Presentasi AI Bedrock AgentCore: Bikin Slide Rapi Cuma 90 Detik

Masalah Klasik Bikin Presentasi di Perusahaan

Di industri jasa keuangan atau korporasi besar, tim analis sering kali menghabiskan belasan jam tiap minggu hanya buat merapikan slide PowerPoint. Dokumen tebal seperti laporan triwulanan, berkas kepatuhan (compliance), dan riset pasar harus dibaca teliti supaya angka yang disajikan nggak salah.

Tantangannya bukan cuma soal waktu yang habis. Kalau memakai generator slide AI biasa yang beredar di pasaran, sering kali jawabannya halusinasi alias mengarang bebas. Di ranah korporat, salah mengutip laba bersih atau proyeksi pendapatan bisa fatal akibatnya. Karena itu, AWS merancang alur kerja yang menggabungkan orkestrasi agent AI dengan Retrieval Augmented Generation (RAG) ketat agar semua fakta di dalam slide terkunci langsung ke dokumen sumber.

Arsitektur Sistem: Supervisor Agent dan Alat Khusus

Alih-alih menumpuk semua instruksi di dalam satu fungsi raksasa (monolithic), arsitektur presentasi AI Bedrock AgentCore ini membagi tugas lewat supervisor agent. Supervisor agent berjalan di atas AgentCore runtime dan dibangun menggunakan Strands Agents framework, sebuah SDK open source untuk membangun agent AI.

Supervisor agent ini dibekali dua fungsi atau tools utama:

1. generate_pptx: Menjalankan AWS Lambda khusus (berbasis kontainer Python) untuk mengambil konteks dari knowledge base, menyusun outline slide, membangkitkan gambar AI, dan merakit file .pptx utuh.
2. generate_summary: Menjawab pertanyaan dan mengekstrak intisari informasi langsung dari knowledge base memakai teknik RAG.

Alur kerjanya dimulai saat request pengguna masuk melalui Amazon API Gateway. Permintaan diteruskan ke Chat API berbasis .NET 8 minimal APIs yang berjalan di AWS Lambda. Status obrolan disimpan di Amazon DynamoDB, lalu Chat API memanggil supervisor agent di AgentCore runtime. Agent inilah yang memutuskan apakah perintah pengguna butuh ringkasan teks biasa, pembuatan file presentasi PowerPoint utuh, atau kombinasi keduanya.

Kalau kamu tertarik mendalami bagaimana ekosistem model frontier dijalankan di infrastruktur AWS, kamu juga bisa membaca artikel kami tentang /developer/openai-di-amazon-bedrock-panduan-gpt-6 atau integrasi /developer/grok-4-7-di-amazon-bedrock-ai-agent.

Peran Model AI: Kolaborasi Claude, Titan, dan Stability AI

Satu hal yang bikin solusi ini menarik adalah kerja sama antara beberapa model AI spesialis di dalam Amazon Bedrock. AWS nggak membebankan semua urusan ke satu model saja:

• Anthropic Claude Sonnet 4.6: Bertindak sebagai otak utama reasoning supervisor agent dan generator konten slide. Model ini bertugas menyusun narasi, judul, poin-poin penjelasan, dan naskah catatan pembicara (speaker notes).
• Anthropic Claude Haiku 4.5: Dipakai khusus pada parsing inference profile untuk memproses dan memahami dokumen masukan secara cepat dan hemat biaya.
• Amazon Titan Text Embeddings v2: Mengubah potongan teks (chunks) dokumen tebal menjadi representasi vektor untuk pencarian semantik di vector database.
• Stability AI Stable Image Inpaint: Membuat ilustrasi visual dan gambar pendukung yang relevan langsung di dalam slide presentasi.

Semua model ini dipanggil lewat inference profiles di Amazon Bedrock, sehingga permintaan bisa memanfaatkan kapasitas multi-region yang bikin performanya stabil meski trafik lagi tinggi.

Bedah Alur RAG dan Proteksi Konten dengan Guardrails

Sistem RAG di balik solusi ini mengandalkan Amazon Bedrock Knowledge Bases. Dokumen perusahaan diunggah ke Amazon Simple Storage Service (Amazon S3). Sistem kemudian memecah dan mem-parsing dokumen dengan perlakuan khusus buat konten multimodal seperti tabel, grafik, dan gambar.

Vektor hasil konversi disimpan di dalam Amazon OpenSearch Serverless. Saat user meminta presentasi tentang metrik tertentu, sistem melakukan similarity search untuk menarik potongan dokumen yang relevan, lalu menyuapkannya sebagai konteks ke Claude Sonnet 4.6. Lewat cara ini, isi slide tetap akurat dan meminimalisir halusinasi.

Untuk menjaga kepatuhan korporat, sistem memasang Amazon Bedrock Guardrails yang disiapkan melalui AWS Cloud Development Kit (AWS CDK). Guardrails menyaring input dari ancaman prompt injection, memeriksa teks luaran agar sesuai etika perusahaan, serta mendeteksi dan menyamarkan data pribadi sensitif (PII) sebelum slide diserahkan ke pengguna.

Hasil Uji Nyata: Laporan 90 Halaman Beres dalam 90 Detik

Dalam pengujian internal resmi yang dilakukan tim AWS, arsitektur ini diuji dengan dokumen laporan tahunan Amazon 2024 (Amazon 2024 Annual Report PDF) setebal 90 halaman. Hasil performa dan biayanya terbukti sangat efisien:

Biaya sekitar $0.04 untuk satu dek presentasi lengkap jelas jauh lebih murah ketimbang waktu kerja staf analis. Sebagian besar komponen biaya tersebut dialokasikan untuk pembuatan gambar AI, bukan pemrosesan teksnya.

Berikut adalah contoh hasil slide yang dibuat oleh sistem agentik ini:

Slide pembuka langsung menampilkan judul yang menarik dan relevan dengan narasi dokumen. Desain ini bisa disesuaikan dengan template branding korporat yang sudah ada.

Data historis dan metrik numerik diekstrak tanpa kehilangan konteks aslinya, disusun dalam bentuk poin-poin yang mudah dibaca audiens.

Agent AI ini juga paham kapan harus menyandingkan teks laporan keuangan dengan visual pendukung untuk memperkuat presentasi.

Angka-angka kritis disajikan terstruktur, memastikan manajemen bisa langsung menangkap metrik kunci tanpa harus membolak-balik laporan ratusan lembar.

Kebutuhan slide visual penuh juga bisa dipenuhi berkat integrasi otomatis dengan Stability AI Stable Image Inpaint di dalam pipeline pembuatan dokumen.

Di akhir presentasi, agen menyusun slide kesimpulan berisi intisari strategis lengkap dengan naskah speaker notes tersembunyi untuk membantu presenter saat berbicara di panggung.

Langkah Praktis: Cara Deploy Solusi Ini di Akun AWS Kamu

AWS membagikan seluruh kode proyek ini secara publik di repositori GitHub resmi mereka. Kalau kamu seorang developer atau cloud engineer yang ingin memasang arsitektur ini, berikut langkah garis besarnya:

1. Siapkan Prasyarat Lingkungan
   Pastikan kamu punya akun AWS aktif, .NET SDK 8, Python 3.12+, Node.js, AWS CDK CLI, serta Docker atau Finch dengan dukungan arsitektur ARM64. Pastikan akses model Claude Sonnet 4.6, Titan Text Embeddings v2, dan Stability AI sudah aktif di konsol Bedrock.

2. Kloning Repositori dan Buat Konfigurasi
   Unduh kodenya lewat terminal dari repositori sampel AWS, lalu buka direktori proyek. Buat file pipeline-params.ini di root direktori untuk menentukan ID VPC, nama bucket S3, serta model inference profile yang ingin dipakai.

3. Bootstrap CDK dan Build Artefak
   Lakukan bootstrap CDK lalu jalankan skrip kompilasi:

   cdk bootstrap
   chmod +x ./pipeline-build.sh ./pipeline-deploy.sh ./deploy-agentcore.sh
   ./pipeline-build.sh

   Skrip ini akan mengompilasi Chat API .NET dan membangun kontainer Docker Lambda untuk generator PPTX.

4. Deploy Infrastruktur dan AgentCore Runtime
   Jalankan ./pipeline-deploy.sh untuk membentuk VPC Endpoints, OpenSearch Serverless, AgentCore stack, dan API Gateway. Lanjutkan dengan ./deploy-agentcore.sh untuk mendaftarkan kontainer supervisor agent ke AgentCore runtime.

Kalau kamu butuh menguji prompt perancangan outline slide sebelum dimasukkan ke dalam kode Lambda, kamu bisa mencoba struktur prompt instruksi berikut:

Kamu adalah asisten analis korporat. Tugasmu adalah menganalisis potongan teks laporan keuangan terlampir dan membuat outline presentasi PowerPoint 6 slide.Format tiap slide harus mencakup:- Judul Slide yang ringkas dan lugas- 3-4 poin fakta atau angka numerik penting (tanpa mengarang fakta baru di luar konteks)- Keterangan apakah slide butuh ilustrasi visual pendukung- Naskah speaker notes singkat untuk pembicara Konteks dokumen:[Masukkan potongan teks laporan di sini]

Buat developer di Indonesia yang ingin bereksperimen dengan model-model seperti Claude Sonnet 4.6 tanpa harus pusing mengelola infrastruktur kartu kredit luar negeri, kamu bisa mencoba Classai Router. Lewat Classai Router, model claude-sonnet-4.6 tersedia dengan tarif Rp2.700 per 1 juta token input dan Rp13.500 per 1 juta token output. Pilihan lain yang lebih hemat seperti claude-haiku-4.5 juga bisa kamu akses seharga Rp900 / Rp4.500 per 1 juta token dengan sistem saldo isi ulang lokal via QRIS.

Dampak Nyata untuk Industri dan Developer di Indonesia

Solusi presentasi AI Bedrock AgentCore ini membawa angin segar bagi efisiensi operasional bisnis di Indonesia. Dari kacamata praktis, ada beberapa dampak langsung yang bisa dirasakan:

• Efisiensi Tim Riset dan Keuangan: Kantor akuntan publik, konsultan manajemen, dan tim analis perbankan di Indonesia yang rutin membuat proposal atau ulasan portofolio bisa memangkas waktu kerja manual dari harian menjadi hitungan menit saja.
• Kepatuhan Privasi Data (UU PDP): Karena seluruh alur kerja berjalan di dalam private subnet AWS VPC dan diamankan AWS KMS serta IAM least-privilege, data sensitif perusahaan tidak perlu disetor ke platform SaaS pihak ketiga yang lokasinya tidak jelas.
• Standardisasi Desain Perusahaan: Tim pengembang internal bisa menaruh template korporat ke dalam kontainer generator PPTX, memastikan setiap slide yang di-generate AI tetap taat panduan warna dan font resmi perusahaan.

Bagi engineer yang ingin memperdalam skill perancangan arsitektur agentik dan pipeline model bahasa berskala enterprise, kamu juga bisa mengikuti kelas AI untuk Developer di Classai untuk belajar langsung pola implementasi AI terkini.

Cara Bersih-bersih Resource Supaya Saldo AWS Aman

Setelah selesai bereksperimen dengan kode sampel ini, jangan lupa untuk menghapus semua resource yang terpasang agar tidak ada tagihan tak terduga yang terus berjalan. Urutan pembersihannya harus tepat:

1. Hapus endpoint dan AgentCore runtime lewat AWS CLI (delete-agent-runtime-endpoint dan delete-agent-runtime).
2. Matikan fitur proteksi penghapusan (deletion protection) pada tabel DynamoDB chat-sessions-dev dan tenant-table-dev.
3. Hapus CloudFormation stacks dengan urutan terbalik: ChatApiStack, AgentCoreStack, OpensearchStack, lalu VPCEndpointsStack.
4. Kosongkan bucket Amazon S3 dan hapus repositori Amazon ECR (lambda-pptx-gen dan agentcore-supervisor).

Dengan begitu, akun AWS kamu kembali bersih tanpa sisa komponen serverless yang memakan kuota tagihan bulanan.