Bagian 63–65

Bagian 63–65 dari 71 bagian · Belajar 1

63.pembelajaran stack yang praktis untuk IT insinyur

Untuk insinyur yang sudah terbiasa dengan Linux, database, scripting, API, pemantauan, dan troubleshooting, jalur praktis dapat dibuat seperti:

Python
  ↓
HTTP / REST / JSON
  ↓
LLM API
  ↓
Structured Output / Function Calling
  ↓
Embeddings + Search
  ↓
RAG
  ↓
Tool integration
  ↓
MCP
  ↓
Workflow
  ↓
Agen
  ↓
Evals + Observability
  ↓
Security + Governance
  ↓
AI Produksi platform

Diagram — pembelajaran stack yang praktis untuk IT insinyur

Skill yang sudah ada pada IT insinyur seperti Linux, SQL, API troubleshooting, log analysis, pemantauan, dan scripting sangat relevan untuk tahap alat integrasi, RAG ingestion, observabilitas, dan AI operasi.

64.Contoh proyek bertingkat

proyek 1 — SQL Copilot hanya-baca

masukan: pertanyaan natural language. keluaran: SQL + explanation + hasil preview.

Kontrol:

hanya-baca DB pengguna;
SQL allow-list;
timeout;
row limit;
audit.

proyek 2 — Siebel/CRM pengetahuan Assistant

Documentation
+ SOP
+ Troubleshooting guide
+ Error log
+ FAQ
       ↓
RAG
       ↓
LLM
       ↓
Citations

Diagram — Contoh proyek bertingkat

proyek 3 — pemantauan Agen

Tools:

Linux metrik;
log search;
DB kueri;
application health memeriksa;
alert creation.

Tahap pertama hanya-baca.

proyek 4 — Controlled Agen Operasi TI

Tambahkan:

restart service;
membuat ticket;
rotate controlled config;
penerapan alur kerja.

Semua menulis operation menggunakan approval + audit.

proyek 5 — Enterprise AI Platform

Gabungkan:

IAM, + AI Gateway, + Model Router, + RAG, + Vector/Search, + MCP, + Agen Runtime, + Evals, + Observability, + Guardrails, + Governance

65.Glossary A–Z yang diperluas

Istilah	Arti singkat
Agen	Sistem LLM yang menggunakan alat dalam loop untuk menyelesaikan tujuan
Agen loop	Siklus observe → decide → act → observe
AgentOps	Operasi dan pemantauan sistem agenic
Alignment	Menyesuaikan perilaku AI dengan tujuan/kebijakan yang diinginkan
API	antarmuka aplikasi untuk pertukaran data/fungsi
Attention	Mekanisme model untuk memberi bobot pada bagian konteks
Batch	Pemrosesan beberapa permintaan/data bersama
Benchmark	Dataset/tugas untuk pengukuran standar
BM25	Ranking lexical berbasis term statistics
Chunking	Memecah dokumen menjadi unit pengambilan
Classification	Prediksi kelas
Komputasir gunakan	Interaksi AI dengan GUI/komputer
Context	Informasi yang diberikan ke model pada inference
Rekayasa konteks	Pengaturan keseluruhan konteks
Context window	Kapasitas konteks yang didukung model/runtime
Contextual Retrieval	Retrieval dengan konteks tambahan pada chunk
data drift	Perubahan distribusi masukan
data leakage	Informasi target bocor ke pelatihan/evaluasi
data poisoning	Manipulasi data untuk memengaruhi model/sistem
Deep Learning (Pembelajaran Mendalam)	ML berbasis neural network berlapis
Diffusion	Keluarga generative models berbasis denoising/diffusion process
Distillation	Transfer kemampuan teacher → student
DPO	Direct Prujukan Optimization
Embedding	Representasi data sebagai vector
Evals	Pengujian sistem AI
Fine-tuning	pelatihan lanjutan pada model yang sudah ada
Pemanggilan fungsi	Mekanisme model menghasilkan alat/function call
Foundation model	Model dasar berskala besar yang dapat diadaptasi
GraphRAG	RAG dengan graph/entity/community structure
Guardrail	Kontrol keselamatan/perilaku
Hallucination	keluaran yang salah/tidak didukung
Hybrid search	Kombinasi lexical + semantic pengambilan
Inference	Menjalankan model untuk menghasilkan keluaran
Jailbreak	Upaya melewati batas safety/policy model
KV cache	Penyimpanan key/value attention untuk inference
Latency	Waktu respons
LLM	Large Language Model
LLMOps	Operasi produksi LLM applications
LoRA	Low-Rank Adaptation
MCP	Model Context Protocol
Memory	Persistent/keadaan kerja di luar atau sekitar konteks aktif
Metadata	Informasi yang mendeskripsikan data
Multimodal	Memproses beberapa jenis modalitas
MoE	Mixture of Experts
Observability	Visibility atas runtime sistem
Open-weight	Model yang bobotnya tersedia dengan batas lisensi tertentu
Orchestration	Pengaturan banyak komponen/langkah
Pass@k	Setidaknya satu dari k percobaan sukses
Pass^k	Semua k percobaan sukses
PEFT	Parameter-Efficient Fine-Tuning
Prompt	Instruksi/masukan ke model
Prompt caching	Reuse bagian prompt/konteks yang stabil
Prompt injection	Instruksi berbahaya dari masukan/konten
Quantization	Menurunkan presisi representasi numerik
RAG	Retrieval-Augmented Generation
Recall@k	Proporsi item relevan yang ditemukan pada top-k
Reasoning model	Label industri untuk model yang dioptimalkan untuk tugas reasoning; definisinya tidak universal
Reinforcement Learning (Pembelajaran Penguatan)	Belajar dari interaksi dan reward
Reranking	Mengurutkan ulang candidate pengambilan
RLHF	Reinforcement Learning (Pembelajaran Penguatan) from Human Feedback
Router	Komponen yang menentukan jalur/model/alat
Safety	Kontrol terhadap perilaku yang berbahaya/tidak diinginkan
Semantic search	Retrieval berdasarkan representasi/meaning
SFT	Supervised Fine-Tuning
SLM	Small Language Model
Structured keluaran	keluaran yang mengikuti schema tertentu
sistem prompt	Instruksi tingkat tinggi yang diberikan sistem/penyedia; visibility berbeda antar produk
Temperature	Parameter sampling pada model yang mendukungnya
Token	Unit masukan/keluaran yang diproses tokenizer
Tokenizer	Memetakan teks ↔ token
Penggunaan alat	Pemakaian fungsi/API eksternal
Transformer	Keluarga arsitektur neural berbasis attention
Vector database	Penyimpanan/index untuk vector search
VLM	Vision-Language Model
Workflow	Jalur LLM/alat yang ditentukan aplikasi
Zero-shot	tugas tanpa contoh eksplisit