Karyawan Pertama Kami: Dataset Anonymizer — MVP0 dalam Masa Percobaan
Diterbitkan 01 May 2026
waktu membaca : 12 minutes
Saya tidak mempekerjakan seorang LLM. Saya mempekerjakan seorang penononim. Sebelum melakukan RAG pgvector, sebelum melakukan fine-tuning pada ahli CDA/FPA, sebelum menyediakan workspaces klien — seseorang harus membersihkan toilet data. Pegawai ini adalah ahli anonimisasi (MVP0, EPIC 2 dari codebase-gradle). Dan itulah yang menjadikan produk tersebut dapat dipasarkan.
Masalah yang membuat semua orang melarikan diri
Semua startup AI yang memproses data pelatihan menghadapi dinding yang sama :
----
----
----
Données brutes client (SPG, cours, évaluations)
├→ Noms de stagiaires en clair dans les PDF
├→ Emails dans les métadonnées JSON
├→ IP de connexion dans les logs pgvector
├→ Identifiants dans les nœuds Graphify
└→ Références OF pilote dans les schémas SQL
----
Hasil: atau kamu melakukan RAG pada data kotor (halusinasi PII, tidak kepatuhan GDPR, risiko hukum), atau kamu tidak melakukan apa-apa (tidak ada produk). Cara ketiga — membersihkan secara manual — tidak dapat diskalakan.
Jawaban saya: tidak menghindari masalah. L'**mengotomatisasi**.
== MVP0: Penyamar, Pekerja pertama yang dipekerjakan dalam masa percobaan
MVP0 bukan fitur. Ini adalah**ahli kenyamanan**— seorang pekerja yang mengerjakan pekerjaan kotor yang bodoh dan jahat, dan yang tidak ada yang mau membicarakan dalam pitch decks.
Apa yang dia lakukan :
[source]
----
ENTRÉE : Données brutes multi-sources
├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
├→ JSON (catalogue formations) → emails, téléphones
├→ YAML (config workspace) → tokens OAuth2
├→ SQL (schémas DDL) → IP, adresses
├→ pgvector (métadonnées embeddings) → identifiants
├→ ONNX (outputs classification) → noms propres
└→ Graphify (graph.json) → nœuds avec PII
SORTIE : Datasets propres, format standardisé
├→ [ANONYMIZED] remplace les PII détectées
├→ Classification RGPD (niveau 0→4)
├→ Rapport d'audit (quoi a été nettoyé)
└→ Dataset prêt pour RAG ET fine-tuning
----
Dia mendeteksi pola-pola yang paling jelas terlebih dahulu (emails)`.*@.*`, token`sk-*`, `ghp_*`, IPs), lalu ia belajar. Masa percobaan, itu adalah itu: kita memvalidasi bahwa ia tidak membiarkan negatif palsu lolos sebelum mengangkatnya tetap.
== Apa yang dibuka oleh MVP ini (dan ini bukan hanya kepatuhan)
Anonimisasi seperti MVP0 bukan tol GDPR sebelum jalan raya. Itu adalah jalan raya itu sendiri. Berikut apa yang dibukanya :
=== Saat ini: Realitas Augmented dalam Prompt
[source]
----
DONNÉES BRUTES CLIENT
↓
Anonymiseur MVP0 → datasets propres
↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----
RAG tidak mencari di data kotor — ia mencari di ruang**bersih oleh konstruksi**. Ini mengubah semuanya untuk kualitas jawaban: LLM tidak menghabiskan waktunya untuk mengelak dari PII yang dia kenali tetapi tidak boleh disebutkan.
=== Masa depan : Fine-Tuning pada Data Sehat
[source]
----
MVP0 → datasets propres accumulés (session après session)
↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----
Fine-tuning pada data mentah adalah potensi bencana hukum. Pada data bersih, ini adalah**metode yang dapat direproduksi**. Setiap klien mengakumulasi datasetnya yang telah dibersihkan, setiap klien dapat melakukan fine-tuning pada pakar bisnisnya atas datanya — tanpa pernah mengekspos data pribadi.
== Mengapa itu dapat dipasarkan?
Bukan « alat kepatuhan GDPR ». Ini adalah**metode yang dapat direproduksi yang mengubah masalah universel menjadi aset**:
1. *Semua perusahaan pelatihan memiliki data kotor* — ini masalahnya
2. *Tidak ada yang memiliki pipeline pembersihan otomatis multi-sumber* — itu adalah pasar
3. *Perulangan: anonymisasi → RAG → fine-tuning bersifat proprietor* — itu adalah hambatan
SaaS Edster (MVP3) tidak akan menjual « workspace Gradle ». Ia akan menjual loop tertutup ini. Dan MVP0 adalah pintu masuk.
== Format SQL sebagai Cara Ketiga dari Konteks
Pengimporan data terstruktur bukan hanya format pertukaran. Skema SQL (DDL) memuat**model entitas-relasi domain**:
[source]
----
CREATE TABLE formation (
id UUID PRIMARY KEY,
titre VARCHAR NOT NULL,
referentiel RNCP REFERENCES rncp(id),
organisme OF REFERENCES of_pilote(id) -- ← va être anonymisé
);
----
DDL ini, setelah dianonimkan (baris 4), menjadi sumber konteks untuk LLM. Bukan teks —**model bisnis**. RAG memberikan konten (similaritas vektor), Graphify memberikan relasi (struktur tepat), dan skema SQL memberikan**Desain Berbasis Domain implisit**: bounded contexts, agrégats, value objects. LLM memahami bisnis karena ia membaca skemanya.
== Roadmap: dari MVP0 ke SaaS
[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
Sortie : datasets propres, reproductible
MVP1 — RAG pgvector (dépend de MVP0)
Realité augmentée en prompt sur données nettoyées
MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
Vecteur composite de contexte (règles + similarité + relations exactes)
MVP3 — SaaS Edster (dépend de MVP0-2)
Provisionnement workspace client complet
----
Setiap MVP bergantung pada yang sebelumnya. Tidak ada yang dapat dikirim tanpa MVP0. Ini adalah alasan mengapa Anonymiseur bukan « P0 » dalam backlog — ia adalah**MVP0**. Ini adalah deliverable komersial pertama, dan semua sisanya bergantung pada keberhasilannya.
== Kesimpulan : pekerjaan tidak terlihat yang membuat segalanya mungkin
Dalam startup konvensional, pembersihan data di-outsource, dilakukan secara manual, atau diabaikan. Dalam arsitektur ini, ini adalah**inti produk**. L'Anonymiseur adalah karyawan pertama karena tanpa dia, tidak ada yang berfungsi :
* Tanpa MVP0 → tidak ada RAG legal (MVP1)
* Tanpa MVP0 → tidak ada fine-tuning tanpa kebocoran data (EPIC 5)
* Tanpa MVP0 → tidak ada SaaS kredibel (MVP3)
* Tanpa MVP0 → tidak ada realitas augmentasi dalam prompt
* Tanpa MVP0 → tidak ada jalur ketiga konteks (SQL DDD)
Dia melakukan pekerjaan kotor. Dia tidak akan pernah disebutkan dalam pitch. Tapi dia yang menjaga pabrik berjalan.
Dan itulah mengapa kami merekrutnya terlebih dahulu.
== Referensi
* Article tentang ontologi spasial dan lingkaran kepercayaan :link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[Ontologi Spasial sebagai Mekanisme Penyelarasan]
* Artikel tentang governansi agen Eager/Lazy :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Mengatur Agent AI dengan AsciiDoc]
* Artikel tentang mekanisme Hot/Warm/Cold :link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window dan Gelombang Dingin]
* Artikel tentang perbandingan dari tiga LLM :link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]
----
----
Hasilnya: antara kamu melakukan RAG pada data yang kotor (halusinasi PII, ketidakpatuhan GDPR, risiko hukum), atau kamu tidak melakukan apa-apa (tidak ada produk). Jalan ketiga — membersihkan secara manual — tidak scalable.
Jawaban saya: jangan menghindari masalah tersebut. L'**mengotomatiskan**Silakan berikan teks yang ingin Anda terjemahkan.
== MVP0 : l'Anonymiseur, Karyawan Pertama dalam Masa Percobaan
MVP0 bukanlah sebuah feature. Ini adalah sebuah**ahli komoditas**— seorang karyawan yang melakukan pekerjaan kotor yang membosankan dan kasar, dan yang tidak ingin dibicarakan oleh siapa pun dalam pitch deck.
Apa yang dilakukannya:
[source]
----
ENTRÉE : Données brutes multi-sources
├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
├→ JSON (catalogue formations) → emails, téléphones
├→ YAML (config workspace) → tokens OAuth2
├→ SQL (schémas DDL) → IP, adresses
├→ pgvector (métadonnées embeddings) → identifiants
├→ ONNX (outputs classification) → noms propres
└→ Graphify (graph.json) → nœuds avec PII
SORTIE : Datasets propres, format standardisé
├→ [ANONYMIZED] remplace les PII détectées
├→ Classification RGPD (niveau 0→4)
├→ Rapport d'audit (quoi a été nettoyé)
└→ Dataset prêt pour RAG ET fine-tuning
----
Ia mendeteksi pola yang paling jelas terlebih dahulu (email`.*@.*`, token`sk-*`, `ghp_*`, IP), lalu ia belajar. Masa percobaan adalah hal itu: kita memastikan bahwa ia tidak meloloskan negatif palsu sebelum menetapkannya sebagai staf tetap.
== Apa yang Dibuka oleh MVP ini (dan ini bukan sekadar Kepatuhan)
Anonimisasi sebagai MVP0 bukanlah pintu tol GDPR sebelum masuk jalan tol. Anonimisasi adalah jalan tol itu sendiri. Inilah yang dibukanya:
=== Sekarang: Augmented Reality dalam Prompt
[source]
----
DONNÉES BRUTES CLIENT
↓
Anonymiseur MVP0 → datasets propres
↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----
RAG tidak mencari dalam data yang kotor — ia mencari dalam sebuah ruang**bersih secara konstruksi**Hal ini mengubah segalanya bagi kualitas jawaban: LLM tidak menghabiskan waktunya untuk menghindari PII yang ia kenali namun tidak boleh ia sebutkan.
=== Masa Depan: Fine-Tuning pada Data yang Sehat
[source]
----
MVP0 → datasets propres accumulés (session après session)
↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----
Fine-tuning pada data mentah adalah bencana hukum yang potensial. Pada data bersih, itu adalah sebuah**metode yang dapat direproduksi**Setiap klien mengumpulkan dataset yang telah dibersihkan, setiap klien dapat melakukan fine-tune pada pakar bisnis mereka menggunakan data mereka sendiri — tanpa pernah mengekspos data pribadi.
== Mengapa Ini Marketable
Ini bukan "alat kepatuhan GDPR". Ini adalah sebuah**metode yang dapat direproduksi yang mengubah masalah universal menjadi aset**Silakan masukkan teks yang ingin Anda terjemahkan.
1. *Setiap perusahaan pelatihan memiliki data kotor* — itulah masalahnya
2. *Tidak ada satu pun yang memiliki pipeline pembersihan multi-sumber otomatis* — itulah pasarnya
3. *Loop: anonymisasi → RAG → fine-tuning adalah milik pribadi* — itulah hambatannya
SaaS Edster (MVP3) tidak akan menjual "sebuah workspace Gradle". Ia akan menjual loop tertutup ini. Dan MVP0 adalah pintu masuknya.
== Format SQL sebagai Jalan Ketiga Konteks
Impor data terstruktur bukan sekadar format pertukaran. Skema SQL (DDL) membawa**model entitas-relasi domain**Silakan masukkan teks yang ingin Anda terjemahkan.
[source]
----
CREATE TABLE formation (
id UUID PRIMARY KEY,
titre VARCHAR NOT NULL,
referentiel RNCP REFERENCES rncp(id),
organisme OF REFERENCES of_pilote(id) -- ← va être anonymisé
);
----
DDL ini, setelah dianonimkan (baris 4), menjadi sumber konteks untuk LLM. Bukan teks — melainkan**model bisnis**. RAG memberikan konten (kemiripan vektorial), Graphify memberikan relasi (struktur tepat), dan skema SQL memberikan**Domain-Driven Design implisit**: bounded contexts, agrégats, value objects. LLM memahami bisnis karena ia membaca skemanya.
== Roadmap: dari MVP0 ke SaaS
[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
Sortie : datasets propres, reproductible
MVP1 — RAG pgvector (dépend de MVP0)
Realité augmentée en prompt sur données nettoyées
MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
Vecteur composite de contexte (règles + similarité + relations exactes)
MVP3 — SaaS Edster (dépend de MVP0-2)
Provisionnement workspace client complet
----
Setiap MVP bergantung pada yang sebelumnya. Tidak ada yang dapat dikirimkan tanpa MVP0. Itulah alasan mengapa Anonymiseur bukan "P0" dalam backlog — ia adalah**MVP0**. Ini adalah hasil akhir komersial pertama, dan semua hal lainnya bergantung pada keberhasilannya.
== Kesimpulan: Kerja Tak Terlihat yang Membuat Segalanya Menjadi Mungkin
Dalam startup klasik, pembersihan data dialihdayakan, dilakukan secara manual, atau diabaikan. Dalam arsitektur ini, hal tersebut adalah**inti produk**. Anonymiseur adalah karyawan pertama karena tanpanya, tidak ada yang berfungsi:
* Tanpa MVP0 → tidak ada RAG legal (MVP1)
* Tanpa MVP0 → tidak ada fine-tuning tanpa kebocoran data (EPIC 5)
* Tanpa MVP0 → tidak ada SaaS yang kredibel (MVP3)
* Tanpa MVP0 → tidak ada augmented reality dalam prompt
* Tanpa MVP0 → tidak ada jalur konteks ketiga (SQL DDD)
Dia melakukan pekerjaan kotor. Dia tidak akan pernah disebut dalam pitch. Tapi dialah yang membuat pabrik itu berjalan.
Dan itulah alasan mengapa kita mempekerjakannya terlebih dahulu.
== Referensi
* Artikel tentang ontologi spasial dan lingkaran kepercayaan:link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[Ontologi Spasial sebagai Mekanisme Penyelarasan]
* Artikel tentang tata kelola agen Eager/Lazy:link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Mengelola Agen AI dengan AsciiDoc]
* Artikel tentang mekanisme Hot/Warm/Cold:link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window dan Vague Froide]
* Artikel tentang perbandingan ketiga LLM:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]