Seiring AI semakin berkembang, kita mulai melihatnya terintegrasi ke dalam sistem NAS — album foto pintar, penandaan otomatis, deteksi anomali, pencarian dengan bahasa alami (“cari foto dari perjalanan ke pantai saya musim panas lalu”), dan lain-lain. Tapi rasanya kita baru menyentuh permukaan dari potensi AI + NAS.
Kami ingin tahu bagaimana kamu benar-benar memikirkan hal ini. Berikut beberapa pertanyaan untuk memulai diskusi:
Pertanyaan untuk komunitas:
Apa satu hal yang paling kamu harapkan AI bisa lakukan di NAS kamu? (Pengorganisasian file? Penyortiran backup otomatis? Pemantauan keamanan? Atau lainnya?)
Apakah kamu punya kekhawatiran privasi tentang AI yang menganalisis file pribadi kamu? Apakah kamu lebih nyaman dengan AI di perangkat tetapi TIDAK dengan pemrosesan AI berbasis cloud?
Apakah kamu lebih suka AI berjalan sepenuhnya otomatis di latar belakang, atau ingin menyetujui setiap tindakan yang dilakukan AI?
Mau kamu sudah pro-AI atau masih ragu — semua sudut pandang diterima. Yuk kita bersama-sama merancang seperti apa seharusnya AI di NAS untuk pengguna nyata!
Kekhawatiran terbesar saya soal semua ini adalah beban CPU. TS-873A saya sering kewalahan karena menjalankan backup, pengindeksan Qsirch, pengindeksan multi-media, dan lain-lain.
Akan sangat membantu jika QNAP terlebih dahulu mengoptimalkan penggunaan CPU sebelum menambahkan fitur AI lain yang akan semakin membebani CPU.
Terima kasih atas saran Anda! Kami akan memastikan fitur terkait tidak akan memengaruhi pengalaman Anda. Kami juga ingin tahu apa yang Anda harapkan AI bisa bantu di NAS Anda — apakah itu manajemen data, sinkronisasi & backup, atau hal lain yang Anda pikirkan. Masukan Anda sangat kami hargai!
Saya setuju dengan NA9D untuk lebih dulu meningkatkan penggunaan CPU pada alat “AI” yang sudah ada, daripada menambah fitur baru (Secara pribadi, Qmagie, Qsirch indexing dan sebagainya saat ini saya nonaktifkan karena penggunaan CPU yang tinggi). Dari sisi saya, fitur keamanan NAS yang dianalisis AI akan sangat membantu jika bisa menggabungkan semua file log dan kemudian membuat ringkasan mengenai apa saja yang sudah baik dan—yang paling menarik—apa saja yang bermasalah.
Poin lain yang menurut saya menarik adalah jika pada foto, AI menganalisis metadata lalu membantu mengklasifikasikan foto berdasarkan tanggal atau lokasi.
Terakhir, saya lebih memilih AI lokal (on site) daripada di cloud.
Saya ingin menambahkan sudut pandang yang sedikit berbeda soal kekhawatiran CPU — saya rasa fitur AI sebenarnya tidak akan menambah beban berarti pada CPU yang sudah ada. Model AI modern (bahkan yang kecil sekalipun) umumnya terlalu besar untuk dijalankan secara efisien di CPU; mereka butuh akselerasi GPU atau NPU. Pada unit NAS yang lebih lama tanpa GPU/NPU yang memadai, saya rasa fitur AI seperti ini memang tidak akan diaktifkan sama sekali, jadi tidak akan bersaing dengan Qsirch / indeksasi media / backup dalam penggunaan CPU.
Meski demikian, optimisasi pemakaian CPU untuk fitur-fitur yang sudah ada selalu diapresiasi — tapi topik ini mungkin berbeda dari soal AI.
Tentang cloud vs lokal: keduanya punya peran. Secara pribadi, saya lebih suka inferensi lokal sebagai default, minimal menjalankan model open source ringan di perangkat (semacam Gemma4 atau qwen3.5) agar tugas-tugas dasar seperti ringkasan log, pencarian bahasa alami, atau otomasi ringan bisa sepenuhnya berjalan lokal demi privasi. Tapi saya juga ingin fleksibilitas untuk mengalihkan tugas lebih berat ke model cloud yang lebih mumpuni saat diperlukan. Cloud AI juga punya manfaat nyata: satu-satunya cara pengguna NAS lama (yang tidak bisa menjalankan model secara lokal) bisa menikmati fitur AI sama sekali. Jadi menyediakan kedua opsi berarti tidak ada yang tertinggal.
Fitur yang betul-betul ingin saya lihat di roadmap AI masa depan adalah kapabilitas agent — bukan sekadar tanya-jawab satu kali atau penandaan, tapi agent yang bisa mengambil tindakan multi-langkah di NAS (misalnya “temukan semua foto duplikat dari 2023 dan pindahkan ke folder review”, atau “ringkas anomali minggu ini dari log dan kirimkan notifikasi kalau ada yang serius”). Inilah area di mana menurut saya AI di NAS benar-benar jadi berguna.
Sebenarnya, itu tidak sepenuhnya benar. Perusahaan saya punya alat AI yang memungkinkan algoritme AI di edge berjalan pada mikrokontroler 32 bit bahkan 16 bit. Algoritmenya hanya membutuhkan beberapa kB memori dan sangat efisien serta kecil. Di balik itu ada proses pengolahan data dan matematika sinyal dalam jumlah besar yang dilakukan di cloud terlebih dahulu untuk menghasilkan algoritmenya. Tapi kami, misalnya, bisa melakukan diagnostik preventif pada seluruh sistem HVAC (apakah koil tersumbat, apakah ada kebocoran pendingin, apakah motor berjalan dengan baik, dan sebagainya). Tidak perlu akselerator. Coba pelajari mengenai TinyML.
Tidak semua model AI di luar sana berjalan dengan TensorFlow atau LLM atau sejenisnya. Jadi tolong jangan digeneralisasi seperti itu. Ini memang di luar cakupan forum ini, tapi saya punya BANYAK informasi untuk mendukung apa yang saya katakan karena saya menjual produk ini tiap hari.
Untuk hal seperti pemrosesan bahasa alami penuh (bukan sekadar pencarian kata kunci - itu bisa dijalankan di MCU 32 bit), atau pengenalan gambar, memang dibutuhkan akselerator.
Menambahkan hal semacam Vision AI tanpa akselerator pada QNAP jelas akan menambah beban CPU. Saya punya QAI-U100 dan perbedaan beban CPU saat alat itu mengenali gambar dibandingkan jika alatnya tidak terkoneksi sangat besar.
Beberapa neural accelerator juga digunakan untuk tugas tertentu. Ada yang lebih dikhususkan untuk pemrosesan visual, yang lain untuk tugas AI lain. Cakupannya sangat luas. Jadi tergantung pengguna punya perangkat apa, itu tentu bisa memengaruhi beban CPU di QNAP mereka.
