Roadmap belajar AI engineer: dari Python ke produksi

Roadmap belajar AI engineer yang masuk akal dimulai dari Python dan analisis data, lanjut ke machine learning klasik, lalu aplikasi LLM berbasis RAG, AI di proses kerja dan di perangkat, dan berakhir di pengoperasian aplikasi LLM di produksi. Urutan ini penting karena kebiasaan dari tahap awal, seperti membersihkan data, membuat pembanding, dan mengevaluasi dengan jujur, dipakai lagi di setiap tahap sesudahnya. Tandai selesainya tiap tahap dengan satu karya yang bisa dijalankan ulang orang lain.

Apa yang perlu dipelajari untuk jadi AI engineer

AI engineer membangun dan menjalankan perangkat lunak yang memakai model AI. Bedanya dengan pengguna alat AI: Anda tidak berhenti di prompt yang berhasil sekali, tetapi membuat sistem yang menjawab benar berulang kali, untuk banyak pengguna, dengan biaya yang bisa dihitung.

Karena itu bekalnya berlapis: Python dan pengolahan data, statistik secukupnya untuk membaca hasil, machine learning untuk memahami cara model dilatih dan diuji, rekayasa aplikasi LLM (pemanggilan API, pengambilan dokumen, evaluasi jawaban), integrasi ke proses kerja, dan operasi produksi, yaitu pemantauan, biaya, dan penanganan insiden. Tidak ada lapisan yang aman dilompati; yang bisa Anda atur adalah urutan dan kedalamannya.

Urutan belajar dari Python sampai produksi

Sebagai kerangka konkret, panduan ini memakai urutan jalur AI Engineer di Exelern: satu kelas program, enam modul, dan enam karya yang ditinjau reviewer bernama. Anda bisa memakai urutan yang sama meski belajar sendiri. Jam di tiap tahap adalah perkiraan dari halaman jalur tersebut.

1. Python untuk analisis data (±36 jam). Dasar Python, fungsi dan struktur data, pandas, pembersihan data, statistik deskriptif, dan visualisasi. Karya penanda: analisis eksploratif satu dataset publik Indonesia dalam notebook yang bisa dijalankan ulang dari awal tanpa galat, plus laporan temuan maksimal dua halaman.
2. Machine learning terapan (±40 jam). Mengubah masalah bisnis menjadi target, fitur, dan metrik; membagi data tanpa kebocoran; membuat pembanding sederhana; model klasik; analisis kesalahan dan bias. Karya penanda: model ML untuk satu masalah berbasis data Indonesia, dengan analisis kesalahan, kartu model, dan ringkasan eksekutif satu halaman.
3. Aplikasi LLM dengan RAG (±36 jam). Token, konteks, dan biaya; memanggil API LLM dengan aman; chunking, embedding, dan basis data vektor; pencarian vektor dan kata kunci; prompt yang berani berkata tidak tahu; hak akses dokumen per pengguna. Karya penanda: asisten pengetahuan RAG untuk satu kumpulan dokumen nyata, dengan laporan evaluasi berisi tabel hasil 20 pertanyaan uji.
4. Otomasi proses kerja dengan AI (±20 jam). Memetakan proses, memilih yang layak diotomatiskan, AI untuk dokumen dan email, dan kapan AI harus bertanya ke manusia. Karya penanda: satu alur otomasi berbantuan AI untuk proses kerja nyata, dengan peta proses sebelum dan sesudah serta perhitungan hemat waktu dan biaya.
5. Edge AI (±36 jam). Deteksi objek, memilih model untuk perangkat berdaya rendah, kuantisasi, dan mengukur kinerja langsung di perangkat. Karya penanda: sistem deteksi objek di perangkat untuk satu kasus nyata, dengan laporan kinerja.
6. LLMOps (±56 jam). Evaluasi sebagai gerbang rilis, model serving, gateway model, observabilitas, versi prompt dan model sebagai artefak rilis, runbook insiden, dan optimasi biaya. Karya penanda: lapisan operasional produksi untuk satu aplikasi LLM, yaitu gerbang evaluasi, gateway, pemantauan, dan runbook, plus laporan keputusan berisi tabel biaya dan latensi.

Kenapa urutannya begitu

Halaman jalur menyebut alasannya: urutan disusun supaya karya di satu modul menjadi bekal untuk modul berikutnya. Python ada di depan karena, menurut halaman yang sama, fondasi Python dan pandas dipakai di semua modul sesudahnya. Kalau Anda masih bergulat dengan sintaks saat belajar RAG, perhatian Anda habis untuk hal yang salah.

Machine learning klasik datang sebelum LLM, meski Anda mungkin ingin langsung ke LLM. Alasannya evaluasi. Di machine learning klasik, target dan metriknya jelas, sehingga kebiasaan memisahkan data uji, mencegah kebocoran, dan membandingkan dengan model sederhana bisa dilatih dengan bersih. Kebiasaan yang sama lalu dipakai untuk teks: 20 pertanyaan uji di karya RAG adalah set uji dalam bentuk lain. Halaman jalur merangkum tahap ini sebagai melatih dan mengevaluasi model dengan jujur sebelum masuk ke LLM.

RAG datang sebelum LLMOps karena Anda butuh aplikasi untuk dioperasikan. Sebagai ilustrasi, asisten RAG dari tahap ketiga bisa menjadi aplikasi yang Anda beri gerbang evaluasi, gateway, dan pemantauan di tahap keenam.

Otomasi proses kerja sengaja ringan: halaman jalur menyebutnya modul ringan di tengah program, dan hasilnya diukur dari waktu yang dihemat. Tahap ini menggeser ukuran keberhasilan dari canggihnya model ke manfaatnya bagi proses kerja. Edge AI lalu menunjukkan sisi AI yang tidak berjalan di cloud, dengan batasan latensi, privasi, dan biaya yang nyata. Keduanya melatih Anda mengukur dalam batasan, bekal yang terpakai lagi saat menghitung biaya dan latensi di produksi.

LLMOps ada di akhir dan memakan jam lebih banyak dari tahap lain, ±56 jam, dengan ambang lulus mulai 75%, sementara karya lain lulus mulai 70%. Halaman jalur menyebutnya penutup program dengan karya setara pekerjaan nyata.

Berapa lama waktu belajarnya

Untuk urutan di atas, halaman jalur AI Engineer memperkirakan ±224 jam belajar mandiri, sekitar 19–23 minggu dengan 10–12 jam per minggu. Perkiraan ini sudah termasuk mengerjakan karya, bukan hanya membaca materi. Untuk menyusun jadwal Anda sendiri:

1. Tentukan jam belajar per minggu yang realistis setelah pekerjaan dan urusan lain.
2. Bagi jam tiap tahap dengan angka itu. Sebagai ilustrasi, dengan 6 jam per minggu, tahap Python (±36 jam) memakan sekitar enam minggu.
3. Beri cadangan di tahap yang berat evaluasinya, yaitu machine learning, RAG, dan LLMOps. Di sana waktu habis untuk iterasi: menjalankan set uji, membaca kesalahan, memperbaiki, lalu menjalankan ulang.
4. Pasang tenggat per karya, bukan per bab. Tahap selesai saat karyanya bisa dijalankan ulang orang lain.

Latar belakang menggeser angka ini. Developer yang sudah fasih Python mungkin bergerak lebih cepat di tahap pertama, tetapi tetap perlu mengerjakan karyanya, karena notebook yang bersih dan bisa diulang adalah kebiasaan, bukan sekadar hafal sintaks.

Pakai rubrik sebagai daftar periksa

Di jalur AI Engineer, setiap karya dinilai per kriteria dengan skor 0–4 dan bobot yang tertulis di rubrik. Meski Anda belajar sendiri, kriteria itu berguna sebagai daftar periksa sebelum karya Anda tunjukkan ke orang lain.

Karya tahap pertama dinilai dari kebenaran kode dan pembersihan data (30%), ketepatan analisis (25%), visualisasi (20%), kejujuran temuan (15%), dan bisa diulang (10%). Kriteria kejujuran temuan mengingatkan bahwa kesimpulan yang melampaui datanya adalah kesalahan, seberapa pun rapi grafiknya.

Karya RAG dinilai dari ketepatan dan pembumian jawaban (30%), kualitas pengambilan (25%), evaluasi yang jujur (20%), keamanan akses dokumen (15%), dan kerapian rekayasa (10%). Demo yang tampak meyakinkan tanpa set uji dan tanpa penyaringan akses per pengguna mempertaruhkan 35% bobot sekaligus.

Karya LLMOps dinilai dari kualitas keputusan operasional (25%), gerbang evaluasi yang bermakna (25%), ketahanan terhadap kegagalan (20%), observabilitas (20%), serta runbook dan dokumentasi (10%).

Benang merahnya: kejujuran evaluasi muncul berulang, dari kejujuran temuan, analisis kesalahan di karya machine learning, sampai evaluasi yang jujur di karya RAG. Kemampuan diulang juga muncul sebagai kriteria di karya tahap pertama, kedua, dan kelima. Dua hal itu yang membedakan karya engineer dari demo. Bila Anda ingin memahami work sample dalam rekrutmen, baca Work sample test: arti, fungsi, dan cara menyiapkannya.

Sesudah enam tahap: agen AI dan infrastruktur

Bila Anda tertarik pada agen AI, tempatkan agen sesudah RAG dan LLMOps. Agen memanggil alat dan mengambil tindakan; tanpa set uji dan observabilitas, Anda sulit menjelaskan kenapa agen melakukan sesuatu, apalagi mencegahnya terulang.

Halaman jalur AI Engineer mencantumkan dua kelas program untuk memperdalam arah tertentu: Rekayasa Produk dan Agen AI: dari UX sampai Agen yang Terkendali serta Infrastruktur dan Kualitas Aplikasi AI: Cloud, PostgreSQL, dan QA Otomasi. Keduanya terpisah dan tidak termasuk jalur ini.

Mengikuti jalur ini di Exelern

Pembelian kelas berbayar di Exelern belum dibuka, dan semua kelas di katalog saat ini berbayar, jadi hari ini Anda belum bisa membeli atau langsung mengikuti jalur ini. Yang bisa Anda lakukan adalah mendaftar minat di halaman kelas program AI Engineer; Exelern mengabari saat kelas itu bisa dibeli.

Menurut halaman jalur, modul dikerjakan berurutan dan asinkron, tanpa sesi langsung. Setiap karya dikerjakan dalam empat tahap (kerangka, draf, revisi, final) dan dinilai reviewer bernama dengan rubrik yang bisa Anda baca sebelum mendaftar. Setiap modul yang lulus memberi satu kredensial Terverifikasi Exelern dengan halaman verifikasi publik. Kredensial ini bukan sertifikasi pemerintah, dan jalur ini tidak menjanjikan pekerjaan atau penyaluran kerja.

Bila arah Anda lebih ke aplikasi web atau analisis data, bandingkan dengan jalur karier lain di Exelern sebelum memilih.