Jakarta – Perusahaan dan institusi di Indonesia yang tengah memodernisasi sistem teknologi informasi perlu menyeimbangkan kebutuhan akan fleksibilitas dan efisiensi dengan aspek keamanan, kewajiban regulasi, serta kontrol terhadap data strategis.
Prioritas itu menjadi sorotan yang dibahas Canonical, Mastersystem, dan Sivali Cloud Technology dalam forum “Future Ready Infrastructure: Secure, Compliant & Cost-Efficient” yang digelar di Jakarta, beberapa waktu lalu.
Ajang itu memperkenalkan solusi enterprise Canonical kepada perwakilan dari 17 perusahaan yang bergerak di sektor perbankan, sekuritas, asuransi, teknologi informasi, manufaktur, minyak dan gas, serta pendidikan tinggi.
Program ini tidak hanya membahas open source sebagai pilihan terkait lisensi perangkat lunak. Diskusi berfokus pada berbagai aspek operasional yang menentukan kesiapan teknologi open source dalam mendukung workload yang bersifat mission-critical, mulai dari pengelolaan kerentanan dan patch, visibilitas terhadap dependensi perangkat lunak, sumber perangkat lunak tepercaya, periode pemeliharaan keamanan, hingga ketersediaan tenaga teknis yang kompeten.
Leo Sun, Senior Sales Manager GCR & ASEAN Canonical, membahas tren adopsi open source di tingkat global dan regional. Ia menjelaskan sejumlah alasan organisasi mempertimbangkan infrastruktur open source, antara lain untuk mengurangi biaya, mempercepat pengembangan, serta memungkinkan sistem dikustomisasi sesuai kebutuhan.
Namun, menurutnya, adopsi open source juga menghadirkan tanggung jawab praktis terkait pengelolaan rantai pasok perangkat lunak.
“Dalam mengadopsi open source, organisasi sering menghadapi berbagai tantangan. Isu terbesar adalah vulnerability and patch management, disusul kurangnya visibilitas terhadap dependensi sistem,” ujar Sun.
Forum tersebut juga membahas solusi enterprise Canonical berbasis Ubuntu untuk kebutuhan data dan kecerdasan buatan atau artificial intelligence (AI). Sikander Singh, Telco Field Engineering Manager APAC Canonical, menyoroti biaya lisensi sistem operasi konvensional, kecepatan pengembangan pipeline machine learning, serta kebutuhan kepatuhan keamanan di seluruh data stack.