Modul 1: Pengenalan AI Engineering

AI engineering = membangun produk yang bekerja dengan model AI: menyiapkan data, memakai/melatih model, menyambungkan alat, sampai deploy dan pemantauan. Bedanya dengan ML research: research mengejar model baru; engineering mengejar sistem yang andal, terukur, dan berguna — model hanyalah satu komponen.

Sebuah sistem AI modern biasanya berisi: data (pengumpulan & pembersihan), model (pretrained atau dilatih sendiri), prompt/orkestrasi, alat eksternal (API, database), dan lapisan operasional (evaluasi, monitoring, biaya). Kegagalan produk AI paling sering ada di data dan sistem — bukan di pilihan model.

Kurikulum yang kita ikuti (ai-engineering-from-scratch, 523 pelajaran dalam 20 phase) menata jalurnya dari bawah: tooling → matematika → ML → deep learning → spesialisasi (vision/NLP/audio) → LLM → agen → produksi. Kamu tidak harus hafal semuanya sekarang — peta ini dipakai untuk tahu sedang ada di mana dan apa langkah berikutnya.

# Cek tooling dasar di terminal / Colab
import sys
print(sys.version)
import numpy, pandas
print('numpy', numpy.__version__, '| pandas', pandas.__version__)

Output:
3.11.9 (main)
numpy 2.0.2 | pandas 2.2.2

Praktik terbaik sejak hari pertama: kerjakan setiap eksperimen di notebook terpisah, catat versi library (pip freeze), dan simpan ke Git. Ketika hasil berubah, kamu bisa menelusuri apa yang berubah — keterampilan ini yang membedakan hobi dari rekayasa.