AI Specialist

Pengenalan AI & Data Pipeline: Arsitektur sistem AI, peran AI Specialist, dan siklus hidup proyek Machine Learning. Dasar Matematika untuk AI: Aljabar linier (vektor & matriks), kalkulus diferensial, serta statistik deskriptif & inferensial. Manajemen Data & Database: Konsep basis data relasional (SQL) vs non-relasional (NoSQL), struktur data untuk pemrosesan AI, serta prinsip ETL (Extract, Transform, Load).

Supervised Learning: Konsep Regresi (Linear, Logistic) dan Klasifikasi (Decision Tree, Random Forest, SVM). Unsupervised Learning: Algoritma Clustering (K-Means, DBSCAN) dan reduksi dimensi (PCA). Evaluasi & Validasi Model: Cross-validation, metrik performa (Accuracy, Precision, Recall, F1-Score, ROC-AUC), serta pemahaman Overfitting, Underfitting, dan Bias-Variance Tradeoff.

Dasar Deep Learning: Arsitektur Artificial Neural Networks (ANN), fungsi aktivasi, backpropagation, dan loss functions. Computer Vision (CV): Konsep Convolutional Neural Networks (CNN), filtrasi gambar, dan arsitektur Object Detection (YOLO). Natural Language Processing (NLP): Pemrosesan teks, Tokenization, Stemming/Lemmatization, Word Embeddings (Word2Vec, FastText), dan Recurrent Neural Networks (RNN/LSTM).

Arsitektur Transformer: Mekanisme Self-Attention, Encoder-Decoder, dan perkembangan Large Language Models. Prompt Engineering & Fine-Tuning: Teknik penulisan prompt terstruktur, Few-Shot Prompting, Chain-of-Thought, serta dasar Parameter-Efficient Fine-Tuning (PEFT/LoRA). RAG & Vector Databases: Arsitektur Retrieval-Augmented Generation (RAG), pemetaan Embeddings, dan manajemen Vector Store.

Konsep MLOps: Perbedaan Software Engineering dan MLOps, siklus hidup deployment model, dan model drift. Arsitektur API & Containerization: Prinsip REST API, pembuatan endpoint, dan containerization dengan Docker. CI/CD & Cloud Infrastructure: Dasar-dasar integrasi berkelanjutan (CI/CD) untuk ML dan pengenalan layanan cloud (AWS/GCP/Azure).

Perancangan Arsitektur Capstone: Penyusunan proposal proyek, analisis kebutuhan bisnis, pemilihan tech stack, dan pembagian modul sistem. Standar Dokumentasi & Etika AI: Penyusunan dokumen teknis, panduan pengguna, serta pemahaman isu Data Privacy dan Responsible AI.

Lingkungan Kerja & Tools: Pengaturan environment Python, Git/GitHub version control, Virtual Environment, dan Docker container dasar. Pengolahan Data dengan Python: Eksplorasi & pembersihan data menggunakan Pandas dan NumPy. Database & Visualisasi: Penulisan kueri SQL kompleks untuk ekstraksi data dan pemetaan visualisasi data menggunakan Matplotlib / Seaborn. Mini Project: Membangun automated data cleaning pipeline dari sumber data mentah.

Eksperimentasi Scikit-Learn: Implementasi algoritma ML menggunakan library Scikit-Learn. Handling Complex Datasets: Pemrosesan data tidak seimbang (imbalanced data) dengan teknik SMOTE dan validasi data. Hyperparameter Tuning: Optimasi model menggunakan GridSearchCV dan RandomizedSearchCV. Mini Project: Mengembangkan model prediksi bisnis (misal: Customer Churn Prediction atau Price Prediction).

Framework Deep Learning: Pelatihan model sederhana menggunakan PyTorch atau TensorFlow. Pengolahan Gambar & Teks: Klasifikasi gambar dengan CNN dan analisis sentimen teks menggunakan teknik NLP. Transfer Learning: Menggunakan model pre-trained (seperti ResNet atau MobileNet) untuk kasus kustom. Mini Project: Membuat aplikasi pemindai cacat produk berbasis gambar atau pemilah email otomatis berbasis teks.

API Integration: Mengintegrasikan API LLM (OpenAI, Gemini) ke dalam skrip Python. Pengembangan Sistem RAG: Membangun pipeline RAG menggunakan LangChain atau LlamaIndex terhubung ke dokumen privat (PDF/Text). Implementasi Vector Database: Pengisian dan pencarian data berbasis vektor menggunakan ChromaDB atau Pinecone. Mini Project: Membuat chatbot Knowledge Base interaktif untuk dokumen regulasi/SOP perusahaan.

Pengembangan API: Mengubah model Machine Learning / AI menjadi REST API siap pakai menggunakan FastAPI. Dockerization: Membuat Dockerfile dan mengemas API AI ke dalam Docker Container. Deployment Cloud: Memasang dan menjalankan API model AI di server cloud (misalnya Streamlit Cloud, Vercel, atau AWS EC2). Mini Project: Men-deploy API AI yang terhubung dengan antarmuka web sederhana dan dapat diakses publik.

Pengembangan End-to-End: Eksekusi proyek akhir secara menyeluruh dari data ingestion, pemodelan, integrasi LLM/RAG, hingga deployment API. Testing & Peer Review: Pengujian performa sistem, code review, dan perbaikan bug. Presentasi & Uji Kompetensi: Presentasi hasil Capstone Project di hadapan tim/mentor dan persiapan portofolio untuk sertifikasi kompetensi.