan tantangan pembuatan kode tingkat rendah. Meskipun mengakui kegunaan AI untuk tugas-tugas tingkat tinggi seperti fusi kode atau menghasilkan boilerplate, ia tetap skeptis tentang kemampuannya saat ini untuk menghasilkan kernel GPU tingkat rendah yang dioptimalkan. Ia menemukan bahwa model sering kali menghasilkan kode tingkat rendah yang “dead basic” atau benar-benar salah, yang kemudian sulit untuk di-debug karena paralelisme yang melekat dan kompleksitas operasi GPU. Dia lebih memilih akses API langsung daripada alat seperti Cursor, memprioritaskan kontrol penuh atas konteks dan menghindari “efek mesin slot” dari model yang terus-menerus mendorong. Tantangan dalam menciptakan kumpulan data kernel yang kuat dan metrik evaluasi yang andal semakin memperumit peran AI dalam domain ini.
Jalur yang ditempuh Zyphra bersama AMD merupakan bukti kekuatan keahlian teknis yang mendalam dan pilihan perangkat keras yang strategis dalam lanskap yang didominasi oleh satu pemain. Dengan merangkul nuansa arsitektur AMD dan berinvestasi dalam pengembangan kernel dasar, Zyphra tidak hanya mengurangi biaya tetapi juga mencapai terobosan kinerja yang dapat membentuk kembali dinamika kompetitif pelatihan dan penerapan model AI.
