Sandiyasa (Sandiyasa)

2025: AI HR Customer Service Chatbot with RAG Architecture

Tech Stack: n8n, Supabase (PostgreSQL + pgvector), OpenAI (GPT-4o-mini), Telegram API.
1. Ringkasan (Overview)

Mengembangkan asisten virtual cerdas untuk divisi HR di "CV XYZ" yang berfungsi melayani pertanyaan karyawan terkait peraturan perusahaan (cuti, lembur, gaji) secara otomatis 24/7. Bot ini dibangun menggunakan metodologi RAG (Retrieval Augmented Generation) untuk memastikan jawaban akurat, berbasis data, dan minim halusinasi.
2. Tantangan (The Problem)

Inefisiensi Informasi: Divisi HR sering menerima pertanyaan berulang yang jawabannya sebenarnya sudah ada di dokumen PDF "Peraturan Perusahaan".

Keterbatasan Konteks: Chatbot biasa seringkali memberikan jawaban umum (general knowledge) yang tidak sesuai dengan kebijakan spesifik perusahaan.

Biaya & Token: Mengirimkan seluruh dokumen peraturan ke AI setiap kali ada pertanyaan memakan biaya token yang sangat besar dan lambat.

3. Solusi & Implementasi Teknis (The Solution)

Saya membangun sistem otomasi end-to-end menggunakan n8n sebagai orkestrator utama dengan fitur-fitur teknis berikut:

RAG Architecture (Retrieval Augmented Generation):

Mengimplementasikan Supabase (PostgreSQL) dengan ekstensi pgvector sebagai Vector Database.

Menggunakan algoritma Cosine Similarity (<=>) via fungsi SQL kustom match_documents untuk pencarian semantik (bukan sekadar keyword matching).

Smart Data Ingestion:

Membangun pipeline otomatis: Upload PDF ke Google Drive → Auto-trigger n8n → Parsing Teks.

Menggunakan Recursive Character Text Splitter (Chunk Size: 1000, Overlap: 200) untuk memecah dokumen per Pasal guna menjaga konteks hukum tetap utuh.

AI Agent & Guardrails:

Mengonfigurasi OpenAI Agent dengan System Prompt yang ketat (Strict Persona) agar bot hanya menjawab berdasarkan data yang ditemukan di database dan menolak menjawab pertanyaan di luar konteks (mencegah halusinasi).

Mengimplementasikan Memory Buffer (Session ID) agar bot bisa menangani follow-up questions (pertanyaan berlanjut) layaknya manusia.

Human-like UX on Telegram:

Mengintegrasikan Chat Action ("Typing...") pada Telegram API untuk memberikan feedback visual saat AI sedang memproses data (latency masking).

4. Alur Kerja (Workflow)

User mengirim pertanyaan via Telegram.

n8n menerima pesan & mengirim sinyal "Typing...".

Embeddings Model mengubah pertanyaan user menjadi vektor matematika.

Supabase melakukan Semantic Search untuk mencari potongan pasal yang paling relevan.

LLM (GPT Model) menerima [Pertanyaan User] + [Data Pasal Relevan] + [History Chat].

Output dikirim kembali ke user sebagai jawaban natural dalam Bahasa Indonesia.

5. Hasil & Dampak (Key Results)

✅ Akurasi Tinggi: Bot mampu membedakan konteks spesifik (misal: beda aturan cuti hamil vs cuti tahunan).

✅ Efisiensi Biaya: Menghemat penggunaan token AI hingga 90% dibandingkan metode standar, karena hanya mengirim potongan pasal relevan, bukan seluruh buku peraturan.

✅ Skalabilitas: Database peraturan dapat diupdate kapan saja (via upload file baru) tanpa perlu mengubah kode program bot.

2025: AI-Powered Smart Inbox Agent – Otomatisasi Customer Support & Manajemen Email

Deskripsi: Mengembangkan sistem manajemen email otonom menggunakan n8n dan LangChain untuk mengatasi masalah kelebihan beban inbox dan waktu respons yang lambat. Sistem ini mengintegrasikan model LLM (GPT-4o ) untuk membaca, mengklasifikasikan, dan menindaklanjuti email masuk secara real-time tanpa campur tangan manusia untuk pertanyaan umum.

Fitur Utama:

Klasifikasi Semantik Cerdas: Menggunakan AI untuk membedakan konteks email (Support, Billing, Urgent, Promosi) dengan akurasi tinggi, bukan sekadar kata kunci.

Multi-Model LLM Orchestration: Menggunakn kan efisiensi GPT-4o-mini untuk klasifikasi cepat dan kreativitas untuk penulisan respons yang empatik.

Mekanisme Routing Otomatis:

Customer Support: Auto-reply langsung dengan jawaban relevan.

Billing: Eskalasi otomatis (forwarding) ke departemen keuangan.

High Priority: Pembuatan draf respons untuk review manusia (Human-in-the-loop).

Promosi: Auto-archiving untuk menjaga kebersihan inbox.

Advanced Prompt Engineering: Implementasi persona agen yang berbeda (ramah vs tegas) sesuai dengan urgensi dan konteks email.

Tech Stack: n8n, LangChain, OpenAI API, Anthropic API, Gmail API, JSON Manipulation.

2025: Sistem otomatisasi end-to-end yang dirancang untuk mengubah video panjang menjadi konten vertikal viral (Shorts/TikTok/Reels). Berbeda dengan solusi umum yang bergantung pada API video editing mahal ($30+/bulan), sistem ini membangun ulang logika AI tersebut secara internal menggunakan open-source libraries yang berjalan di server sendiri.

Keunggulan Utama (Unique Selling Point):

Zero Video Processing Cost: Tidak menggunakan API berbayar (seperti Klap/OpusClip) untuk transcription, face-tracking, atau rendering.

100% Self-Hosted Intelligence: Menjalankan model AI (Whisper & MediaPipe) secara lokal di dalam container Docker, memberikan privasi data penuh dan biaya operasional yang flat (hanya sewa VPS).

Scalability: Mampu memproses durasi video tanpa batas tanpa terkena biaya "per menit" seperti pada layanan SaaS.

Teknologi & Arsitektur:

Orkestrasi: n8n (Dockerized) untuk manajemen alur kerja.

AI Engine (Local Python Script):

Transkripsi: Menggunakan faster-whisper (model medium) untuk menghasilkan subtitle akurat tanpa biaya API.

Visual Intelligence: Menggunakan OpenCV dan MediaPipe untuk mendeteksi wajah pembicara dan melakukan Smart Cropping dinamis (9:16) agar subjek tetap di tengah frame.

Kreativitas Logika: Menggunakan Google Gemini 1.5 Flash hanya sebagai "Otak Kurasi" (memilih timestamp viral), yang sangat murah dan efisien.

Rendering: FFmpeg dengan akselerasi CPU untuk burn-in subtitle dan encoding video final.

Infrastruktur: Dijalankan pada AWS EC2 (t3.xlarge) dengan environment Docker kustom (Debian 12).

Alur Kerja Teknis:

Input & Bypass: Mengambil video dari YouTube menggunakan Cobalt (instance internal) untuk menghindari pemblokiran IP dan autentikasi.

Analisis Cerdas: Gemini menganalisis konteks video dan mengembalikan JSON berisi timestamp momen paling viral.

Local Processing (The Core): Script Python kustom dieksekusi untuk:

Mengekstrak audio dan mengubahnya menjadi teks (SRT).

Menganalisis frame video untuk menentukan koordinat wajah.

Merender video vertikal dengan subtitle bergaya dinamis.

Distribusi: Metadata diperbaiki secara otomatis dan diunggah langsung ke YouTube Shorts via API.