Hubungi Kami

Kerangka Materi

1. Pengantar Rekayasa AI

  • Apa itu rekayasa AI?
  • Kecerdasan buatan vs. Pembelajaran mesin vs. Pembelajaran mendalam
  • Siklus hidup pengembangan proyek rekayasa AI
  • Penerapan kecerdasan buatan di berbagai industri
  • Peran dan tanggung jawab seorang insinyur AI

2. Dasar-Dasar Kecerdasan Buatan

  • Konsep dan istilah-istilah utama dalam kecerdasan buatan
  • Pembelajaran terawasi, tak terawasi, serta penguatan
  • Jaringan saraf dan prinsip dasar pembelajaran mendalam
  • Gambaran umum mengenai kecerdasan buatan generatif serta model-model dasarnya
  • Ekosistem pengembangan serta kerangka kerja AI

3. Python untuk Rekayasa AI

  • Pustaka Python esensial untuk rekayasa AI
  • NumPy, Pandas, dan Matplotlib
  • Manipulasi serta visualisasi data
  • Menggunakan Jupyter Notebooks dalam praktiknya
  • Cara menulis kode AI yang dapat digunakan ulang

4. Persiapan Data untuk Pengembangan AI

  • Mengumpulkan dan memahami karakteristik data
  • Pembersihan serta pra-pemrosesan data
  • Analisis fitur (feature engineering)
  • Penykalaan dan normalisasi nilai fitur
  • Pemisahan dataset menjadi bagian pelatihan, validasi, dan pengujian
  • Cara menangani data yang hilang atau mengandung anomali

5. Prinsip-Prinsip Dasar Pembelajaran Mesin

  • Algoritma regresi
  • Algoritma klasifikasi
  • Teknik pengelompokan data (clustering)
  • Prosedur pelatihan model secara sistematis
  • Metrik evaluasi kinerja model
  • Cara mencegah kejadian overfitting maupun underfitting pada model

6. Membangun Model AI dengan TensorFlow dan PyTorch

  • Pengantar terhadap TensorFlow
  • Pengantar terhadap PyTorch
  • Cara menciptakan jaringan saraf dari nol
  • Proses pelatihan serta validasi model AI
  • Cara menyimpan dan memuat ulang model yang telah dibuat
  • Perbandingan mendasar antara kedua kerangka kerja tersebut

7. Dasar-Dasar Pemrosesan Bahasa Alami

  • Pra-pemrosesan teks
  • Konsep embedding untuk representasi kata-kata
  • Teknik klasifikasi teks
  • Analisis sentimen dalam wacana tertulis
  • Pengantar singkat mengenai model transformer
  • Penerapan praktis dari teknik NLP dalam dunia nyata

8. Penerapan AI dalam Pengembangan Perangkat Lunak

  • Cara mengintegrasikan komponen AI ke dalam aplikasi yang sudah ada
  • Penggunaan API untuk mengakses layanan AI
  • Cara merancang aplikasi berbasis AI dari awal
  • Alat-alat bantu pengembangan perangkat lunak yang memanfaatkan AI
  • Metode pengujian bagi aplikasi yang menggunakan komponen kecerdasan buatan

9. Praktik Terbaik dalam Rekayasa AI

  • Pengorganisasian pekerjaan proyek secara efektif
  • Pemanfaatan Git sebagai alat pengendalian versi kode
  • Pelacakan hasil eksperimen selama proses pengembangan
  • Manajemen versi dari setiap model yang dihasilkan
  • Standar penyusunan dokumentasi teknis yang baik
  • Cara menjaga reproduktibilitas hasil pengembangan AI dalam proyek besar

10. Penyebaran Model AI ke Lingkungan Produksi

  • Pembuatan serialisasi model untuk digunakan nantinya
  • Pembangunan layanan inferensi bagi model AI
  • Implementasi REST API sebagai jembatan akses terhadap model AI
  • Gambaran singkat tentang pemanfaatan Docker dalam penyebaran AI
  • Cara melakukan monitoring secara rutin pada model yang sudah digunakan
  • Strategi pemeliharaan dan pengembangan ulang model dalam jangka panjang

11. Rekayasa Data untuk Kecerdasan Buatan

  • Pembuatan saluran data otomatis (data pipelines)
  • Proses ETL dalam manajemen informasi digital
  • Cara mengelola jenis data terstruktur maupun tak terstruktur
  • Opsi penyimpanan data yang sesuai untuk skala proyek AI
  • Pengendalian mutu data pada setiap tahapan proyek
  • Penyiapan dataset berkualitas tinggi siap pakai di produksi

12. Kecerdasan Buatan yang Bertanggung Jawab dan Etis

  • Pencegahan bias serta pengaturan tingkat keadilan dalam sistem AI
  • Konsep explainable AI (XAI) untuk meningkatkan transparansi
  • Tindakan perlindungan privasi dan data yang wajib dilakukan
  • Aspek keamanan informasi yang harus diperhatikan dalam pengembangan AI
  • Prinsip-prinsip pengembangan AI secara bertanggung jawab
  • Pertimbangan regulasi serta manajemen tata kelola proyek AI

13. Manajemen Proyek AI yang Efektif

  • Siklus hidup suatu proyek rekayasa AI dari konsep sampai implementasi
  • Penerapan metodologi Agile untuk mempercepat pengembangan AI
  • Kerja sama yang harmonis antara tim teknis dan bisnis dalam proyek AI
  • Cara mengevaluasi biaya serta usaha yang diperlukan untuk menyelesaikan suatu proyek AI
  • Teknik mitigasi risiko pada tahap pengembangan proyek AI
  • Kriteria objektif dalam mengukur keberhasilan akhir suatu proyek AI

14. Workshop Praktis Rekayasa AI dan Tren Masa Depan

  • Pembuatan alur kerja pengembangan AI secara menyeluruh dari awal
  • Penyusunan hingga penyelesaian proyek pembelajaran mesin komprehensif
  • Training dan evaluasi model dengan bantuan TensorFlow atau PyTorch
  • Pengembangan aplikasi AI sederhana yang siap beroperasi di dunia nyata
  • Tren terkini dalam bidang rekayasa kecerdasan buatan
  • Kecerdasan buatan generatif serta model bahasa besar (LLMs)
  • Penerapan MLOps dan otomatisasi dalam pengembangan AI
  • Opsi jalur karier serta peluang pembelajaran lanjut bagi para profesional AI
  • Penutupan sesi, diskusi pertanyaan & jawaban serta langkah-langkah selanjutnya yang direkomendasikan

Persyaratan

  • Pemahaman terhadap konsep-konsep dasar pemrograman
  • Pengalaman dalam memprogram menggunakan Python
  • Familiaritas dengan statistika dasar serta aljabar linear

Target Peserta

  • Insinyur AI
  • Pengembang perangkat lunak
  • Analis data
 14 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (2)

Kursus Mendatang

Kategori Terkait