Peta Industri Data/ML/AI 2021 dan Tren Terbarunya

Penjelasan rinci tentang 2021 Data & AI Landscape yang dirangkum dalam 1 gambar

1. Perspektif makro: memahami kompleksitas ekosistem

2. Pendanaan, IPO, dan M&A

3. The 2021 Landscape

4. Tren utama infrastruktur data

→ Data Mesh

→ Tahun yang sibuk bagi DataOps

→ Kini saatnya real-time

→ Metrics Store

→ Reverse ETL

→ Data Sharing

5. Tren utama analitik & enterprise AI

→ Feature Store

→ Kebangkitan ModelOps

→ Pembuatan konten AI

→ Perkembangan AI stack di Tiongkok

"Perspektif makro: memahami kompleksitas ekosistem"

• Mengapa perusahaan data&AI terus bermunculan, dan sampai kapan tren ini akan berlanjut?

• Tren mendasarnya adalah bahwa "setiap perusahaan sedang menjadi perusahaan data, bukan sekadar perusahaan software"

• Di banyak organisasi, "data" dulu berarti data transaksi yang disimpan di RDBMS dan beberapa dashboard untuk analisis tentang apa yang terjadi dalam beberapa bulan terakhir

• Namun sekarang perusahaan bergerak menuju dunia di mana "data dan kecerdasan buatan" tertanam di "proses internal dan aplikasi eksternal" untuk "analitik dan operasional"

• Evolusi mendasar ini dimungkinkan oleh kemajuan luar biasa dalam teknologi dasar — khususnya hubungan simbiotik (Symbiotic Relationship) antara "infrastruktur data dan machine learning/AI"

→ Kedua bidang ini bekerja sama semakin erat

→ Fase pertama adalah "era big data" pada awal 2010-an

→ Saat orang menyadari bahwa menerapkan algoritme AI lama yang sudah berusia lebih dari 10 tahun (deep learning) pada big data ini bisa menghasilkan hasil yang luar biasa, hal itu memicu antusiasme terhadap AI

→ Akibatnya, AI menjadi pendorong utama pengembangan infrastruktur data

→ Jika semua aplikasi dibangun berbasis AI, maka akan dibutuhkan infrastruktur data yang lebih baik

• Menjelang 2021, istilah Big Data dan AI sama-sama mengalami pasang surut, dan belakangan ini kita banyak mendengar tentang "Automation", tetapi pada dasarnya semuanya adalah mega-tren yang sama

• Akselerasi di bidang Data/AI belakangan ini dapat ditelusuri dari pertumbuhan cloud data warehouse dalam beberapa tahun terakhir

• Data warehouse menyelesaikan pertanyaan yang sangat mendasar namun esensial dalam infrastruktur data: "di mana data disimpan"

→ Orang mungkin mengira bahwa lebih dari 15 tahun setelah revolusi Big Data dimulai, masalah itu sudah terpecahkan, tetapi ternyata belum

→ Jika melihat ke belakang, kesuksesan awal Hadoop sampai taraf tertentu hanyalah ilusi

→ Hadoop penting dalam menyampaikan gagasan bahwa nilai nyata bisa diekstraksi dari data dalam jumlah besar, tetapi karena kompleksitas teknisnya, penggunaannya terbatas pada beberapa perusahaan saja dan gagal menembus pasar secara luas

• Cloud data warehouse masa kini (Snowflake, Redshift, BigQuery) dan lakehouse (Databricks)

→ berbiaya lebih rendah

→ tidak membutuhkan jumlah talenta teknis yang sangat besar

→ serta menyediakan kemampuan untuk menyimpan data dalam jumlah besar dengan cara yang berguna

• Dengan kata lain, barulah sekarang kita benar-benar bisa menyimpan dan memproses Big Data. Ini sangat penting, dan terbukti menjadi Major Unlock bagi bidang Data/AI lainnya

→ Pertama, data warehouse memperbesar ukuran pasar seluruh ekosistem data dan AI. Dengan kemudahan penggunaan dan pricing berbasis pemakaian, data warehouse menjadi gateway agar semua perusahaan bisa menjadi perusahaan data

→ Kedua, data warehouse memungkinkan penggunaan ekosistem di sekitarnya, termasuk berbagai tools pendukung.

⇨ ETL, ELT, reverse ETL, tools kualitas data yang berpusat pada warehouse, metrics store, augmented analytics, dan lain-lain

⇨ "Modern Data Stack" ( https://id.news.hada.io/topic?id=3055 lihat )

⇨ Munculnya modern data stack melahirkan banyak startup baru dan memusatkan investasi (DBT, Fivetran..)

→ Ketiga, karena data warehouse menyelesaikan lapisan storage paling dasar, perusahaan dapat fokus pada proyek bernilai lebih tinggi di lapisan kebutuhan data

⇨ Setelah data tersimpan, kini lebih mudah fokus pada pekerjaan seperti pemrosesan real-time, augmented analytics, dan machine learning

⇨ Hal ini pada gilirannya meningkatkan permintaan pasar untuk semua jenis tools dan platform data/AI

⇨ Kebutuhan lebih banyak pelanggan menciptakan flywheel yang mendorong lebih banyak inovasi dari perusahaan data/ML

"Data warehouse adalah sinyal penting bagi seluruh industri data, dan seiring DW tumbuh, yang lainnya juga akan tumbuh bersama"

• Kabar baik bagi industri data/AI adalah bahwa data warehouse dan lakehouse sedang tumbuh sangat cepat dan besar

→ Berdasarkan pengumuman Q2, Snowflake tumbuh 103% YoY dan menunjukkan angka Net Revenue Retention yang luar biasa sebesar 169% (artinya pelanggan yang ada terus menggunakan lebih banyak lagi)

→ Diperkirakan mencapai pendapatan 12 triliun won ($10B) pada 2028

• Sebagian orang bahkan mengatakan bahwa di masa depan semua perusahaan setidaknya akan memiliki satu cloud data warehouse

"The Titanic Shock: Snowflake vs Databricks"

• Snowflake belakangan ini menjadi pemain paling menonjol di bidang data. IPO mereka pada September 2020 adalah yang terbesar dalam sejarah IPO software. Saat tulisan ini dibuat, nilainya $95B

• Databricks muncul sebagai pesaing baru dalam industri ini. Pada 31/8, mereka menutup pendanaan $1.6B dengan valuasi $38B

• Sampai belum lama ini, kedua perusahaan berada di segmen pasar yang sangat berbeda (bahkan sempat menjadi mitra dekat untuk waktu yang cukup lama)

• Snowflake, sebagai cloud data warehouse, adalah DB untuk menyimpan dan memproses data terstruktur dalam jumlah besar (yang dapat disimpan rapi dalam baris dan kolom)

→ Digunakan perusahaan untuk menghubungkan tools BI dan menjawab pertanyaan tentang kinerja masa lalu dan saat ini ("wilayah mana yang tumbuh paling cepat pada kuartal lalu?")

→ Seperti DB lain, Snowflake memanfaatkan SQL sehingga memiliki ratusan juta calon pengguna

• Databricks datang dari sudut lain dunia data

→ Berawal pada 2013 dengan mengomersialkan Spark yang open source

→ Secara umum dirancang untuk memproses data tidak terstruktur (teks, audio, video)

→ Pengguna Spark memakainya untuk membangun "Data Lake" yang dapat menampung jenis data apa pun tanpa harus memikirkan struktur atau pengorganisasiannya

→ Kegunaan utama data lake adalah melatih aplikasi ML/AI agar perusahaan dapat menjawab pertanyaan tentang masa depan ("pelanggan mana yang paling mungkin membeli pada kuartal depan?" yaitu predictive analytics)

→ Databricks membuat Delta untuk mendukung data lake, dan membuat ML Flow untuk mendukung ML/AI

• Namun belakangan ini kedua perusahaan saling mendekat

→ Databricks menambahkan fungsi DW ke data lake sehingga analis bisa menjalankan query SQL standar dan menghubungkan tools seperti Tableau atau MS PowerBI. Mereka menciptakan apa yang disebut "Lakehouse"

→ Databricks membuat data lake semakin mirip data warehouse, sementara Snowflake merilis preview kemampuan penyimpanan data tidak terstruktur (audio, video, PDF, image, dll.) agar data warehouse-nya terlihat seperti data lake

→ Databricks menambahkan BI ke kemampuan AI, sementara Snowflake menambahkan AI ke kemampuan kompatibilitas BI

• Pada akhirnya, baik Snowflake maupun Databricks sama-sama ingin menjadi "The center of all things data"

→ Satu repositori untuk menyimpan semua data. Menyimpan data terstruktur/tidak terstruktur dan menjalankan semua analisis, dari data historis hingga prediksi masa depan

• Tentu saja ada banyak pesaing (cloud hyperscaler seperti AWS, GCP)

• Snowflake dan Databricks sama-sama menjadi teman sekaligus lawan (Friend and Foe) bagi vendor cloud

→ Snowflake, yang tumbuh berbasis AWS, kini sedang berekspansi ke cloud lain

→ Databricks memiliki kemitraan yang kuat dengan MS, tetapi juga membantu menghindari vendor lock-in melalui kemampuan multi-cloud

→ Selama beberapa tahun terakhir, para pengkritik telah menilai bahwa model bisnis Snowflake dan Databricks membuat margin mereka bergantung pada penetapan harga oleh perusahaan cloud

• Dalam lima tahun ke depan, dinamika antara penyedia cloud dan para raksasa data (Behemoth) akan menjadi cerita penentu

"Bundling, Unbundling, Consolidation?"

• Melihat kenaikan Snowflake dan Databricks, apakah ini awal dari gelombang konsolidasi yang selama ini ditunggu industri?

• Di bidang data / AI, "konsolidasi fungsional (functional consolidation) memang sedang terjadi"

• Tetapi semua pihak melakukan hal yang sama. Tidak ada yang ingin menjadi perusahaan produk tunggal; semua ingin melakukan lebih banyak bundling dan memiliki lebih banyak fungsi

→ Confluent, yang IPO pada 2021/6, juga menargetkan untuk melampaui ranah data real-time dan "mengintegrasikan pemrosesan data bergerak dan data statis"

→ Dataiku berfokus pada membundel persiapan data, DataOps, MLOps, visualisasi, AI explainability, dan lainnya ke dalam satu platform

• Munculnya modern data stack adalah contoh lain dari konsolidasi fungsional

→ Intinya adalah sebuah "aliansi" de facto dari perusahaan-perusahaan (kebanyakan startup) yang menghubungkan mulai dari ekstraksi data hingga data warehouse dan BI

• Bagi para pengguna teknologi ini, bundling dan convergence kemungkinan besar akan sangat disambut baik

→ Seiring makin matang, industri data harus berevolusi melampaui technology divide seperti "transaksi vs. analitik", "batch processing vs. real-time", dan "BI vs AI"

• Perusahaan akan terus bekerja sama dengan berbagai vendor/platform/alat untuk membentuk kombinasi yang paling sesuai dengan kebutuhan mereka

• Alasan utamanya adalah "kecepatan inovasi yang terlalu eksplosif"

→ Startup baru terus bermunculan, perusahaan big tech membuat alat data/AI secara internal lalu menjadikannya open source, dan setiap minggu selalu ada hal baru untuk semua teknologi/produk yang ada

• Vendor big data warehouse dan data lake mendorong sentralisasi semua data, tetapi framework baru seperti "Data Mesh" juga mulai muncul

→ Pendekatan terdistribusi di mana berbagai tim masing-masing memegang tanggung jawab

• Sulit untuk mengetahui apakah akan ada M&A selain konsolidasi fungsional

→ Salah satu rumor favorit banyak orang adalah bahwa "MS ingin mengakuisisi Databricks"

"Financings, IPOs, M&A: A Crazy Market"

• Siapa pun yang pernah mengikuti pasar startup pasti tahu, pasar ini gila

• Setelah tahun lalu, tahun ini juga data dan ML/AI menjadi kategori investasi terpanas

• Perusahaan yang dijadwalkan IPO

→ UiPath : perusahaan otomasi RPA dan AI

→ Confluent : Kafka

→ C3.ai : platform AI

→ Couchbase : DB no-SQL

→ SentinelOne : platform keamanan endpoint AI otomatis

→ TuSimple : truk swakemudi

→ Zymergen : bio-manufacturing

→ Recursion : perusahaan pengembangan obat berbasis AI

→ Darktrace : keamanan siber berbasis AI

• Dengan meningkatnya SPAC, perusahaan teknologi di garis depan pasar AI akan diuntungkan (kendaraan otonom, biotech, dll.)

"The 2021 MAD Landscape & What’s New this Year"

• Pada peta tahun ini, "Analytics and Machine Intelligence" dipisah menjadi “Analytics” dan “Machine Learning & Artificial Intelligence”

• Penambahan kategori baru

→ Infrastructure

→ Reverse ETL : produk yang mengirim kembali data dari data warehouse ke aplikasi SaaS

→ Data Observability : komponen DataOps yang berfokus pada penyelesaian masalah kualitas data berdasarkan lineage data

→ Privacy & Security : privasi data makin penting, dan banyak startup bermunculan di kategori ini

→ Analytics

→ Data Catalogs & Discovery : kategori tersibuk dalam 12 bulan terakhir. Memungkinkan pengguna menemukan dan mengelola dataset yang mereka inginkan

→ Augmented Analytics : alat BI memanfaatkan kemajuan NLG/NLP untuk secara otomatis menghasilkan insight dan membuat data lebih mudah diakses oleh audiens nonteknis

→ Metrics Stores : repositori terpusat untuk metrik bisnis utama. Pendatang baru dalam data stack

→ Query Engines

→ Machine Learning and AI

→ Kategori MLOps dipecah lebih rinci: Model Building, Feature Stores, Deployment and Production

→ Open Source

→ Penambahan Format, Orchestration, Data Quality & Observability

• Dulu lebih banyak startup seri C ke atas atau perusahaan terbuka, tetapi tahun ini banyak perusahaan tahap seri A/seed yang ditambahkan

"Tren utama infrastruktur data"

• 2020

→ Modern Data Stack menjadi mainstream

→ ETL vs ELT

→ Otomatisasi data engineering?

→ Kebangkitan data analyst

→ Apakah data lake dan data warehouse akan menyatu?

→ Kompleksitas yang masih belum terselesaikan

• 2021

→ Data Mesh

→ Tahun yang sibuk bagi DataOps

→ Sekarang eranya real-time

→ Metrics Stores

→ Reverse ETL

→ Data Sharing

[Data Mesh]

• Berasal dari tulisan Zhamak Dehghani pada 2019, "How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh"

• Mendapat banyak momentum sepanjang 2020~21

• Konsep data mesh sebagian besar adalah gagasan organisasional

• Sampai sekarang, cara standar untuk membangun infrastruktur dan tim data adalah sentralisasi. Satu platform besar yang dikelola oleh satu tim data memenuhi kebutuhan bisnis

• Pendekatan ini punya banyak kelebihan, tetapi juga menimbulkan masalah seperti bottleneck

• Melalui desentralisasi, dibentuk tim data independen yang masing-masing menangani domainnya sendiri dan menyediakan data "sebagai produk" kepada orang lain di dalam organisasi

→ Mirip dengan konsep microservices dalam software engineering

• Ini memiliki berbagai makna, tetapi

→ Jika hal ini memungkinkan, akan menjadi peluang besar bagi perusahaan baru yang membangun alat mission-critical dalam data stack terdistribusi

• Starburst, SQL Query Engine untuk kueri dan analisis terpadu di berbagai repositori, telah melakukan rebranding sebagai "mesin analitik untuk data mesh"

• Orchestration engine untuk mengelola pipeline kompleks (Airflow, Prefect, Dagster) akan menjadi semakin mission-critical

• Melacak data di komputasi repositori dan pipeline menjadi makin penting dari sisi compliance & governance, sehingga kebutuhan akan data lineage semakin menguat (OpenLineage, DataKin)

[Tahun yang sibuk bagi DataOps]

• Konsep DataOps sudah beredar selama beberapa tahun, dan belakangan benar-benar mulai aktif digunakan

• Ada berbagai definisi

→ DevOps di dunia data

→ Segala hal yang dibutuhkan untuk membangun dan memelihara pipeline data, menemukan dataset yang tepat melalui katalog data, dan memungkinkan produsen serta konsumen data melakukan pekerjaan yang mereka perlukan

• Bagaimanapun, seperti DevOps, ini adalah "kombinasi metodologi, proses, orang, platform, dan alat"

• Dalam konteks yang lebih luas, "alat dan praktik data engineering" masih jauh tertinggal dibanding tingkat otomatisasi dalam software engineering

• Semakin penting data/AI, semakin dibutuhkan alat dan praktik yang lebih baik

• Semua orang ingin menjadi "DataDog di dunia data" (walaupun DataDog memang kadang dipakai untuk DataOps, pada dasarnya fondasinya adalah software engineering)

• Ada berbagai subbagian seperti Data observability, Data Lineage, Data Quality, Data Reliability Engineering, Data Access & Governance

[Sekarang adalah era real-time]

• Data "real-time" atau "streaming" adalah data yang diproses dan dikonsumsi segera setelah dibuat

• Ini berlawanan dengan paradigma "batch" yang sampai sekarang menjadi paradigma dominan dalam infrastruktur data

• Pemrosesan data real-time sudah menjadi topik panas sejak awal era big data 10-15 tahun lalu

→ Khususnya, kecepatan pemrosesannya menjadi faktor utama yang mendorong keberhasilan Spark dibanding HadoopMR

• Namun selama beberapa tahun ini dianggap sebagai pasar yang "akan segera meledak", tapi tidak benar-benar meledak

• Kesuksesan besar IPO Confluent membuktikan bahwa para skeptis salah

• Dan melampaui Confluent, seluruh ekosistem data real-time ikut mengalami percepatan

• Terutama, "analitik real-time" menunjukkan banyak aktivitas

→ ClickHouse yang dibuat oleh Yandex dari Rusia mendirikan perusahaan di AS dan menerima investasi $50M

→ Imply, platform analitik real-time berbasis open source Druid, menerima pendanaan $70M

[Metrics Stores]

• Dalam beberapa tahun terakhir, data perusahaan serta frekuensi penggunaan dan kompleksitasnya meningkat

• Seiring meningkatnya kompleksitas, masalah akibat ketidakkonsistenan data juga ikut bertambah

• Metrik dapat dengan mudah menjadi tidak selaras hanya karena sedikit perubahan pada dimensi/definisi atau faktor lainnya

• Data hanya berguna jika akurat dan dapat dipercaya saat digunakan oleh tim

• Upaya untuk memusatkan metrik mendorong pengembangan solusi internal seperti Minerva milik AirBnB dengan konsep "Define Once, Use Anywhere"

• Menstandarkan definisi metrik bisnis utama dan seluruh dimensinya, lalu menyediakan dataset yang akurat dan siap dianalisis kepada para pemangku kepentingan berdasarkan definisi tersebut

• Membangun kepercayaan terhadap data berdasarkan definisi metrik yang tersentralisasi, serta menyediakan akses lintas fungsi ke metrik bagi semua orang

• Metric store

→ Berada di atas data warehouse dan memberi tahu seluruh aplikasi downstream, termasuk platform BI, analitik dan alat data science, serta aplikasi operasional

→ Menjaga konsistensi data sehingga ketika logika bisnis berubah, pembaruan akan terisi secara otomatis

• Ada startup seperti Transform, Trace, dan Supergrain

[Reverse ETL]

• Dalam modern data stack, Reverse ETL telah menjadi satu kategori tersendiri

• Memindahkan kembali data dari data warehouse ke aplikasi bisnis seperti CRM, sistem marketing automation, dan platform dukungan pelanggan

• Tujuannya agar alat operasional yang benar-benar digunakan dapat memanfaatkan data terbaru yang telah diperkaya dari aplikasi bisnis lain

• Banyak alat Reverse ETL menerima pendanaan: Census, Rudderstack, Grouparoo, Hightouch, Headsup, Polytomic

[Data Sharing]

• Meningkatnya data sharing dan kolaborasi data bukan hanya di dalam perusahaan tetapi juga di seluruh organisasi

• Mereka ingin berbagi data dengan ekosistem pemasok, mitra, dan pelanggan untuk hal-hal seperti visibilitas rantai pasok, pelatihan model machine learning, dan berbagi rencana go-to-market

• Data sharing antarorganisasi adalah tema utama bagi vendor "data cloud"

• Pada Mei 2021, Google meluncurkan Analytics Hub. Ini memungkinkan berbagi data/insight/dashboard/model machine learning di dalam maupun di luar organisasi. Google juga merilis DataShare untuk layanan keuangan

• Pada hari yang sama dengan Google, Databricks merilis Delta Sharing, protokol open source untuk data sharing antarorganisasi

• Pada Juni 2021, Snowflake merilis fitur Secure Data Sharing melalui data marketplace

• Ada startup seperti Habr dan Crossbeam

"Tren utama ML/AI"

2020

• Boom time for data science and machine learning platforms (DSML)

• ML getting deployed and embedded

• The Year of NLP

2021

• Feature Stores

• The rise of ModelOps

• AI content generation

• The continued emergence of a separate Chinese AI stack

• Riset tentang kecerdasan buatan terus berkembang pesat

→ DeepMind Alphafold, OpenAI GTP-3/DALL-E/CLIP

[Feature Stores]

• Sejak Uber memperkenalkan ide ini pada 2017, feature store makin umum digunakan dalam stack machine learning

→ Perusahaan seperti Tecton, Rasgo, Logical Clocks, dan Kaskada mendapatkan putaran pendanaan

• Dalam machine learning, feature (variabel atau atribut) adalah properti atau karakteristik yang dapat diukur secara individual dan direpresentasikan sebagai kolom dalam cuplikan data

→ Model machine learning dapat menggunakan mulai dari satu feature hingga jutaan feature

• Dengan penggunaan model dan pipeline yang makin kompleks, proses ini semakin sering dilakukan secara ad-hoc

• Engineer dan data scientist sering menghabiskan banyak waktu untuk mengekstrak ulang feature dari raw data

• Kesenjangan antara lingkungan produksi dan lingkungan eksperimen dapat menyebabkan ketidaksesuaian pada kinerja atau perilaku model

• Organisasi juga peduli pada governance dan reproducibility model machine learning, sehingga silo feature justru membuat hal itu lebih sulit

• Feature store mendorong kolaborasi dan menghilangkan silo ini

• Dengan menyediakan single source of truth untuk training maupun production, kompleksitas berkurang dan feature dapat distandardisasi serta digunakan ulang

• Menyimpan feature yang telah dikurasi di dalam organisasi, menjalankan pipeline data yang mengubah raw data menjadi nilai feature, dan menyediakan akses cepat melalui API

[The Rise of ModelOps]

• Banyak perusahaan menyadari bahwa membawa model dari tahap eksperimen ke production itu sulit, dan model yang sedang digunakan juga memerlukan monitoring serta retraining berkelanjutan

• MLOps menerapkan best practice DevOps. Ini menyederhanakan pengembangan dan deployment model berskala besar yang cepat dan berkelanjutan

• ModelOps adalah superset dari MLOps. Ini bertujuan mempercepat operasi seluruh model AI, termasuk ML, di semua tahap dari training hingga production

• ModelOps mencakup alat dan proses, mengintegrasikan proses, menstandarkan orkestrasi model, dan menyediakan repositori terpusat untuk semua model beserta kemampuan governance yang komprehensif

• ModelOps yang diimplementasikan dengan baik menyediakan sistem terpadu untuk men-deploy, memonitor, dan mengelola semua model, sehingga mengurangi risiko dan meningkatkan compliance

[AI Content Generation]

• AI telah menjadi jauh lebih matang dalam beberapa tahun terakhir dan digunakan untuk membuat konten di semua jenis media, termasuk teks, gambar, kode, dan video

• OpenAI merilis GPT-3. GitHub merilis GitHub Copilot yang memanfaatkan OpenAI Codex

• OpenAI berfokus pada model yang berpusat pada bahasa Inggris, tetapi banyak perusahaan lain juga sedang mengerjakan bahasa lain

→ Aleph Alpha dari Jerman, AI21 Labs, PanGu dari Huawei, HyperCLOVA dari Naver

[Terus munculnya tumpukan AI Tiongkok yang terpisah]

• Tiongkok terus berkembang sebagai kekuatan besar AI global, bersama pasar domestiknya sendiri yang merupakan produsen data terbesar di dunia

• TikTok, salah satu algoritme rekomendasi terbaik, berhasil di Barat sehingga untuk pertama kalinya teknologi konsumen AI Tiongkok benar-benar menyebar

• Dengan Tiongkok menyatakan supremasi AI pada 2030 dan didukung pendanaan, mulai muncul tumpukan mandiri yang terpisah di Tiongkok, yang sebelumnya masih memanfaatkan alat-alat Barat

[ehanmire]

Saya mendapatkan banyak insight bagus dari beberapa kalimat dan jadi banyak berpikir

Terima kasih~

Saya sempat terpikir bahwa proses dan data itu seperti tulang dan darah,

ke mana pun darah berkumpul dan pembuluh terbentuk, jaringan pun akan terbentuk,

tetapi saya juga berpikir bahwa bukankah perusahaan menghasilkan uang dari pergerakan,

sebuah analogi aneh yang tiba-tiba terlintas di benak saya.

[sungwoo]

Terima kasih karena selalu merangkum informasi yang sangat berkelas dengan rapi.

[xguru]

Lanskap Data & AI 2020 https://id.news.hada.io/topic?id=2979