Teknologi Database Baru dari KAIST Bisa Pangkas Halusinasi AI hingga 78 Persen

Meta Description

KAIST kembangkan AkasicDB, database terpadu yang gabungkan vector, graph, dan relational dalam satu mesin. Klaim kurangi halusinasi AI hingga 78%.

CLB.my.id - Masalah paling menjengkelkan dari agen AI enterprise adalah halusinasi. Model bahasa besar (Large Language Model/LLM) sering menghasilkan jawaban yang terdengar meyakinkan tetapi faktually salah, dan itu menjadi penghalang utama bagi perusahaan yang ingin mengadopsi AI untuk tugas-tugas kritis. Kini, tim peneliti dari KAIST, institut teknologi terkemuka Korea Selatan, mengumumkan solusi yang bisa mengubah lanskap tersebut secara fundamental.

Dilansir dari EurekAlert, tim yang dipimpin oleh Profesor Min-Soo Kim dari School of Computing KAIST mengembangkan AkasicDB, sebuah sistem manajemen database generasi baru yang mengintegrasikan tiga jenis database sekaligus dalam satu mesin. Bersamaan dengan itu, mereka juga menciptakan metode Retrieval-Augmented Generation (RAG) baru bernama Omni RAG yang dibangun di atas AkasicDB.

Apa Itu AkasicDB dan Mengapa Ini Penting?

Dalam dunia AI enterprise, data perusahaan tersimpan dalam berbagai bentuk. Ada dokumen teks yang perlu dicari berdasarkan makna semantik, ada informasi relasional antar entitas seperti orang, perusahaan, dan produk yang tersimpan dalam graf, serta data terstruktur dalam tabel. Selama ini, perusahaan harus mengoperasikan tiga jenis database terpisah secara bersamaan: vector database, graph database, dan relational database. Pendekatan ini menciptakan kompleksitas yang luar biasa dan menjadi sumber utama ketidakakuratan jawaban AI.

Profesor Min-Soo Kim menjelaskan bahwa untuk agen AI dapat memahami dan memanfaatkan data perusahaan secara akurat, diperlukan infrastruktur data yang mampu memproses ketiga jenis data tersebut secara terpadu dalam satu sistem. AkasicDB dirancang tepat untuk tujuan itu. Pengguna bisa mengekspresikan query kompleks yang menggabungkan pencarian vector, traversal graf, dan filtering relasional menggunakan satu query SQL atau GQL tunggal, lalu sistem mengeksekusinya sebagai satu rencana eksekusi terpadu.

Omni RAG: Cara Baru Mengurangi Halusinasi

Metode RAG konvensional umumnya hanya melakukan pencarian similarity pada dokumen menggunakan vector. Pendekatan ini memang bekerja untuk query sederhana, tetapi gagal total ketika agen AI perlu memahami hubungan antar entitas atau memfilter data berdasarkan kondisi struktural tertentu. Di sinilah Omni RAG menawarkan perbedaan signifikan.

Omni RAG secara simultan memanfaatkan tiga lapis informasi: semantik dari dokumen melalui vector, relasional dari knowledge graph, dan kondisi struktural dari data tabel. Dengan bukti yang lebih komprehensif dan akurat ini, LLM bisa menghasilkan jawaban yang jauh lebih tepat dan mengurangi kemungkinan halusinasi secara drastis.

Hasil Eksperimen yang Mencengangkan

Angka-angka yang dihasilkan dari pengujian AkasicDB dan Omni RAG terbilang mengesankan. Query pencarian kompleks yang sebelumnya membutuhkan waktu hingga 21,3 detik pada sistem existing kini bisa diproses dalam waktu kurang dari satu detik. Itu berarti peningkatan performa lebih dari 20 kali lipat. Dari sisi akurasi, Omni RAG meningkatkan kebenaran jawaban hingga 78 persen dibandingkan metode RAG konvensional.

Penelitian ini dipresentasikan sebagai demo paper pada ACM SIGMOD 2026, salah satu konferensi internasional paling prestigius di bidang database, pada 2 Juni lalu. Makalah berjudul “AkasicDB: Demonstrating Omni RAG with a Unified Vector-Graph-Relational DBMS” tersebut memperoleh perhatian besar dari perusahaan dan peneliti global.

Potensi Implementasi di Berbagai Sektor

Tim peneliti menyebutkan bahwa AkasicDB bisa diterapkan di bidang-bidang yang membutuhkan reliabilitas tinggi. Di sektor pertahanan, agen AI bisa dipakai untuk analisis intelijen dengan akurasi tinggi. Di manufaktur, sistem bisa memahami hubungan kompleks antar komponen produksi. Di keuangan, hukum, dan sains serta teknologi, database terpadu ini menawarkan cara baru untuk membangun agen AI yang benar-benar bisa diandalkan.

Penelitian ini merupakan kolaborasi antara KAIST dan startup spin-off fakultas bernama GraphAI Co., Ltd. Penulis pertama adalah Geonho Lee, mahasiswa Ph.D. dari KAIST School of Computing, sementara Profesor Min-Soo Kim bertindak sebagai corresponding author. Dengan DOI 10.1145/3788853.3801609, makalah ini kini bisa diakses oleh komunitas riset global.

Perkembangan ini menjadi sinyal kuat bahwa perang melawan halusinasi AI tidak harus dilakukan dari sisi model semata. Infrastruktur data yang lebih cerdas dan terpadu ternyata bisa menjadi kunci untuk membuat agen AI benar-benar bisa dipercaya dalam konteks enterprise.***