NVIDIA dan Palantir Luncurkan Stack AI Berdaulat untuk Rantai Pasok Kritis

NVIDIA dan Palantir memperkenalkan stack AI berdaulat (sovereign AI) untuk rantai pasok yang kompleks dan kritis. NVIDIA menjadi pengguna pertama sistem tersebut: teknologinya lebih dahulu diterapkan dalam operasi NVIDIA sendiri sebelum arsitekturnya ditawarkan kepada organisasi lain. 11

Intinya bukan sekadar menambahkan chatbot ke data rantai pasok. Stack ini dirancang untuk menyatukan data operasional, perangkat lunak optimasi, model AI, serta pertimbangan perencana berpengalaman dalam lingkungan terkelola yang tetap dikendalikan oleh organisasi penggunanya.

Apa yang diumumkan NVIDIA dan Palantir?

Sistem ini memasukkan model terbuka Nemotron dari NVIDIA ke dalam Palantir Foundry dan Palantir Artificial Intelligence Platform (AIP), dengan Palantir Ontology sebagai model operasional dasarnya. Menurut kedua perusahaan, sistem tersebut ditujukan untuk membantu organisasi menemukan kendala, mendokumentasikan keahlian operasional, dan memandu pengambilan keputusan rantai pasok. 11

Bagi NVIDIA, fokus awalnya adalah mempercepat proses dari wafer hingga token pertama—yakni tahap ketika sistem AI sudah diterapkan dan mulai menghasilkan keluaran. Pendekatan ini dimaksudkan untuk mengodekan kecerdasan operasional ke dalam rantai pasok NVIDIA. 11

Mengapa rantai pasok NVIDIA menjadi uji pertama?

Skala persoalannya terlihat pada sistem Vera Rubin NVIDIA. Satu rak membutuhkan sekitar 1,3 juta komponen, mencakup komputasi, memori, jaringan, daya, pendingin, dan sistem mekanis. 37

Dengan tingkat ketergantungan seperti itu, alokasi material tidak cukup ditangani lewat spreadsheet. Rencana produksi bisa terhambat kapasitas manufaktur, ketersediaan komponen, waktu kedatangan bahan, atau komitmen yang telah dibuat kepada pelanggan. NVIDIA menggunakan Ontology dan Command Center rantai pasok Palantir bersama NVIDIA cuOpt untuk menguji skenario serta mengalokasikan material langka di berbagai lokasi. 16

NVIDIA menyebut sasaran keputusan ini sebagai pengurangan Time of Ownership: lamanya material berada dalam kendali NVIDIA sebelum dapat berkontribusi pada sistem yang dikirimkan. Dalam praktiknya, sistem diharapkan dapat menemukan kendala yang paling membatasi throughput dan menentukan pilihan alokasi yang paling tepat untuk mengatasinya. 1

Cara kerja stack AI ini

Setiap komponen memiliki peran berbeda:

• Model terbuka Nemotron menyediakan lapisan penalaran yang dapat dikhususkan untuk keputusan rantai pasok.
• Palantir Foundry dan AIP menyediakan lingkungan data dan aplikasi bagi tim untuk bekerja dengan model serta alur kerja operasional.
• Palantir Ontology memetakan entitas dan hubungan dunia nyata yang penting, seperti material, lokasi, kapasitas, alokasi, komitmen, dan hasil produksi. 116
• NVIDIA cuOpt mendukung optimasi dan analisis skenario untuk keputusan seperti alokasi material. 1

Kedua perusahaan memosisikannya sebagai lingkungan operasional yang dikelola, bukan model AI serbaguna yang hanya dihubungkan ke kumpulan data terpisah. NVIDIA menyatakan data rantai pasok milik perusahaan, bobot model, dan proses inferensi tetap berada dalam satu lingkungan terkelola. 1

Mengapa penilaian perencana dipakai untuk melatih model?

NVIDIA menemukan bahwa optimasi matematis saja tidak dapat menangkap seluruh konteks yang dipakai perencana berpengalaman. Keputusan di lapangan dapat bergantung pada informasi tidak terstruktur dan cepat berubah, termasuk email, prakiraan cuaca, perkembangan geopolitik, laporan hasil diskusi dengan pemasok, serta pengetahuan institusional. 1

Pilihan alokasi perencana, alasan di balik pilihan tersebut, dan hasil yang muncul kemudian digunakan NVIDIA sebagai data post-training untuk model khusus Nemotron 3.5 Lightning. Model ini memiliki total 30 miliar parameter dan menggunakan rancangan mixture-of-experts, dengan sekitar 3 miliar parameter aktif dalam setiap forward pass. 1

Pada benchmark pengembangan keputusan alokasi milik NVIDIA, perusahaan melaporkan hasil berikut:

Model	Akurasi keputusan alokasi yang dilaporkan
Nemotron 3.5 Lightning setelah post-training	86,7%
Nemotron 3 Ultra	55,5%
Nemotron 3.5 Lightning dasar	17,5%

Hasil tersebut merupakan laporan NVIDIA pada benchmark pengembangannya sendiri, sehingga bukan ukuran independen atas kinerja di seluruh jenis rantai pasok atau penerapan. 1

Mengapa manusia tetap meninjau rekomendasi AI?

NVIDIA dan Palantir tidak memosisikan sistem ini sebagai pengganti otonom bagi perencana rantai pasok. Keputusan alokasi dapat melibatkan kompromi yang berdampak besar, sementara informasi baru bisa muncul dan belum terwakili dalam data pelatihan sebelumnya.

Karena itu, perencana manusia tetap bertanggung jawab meninjau, menyesuaikan, dan menyempurnakan rekomendasi. Intervensi tersebut dapat menjadi catatan keputusan baru yang terkelola, lalu membentuk umpan balik untuk post-training dan penyempurnaan operasional berikutnya. 1

Bagaimana sistem ini akan diterapkan?

NVIDIA dan Palantir menyatakan organisasi lain dapat memakai arsitektur tersebut untuk rantai pasok mereka melalui Palantir Sovereign AI Operating System Reference Architecture, baik di cloud maupun infrastruktur on-premises. Sasaran penggunaannya mencakup industri kompleks dan lingkungan pemerintahan yang ingin mempertahankan kendali atas data milik mereka. 11

Arsitektur referensi terkait dibangun di atas NVIDIA Enterprise Reference Architectures dan dirancang menjalankan perangkat lunak Palantir, termasuk AIP, Foundry, Apollo, Rubix, dan AIP Hub. 29

Dell menjadi bagian dari ekosistem infrastruktur pendukung. Arsitektur terkaitnya menggabungkan infrastruktur Dell AI Factory—termasuk PowerEdge, ObjectScale, dan PowerFlex—dengan teknologi Palantir dan NVIDIA. 17 Laporan mengenai pengumuman September tersebut juga menyebut Cisco, Rackspace, dan Nebius sebagai mitra untuk pilihan penerapan perangkat keras atau cloud. 25

Dipamerkan di AIPCon 11

Penerapan rantai pasok ini, beserta penggunaan sovereign AI yang lebih luas, dipamerkan dalam acara AIPCon 11 milik Palantir. 6

Arti penting pengumuman ini terletak pada keputusan NVIDIA untuk memakai stack gabungan tersebut terlebih dahulu pada rantai pasoknya sendiri yang sangat ketat dan rumit. Penerapan itu menjadi pengujian praktis atas apakah model khusus domain, optimasi, dan data operasional yang terkelola dapat memperbaiki keputusan dalam salah satu lingkungan perencanaan industri paling kompleks. 111