Cita-citaku Menjadi AI Engineer
1) Jalur kuliah & kampus yang oke (Indonesia + opsi luar)
- S1 (Informatika/Ilmu Komputer/Sistem Informasi/Statistika/Math): fondasi kuat untuk ML/DL & engineering.
- S2 (AI/Data Science/ML): opsi pendalaman riset/leadership teknis.
- Indonesia (acak urut, contoh, masih banyak yang bagus): ITB, UI, UGM, ITS, IPB (Stat/CS), UNDIP, BINUS, Telkom Univ, UII, Unair (SI), UNAIR/UNPAD (Data/Stat), Politeknik untuk jalur praktis (JTK/PNJ).
- Luar (opsional/target beasiswa): NUS/NTU (SG), KAIST (KR), Tsinghua (CN), ETH Zürich (CH), TU Munich (DE), Imperial/UCL/Oxford/Cambridge (UK), CMU/Stanford/UCs (US).
- Alternatif non-kuliah: Bootcamp/academy (ML/MLOps), micro-degree, self-taught + proyek nyata/kaggle.
Tips: Kuliah + riset = fondasi teori/riset kuat. Bootcamp/self-taught = cepat kerja jika disiplin + portofolio mantap.
2) Cocok untuk introvert atau ekstrovert?
- Introvert: role yang butuh deep work & eksperimen: Model/Research-ish, MLOps backend, Data Engineering untuk AI, Evaluation/Benchmarking, Optimization.
- Ekstrovert: role yang sering kolaborasi lintas fungsi: AI Product Engineer, Solutions/Pre-sales AI, Applied Scientist bareng produk, Tech Lead (banyak diskusi dengan PM/UX/bisnis).
3) Pelajaran/kompetensi yang harus paham
- Fondasi matematik & statistik: Linear Algebra (vektor, matriks), Kalkulus (turunan/gradien), Probabilitas & Statistik (distribusi, estimasi), Optimisasi (GD/Adam).
- Machine Learning klasik: supervised/unsupervised, regularisasi, feature engineering, evaluation metrics.
- Deep Learning: NN dasar, CNN, RNN/LSTM/GRU, Transformers, attention, fine-tuning/LoRA.
- Data & Software Eng: Python, SQL, struktur data & algoritma, OOP/clean code, testing, Git, API/REST, container (Docker).
- MLOps: experiment tracking, reproducibility, model serving, CI/CD model, observability (drift/latency), GPU basics.
- LLM & GenAI: tokenization, prompting, RAG, fine-tuning/PEFT, safety/guardrails, evaluasi LLM.
- Etika & privasi: bias, fairness, keamanan data, compliance (privasi).
4) Tools yang perlu disiapkan (minimal → menengah)
- Perangkat: Laptop 16GB RAM (lebih enak), GPU lokal opsional; alternatif: colab/kaggle/gradient untuk GPU cloud.
- Bahasa/Runtime: Python 3.10+ (pyenv/conda), pip/uv/poetry untuk dependency.
- Lib Data/ML: NumPy, Pandas, scikit-learn.
- DL/LLM: PyTorch (utama) / TensorFlow, Hugging Face (transformers, datasets, peft).
- Notebook & IDE: Jupyter/VS Code.
- MLOps dev: MLflow/W&B (tracking), Docker, DVC (opsional).
- Serving & API: FastAPI, uvicorn, Triton/TensorRT (opsional), ONNX.
- Vector DB / RAG: FAISS, Chroma, (opsional: Milvus, Weaviate).
- Data stack: SQL (Postgres/BigQuery), dbt/Airflow (opsional).
- Cloud pemula (opsional): GCP/AWS/Azure basic, Vercel/Render untuk API kecil.
5) Peta role & jalur mulai cepat
- AI Product Engineer (applied): Python → scikit-learn/PyTorch → FastAPI → deploy → observability → kecil-kecil bangun fitur AI di produk.
- MLOps Engineer: Python → Docker → CI/CD → model registry → serving (FastAPI/Triton) → monitoring.
- Data/Feature Engineer: SQL kuat → pipeline (Airflow/dbt) → feature store → kerja bareng ML.
- Applied Scientist (junior): Matstat → klasik ML → DL dasar → eksperimen literatur → replikasi paper mini.
- LLM Engineer: Transformers → fine-tuning/LoRA → RAG + evaluasi → guardrails → cost/perf tuning.
6) Tabel perbandingan jalur belajar
| Jalur | Durasi | Biaya | Kekuatan | Risiko/Kelemahan | Cocok Untuk |
|---|---|---|---|---|---|
| Kuliah S1/S2 | 4–6 thn | $$$ | Fondasi teori sangat kuat, akses lab/riset, jaringan alumni | Waktu & biaya besar; praktik industri perlu proaktif | Target riset, FAANG/BigTech/riset, karier panjang |
| Bootcamp AI/ML | 3–6 bln | $$ | Kurikulum fokus, proyek praktis, career support | Fondasi teori tidak sedalam kuliah; butuh portofolio ekstra | Career switcher/cepat kerja applied |
| Self-taught | 6–18 bln | $ | Fleksibel & murah; bisa fokus GenAI/RAG | Gampang mentok/overwhelm; perlu komunitas/mentor | Mandiri & konsisten, sambil sekolah/kerja |
| Magang/Research Intern | 3–12 bln | $ | Pengalaman nyata, publikasi/produk | Akses sulit tanpa jaringan | Yang sudah punya dasar & mau track riset |
| Data → AI Bridge | 4–9 bln | $–$$ | Mulai dari SQL/analitik → naik ke ML/LLM | Butuh disiplin naik kelas | Suka data/BI, ingin transisi ke AI |
7) Checklist siap tempur (ringkas)
- Pilih track (Applied AI/LLM, MLOps, Data→AI).
- 3 mini-project: (1) klasik ML; (2) DL kecil; (3) LLM-RAG dengan evaluasi.
- Satu case study end-to-end: data prep → training → serving → monitoring.
- Portfolio (GitHub + README + demo live) & Notebook bersih.
- Matstat rutin (linear algebra & probability) + 20 soal/pekan.
- Experiment tracking konsisten (MLflow/W&B).
- Belajar deployment (FastAPI+Docker) + monitor (latency, drift, cost).
Starter pack 30 hari (opsional, super ringkas)
- Minggu 1: Python+Pandas+sklearn → klasifikasi sederhana (Titanic).
- Minggu 2: PyTorch → CNN kecil (CIFAR10) + training loop.
- Minggu 3: LLM → RAG sederhana (HF + FAISS) + evaluasi (precision@k/LLM-as-judge).
- Minggu 4: Serve (FastAPI+Docker) + monitor (logging/metrics) + write-up.