Ini adalah siaran pers berbayar. Hubungi distributor siaran pers secara langsung untuk setiap pertanyaan.

KAYTUS Meningkatkan KSManage dengan Visibilitas O&M Full-Stack untuk Pusat Data AI

Business Wire

Kam, 26 Februari 2026 pukul 5:02 PM GMT+9 7 min read

KSManage dirancang untuk pusat data AI generasi berikutnya, dengan visibilitas empat tingkat di seluruh komponen, server dan kabinet, klaster, serta pekerjaan AI, dan memastikan ketersediaan tinggi pusat data AI

SINGAPURA, 26 Februari 2026–(BUSINESS WIRE)–Seiring pusat data AI berkembang untuk mendukung beban kerja AI yang semakin kompleks, pemantauan TI tradisional tidak lagi dapat memberikan visibilitas yang diperlukan untuk operasi yang andal. KAYTUS, penyedia terkemuka solusi AI end-to-end dan pendingin cair, telah secara signifikan meningkatkan KSManage, dengan memperkenalkan visibilitas full-stack empat tingkat di seluruh komponen, server dan kabinet, klaster, serta pekerjaan AI, untuk mengatasi tantangan troubleshooting yang kompleks, tingginya tingkat kegagalan komponen, dependensi aplikasi yang rumit, serta respons yang tertunda terhadap insiden operasi dan pemeliharaan (O&M) yang dihasilkan oleh operasi pusat data AI yang menuntut. Platform yang ditingkatkan ini memungkinkan pelokalisasian gangguan yang presisi, respons insiden yang lebih cepat, dan operasi yang proaktif. Dengan KSManage, KAYTUS membantu pelanggan memaksimalkan ketersediaan, meningkatkan efisiensi operasional, dan memastikan stabilitas pusat data AI yang bersifat misi-kritis yang menggerakkan komputasi generasi berikutnya.

Empat Tantangan Utama Membatasi Efisiensi Operasional Pusat Data AI

Evolusi cepat model bahasa besar (LLM) mempercepat pengembangan pusat data AI, mendorong adopsi luas arsitektur CPU, GPU, dan DPU yang heterogen serta meningkatkan kebutuhan kolaborasi lintas wilayah. Tren ini secara signifikan meningkatkan kompleksitas operasi dan pemeliharaan (O&M), di mana bahkan satu pemadaman dapat mengakibatkan kerugian melebihi USD 1 juta, yang menegaskan meningkatnya pentingnya ketersediaan dan ketahanan dalam operasi pusat data AI.

1. Kompleksitas Infrastruktur Menghambat Troubleshooting.

Pusat data AI heterogen mengintegrasikan berbagai macam sistem komputasi, jaringan, penyimpanan, dan sistem pendukung. Pendekatan pemantauan tradisional memperlakukan perangkat sebagai entitas yang terisolasi dan tidak memiliki visibilitas end-to-end di seluruh sistem, sehingga pelacakan dan korelasi gangguan menjadi sulit. Akibatnya, metode-metode ini tidak memenuhi kebutuhan operasional yang ketat dari pusat data AI, yang menuntut deteksi cepat, analisis cepat, dan pemulihan cepat. Ketidakmampuan untuk mengidentifikasi penyebab akar dengan cepat secara langsung berdampak pada waktu pemulihan dan mengurangi ketersediaan sistem secara keseluruhan.

2. Tingkat Kegagalan Komponen Utama yang Meningkat dan Peringatan Prediktif yang Terbatas.

Komponen inti seperti GPU dan perangkat penyimpanan menjadi fondasi kinerja pusat data AI dan stabilitas operasional. Adopsi cepat perangkat keras dengan kepadatan daya tinggi telah secara signifikan mempercepat keausan komponen, sehingga mendorong tingkat kegagalan yang lebih tinggi. Data industri menunjukkan bahwa konsumsi daya GPU telah meningkat lebih dari lima kali lipat selama dekade terakhir, sementara kepadatan daya kabinet telah naik menjadi 20–50 kW, dan secara bertahap mendekati 200 kW. Dalam kondisi beban tinggi yang berkelanjutan seperti itu, risiko kegagalan komponen meningkat tajam. Namun, sistem pemantauan tradisional tidak memiliki pelacakan kesehatan real-time dan analisis tren prediktif, sehingga membatasi kemampuan untuk mendeteksi tanda peringatan dini dan mencegah kegagalan secara proaktif.

Cerita berlanjut  

3. Skenario Aplikasi AI yang Kompleks Tidak Memiliki Korelasi Bisnis End-to-End untuk Pemantauan.

Pusat data AI mendukung beragam skenario aplikasi, termasuk konten yang dihasilkan AI (AIGC), mengemudi otonom, dan komputasi ilmiah. Beban kerja ini memberikan persyaratan yang sangat beragam pada sumber daya komputasi, jaringan, dan penyimpanan, sehingga sulit untuk mengaitkan masalah perangkat keras yang mendasarinya, seperti kebocoran memori GPU atau hilangnya paket InfiniBand, dengan pekerjaan AI tertentu. Statistik industri menunjukkan bahwa sekitar 8% gangguan pelatihan LLM yang tidak direncanakan disebabkan oleh kegagalan modul optik atau fiber. Bahkan kehilangan paket pada level milidetik dapat mengganggu pelatihan, memicu restart pekerjaan, dan memaksa pengembalian progres (progress rollbacks), sehingga menghasilkan pemborosan sumber daya komputasi yang signifikan. Pendekatan pemantauan tradisional tidak memiliki visibilitas penuh di seluruh tautan untuk perangkat keras, beban kerja, dan proses bisnis, sehingga membatasi kemampuannya untuk menunjuk dan menyelesaikan masalah tersebut secara efisien.

4. Proses Pemeliharaan yang Rumit Menyebabkan Respons O&M yang Tertunda.

Kebutuhan yang semakin meningkat akan kolaborasi lintas wilayah secara signifikan telah meningkatkan kompleksitas operasi dan pemeliharaan pusat data AI. Tugas-tugas penting seperti penjadwalan sumber daya dan perencanaan tautan jaringan masih sangat bergantung pada proses manual, yang memakan waktu dan rawan kesalahan. Pada saat yang sama, kekurangan personel staf operasional semakin memperlambat waktu respons, sehingga memaksa organisasi untuk menggunakan pendekatan yang sebagian besar bersifat reaktif dalam penanganan gangguan. Tidak adanya mekanisme respons otomatis menghasilkan waktu perbaikan rata-rata yang lebih panjang (MTTR), yang berdampak negatif pada ketersediaan layanan secara keseluruhan dan efisiensi operasional.

KSManage Mengatasi Empat Tantangan Utama dengan Visibilitas Intelijen Empat Tingkat Full-stack

Untuk mengatasi tantangan operasi dan pemeliharaan (O&M) pusat data AI, KSManage menghadirkan kerangka kerja pemantauan intelijen empat lapis yang baru, mulai dari komponen hingga sistem. Dengan memanfaatkan visibilitas global end-to-end, solusi ini memungkinkan deteksi gangguan otomatis, peringatan dini, dan remediasi intelijen—secara signifikan meningkatkan efisiensi O&M dan memastikan ketersediaan tinggi pusat data AI.

1. Visibilitas Terkorelasi Penuh dengan Troubleshooting Real-Time dan Visualisasi 3D

Untuk mengatasi kompleksitas troubleshooting pada pusat data AI skala besar yang didorong oleh infrastruktur heterogen dan hubungan yang saling terjalin rapat, KAYTUS KSManage menyampaikan visibilitas berkorelasi penuh dengan kecerdasan visual terpadu. Platform ini terus mengumpulkan metrik inti real-time, termasuk pemanfaatan GPU dan CPU, penggunaan memori video, konsumsi daya, bandwidth jaringan, serta kesehatan penyimpanan, sambil secara bersamaan mengagregasi peristiwa operasional dan log jaringan. Dengan memanfaatkan penemuan topologi otomatis, KSManage melacak beban kerja lintas-node end-to-end, membangun fondasi data terpadu “pengukuran–log–trace”. Dengan mengorelasikan kesehatan perangkat hingga ke telemetri level port di seluruh siklus hidup pekerjaan, KSManage memvisualisasikan alokasi sumber daya secara dinamis melalui pemodelan 3D real-time. Pendekatan end-to-end ini mengatasi keterbatasan pemantauan tradisional yang terisolasi (silo), memungkinkan analisis korelasi penuh yang presisi, dan mengubah diagnosis penyebab akar dari penyelidikan yang memakan waktu menjadi pelokalisasian gangguan yang cepat dan akurat, meningkatkan efisiensi troubleshooting hingga 90%.

2. Analisis Tren Perangkat Keras Prediktif dengan Peringatan Dini untuk Keandalan Komponen Inti.

Untuk mengatasi kurangnya peringatan dini yang proaktif, meningkatnya tingkat kegagalan, dan percepatan keausan komponen yang didorong oleh adopsi luas perangkat ber-kepadatan daya tinggi, KAYTUS KSManage menetapkan sistem manajemen kesehatan perangkat keras dan peringatan dini yang cerdas. Dengan memanfaatkan telemetri perangkat keras yang komprehensif, KSManage menerapkan algoritme canggih untuk menganalisis secara mendalam tren kinerja komponen penting, termasuk GPU dan perangkat penyimpanan. Indikator dini dari keausan yang tidak normal diidentifikasi secara akurat, sehingga risiko kegagalan perangkat keras dapat diprediksi hingga tujuh hari sebelumnya. Secara paralel, KSManage terus memantau parameter operasional utama seperti beban dan temperatur, secara proaktif mengurangi potensi kegagalan dalam kondisi beban tinggi yang berkelanjutan serta menurunkan tingkat kegagalan komponen dari sumbernya.

3. Dependensi Aplikasi End-to-End yang Dikorelasikan dengan Pemantauan Jaringan dan Workflows.

Untuk mengatasi tantangan yang ditimbulkan oleh beragam skenario aplikasi AI, workflow bisnis yang kompleks, serta kesulitan mengorelasikan anomali perangkat keras dengan tugas pelatihan AI, KAYTUS KSManage menyampaikan visibilitas berkorelasi penuh di seluruh perangkat keras, platform, dan beban kerja. Solusi ini memantau secara presisi metrik jaringan penting, termasuk bandwidth, latensi, dan kehilangan paket, sambil menyisakan margin bandwidth 20% untuk memastikan transmisi data yang stabil, menjaga latensi internal pada level milidetik dan kehilangan paket di bawah 0,01%. Ini memungkinkan pemetaan yang akurat dari anomali perangkat keras ke pekerjaan pelatihan tertentu. Dengan menelusuri jalur lengkap dari anomali jaringan melalui beban kerja hingga dampak bisnis, KSManage dengan cepat menemukan akar penyebab gangguan pelatihan LLM, seperti gangguan modul optik atau fiber, mencegah pengembalian (rollbacks) pelatihan, menghapus pemborosan sumber daya komputasi, dan menghadirkan visibilitas end-to-end di luar kemampuan alat pemantauan tradisional.

4. O&M Otomatis Empat Tingkat dengan Troubleshooting Presisi dan Respons Cepat

Untuk mengatasi ketergantungan berlebihan pada operasi manual, kekurangan tenaga spesialis O&M, dan respons insiden yang tertunda, KAYTUS KSManage menyampaikan sistem O&M yang tangguh dan cerdas yang dibangun di atas kerangka visibilitas empat lapis yang mencakup komponen, server dan kabinet, klaster, serta workload AI. Arsitektur terpadu ini memungkinkan operasi otomatis end-to-end dan diagnosis gangguan yang presisi di seluruh pusat data AI. Tingkat keberhasilan backup otomatis mencapai hampir 99,8%, sementara penerapan gabungan knowledge graph dan algoritme deteksi anomali deret waktu memungkinkan hingga 90% penyebab akar untuk diidentifikasi secara otomatis dalam waktu lima menit. Akibatnya, efisiensi O&M meningkat hingga empat kali, secara signifikan mengurangi waktu perbaikan rata-rata (MTTR) dan meminimalkan ketergantungan pada intervensi manual serta kesalahan manusia. Secara paralel, KSManage membangun mekanisme respons yang tangguh dengan peringatan dini, perlindungan berjenjang, serta isolasi dan remediasi otomatis. Risiko kapasitas penyimpanan dapat diprediksi hingga tiga hari sebelumnya, sehingga menurunkan total biaya O&M secara keseluruhan dan memberikan pengurangan hingga 40% dalam total cost of ownership (TCO).

Rasakan KSManage

KSManage kini tersedia untuk uji coba yang dapat dijalankan hanya dengan beberapa klik, memungkinkan pengguna untuk dengan cepat dan sepenuhnya mengeksplorasi kemampuan produk. Untuk memulai uji coba Anda, silakan kunjungi: (username: admin/password: Manage1!)

Untuk pertanyaan apa pun atau informasi tambahan, silakan hubungi kami di ksmanage@kaytus.com

Tim kami akan merespons dengan cepat!

Tentang KAYTUS

KAYTUS adalah penyedia terkemuka solusi AI end-to-end dan pendingin cair, yang menghadirkan beragam produk inovatif, terbuka, dan ramah lingkungan untuk cloud, AI, edge computing, dan aplikasi-aplikasi baru lainnya yang sedang berkembang. Dengan pendekatan yang berpusat pada pelanggan, KAYTUS bersifat lincah dan responsif terhadap kebutuhan pengguna melalui model bisnisnya yang dapat beradaptasi. Temukan lebih lanjut di KAYTUS.com dan ikuti kami di LinkedIn dan X

Lihat versi sumber di businesswire.com:

Kontak

**Kontak Media **
media@kaytus.com

Ketentuan dan Kebijakan Privasi

Dasbor Privasi

Info Lebih Lanjut