Couchbase 8.0 hadir, andalkan tiga kemampuan

JAKARTA (IndoTelko) - Platform data pengembang untuk aplikasi penting di dunia AI saat ini, Couchbase, Inc mengumumkan Couchbase 8.0, yang menghadirkan dukungan siklus hidup data AI menyeluruh untuk perusahaan yang membangun aplikasi AI dan sistem agentic.

Dengan diperkenalkannya tiga kemampuan pengindeksan dan pengambilan vektor yang berbeda untuk mendukung berbagai beban kerja vektor yang beragam, Couchbase 8.0 menyediakan platform data yang dapat diskalakan, berkinerja tinggi, dan siap untuk AI guna membangun aplikasi AI sadar konteks dan waktu nyata.

Tersedia untuk penerapan mandiri dan berbasis Capella, Couchbase 8.0 mendukung pencarian vektor berskala miliaran dengan latensi milidetik dan akurasi recall yang dapat disesuaikan, dengan biaya kepemilikan total rendah di seluruh penerapan lokal (on-premises), cloud, dan edge.

Dikatakan SVP produk di Couchbase, Matt McDonough, menskalakan AI memerlukan platform basis data pengembang yang dibangun untuk kecepatan, throughput, dan keandalan. Dengan dukungan untuk Hyperscale Vector Indexing (HVI) dan alur kerja RAG menyeluruh, Couchbase menonjol dari penawaran lain di pasar dengan menyediakan opsi pencarian vektor yang lebih fleksibel dan komprehensif.

“Dengan mengelola seluruh siklus hidup data AI — mulai dari pengambilan sumber dan vektorisasi hingga keterlibatan LLM, validasi, dan deteksi pergeseran — kami membantu pelanggan menciptakan sistem agentic yang tepercaya, sekaligus mengurangi latensi, meningkatkan akurasi recall, dan menurunkan total biaya kepemilikan,” tambahnya.

Keunggulan performa Couchbase ditunjukkan dalam pengujian benchmark vektor skala miliaran yang dilakukan secara independen atas permintaan perusahaan. HVI yang dapat disesuaikan dari platform ini menghasilkan hingga 19.057 kueri per detik (QPS) dengan latensi 28 milidetikpada akurasi recall 66% untuk menunjukkan performanya. Pesaingnya, yang merupakan pemimpin di Magic Quadrant Gartner untuk Sistem Manajemen Basis Data Cloud, hanya mencapai 6 QPS dengan akurasi recall 57%.

Ketika diatur untuk akurasi dengan meningkatkan properti pemindaian, HVI menghasilkan lebih dari 700 QPS, mencapai akurasi recall 93% dengan waktu respons di bawah satu detik. Dibandingkan dengan pesaingnya, pengujian kecepatan lebih dari 3.100 kali lebih cepat dan pengujian akurasi menghasilkan 350 kali lebih banyak pekerjaan. Kombinasi kecepatan, skala, dan akurasi Couchbase memungkinkan perusahaan menangani beban kerja vektor besar tanpa meningkatkan biaya infrastruktur atau mengorbankan kualitas.

Sementara, CTO di Seenit, Ian Merrington mengatakan, kemampuan pencarian vektor baru dari Couchbase mengubah cara kami menghadirkan penemuan video sadar konteks bagi perusahaan. Pihaknya sudah menggunakan SQL++ dan pencarian teks penuh untuk menelusuri metadata di ratusan ribu video buatan karyawan, dan penambahan kemampuan pencarian vektor membawa hal ini ke level berikutnya.

“Pelanggan kami dapat menemukan konten yang relevan berdasarkan makna dan konteks, bukan hanya kata kunci yang tepat. Sebagai pelanggan Capella, kami sangat antusias dengan Couchbase 8.0 serta manfaat skalabilitas dan TCO yang menjadikannya solusi ideal bagi platform video bertenaga AI kami,” terangnya.

Sedangkan SVP dan kepala global data dan analitik di Tech Mahindra, Saurabh Jha, pendorong terbesar bagi adopsi AI perusahaan adalah penyederhanaan tumpukan data yang mendasarinya. “Peluncuran Couchbase 8.0 adalah tonggak penting, menghapus batas antara data operasional dan kemampuan vektor yang penting bagi AI modern. Bagi tim kami di Tech Mahindra, ini berarti siklus pengembangan yang lebih cepat, kompleksitas arsitektur yang lebih rendah, dan jalur langsung menuju penerapan solusi RAG dan AI agentic berkinerja tinggi bagi pelanggan kami,” tambahnya.

Tim yang menciptakan aplikasi AI dan sistem agentic menghadapi tantangan signifikan dalam mengelola data yang dihasilkan AI. Dalam Couchbase FY 2026 CIO AI Survey, 28% CIO menyebut kesulitan dalam mengelola atau mengakses data yang diperlukan sebagai faktor utama yang mengganggu proyek AI, dan hanya 16%yang memiliki basis data vektor yang dapat menyimpan, mengelola, dan mengindeks data vektor berdimensi tinggi secara efisien.

Couchbase 8.0 memberikan solusi komprehensif yang dibutuhkan perusahaan melalui pendekatan pengindeksan tiga cabang yang baru untuk embedding, pengindeksan, penyimpanan, dan akses vektor. Ini dirancang untuk mendukung berbagai skenario pengambilan vektor, mulai dari yang membutuhkan konteks berbasis vektor yang sangat luas hingga yang dapat mengontrol atau menyesuaikan variabel prompt secara lebih rinci. Aplikasi-aplikasi ini memerlukan pengindeksan vektor berkecepatan tinggi, kapasitas indeks vektor besar, dan waktu pengambilan vektor dalam hitungan milidetik, memungkinkan sistem agentic yang efisien, hemat biaya, dan responsif seperti yang diharapkan manusia.

Dikatakan Direktur riset IDC, Devin Pratt, banyak basis data vektor terintegrasi saat ini mengambil pendekatan umum terhadap pengindeksan dan pengambilan, padahal aplikasi AI sering kali memiliki kebutuhan performa dan akurasi yang beragam.

“Solusi seperti Couchbase menunjukkan bagaimana beberapa opsi pengindeksan dapat membantu pengembang menyesuaikan pencarian vektor untuk kasus penggunaan spesifik mereka, baik untuk mengoptimalkan skala, menggabungkan metode pencarian hibrida, atau menerapkan kueri pra-filter, memberikan fleksibilitas lebih besar dibandingkan banyak sistem lain,” jelasnya.

Ditambahkan analis industri senior di RedMonk, Kate Holterhoff, hambatan teknis untuk pengembangan aplikasi AI tetap tinggi, dengan banyak pengembang yang kesulitan menavigasi arsitektur basis data kompleks dan bahasa kueri khusus yang diperlukan untuk operasi vektor. Kesenjangan keterampilan ini menjadi hambatan bagi organisasi yang ingin meningkatkan inisiatif AI mereka di luar proyek percontohan.

“Couchbase memperkenalkan kemampuan kueri bahasa alami dan manajemen vektor sebagai pengakuan atas kebutuhan untuk mendemokratisasi dan menyederhanakan pengembangan AI dengan membuat kemampuan kuat ini dapat diakses oleh lebih banyak pengembang, terutama mereka yang tidak memiliki keahlian basis data mendalam,” katanya.

Pun Direktur riset analitik dan data di ISG Software Research, Matt Aslett menjelaskan, dukungan untuk penyimpanan dan pengindeksan vektor telah menjadi kemampuan penting bagi penyedia platform data, memungkinkan pengembangan aplikasi yang diperkaya dengan generative AI.

“Dukungan Couchbase untuk berbagai pendekatan pengindeksan dan pengambilan vektor menghadirkan diferensiasi yang memungkinkan pengembang memilih pendekatan yang paling sesuai dengan kebutuhan setiap aplikasi,” katanya.

Berikut beberapa hal yang didukung platform ini :

  1. Hyperscale Vector Index yang dapat diskalakan melampaui satu miliar catatan indeks vektor tanpa mengorbankan responsivitas atau performa. Dibangun di atas algoritma pencarian tetangga terdekat DiskANN menggunakan algoritma konstruksi graf terarah Vamana, pendekatan ini memberikan fleksibilitas untuk beroperasi di seluruh disk terpartisi untuk pemrosesan dan penskalaan terdistribusi, serta dijalankan di memori untuk kumpulan data yang lebih kecil.
  2. Composite Vector Index yang mendukung kueri pra-filter untuk mempersempit vektor spesifik yang dicari. Indeks vektor komposit dapat disimpan dan dipartisi mirip dengan indeks sekunder global lainnya di Couchbase, menyediakan pengambilan vektor yang efisien untuk kasus penggunaan yang ditargetkan.
  3. Search Vector Index yang memungkinkan kueri untuk vektor melalui layanan pencarian, mendukung pencarian hibrida yang menggabungkan vektor, pencarian leksikal, dan kriteria kueri terstruktur dalam satu permintaan SQL++. Kapabilitas ini memungkinkan skenario pencarian canggih yang menggabungkan berbagai tipe data dan pola kueri.

Pengembang kini dapat mencapai performa, akurasi, penggunaan memori, dan penghematan biaya yang lebih baik melalui pilihan indeks vektor yang fleksibel dan berorientasi pada kasus penggunaan. Opsi langka ini memungkinkan organisasi menerapkan vektor pendefinisi konteks yang dioptimalkan untuk kebutuhan aplikasi spesifik mereka, baik untuk mengoptimalkan kompleksitas kueri, volume vektor, maupun presisi.

Data terbaru yang dikumpulkan Couchbase mengungkapkan bahwa lebih dari sepertiga CIO menyatakan kurangnya kepercayaan dalam memenuhi tuntutan keamanan atau kepatuhan, yang telah mengganggu proyek AI. Dengan Couchbase 8.0, perusahaan mendapatkan manfaat dari fitur keamanan dan kepatuhan tingkat perusahaan.

Dukungan baru bawaan untuk enkripsi data diam (DARE) menyediakan keamanan terintegrasi yang secara otomatis mengenkripsi data yang disimpan di disk dan mendekripsinya saat diakses, melindungi data sensitif dari pengguna tidak sah. Dukungan untuk Key Management Interoperability Protocol (KMIP) memungkinkan pengelolaan kunci enkripsi lintas platform secara mulus, memperkuat keamanan data dan menyederhanakan operasi.

Replikasi pusat data lintas wilayah (XDCR) menawarkan deteksi kesadaran konflik aktif dua arah yang kini meluas ke mobile buckets. Ini memungkinkan klien seluler melakukan sinkronisasi ke kluster terdekat untuk meningkatkan keandalan, skalabilitas, dan performa. Fitur ini melindungi dari kegagalan pusat data sekaligus memastikan data tidak sensitif direplikasi antarwilayah sementara data terlindungi disimpan secara lokal, memudahkan bisnis global mematuhi regulasi kepatuhan data regional sambil mendukung konsumsi seluler.

Kemampuan auto-failover cerdas baru memastikan pelanggan mempertahankan operasi berkelanjutan bahkan selama gangguan sistem, seperti saat kapasitas disk tercapai atau ephemeral buckets menghilang.

Couchbase 8.0 meningkatkan produktivitas pengembang dengan pengalaman yang lebih ringkas dan dukungan untuk kasus penggunaan AI. Platform ini memungkinkan pengembang yang belum terbiasa dengan SQL++ untuk menggunakan bahasa alami dalam mengkueri data, serta menambahkan repositori beban kerja kueri untuk statistik kueri dari waktu ke waktu guna membantu pemecahan masalah. Mesin pencarian menambahkan sinonim yang ditentukan pengguna untuk hasil yang lebih relevan.

Rilis baru ini mengurangi hambatan bagi pengembang dengan menurunkan kompleksitas operasional dan meminimalkan beban pemecahan masalah serta manajemen infrastruktur. Ini mengatasi baik performa runtime maupun beban manajemen data berkelanjutan yang terkait dengan pembangunan sistem agentic berskala besar. (mas)