Pengumuman! Cek Eligibilitas Magang Nasional Batch 3 Tahun 2026 Sudah Dibuka. Segera cek status kelayakan Anda melalui akun Maganghub.
1500630
CALL CENTERKonsultasi & Aduan (text only)
Perusahaan: 0813-2064-789
Peserta: 0813-2064-787
@Kemnaker
DM
Surya Energi Indotama
Deskripsi Pekerjaan
- Mengembangkan backend untuk chatbot AI internal berbasis RAG (Retrieval-Augmented Generation). Lingkup pekerjaan:
- Membangun dan memelihara REST API menggunakan FastAPI (Python).
- Mengembangkan pipeline RAG: document/data warehouse/data lakehouse/data lake ingestion to Vector DB, chunking, embedding, retrieval, dan LLM-augmented generation.
- Integrasi dengan Vector Database (Qdrant), PostgreSQL, ClickHouse, StarRocks, Apache Iceberg Data Lakehouse, S3 Storage, dan Redis.
- Implementasi multi-agent menggunakan LangGraph.
- Integrasi LLM dan embedding model.
- Pengembangan fitur RBAC, autentikasi (OAuth2/OIDC JWT), MCP server, caching, dan memori sesi/percakapan (session).
- Membantu pengembangan MLOps pipeline (Dagster + Llama-Factory + Unsloth) untuk fine-tuning model dan deployment ke vLLM Server.
- Menulis unit test dan dokumentasi teknis.
Kualifikasi
- Pemahaman dasar Python (sintaks, fungsi, OOP, async/await).
- Mengerti dasar REST API, HTTP, dan struktur data (JSON).
- Terbiasa dengan Git/GitHub dan terminal (Bash/PowerShell).
- Familiar dengan SQL (PostgreSQL) dan konsep database.
- Bersedia mempelajari AI/LLM, RAG, dan teknologi modern (LangGraph, FastAPI, vLLM,
MCP Server).
- Mampu bekerja mandiri, teliti, dan berorientasi dokumentasi.
- Rasa ingin tahu tinggi dan suka problem solving.
- (Nilai tambah) Pernah menyentuh Docker, Redis, vector database, atau framework web Python (FastAPI/Flask/Django).
- Memahami konsep LLM, RAG, prompt engineering, fine-tuning (QLoRA/DPO/SFT), dan embedding.
- Mampu membaca dan menulis dokumentasi teknis.
- Pengalaman dengan Docker dan CI/CD (GitLab CI) merupakan nilai tambah.
- Pernah menggunakan notebook (Jupyter) untuk eksperimen data.
- Memahami prinsip keamanan dasar: validasi input, manajemen secret (.env), sanitasi output LLM (prompt injection awareness).
- Bersedia menjaga kerahasiaan data perusahaan.
- Memiliki portofolio / project GitHub backend Python (nilai tambah).
Tools yang Digunakan:
- Bahasa Pemrograman: Python 3.13/3.14 Framework Web: FastAPI, Uvicorn, Gunicorn
- AI/LLM: LangGraph, LangChain, vLLM, Open Source LLM Model, Open Source Embedding Model, sentence transformers
- Database & Storage: PostgreSQL (asyncpg, SQLAlchemy, Alembic), Redis, Qdrant (vector DB), ClickHouse, StarRocks, S3/MinIO
- MLOps & DevOps: Dagster, Llama-Factory, Unsloth, Docker, Git, GitLab CI
- Testing & Kualitas: pytest, pytest-asyncio, DeepEval, ruff, mypy
- Package Manager: uv
- MCP (Model Context Protocol)
Perangkat Kerja:
- PC/Laptop (Windows/Linux) untuk development.
- Akses remote ke server on-premise
- Akses VPN perusahaan dan akun GitLab internal.
Pengenalan pengembangan backend menggunakan Python, mencakup sintaks dasar, fungsi, Object-Oriented Programming (OOP), exception handling, serta konsep asynchronous programming menggunakan async/await. Pembelajaran meliputi pemahaman protokol HTTP, REST API, struktur data JSON, penggunaan terminal dan Git/GitHub, serta pengenalan FastAPI untuk membangun layanan backend. Peserta melakukan praktik pembuatan endpoint API sederhana, validasi request dan response, penanganan error, serta penyusunan dokumentasi API menggunakan OpenAPI/Swagger.
Perancangan dan pengelolaan database menggunakan PostgreSQL, mencakup pemodelan tabel, relasi data, query SQL, indexing, dan transaksi. Pembelajaran dilanjutkan dengan integrasi FastAPI dan database, pengelolaan konfigurasi aplikasi, implementasi autentikasi dan otorisasi menggunakan OAuth2/OIDC dan JSON Web Token (JWT), serta pengenalan Role-Based Access Control (RBAC). Peserta juga mempelajari penggunaan Redis untuk caching dan penyimpanan session, serta menerapkan validasi input dan praktik keamanan dasar dalam pengembangan layanan backend.
Pengenalan konsep Artificial Intelligence (AI), Large Language Model (LLM), embedding, vector database, dan Retrieval-Augmented Generation (RAG) untuk pengembangan chatbot AI internal. Pembelajaran mencakup proses ingestion dokumen, ekstraksi dan pembersihan teks, chunking, pembuatan embedding, penyimpanan vektor menggunakan Qdrant, serta implementasi retrieval untuk menemukan informasi yang relevan. Peserta mengintegrasikan hasil retrieval dengan LLM untuk menghasilkan jawaban berdasarkan dokumen internal, kemudian mengembangkan pipeline RAG sederhana menggunakan Python dan FastAPI.
Pengembangan pipeline pengambilan dan pengolahan data dari berbagai sumber, termasuk PostgreSQL, ClickHouse, StarRocks, Apache Iceberg Data Lakehouse, dan S3 Storage sesuai kebutuhan proyek. Pembelajaran mencakup pengelolaan metadata dokumen, sinkronisasi dan pembaruan indeks, optimasi proses retrieval, evaluasi relevansi hasil pencarian, serta penerapan caching menggunakan Redis. Peserta juga mempelajari integrasi layanan backend dengan berbagai penyimpanan data, pengelolaan pipeline ingestion, dan penanganan kegagalan proses untuk meningkatkan keandalan chatbot AI internal.
Pengenalan arsitektur multi-agent menggunakan LangGraph untuk mengatur alur kerja AI, pemanggilan tools, pengelolaan state, serta koordinasi antarkomponen dalam chatbot internal. Pembelajaran mencakup pengembangan dan integrasi Model Context Protocol (MCP) Server, pengelolaan memori sesi dan percakapan, serta penyempurnaan kontrol akses pada layanan AI. Peserta diperkenalkan pada pipeline MLOps menggunakan Dagster, proses fine-tuning model dengan Llama-Factory dan Unsloth, serta deployment model ke vLLM Server sesuai ketersediaan sumber daya komputasi dan arahan mentor.
Integrasi seluruh komponen backend chatbot AI internal yang meliputi REST API, pipeline RAG, vector database, database relasional dan analitik, autentikasi, RBAC, caching, session management, serta integrasi LLM dan multi-agent. Pembelajaran difokuskan pada penulisan unit test dan integration test, evaluasi kualitas retrieval dan jawaban AI, debugging, penanganan error, serta pengujian performa dan keamanan API. Peserta juga mempelajari containerization menggunakan Docker, penyusunan konfigurasi deployment, pengelolaan kode melalui Git/GitHub, dan pembuatan dokumentasi teknis yang mencakup arsitektur sistem, API endpoint, skema database, pipeline AI, prosedur deployment, serta laporan hasil pengujian dan pengembangan proyek akhir.
Jl. Soekarno-Hatta No.442, Pasirluyu, Kec. Regol, Kota Bandung, Jawa Barat 40254
Kota Bandung
PT Surya Energi Indotama (SEI) berdiri pada tanggal 6 Desember 2007 dan diambil alih sebagai anak perusahaan dari PT Len Industri (Persero) pada 14 Januari 2009. SEI merupakan perusahaan pionir dan terpercaya di bidang energi baru terbarukan, khususnya energi surya di Indonesia. SEI memiliki pengalaman skala kecil hingga besar yang didukung dengan kelas dunia. Dengan semangat menjadi perusahaan total solusi di bidang Energi Baru Terbarukan dan Konservasi Energi, SEI berperan sebagai Engineering, Procurement, Construction (EPC) dan Investor Energi Baru Terbarukan sebagai solusi terbaik bagi masyarakat sesuai dengan kebutuhan.
Puri Laju Abba
Instalasi dan Pemeliharaan Jaringan Listrik, Pemeliharaan Mesin
Mitrakarya Niaga Sukses
Tata Boga, Pendidikan Tata Boga, Manajemen Kuliner, Pendidikan Vokasional Seni Kuliner
Puri Laju Abba
Seni Kuliner dan Pengelolaan Jasa Makanan, Perhotelan, Seni Kuliner
Nusa Sejahtera Kharisma
Kedokteran Gigi, Kedokteran, Keperawatan
PT Dawa Daya Kahuripan
Fisioterapi
Mitrakarya Niaga Sukses
Bisnis Perhotelan, Perhotelan, Manajemen Perhotelan, Manajemen Perhotelan dan Pariwisata, Pengelolaan Perhotelan
