AI/ML Engineer Intern

Peserta mempelajari alur kerja tim AI/ML Tribe (weekly sync, Agile, Git dengan branch, pull request, dan code review), dasar Google Cloud (project, IAM, Compute Engine, Cloud Storage, Cloud SQL), serta fondasi Machine Learning (supervised dan unsupervised learning, train/validation/test split, metrik evaluasi seperti precision, recall, dan F1-score). Peserta memulai learning path Google Cloud Skills Boost untuk Professional Machine Learning Engineer. Output: satu model baseline di notebook dengan laporan evaluasi yang tersimpan di repository Git dan ditinjau Mentor.

Peserta membangun data pipeline dan proses ETL ke BigQuery, melakukan exploratory data analysis (EDA) dan feature engineering dengan SQL dan Python, serta mengenal BigQuery ML untuk melatih model langsung dari SQL. Output: data pipeline yang menghasilkan training dataset terkurasi dan satu model BigQuery ML beserta evaluasinya.

Peserta melakukan training, hyperparameter tuning, dan evaluasi model di Vertex AI (Workbench, Training, Experiments, Model Registry), lalu men-deploy model ke Vertex AI Endpoint sebagai API. Peserta mengerjakan use case Computer Vision seperti object detection dan OCR dengan Cloud Vision API atau custom model. Output: model yang ter-deploy sebagai endpoint, dapat diakses melalui API, dan dilengkapi laporan performa model.

Peserta mempelajari Gemini API, prompt engineering, structured output, Retrieval-Augmented Generation (RAG), serta pengembangan AI agent dengan Agent Development Kit (ADK), termasuk tool calling dan evaluation. Peserta mulai mengerjakan bagian terpilih proyek klien, seperti modul Generative AI, pemrosesan video atau dokumen, atau perbaikan pipeline di environment non-production. Output: satu AI agent berbasis Gemini dan satu kontribusi pada proyek klien yang lolos review Mentor.

Peserta ikut dalam sesi discovery dengan klien, menganalisis business requirement, merancang architecture diagram solusi AI/ML di Google Cloud, dan menyusun estimasi biaya cloud dengan Google Cloud Pricing Calculator. Peserta membangun prototype dan demo end-to-end (backend, API, dan UI) untuk Proof of Concept, lalu ikut mempresentasikannya kepada klien. Output: architecture diagram, estimasi biaya, dan satu demo PoC yang dipresentasikan kepada klien atau tim internal.

Peserta men-deploy aplikasi AI ke Cloud Run atau Vertex AI Agent Engine, menyusun pipeline CI/CD, menerapkan monitoring, logging, dan model monitoring, serta mengoptimalkan latency dan biaya. Peserta membangun solusi AI end-to-end pada satu studi kasus (data pipeline, model atau AI agent, API, UI, dan deployment), mempersiapkan ujian sertifikasi Google Cloud Professional Machine Learning Engineer, dan mempresentasikan hasil kepada Mentor. Mentor lalu menyusun evaluasi akhir program. Output: repository kode, architecture document, SOP handover, dan presentasi akhir.