Kerangka Materi
Dasar-dasar Sistem Agentic di Lingkungan Produksi
- Arsitektur agentic: loop, tools, memori, dan lapisan orkestrasi
- Siklus hidup agen: pengembangan, deployment, dan operasi berkelanjutan
- Tantangan pengelolaan agen berskala produksi
Infrastruktur dan Model Deployment
- Deployment agen di lingkungan tercontainerisasi dan cloud
- Pola penskalaan: horizontal vs vertikal, konkurensi, dan throttling
- Orkestrasi multi-agen dan keseimbangan beban kerja
Pemantauan dan Observabilitas
- Metriks kunci: latensi, tingkat keberhasilan, penggunaan memori, dan kedalaman pemanggilan agen
- Tracing aktivitas agen dan graf panggilan
- Instrumentasi observabilitas menggunakan Prometheus, OpenTelemetry, dan Grafana
Pencatatan Log, Audit, dan Kepatuhan
- Pencatatan log terpusat dan pengumpulan peristiwa terstruktur
- Kepatuhan dan kemampuan audit dalam alur kerja agentic
- Perancangan jejak audit dan mekanisme replay untuk debugging
Penyesuaian Kinerja dan Optimasi Sumber Daya
- Pengurangan overhead inferensi dan optimasi siklus orkestrasi agen
- Penyimpanan cache model dan embedding ringan untuk pengambilan data yang lebih cepat
- Pengujian beban dan skenario stress untuk pipeline AI
Pengendalian Biaya dan Tata Kelola
- Memahami pendorong biaya agen: panggilan API, memori, komputasi, dan integrasi eksternal
- Tracking biaya per agen dan implementasi model chargeback
- Kebijakan otomasi untuk mencegah agent sprawl dan konsumsi sumber daya menganggur
Strategi CI/CD dan Rollout untuk Agen
- Integrasi pipeline agen ke dalam sistem CI/CD
- Pengujian, versifikasi, dan strategi rollback untuk pembaruan agen iteratif
- Rollout progresif dan mekanisme deployment yang aman
Pemulihan Kegagalan dan Rekayasa Keandalan
- Perancangan untuk toleransi terhadap kegagalan dan degradasi yang halus
- Pola retry, timeout, dan circuit breaker untuk keandalan agen
- Respons insiden dan kerangka kerja pasca-mortem untuk operasi AI
Proyek Puncak (Capstone)
- Membangun dan deploy sistem AI agentic dengan pemantauan penuh dan pelacakan biaya
- Simulasi beban, pengukuran kinerja, dan optimasi penggunaan sumber daya
- Menyajikan arsitektur akhir dan dashboard pemantauan kepada rekan kerja
Rangkuman dan Langkah Selanjutnya
Persyaratan
- Pemahaman yang kuat tentang MLOps dan sistem machine learning produksi
- Pengalaman dengan deployment tercontainerisasi (Docker/Kubernetes)
- Kenalan dengan optimasi biaya cloud dan tools observabilitas
Audience
- Insinyur MLOps
- Site Reliability Engineers (SRE)
- Manajer rekayasa yang mengawasi infrastruktur AI
Testimoni (3)
Instruktur ini sabar dan sangat membantu. Ia memahami topik dengan baik.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kursus - Agentic AI for Business Automation: Use Cases & Integration
Diterjemahkan Mesin
Campuran yang baik antara pengetahuan dan praktik
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kursus - Agentic AI for Enterprise Applications
Diterjemahkan Mesin
Campuran teori dan praktik serta perspektif tingkat tinggi dan tingkat rendah
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kursus - Autonomous Decision-Making with Agentic AI
Diterjemahkan Mesin
