Para peneliti jarang mengeluhkan kekurangan perangkat lunak. Jika ada, mereka justru menghadapi masalah sebaliknya: terlalu banyak alat yang terpisah-pisah yang dirangkai dengan skrip shell dan harapan. Sebuah proyek open-source baru bernama OpenScience ingin mengganti tambal sulam tersebut dengan sebuah workbench AI tunggal yang dirancang khusus untuk penemuan ilmiah. Dibangun dengan TypeScript dan telah mengumpulkan lebih dari 2.167 bintang di GitHub, proyek ini bercita-cita untuk memberikan lingkungan bersama bagi laboratorium di mana kecerdasan buatan membantu mengotomatiskan alur kerja, mengelola data eksperimen, dan menjaga kolaborator tetap selaras. Ambisinya jelas. Namun, apakah ia dapat bertahan menghadapi realitas pemeliharaan open-source dan persaingan yang sudah mapan adalah pertanyaan lain.

Mengapa Penelitian Membutuhkan Workbench Sendiri

Kemajuan ilmiah bergantung pada reproduksibilitas. Sebuah hasil tidak berarti apa-apa jika tim lain tidak dapat menjalankan analisis yang sama dan mencapai kesimpulan yang sama. Namun, pipeline machine learning modern terkenal sangat berantakan. Langkah-langkah preprocessing tersembunyi di dalam sel Jupyter yang tersebar. Hyperparameter dikodekan secara keras (hard-coded) ke dalam skrip yang tidak terdokumentasi. Dataset disalin, diubah namanya, dan hilang di berbagai drive bersama. Ketika seorang mahasiswa pascasarjana lulus, alur kerja mereka sering kali ikut terbawa keluar bersama mereka.

OpenScience bertujuan untuk mengatasi kekacauan tersebut secara langsung. Dengan menawarkan platform terpadu alih-alih sekumpulan pustaka yang longgar, ia berharap dapat menegakkan konsistensi dalam cara eksperimen diatur, dilacak, dan dibagikan. Kolaborasi adalah inti dari penawaran ini. Alih-alih mengirimkan kode bolak-balik melalui email atau bergulat dengan kontrol versi, para peneliti akan bekerja di dalam lingkungan umum yang mencatat siapa yang mengubah apa dan kapan. Untuk bidang di mana satu eksperimen dapat menghabiskan berminggu-minggu komputasi, transparansi semacam itu bukanlah sebuah kemewahan. Itu adalah sebuah kebutuhan.

Bertaruh pada TypeScript untuk Kode Ilmiah

Pilihan untuk membangun ini dalam TypeScript tidak terduga. Machine learning berjalan di atas Python. Titik. TensorFlow, PyTorch, dan sebagian besar basis kode penelitian ditulis dalam bahasa tersebut. Ilmuwan biasanya membuat skrip dalam Python atau R, dan banyak yang hanya tahu JavaScript secukupnya untuk mengubah visualisasi web. Jadi mengapa TypeScript?

Tim pengembang berargumen bahwa static typing menjaga kode tetap terorganisir dan andal. Dalam pekerjaan ilmiah, satu kesalahan tipe (type error) yang tidak terdeteksi dapat membatalkan pekerjaan laboratorium selama berbulan-bulan. TypeScript menangkap seluruh kelas bug pada saat kompilasi (compile time) daripada membiarkannya meledak di tengah-tengah pekerjaan pelatihan yang berjalan lama. Untuk platform yang ingin menjamin reproduksibilitas, ketelitian tersebut sangat menarik.

Ada pertukaran (trade-offs) yang nyata. TypeScript menarik pengembang yang menghargai perangkat profesional, tetapi dapat menjauhkan para peneliti yang justru ingin dilayani oleh OpenScience. Seorang biolog yang mempelajari JavaScript dasar untuk memformat data survei kini harus bergelut dengan interface, generics, dan pipeline build. Kurva pembelajarannya curam. Jika platform ini memaksa setiap pengguna untuk menjadi insinyur perangkat lunak sebelum mereka dapat melatih model, adopsi akan terhenti. Taruhannya adalah bahwa keuntungan jangka panjang dalam hal stabilitas akan lebih besar daripada hambatan jangka pendek dalam proses onboarding.

Apa yang Dijanjikan OpenScience

Proyek ini ingin menyederhanakan dua tugas yang saat ini menghabiskan beban kognitif yang besar: pelatihan model dan pelacakan eksperimen. Alih-alih meminta peneliti untuk merangkai setengah lusin utilitas baris perintah, OpenScience berencana untuk menawarkan antarmuka yang kohesif. Ia juga berniat untuk berintegrasi dengan pemain besar di bidang ini, khususnya TensorFlow dan PyTorch, sehingga para ilmuwan tidak perlu meninggalkan pustaka yang sudah mereka kenal.

AI itu sendiri diharapkan dapat melakukan sebagian pekerjaan berat. Workbench ini bertujuan untuk mengotomatiskan alur kerja yang berulang. Bayangkan pipeline pembersihan data yang dibuat secara otomatis, saran cerdas untuk hyperparameter berdasarkan sesi sebelumnya, atau logging otomatis yang mencatat dengan tepat versi dataset mana yang menghasilkan hasil tertentu. Jika visi tersebut terwujud, hal itu dapat membebaskan peneliti untuk fokus pada hipotesis alih-alih infrastruktur.

Risiko Pembengkakan Integrasi

Setiap integrasi yang direncanakan adalah sebuah janji yang memerlukan pemeliharaan. TensorFlow dan PyTorch merilis pembaruan secara sering. Satu breaking change pada dependensi inti dapat berdampak luas melalui lapisan abstraksi OpenScience dan membuat pengguna menatap stack trace yang kriptik alih-alih menjalankan eksperimen. Lebih banyak pustaka berarti lebih banyak patch keamanan, lebih banyak konflik versi, dan lebih banyak peluang bagi platform untuk tidak sinkron dengan alat-alat yang seharusnya dilayaninya.

Kompleksitas pengaturan adalah pembunuh senyap bagi perangkat lunak penelitian. Jika menginstal OpenScience mengharuskan Anda bergulat dengan driver CUDA, versi Node.js tertentu, dan lingkungan Python yang saling bertentangan, mahasiswa pascasarjana yang sibuk akan memilih untuk sekadar membuka tab Google Colab di mana runtime-nya sudah dikonfigurasi sebelumnya. Penelitian dilakukan dalam tenggat waktu yang ketat. Tidak ada yang mendapatkan publikasi dengan menghabiskan tiga minggu untuk men-debug toolchain.

Para pengembang tampaknya menyadari ketegangan ini. Tantangan mereka adalah menawarkan kekuatan yang cukup agar berguna tanpa menjadi terlalu berat sehingga alat tersebut runtuh karena bebannya sendiri.

Keberlanjutan dalam Keterbukaan

Perangkat lunak sumber terbuka (open-source) telah mendemokratisasi segalanya, mulai dari pengembangan web hingga analisis data. Siapa pun dapat memeriksa kode, menyumbangkan perbaikan, atau melakukan fork pada proyek tersebut untuk kasus penggunaan khusus. Keterbukaan ini berjalan baik ketika komunitas besar profesional berbayar mengandalkan basis kode tersebut untuk pekerjaan sehari-hari mereka.

Alat sumber terbuka ilmiah menghadapi realitas yang berbeda. 2.167 bintang GitHub tersebut tampak menjanjikan, tetapi bintang tidak mendanai pemelihara (maintainer). Siklus hibah berakhir. Mahasiswa pascasarjana melanjutkan studi atau pindah. Tanpa dukungan institusional yang stabil atau tim inti yang berdedikasi, proyek yang brilian sekalipun akan stagnan. Repositori dibiarkan menganggur selama setahun, dependensi menjadi usang, dan pengguna awal ditinggalkan dengan kode terbengkalai yang tidak lagi dapat dikompilasi pada perangkat keras modern. Bagi platform yang ingin menghosting sains yang dapat direproduksi, pengabaian lebih buruk daripada tidak pernah ada sama sekali. OpenScience membutuhkan dukungan jangka panjang dari universitas, laboratorium, atau badan pendanaan jika ingin bertahan melampaui pemberitaan utama.

Bersaing dengan Jupyter, Colab, dan MATLAB

OpenScience memasuki ruang yang sudah ramai. Jupyter Notebooks adalah alat coretan default untuk penelitian eksploratif dalam Python. Google Colab menghilangkan hambatan perangkat keras dengan menawarkan GPU gratis di dalam tab browser. MATLAB masih mendominasi departemen teknik yang menghargai toolbox dengan dukungan garansi dan pengetahuan institusional selama puluhan tahun.

Untuk menarik pengguna menjauh dari alat-alat mapan ini, OpenScience harus menawarkan sesuatu yang tidak mereka miliki. Mungkin itu adalah kolaborasi multi-pengguna yang sesungguhnya tanpa latensi dari notebook bersama. Mungkin itu adalah struktur tata kelola di mana ilmuwan, bukan hanya pengembang perangkat lunak, yang mengarahkan peta jalan (roadmap). Atau mungkin itu adalah tingkat versi eksperimen yang membuat reproduksibilitas menjadi otomatis, bukan sekadar pemikiran tambahan.

Apa pun pembedanya, alat tersebut harus tetap mudah diakses. Jika ia menuntut workstation lokal kelas atas atau mengasumsikan setiap pengguna nyaman menjalankan server pengembangan, ia tidak akan pernah meninggalkan halaman trending GitHub. Peneliti mengoptimalkan pencarian jawaban, bukan untuk mengonfigurasi perangkat lunak.

Ujian Sebenarnya: Tata Kelola di Atas Kode

TypeScript yang bersih dan daftar fitur yang ambisius hanya akan membawa proyek sejauh itu. Sejarah perangkat lunak ilmiah dipenuhi dengan codebase indah yang gagal karena dibangun oleh pengembang untuk pengembang. Seorang ilmuwan laboratorium tidak membutuhkan antarmuka pengguna yang mencolok jika pengimpor CSV macet saat menghadapi data dunia nyata. Mereka membutuhkan alat yang menghargai kerja keras penelitian yang sesungguhnya: internet yang tidak stabil di stasiun lapangan, format file yang berantakan dari instrumen lama, dan persyaratan mutlak untuk membuktikan secara tepat kode mana yang menghasilkan gambar mana untuk peninjau yang skeptis.

Keberhasilan bergantung pada tata kelola komunitas. Peneliti utama (PI), manajer lab, dan mahasiswa pascasarjana membutuhkan suara nyata dalam memutuskan apa yang perlu dibangun. OpenScience harus menemui para ilmuwan di mana mereka berada, bukan di mana pengembang berasumsi mereka seharusnya berada.

Intinya

OpenScience adalah eksperimen yang benar-benar menarik. Ia menerapkan ketelitian rekayasa perangkat lunak bertipe (typed software engineering) ke dalam dunia penemuan ilmiah yang berantakan dan iteratif. Kombinasi tersebut jarang ditemukan di bidang yang didominasi oleh skrip Python cepat. Namun, pilihan teknis membawa risiko, persaingan sangat sengit, dan jalan dari bintang GitHub menuju infrastruktur yang berkelanjutan sangatlah terjal. Kodenya terbuka. Bintang-bintang terus terkumpul. Tantangan sebenarnya sekarang adalah membangun...