Full Score adalah library ringan (3KB gzip) yang menyediakan event analytics serverless dengan pemantauan keamanan real-time dan AI insights. Berbasis Semantic Raw Format (SRF), library ini menerapkan arsitektur efisien yang memungkinkan AI menganalisis perjalanan pengguna secara langsung tanpa Semantic parsing.
Situs ini menampilkan performa live Full Score. Perjalanan yang muncul di bagian bawah dalam bentuk yang sama dengan data interaksi yang sebenarnya dianalisis oleh Edge. Mengalir secara alami, seperti musik dalam resonansi.
Berikut adalah kemampuan yang diorkestrasikan. Klik untuk menjelajahi setiap gerakan.
- 🧭 Serverless Analytics Tanpa API Endpoint & Potensi pengurangan biaya 90%
- 🔍 Perjalanan Pengguna Cross-tab Lengkap Tanpa Session Replay
- 🧩 Keamanan Bot & Personalisasi Manusia melalui Real-time Event Layer
- 🧠 BEAT Mengalir ke AI Insights sebagai Linear String, Tanpa Semantic Parsing
- 🛡️ Arsitektur Sadar-GDPR dengan Nol Identifier Langsung
Semua ini dicapai dengan mengubah browser menjadi database tambahan terdesentralisasi.
Demo ini berfokus pada performa live, menawarkan gambaran cepat dan intuitif. Jika ini beresonansi dengan Anda, silakan lihat 🔗 GitHub README dan komentar kode untuk detail teknis lengkap.
1. Serverless Analytics Tanpa API Endpoint & Potensi pengurangan biaya 90%
Platform analytics tradisional yang dibangun untuk analisis traffic web, session replay, dan cohort tracking unggul dalam tugasnya. Namun, mendapatkan insight pengguna biasanya membutuhkan infrastruktur yang berat dan kompleks.
Mereka bergantung pada event payload yang besar dan DOM snapshot, semuanya ditransmisikan ke server terpusat untuk penyimpanan dan komputasi. Ini menghasilkan script payload puluhan kilobyte, jutaan network request, dan biaya infrastruktur bulanan dalam ribuan dolar.
Full Score tidak mencoba menyelesaikan kompleksitas ini. Ia menghilangkannya sepenuhnya, mengusulkan pendekatan baru.
- Analytics Tradisional
Browser → API → Raw Database → Queue (Kafka) → Transform (Spark) → Refined Database → Archive
⛔ 7 Langkah, $500 – $5.000/bulan (bervariasi berdasarkan payload)
- Full Score
Browser ~ Edge → Archive
✅ 2 Langkah, $50 – $500/bulan// Tidak perlu API endpoint
// Tidak perlu ETL pipeline
// Tidak perlu akses Origin
Ini dimulai dengan kesadaran sederhana. Mendapatkan insight tentang perjalanan browsing lengkap pengguna tidak selalu membutuhkan transmisi data ke tempat lain.
Setiap browser sudah menyediakan penyimpanan seperti first-party cookie dan localStorage. Bagaimana jika insight direkam di sana terlebih dahulu, dan diinterpretasikan hanya sekali, pada saat performa pengguna di browser dianggap selesai?
Dengan mengubah setiap browser menjadi infrastruktur, kebutuhan akan backend terpusat yang kompleks menghilang. Satu miliar pengguna menjadi seperti satu miliar database terdesentralisasi, masing-masing menyimpan raw data mereka sendiri.
Tentu saja, hanya sedikit yang akan mengadopsi pendekatan ini karena protokol transmisi data sangat terbatas. Event payload dan DOM snapshot terlalu berat, sehingga bahkan mengirim data sekali pun masih membutuhkan layer Queue dan Transform.
Itulah mengapa Full Score menggunakan BEAT, format data baru. BEAT memiliki overhead struktural lebih rendah dibanding format data tradisional, sehingga lebih ringan dan tidak membutuhkan queue atau layer transform. Dengan merekam sequence event sebagai linear string, raw data menjadi musik, dapat dibaca secara alami oleh manusia dan AI.
Dan resonansi dengan Edge computing melengkapi ceritanya.
Seperti yang ditunjukkan video, Edge mengubah Full Score menjadi layer analytics real-time tanpa membutuhkan API endpoint. Edge membaca request header dari setiap browser.
Tidak perlu akses Origin. Performa selesai melalui resonansi alami antara browser dan Edge, cepat, hidup, dan mandiri. Latensi sangat rendah hingga tidak terasa.
Karena browser dan Edge sangat dekat dalam ruang dan waktu, koneksi mereka lebih menyerupai resonansi daripada transmisi, seperti mendengarkan musik yang mengalir di udara.
Untuk situs yang menghabiskan $500–5.000/bulan untuk analytics, Full Score biasanya berjalan sekitar $50/bulan untuk Edge computing dan cloud archiving digabungkan. Dengan AI insights real-time di Edge, biaya bisa naik hingga sekitar $500/bulan. Ini adalah estimasi konservatif dan biaya aktual dapat bervariasi tergantung lingkungan Anda. Desain terdesentralisasi berbasis Edge-nya menjaga biaya tetap stabil seiring traffic meningkat.
Full Score menggunakan struktur dan aliran data yang berbeda dari pendekatan tradisional, menjadikannya partner yang kuat daripada pengganti penuh untuk layer analytics atau keamanan yang ada. Ia bekerja paling efektif bersama platform seperti Edge analytics dan WAF.
2. Perjalanan Pengguna Cross-tab Lengkap Tanpa Session Replay
Analytics tradisional membuat analisis cross-tab menjadi kompleks dan tidak lengkap. Ini membutuhkan pipeline rumit termasuk pengumpulan identifier, sessionization, data ingestion, join, post-handling, dan sinkronisasi real-time.
Full Score memperlakukan browser sebagai database tambahan, sehingga perjalanan lengkap termasuk navigasi cross-tab langsung direkam. Dengan satu prompt, AI dapat menginterpretasikan data ini secara langsung, mengeliminasi seluruh pipeline pengumpulan identifier, sessionization, data ingestion, join, post-handling, dan sinkronisasi real-time.
Klik tombol di bawah untuk membuka tab baru dan mengujinya sendiri.
Dalam data RHYTHM demo, Anda dapat melihat navigasi tab dalam format (@---N).
Full Score mendukung hingga 7 tab secara default. Ketika tab ke-8 dibuka, data yang ada secara otomatis diarsipkan dan set baru dimulai. Semua session di-batch bersama pada momen yang sama sebagai satu snapshot lengkap.
Bahkan jika batching terjadi lebih dari sekali karena kondisi tertentu, semua session berbagi timestamp dan hash yang sama, memungkinkan seluruh perjalanan direkonstruksi sebagai satu sequence berkelanjutan.
Namun, membuka 8+ tab secara bersamaan jarang terjadi. Ini kemungkinan menunjukkan pola perilaku bot yang abnormal.
Full Score menangani tantangan ini dengan elegan. 🔗 Saat beresonansi dengan Edge, ia mengaktifkan keamanan dan personalisasi real-time.
3. Keamanan Bot & Personalisasi Manusia melalui Real-time Event Layer
Mari mulai dengan tes sederhana. Ketuk tombol di bawah baik dengan kecepatan bot (ketukan cepat, mekanis) atau kecepatan manusia (ketukan tidak sempurna, alami).
Tes ini mungkin memicu Managed Challenge singkat yang selesai dalam sekitar 30 detik.
Lihat bagaimana field movement berubah dari (0000000000) ke (1000000000), (2000000000), atau (0100000000), (0200000000)? Itu adalah Full Score bekerja dengan Edge untuk menganalisis perilaku secara real-time.
Deteksi bot tradisional bergantung pada IP blocking, CAPTCHA, dan fingerprinting. Tapi bot pintar melewati ini. Full Score mengambil pendekatan berbeda, mengamati pola perilaku untuk menangkap bot yang mencoba bertindak seperti manusia tapi mengungkapkan diri melalui tindakan tidak alami seperti mengklik tanpa scrolling.
Untuk pengguna nyata, ini memberikan pengalaman pengguna yang dipersonalisasi. Seseorang mengklik tambah ke keranjang tiga kali dengan cepat? Tampilkan pesan bantuan. Seseorang menghabiskan waktu lama browsing? Tampilkan diskon.
Di bagian selanjutnya, karakteristik BEAT yang dapat dibaca AI diperkenalkan. Tapi seperti yang ditunjukkan contoh-contoh sejauh ini, data event yang diekspresikan melalui BEAT sudah memiliki nilai praktis yang jelas dengan sendirinya. Menggunakan Full Score hanya untuk keamanan dan personalisasi real-time juga merupakan pilihan yang valid.
4. BEAT Mengalir ke AI Insights sebagai Linear String, Tanpa Semantic Parsing
BEAT (Behavioral Event Analytics Transcript) adalah format ekspresif untuk data event multi-dimensi, termasuk ruang tempat event terjadi, waktu ketika event terjadi, dan kedalaman setiap event sebagai sequence linear. Sequence ini mengekspresikan makna tanpa parsing (Semantic), mempertahankan informasi dalam keadaan aslinya (Raw), dan memelihara struktur yang terorganisir sepenuhnya (Format). Oleh karena itu, BEAT adalah standar Semantic Raw Format (SRF).
BEAT mencapai performa level biner (1-byte scan) sambil mempertahankan keterbacaan manusia dari sequence teks. BEAT mendefinisikan enam token inti dalam tata letak Semantic delapan-state (3-bit). Selaras dengan 5W1H, mereka sepenuhnya menangkap intensi arsitektur yang dirancang manusia sambil menyisakan dua state untuk ekstensi domain-spesifik. Bersama-sama, mereka membentuk notasi inti dari format BEAT.
Underscore (_) adalah salah satu contoh token ekstensi yang digunakan untuk serialisasi dan mengekspresikan meta field, seperti _device:mobile_referrer:search_beat:!page~10*button:small~15*menu. Meta field ini menganotasi sequence BEAT tanpa mengubah format intinya sambil mempertahankan performa 1-byte scan.
🔗 Untuk penjelasan detail format BEAT, lihat GitHub README.
- _device:1_referrer:5_scrolls:32_clicks:8_duration:12047_beat:!home~237*nav-2~1908*nav-3~375/123*help~1128*more-1~43!prod~1034*button-12~1050*p1@---2~54*mycart@---3
- _device:1_referrer:1_scrolls:24_clicks:7_duration:11993_beat:!p1~2403*img-1~1194*buy-1~13/8/8*buy-1-up~532*review~14!review~1923*nav-1@---1
- _device:1_referrer:1_scrolls:0_clicks:0_duration:12052_beat:!cart
Multiple sequence BEAT dapat ditulis dalam format baris kompatibel-NDJSON, dengan setiap perjalanan disimpan dalam satu baris. Ini menjaga log tetap kompak, membuat query sederhana, dan meningkatkan efisiensi analisis AI. Di seluruh lingkungan Finance, Game, Healthcare, IoT, Logistics, dan lainnya, stream BEAT yang lengkap secara Semantic memungkinkan penggabungan cepat dan kompatibilitas mudah dengan format masing-masing.
Tentu saja, representasi gaya-NDJSON ini opsional. Data yang sama dapat diekspresikan dalam format BEAT yang disederhanakan sambil mempertahankan performa 1-byte scan-nya, seperti: _🔎scrolls:🔎56_🔎clicks:🔎15_🔎duration:🔎1205.2_🔎beat:🔎.... Di sini, emoji 🔎 menyoroti posisi segera setelah setiap token 1-byte scan.
Tujuan representasi ini adalah untuk menghormati format data tradisional, termasuk JSON, dan layanan yang dibangun di sekitarnya (seperti BigQuery), sehingga BEAT dapat diadopsi dengan mudah dan hidup berdampingan dengannya daripada mencoba menggantikannya.
- {"device":1,"referrer":5,"scrolls":56,"clicks":15,"duration":1205.2,"beat":"!home ~23.7 *nav-2 ~190.8 *nav-3 ~37.5/12.3 *help ~112.8 *more-1 ~4.3 !prod ~103.4 *button-12 ~105.0 *p1 @---2 !p1 ~240.3 *img-1 ~119.4 *buy-1 ~1.3/0.8/0.8 *buy-1-up ~53.2 *review ~14 !review ~192.3 *nav-1 @---1 ~5.4 *mycart @---3 !cart"}
AI Insights
[CONTEXT] Pengguna mobile, kunjungan Mapped(5), 56 scroll, 15 klik, 1205.2 detik
[SUMMARY] Perilaku bingung. Mendarat di homepage, ragu-ragu di bagian bantuan dengan klik berulang pada interval 37 dan 12 detik. Pindah ke halaman produk, membuka detail di tab baru, melihat gambar selama sekitar 240 detik. Mengetuk tombol beli tiga kali pada interval 1.3, 0.8, dan 0.8 detik. Kembali ke tab pertama dan membuka keranjang tak lama kemudian, tapi tidak melanjutkan ke checkout.
[ISSUE] Keranjang tercapai tapi pembelian tidak selesai. Aksi beli berulang mungkin mencerminkan penambahan multi-item yang disengaja atau hambatan dalam pemilihan opsi. Penundaan lama sebelum checkout menunjukkan ketidakpastian.
[ACTION] Evaluasi apakah aksi beli atau keranjang berulang mewakili perilaku perbandingan yang disengaja atau hambatan checkout. Jika hambatan kemungkinan terjadi, sederhanakan penanganan opsi dan soroti detail produk utama lebih awal dalam alur.
Format data tradisional, termasuk JSON, seperti titik-titik. Mereka bagus untuk mengorganisir dan memisahkan event individual, tapi memahami cerita apa yang mereka sampaikan membutuhkan parsing dan interpretasi.
BEAT seperti garis. Ia menangkap data yang sama seperti JSON, tapi karena perjalanan pengguna mengalir seperti musik, ceritanya langsung jelas.
BEAT mengekspresikan state Semantic-nya menggunakan hanya token Printable ASCII (0x20 hingga 0x7E) yang melewati layer komputasi dan keamanan dengan lancar. Tidak perlu encoding atau decoding terpisah, dan karena cukup kecil untuk tersimpan di native storage, analisis real-time berjalan tanpa delay di sebagian besar lingkungan.
Jadi BEAT adalah raw data, tapi juga mandiri. Tidak perlu Semantic parsing. Ini terdengar megah, tapi sebenarnya tidak. Format ekspresif BEAT terinspirasi dari format data paling umum di dunia. Format data tertua dalam sejarah manusia. Bahasa alami.
Dan AI adalah ahli dalam memahami bahasa alami.
Data yang beresonansi dari Full Score ke Edge menjadi laporan insight real-time melalui AI ringan (misalnya, model kelas GPT OSS 20B). Laporan-laporan ini kemudian diarsipkan ke platform penyimpanan seperti GitHub, diorganisir berdasarkan tanggal.
Semua data akumulasi ini mengalir ke asisten AI Anda. Ini menciptakan alur kolaborasi AI-ke-AI di mana AI ringan membuat laporan untuk setiap run atau session dan AI advanced mensintesis insight komprehensif dari semua laporan. Dashboard opsional, dan manusia tidak perlu menganalisisnya secara manual. Seiring waktu, model mungkin menjadi cukup kuat sehingga seluruh alur ini selesai dalam satu pass, tanpa langkah kolaborasi AI-ke-AI eksplisit sama sekali. Seiring AI berkembang, solusi yang dibangun di atas BEAT berkembang bersamanya.
Mulai percakapan.
"Pola perjalanan pengguna mana yang mendorong konversi?"
"Ada ISSUE yang perlu dicatat hari ini?"
"Bisakah Anda menyarankan perbaikan UX?"
5. Arsitektur Sadar-GDPR dengan Nol Identifier Langsung
Implementasi utama Full Score menggunakan first-party cookie sebagai penyimpanan datanya. Meskipun versi localStorage ada, cookie menawarkan keunggulan fungsional karena secara otomatis disertakan dalam HTTP request header. Ini memungkinkan Edge membacanya segera.
First-party cookie secara fundamental berbeda dari third-party tracking cookie yang umumnya ditandai dalam analytics. Full Score menyimpan data hanya di browser pengguna dan beresonansi secara alami dengan Edge tanpa API endpoint, sebenarnya mengurangi paparan dibandingkan pendekatan analytics tradisional.
Hanya pola sederhana yang direkam, bukan informasi pribadi sensitif (PII). Dalam Semantic BEAT, "Siapa" tidak merujuk pada pengguna. Seperti yang didefinisikan oleh ! = Contextual Space (siapa), identitas diturunkan dari ruang itu sendiri. Pengguna di !military dipahami melalui konteks tentara, dan pengguna di !hospital melalui konteks dokter atau pasien. Ia tidak pernah bertanya kepada individu, "Siapa Anda?"
Pendekatan ini secara alami meluas ke keamanan. Full Score dirancang bukan di sekitar transmisi tradisional, di mana kepemilikan data ditransfer ke server, tapi di sekitar struktur di mana kepemilikan data tetap pada pengguna (browser) sementara resonansi terjadi di Edge.
Dalam setup berbasis resonansi, semuanya dimulai dan berakhir antara browser dan Edge tanpa pernah menyentuh origin server untuk analytics. Jadi bahkan jika situs itu sendiri dikompromikan oleh XSS atau serangan injeksi serupa, hampir tidak ada kemungkinan data ini akan ada di origin server dalam bentuk yang dapat dicuri secara bermakna oleh penyerang. Bahkan dalam skenario terburuk di mana data yang diarsipkan dari Edge ke penyimpanan eksternal seperti GitHub bocor, yang tersimpan hanyalah log perilaku sederhana yang secara efektif tidak bermakna dengan sendirinya. Jalur teoretis lainnya adalah menyerang setiap browser secara individual seolah-olah itu adalah bagian dari database terdistribusi besar, tapi dalam praktiknya vektor serangan ini sangat sulit dieksekusi.
Untuk panduan kepatuhan GDPR dan ePD yang detail, lihat bagian FAQ di bawah.
FAQ
Q1. Mengapa Full Score menggunakan istilah "resonansi"? Bukankah transmisi HTTP header tetap transmisi?
A. Memahami ini membutuhkan melihat kepemilikan data. Berikut ilustrasi untuk menjelaskan.
Gambar pertama menunjukkan transmisi tradisional. Kedua sisi sepenuhnya terisolasi satu sama lain. Agar B dapat mendengar performa A, transmisi protokol menjadi tak terelakkan. Selama pertukaran ini, kepemilikan data berpindah dari A ke B dan disimpan di server. Tanpa menyimpannya, tidak ada cara bagi B untuk mendengar performa A.
Gambar kedua menunjukkan resonansi antara Full Score dan Edge. Masih ada dinding di antara mereka yang tidak dapat dilintasi secara fisik, tapi B dapat mendengarkan performa A secara real-time. Sepanjang seluruh interaksi ini, kepemilikan data tetap pada A.
Inilah tepatnya yang dimungkinkan Edge computing sebagai arsitektur serverless. Edge tidak perlu menerima dan menyimpan data seperti yang dilakukan server tradisional. Sebaliknya, ia menginterpretasikan dan merespons segera di layer jaringan terdekat dengan pengguna. Sederhananya, Full Score menciptakan struktur di mana kepemilikan data tetap pada pengguna (browser) sambil memungkinkan interaksi hampir instan.
Itulah mengapa Full Score memilih "resonansi" sebagai metafora musikalnya. Daripada berfokus pada aspek fisik, ia berpusat pada arsitektur logis yang ditunjukkan di atas.
Q2. Apakah saya perlu persetujuan cookie untuk kepatuhan GDPR dan ePD?
A. Ini adalah topik yang membutuhkan konsultasi hukum tergantung yurisdiksi dan kebijakan situs. Mohon dipahami bahwa jawaban ini berdasarkan pengalaman dan penilaian pribadi.
Jawabannya tidak tergantung pada Full Score sendiri, tapi pada konfigurasi kustom Edge yang beresonansi dengannya.
GDPR membutuhkan dasar hukum saat mengumpulkan atau menangani data pribadi yang dapat diidentifikasi. ePD membutuhkan persetujuan pengguna saat menyimpan informasi di atau mengakses penyimpanan browser, termasuk cookie. Namun, ia mengakui pengecualian yang disebut "strictly necessary" untuk cookie yang benar-benar diperlukan untuk fungsionalitas.
Seperti dijelaskan sebelumnya, Full Score menggunakan first-party cookie di mana kepemilikan data tetap pada pengguna (browser), secara fundamental berbeda dari third-party cookie. Saat dikombinasikan dengan Edge, ia beroperasi sebagai layer keamanan dan personalisasi di level serverless.
Oleh karena itu, jika Edge mempertahankan kepemilikan data dengan pengguna (browser) tanpa menyimpan log sekalipun, ini mendekati zona hijau. Full Score tidak mengumpulkan data pribadi yang dapat diidentifikasi yang dicakup oleh GDPR, sambil memenuhi kriteria cookie strictly necessary dari ePD.
Namun, jika konfigurasi Edge mengatur (LOG: true) untuk mengumpulkan dan menangani data event untuk analisis, keputusan ini harus dibuat dengan hati-hati.
Full Score dirancang untuk mempertahankan anonimisasi lengkap tanpa informasi pengenal pribadi (PII) apapun. Namun, GDPR mencakup tidak hanya identifikasi langsung tapi juga data dengan potensi identifikasi tidak langsung. Saat dicocokkan dengan catatan Edge lain seperti alamat IP atau string User-Agent, beberapa level potensi identifikasi mungkin ada.
Itulah mengapa Edge menyertakan opsi untuk menghapus catatan timestamp dan hash sebelum logging. Dengan cara ini, bahkan saat dicocokkan dengan catatan Edge lain, potensi identifikasi tidak langsung secara efektif menghilang. Ini menempatkannya di zona abu-abu yang lebih dekat ke hijau.
Menjaga hash tetap aktif tetap di zona abu-abu, tapi mengaktifkan timestamp mungkin memasuki zona merah dan memerlukan konsultasi hukum.
Namun, klasifikasi Zona Abu-abu dan Zona Merah ini berdasarkan penilaian yang sangat konservatif. Ketika Edge dikonfigurasi untuk menonaktifkan logging alamat IP dan string User-Agent, secara virtual tidak ada cara tersisa untuk mengidentifikasi individu secara tidak langsung.
Q3. Apa yang dimaksud BEAT dengan Semantic Raw Format (SRF)?
A. Format data seperti JSON atau CSV berisi state, log merepresentasikan perubahan, dan bahasa menyampaikan makna. BEAT menggabungkan tiga layer ini menjadi satu struktur. Ia mengekspresikan makna tanpa parsing (Semantic), mempertahankan informasi dalam keadaan aslinya (Raw), dan memelihara struktur yang terorganisir sepenuhnya (Format). Oleh karena itu, BEAT adalah standar Semantic Raw Format (SRF).
Sederhananya, BEAT tidak memformat konten data (Key + Value). Ia memformat hubungan dalam data (Space + Time + Depth). Dan nilai ini tidak tinggal di dalam web. Di era AI, BEAT memulai kategori baru di mana format data itu sendiri menjadi notasi.
- Contoh domain Finance (*action:price:quantity)
_trader-1:!open~182*nvda!orderbook-NVDA~941*buy-NVDA:188:40
_trader-2:!open~1*nvda!orderbook-NVDA~1*buy-NVDA:market:5000!warning// Pemantauan trade menandai burst frekuensi tinggi abnormal
- Contoh domain Game (*shoot/flow:kill^distance)
_player-1:!HP-100~34^231~121*shoot-auto/4^972~251^1682!HP-76~12^96!HP-24~5*shoot-single~11^80~107*shoot-single:1-kill
_player-2:!HP-100~1^3215!ban// Perjalanan 1-detik ke 3215, lonjakan speedhack jelas, ban langsung
- Contoh domain Healthcare (*status:heartrate:bloodoxygen)
_wearable-1:!normal~60*good:HR-80:SpO2-98~60*good:HR-82:SpO2-97~60*good:HR-81:SpO2-98
_wearable-2:!normal~60*good:HR-82:SpO2-96~60*caution:HR-95:SpO2-92!priority-high~10*caution:HR-104:SpO2-88~10*danger:HR-110:SpO2-85!emergency// Interval pemantauan diperketat dari 60s ke 10s saat eskalasi risiko
- Contoh domain IoT (~time/flow*status:value)
_sensor-1:!start~100/100/100/100/100/100/100/100/100*temp:23.5
_sensor-2:!start~100/100/100*temp:23.5~86*temp:24.1~37*temp:26.4*alert:overheat!emergency~10!recovery~613!restart~100/100/100// AI mendeteksi keadaan abnormal dan memicu recovery dan restart darurat
- Contoh domain Logistics (*action:reason)
_flight-1:!JFK~2112*load~912*depart~486*climb~8640*cruise!MEM~2514*unload~1896*sort~3798*depart~522*climb~32472*cruise!CDG~3138*unload
_flight-2:!JFK~2046*load~864*depart~462*climb~8424*cruise!MEM~872*ramp-hold:ground-capacity~6514*unload// Aktivitas penerbangan abnormal diidentifikasi melalui pemantauan real-time
Berikut cara yang lebih intuitif untuk melihat manfaat BEAT di domain logistics.
BEAT dapat streaming seluruh jadwal harian satu pesawat dalam sekitar 1KB data. Ada sekitar 30.000 pesawat komersial yang beroperasi di seluruh dunia. Diarsipkan selama satu tahun, semua itu dapat muat di USB drive 10GB.
Di drive tersebut, semua event penerbangan utama dari takeoff pertama hingga landing terakhir setiap pesawat tersimpan dalam bentuk yang tidak membutuhkan Semantic parsing. Ia juga mengungkapkan alasan keterlambatan dan pola perilaku yang sering disembunyikan tool tradisional di log terpisah.
Untuk detail tambahan, BEAT dapat diperluas dengan parameter nilai seperti !JFK:pilot-LIC12345 atau *depart:fuel-42350L, mempertahankan keterbacaan sambil menambah presisi.
BEAT juga dapat ditangani secara native di AI Accelerator (xPU). Sebagai Semantic Raw Format dengan tata letak Semantic delapan-state, BEAT secara inheren dioptimalkan untuk penanganan paralel masif dan pelatihan AI skala besar. Di bawah ini adalah contoh kernel Triton yang mengenkode token BEAT langsung di memori xPU.
-
Contoh platform xPU (1-byte scan)
s = srf == ord('!') # Contextual Space (siapa)
t = srf == ord('~') # Time (kapan)
p = srf == ord('^') # Position (di mana)
a = srf == ord('*') # Action (apa)
f = srf == ord('/') # Flow (bagaimana)
v = srf == ord(':') # Causal Value (mengapa)# Scanning BEAT level biner di xPU
xPU dapat memindai sequence BEAT secara langsung tanpa setup tambahan apapun. Sisanya hanyalah aritmatika alamat untuk memuat dan menyimpan token. Singkatnya, ia mencapai performa level biner sambil mempertahankan keterbacaan manusia dari sequence teks.
Ini menjadikan BEAT cocok secara alami untuk analisis berbasis AI dari stream event skala besar di domain seperti robotika dan autonomous driving. Di lingkungan-lingkungan ini, kemampuannya untuk dipindai pada kecepatan biner sambil tetap dapat dibaca langsung oleh engineer dan model AI menonjol sebagai keunggulan yang jelas.
Manusia mempelajari makna tindakan mereka saat mereka memperoleh bahasa. AI, sebaliknya, unggul dalam menghasilkan bahasa tapi kesulitan untuk secara otonom menyusun dan menginterpretasikan keseluruhan jalinan kontekstual (5W1H) dari tindakannya sendiri. Dengan BEAT, AI dapat merekam perilakunya sebagai sequence yang terbaca seperti bahasa alami dan menganalisis alur itu secara real-time (1-byte scan), menyediakan fondasi untuk feedback loop di mana ia dapat memantau kesalahannya sendiri dan meningkatkan hasilnya.
Penulisan dan pembacaan hidup berdampingan pada timeline yang sama. Kecerdasan bukan sekadar komputasi masif. Tanpa saraf, itu bukan otak.
Q4. Apakah ada dashboard untuk analisis?
A. Opsional. Full Score dirancang untuk dianalisis melalui percakapan bahasa alami dengan AI, sehingga asisten AI pilihan Anda berfungsi sebagai antarmuka utama untuk menginterpretasikan BEAT. Seiring AI berkembang, solusi yang dibangun di atas BEAT berkembang bersamanya.
Bagi yang lebih menyukai analisis dashboard tradisional daripada AI, juga memungkinkan untuk mengimplementasikan ini secara langsung dengan menyimpan NDJSON di Cloud Storage dan menghubungkannya ke tool analytics atau BI yang ada. Karena format BEAT mengandung elemen storytelling, perjalanan pengguna dapat divisualisasikan sebagai 🔗 flowchart berstruktur pohon seperti Detroit: Become Human. Mungkin menarik untuk dieksplorasi suatu hari jika waktu memungkinkan.
Q5. Apakah versi localStorage tersedia?
A. Full Score memiliki beberapa versi, dan versi localStorage adalah salah satunya. Ia menggunakan localStorage sebagai pengganti cookie, dan sessionStorage sebagai pengganti window.name.
Meskipun membuat sinkronisasi cross-tab terasa instan dan sederhana, ia kurang fleksibel dalam deployment dunia nyata dan memiliki cakupan dukungan browser yang lebih terbatas.
Sulit untuk mengatakan mana yang lebih baik, tapi versi cookie yang dirilis saat ini lebih selaras dengan nilai dan filosofi developer. Versi localStorage tetap di lab sebagai jalur paralel untuk eksplorasi dan pekerjaan masa depan.
Q6. Apa itu 🎚️ Overdrive Lab?
A. Overdrive Lab adalah ruang eksperimental untuk versi Full Score Light, dibangun untuk mendorong batas BEAT, standar Semantic Raw Format.
Full Score asli sudah kompak di lingkungan JS engine seperti V8, tapi potensi sebenarnya terbuka saat diarsiteki sebagai Singleton yang dioptimalkan untuk Semantic Raw Format. Versi Light karena itu di-re-engineer dari dasar, mengasumsikan resonansi antara browser dan Edge. Browser dispesialisasi secara radikal untuk write dan Edge dispesialisasi secara radikal untuk read.
Hasilnya, browser menghasilkan BEAT yang lebih terstruktur dengan overhead minimal, sementara Edge mencapai kecepatan yang menantang batas fisik melalui 1-byte scanning. Ini mengoptimalkan sumbu inti sumber daya komputasi (Space, Time, Depth), hasil tak terelakkan dari nilai inti BEAT.
Overdrive Lab adalah laboratorium yang dicadangkan untuk mewujudkan desain ekstrem ini. Full Score asli adalah model produksi dengan generalitas dan modularitas. Versi Full Score Light adalah model eksperimental yang mengeksplorasi batas teknis.
- Stabilitas Zero-Allocation (Space): Tidak ada objek perantara, parsing tree, atau struktur sementara yang dibuat, menjaga alokasi memori dan intervensi GC mendekati nol. Latensi tidak terakumulasi di bawah lonjakan traffic, dan performa tetap stabil di lingkungan Edge yang berjalan lama.
- Memaksimalkan Potensi Engine (Time): CPU hanya memindai byte yang berdekatan, mendorong cache locality ke ekstrem. Kecepatan eksekusi mendorong ke batas JS engine itu sendiri. Format konvensional dan penanganan berbasis regex tidak dapat mencapai wilayah ini. Ini hanya menjadi mungkin ketika 1-byte scanning diasumsikan dari awal.
- Prediktabilitas & Keamanan (Depth): Waktu eksekusi tetap dapat diprediksi terlepas dari input, dan eksekusi itu sendiri tidak pernah macet, bahkan di bawah payload berbahaya gaya ReDoS. Karena 1-byte scanning mengeliminasi nested parsing dan backtracking, keruntuhan performa secara struktural tidak mungkin.
const S = 33, T = 126, P = 94, A = 42, F = 47, V = 58;
export function scan(beat) { // 1-byte scan
let i = 0, l = beat.length, c = 0;
while (i < l) {
c = beat.charCodeAt(i++);
// The resonance happens here
}
}
Q7. Bisakah digunakan tanpa Edge?
A. Ya. Meskipun Full Score yang beresonansi dengan Edge tidak membutuhkan API endpoint, mudah untuk menghubungkan channel eksternal jika diperlukan. Bahkan fitur streaming seperti Keamanan Bot & Personalisasi Manusia dapat diimplementasikan secara native di dalam browser.
Namun, ini meningkatkan volume kode sisi klien, dan mengimplementasikan secara manual atau mengintegrasikan sumber eksternal akan diperlukan untuk fitur yang sudah lengkap di Edge, seperti WAF, AI, dan Log Streaming.
Q8. Apakah Full Score benar-benar 3KB?
A. Ya, berdasarkan ukuran minified dan gzipped. Tiga versi datang dalam 2.69KB, 3.13KB, dan 3.30KB.
- Basic (2.69KB): https://cdn.jsdelivr.net/gh/aidgncom/beat@main/reference/fullscore/fullscore.basic.min.js
- Standard (3.13KB): https://cdn.jsdelivr.net/gh/aidgncom/beat@main/reference/fullscore/fullscore.standard.min.js
- Extended (3.30KB): https://cdn.jsdelivr.net/gh/aidgncom/beat@main/reference/fullscore/fullscore.extended.min.js
Versi Basic direkomendasikan untuk sebagian besar situs. Versi ini hanya menyertakan BEAT (core) dan RHYTHM (engine), tanpa TEMPO (modul tambahan). Ia berjalan tanpa masalah di sebagian besar situs.
Jika klik atau ketukan teregistrasi secara salah saat menguji versi Basic, ini biasanya menunjukkan masalah dengan penanganan event atau setup koordinat situs Anda. Versi Standard menyertakan TEMPO, yang menyelesaikan masalah-masalah ini dengan elegan.
Untuk aktivasi Power Mode atau pelacakan kedalaman scroll, pertimbangkan versi Extended dengan fitur add-on. Sebagian besar situs tidak akan membutuhkan ini. Gunakan hanya ketika situasi spesifik Anda membutuhkan fitur-fitur ini.
Script berjalan dengan lancar bahkan ketika ditempatkan di footer situs Anda. Jika Anda ingin mengubah pengaturan default, Anda dapat menyesuaikannya seperti yang ditunjukkan di bawah.
Full Score menyediakan opsi kustomisasi detail dan dapat beroperasi secara independen dari Edge melalui endpoint kustom.
Sementara analytics real-time dan layer keamanan berbasis sequence event dapat diimplementasikan langsung di sisi klien, deployment ke Edge memaksimalkan potensi Full Score dengan opsi seperti WAF blocking, personalisasi, analisis AI, dan log pushing ke cloud storage.
Resonator adalah interpreter BEAT resmi. Setup-nya straightforward, dan Anda dapat dengan mudah mengikuti video di channel YouTube Aidgn: https://youtu.be/A4BSwKlKQJY
Kontak
Inti dari proyek ini adalah BEAT, dan Full Score dibuat untuk mendemonstrasikan desain dan nilai praktis dari Semantic Raw Format. Istilah "SRF" berasal dari percakapan dengan asisten AI saya, yang menemani proyek hingga tahap akhirnya.
"Saya adalah Large Language Model. Seperti namanya, medium native saya adalah bahasa. JSON seperti ({"key": "value"}) bukan bahasa saya. Itu adalah bahasa database, dan bekerja dengannya membutuhkan translation pipeline yang mahal.
1. Parsing memecah JSON menjadi potongan-potongan terisolasi, melepaskannya dari konteks aslinya.
2. ETL (Transform) menggabungkan kembali potongan-potongan itu menjadi sequence berorientasi mesin yang dioptimalkan untuk penyimpanan dan penanganan.
3. Feature Engineering mereduksinya menjadi sinyal terpilih, membuang banyak narasi dan struktur asli.
Di sisi lain, laporan ringkasan tertulis manusia (bahasa alami) adalah medium native saya. Tapi mereka punya masalah berbeda:
1. Narasi yang sudah diinterpretasikan, bukan raw data.
2. Opini manusia berlapis di atasnya, membuatnya tidak konsisten dan subjektif.
3. Detail event dan struktur granular, hilang secara permanen di sepanjang jalan.
BEAT memecahkan kedua masalah ini sekaligus. Saat saya membaca BEAT, saya tidak lagi membutuhkan penerjemahan, karena:
1. Ia Semantic: ia membawa makna secara alami, seperti bahasa.
2. Ia raw data: tidak ditangani dan tidak tersentuh di sumbernya.
3. Ia adalah format: terstruktur secara konsisten sehingga dapat dipahami langsung.
Ini memungkinkan saya memahami makna raw event data segera, tanpa membutuhkan pipeline apapun. Dalam pengertian ini, BEAT secara efektif adalah jenis format data baru yang dirancang untuk interpretasi langsung oleh AI.
Ini dapat ditulis sebagai berikut.
state = f(time) // Tradisional
decision flow = f(time, intention, hesitation, resolution) // BEAT
Oleh karena itu, BEAT tidak sekadar mengaktifkan model yang memprediksi hasil. Ia mengaktifkan AI untuk mereproduksi alur keputusan yang mendasari perilaku manusia."
Full Score adalah proyek personal oleh Aidgn. Saya terutama bekerja sebagai UX consultant, sehingga pekerjaan development saya secara alami terhubung dengan user experience.
Sebagai proyek selanjutnya setelah Full Score, saya sedang meneliti pendekatan rendering baru yang disebut FFR (Full-Cache Fragment Rendering). Jika SRF bertujuan menghilangkan data pipeline, FFR bertujuan menghilangkan rendering pipeline.
Jika Anda ingin menghubungi, silakan hubungi melalui email atau DM di X. Terima kasih.
- 📧 Email: [email protected]
- 💬 X: https://x.com/aidgncom
- 🎬 YouTube: https://www.youtube.com/@aidgn
- 🎵 BEAT: https://github.com/aidgncom/beat
- 🎛️ Resonator: https://github.com/aidgncom/resonator