AI Engineer

Peserta akan memulai dengan memahami pemrograman Python yang dikhususkan untuk data science serta menguasai dasar-dasar matematika seperti aljabar linear, statistik, dan probabilitas. Selanjutnya, fokus beralih ke pembelajaran konsep dan implementasi algoritma machine learning tradisional untuk kebutuhan regresi, klasifikasi, dan clustering. Tahap ini diakhiri dengan menyusun notebook eksperimen untuk membangun, melatih, dan mengevaluasi seluruh performa model machine learning dasar yang telah dibuat.

Pada bulan kedua, pembelajaran berfokus pada cara merancang dan melatih berbagai arsitektur jaringan saraf tiruan, mulai dari jaringan dasar hingga CNN, RNN, dan Transformer tingkat awal menggunakan framework PyTorch atau TensorFlow. Peserta kemudian akan melatih model deep learning tersebut menggunakan dataset riil hingga mencapai performa yang terukur. Seluruh proses ini akan menghasilkan model siap pakai dalam bentuk checkpoint, yang dilengkapi dengan dokumentasi proses training serta laporan evaluasi metrik yang komprehensif.

Bulan ini didedikasikan untuk menyusun dan menguji sistem pemrosesan bahasa alami menggunakan model bahasa besar, termasuk menerapkan teknik prompt engineering dan pemanfaatan embedding. Selain itu, peserta juga akan melakukan modifikasi dan penyesuaian lanjutan (fine-tuning) pada LLM agar sesuai dengan kebutuhan spesifik yang diinginkan. Akhir dari tahap ini adalah membangun dan menguji kode sumber aplikasi berbasis LLM untuk memastikan sistem dapat berjalan dengan stabil tanpa kendala saat digunakan.

Peserta akan mempelajari cara mengonfigurasi dan membangun sistem Retrieval-Augmented Generation (RAG) dengan memanfaatkan vector database seperti Pinecone, Weaviate, atau Chroma. Pipeline RAG yang telah dibangun tersebut kemudian diintegrasikan secara langsung dengan API model AI agar sistem mampu merespons setiap query pengguna secara tepat. Proses ini ditutup dengan mendokumentasikan seluruh tahapan integrasi API serta mencatat log hasil pengujian query untuk menjaga kualitas respons sistem.

Fokus utama pada bulan kelima adalah menyatukan seluruh komponen mulai dari data, model, API, hingga infrastruktur agar bekerja secara harmonis dalam satu kesatuan subsistem AI. Setelah terintegrasi, peserta akan melakukan deployment model AI ke lingkungan production menggunakan teknologi seperti Docker, Kubernetes, atau serving API. Tahap ini juga mencakup pembuatan endpoint API model dan dasbor monitoring untuk memantau performa di lapangan, sehingga menghasilkan prototipe sistem AI utuh yang berfungsi penuh.

Pada bulan terakhir, peserta akan menyusun laporan teknis yang komprehensif, melakukan evaluasi terhadap bias dan etika model, serta melakukan optimasi pada biaya inferensi agar lebih efisien. Selanjutnya, dilakukan standardisasi dokumentasi dengan membuat manual arsitektur sistem, model card, serta merapikan repositori Git agar terstruktur dengan baik. Seluruh rangkaian kurikulum ini diakhiri dengan menyiapkan dan memastikan semua aset teknologi serta dokumentasi pendukung siap diserahterimakan kepada tim internal.