Empat keterampilan AI Engineering. Bukan jabatan eksklusif.
Andrew Ng dan tim DeepLearning.AI memetakan empat keterampilan AI Engineering yang penting bagi developer, berdasarkan lebih dari 10.000 lowongan kerja dan wawancara terstruktur dengan pelaku industri.
Membangun perangkat lunak hari ini sudah sangat berbeda dibandingkan pada 2022. AI membuka cara baru untuk merancang, menulis, menguji, dan menjalankan aplikasi. Namun, derasnya informasi dan hype membuat developer makin sulit menentukan keterampilan mana yang benar-benar layak dipelajari.
Untuk menjawab persoalan itu, Andrew Ng dan tim DeepLearning.AI menyusun AI Engineering Skills Map. Peta ini dirancang untuk membantu developer memprioritaskan pembelajaran, sekaligus membantu perusahaan mengenali keterampilan yang perlu dicari saat merekrut.
Empat keterampilan, tujuh slide
Dari prediktif ke probabilistik. Bukan jabatan eksklusif. Empat kuadran. Evaluasi LLM. Tradeoffs arsitektur. Arahkan agen. Insting produk.
Peta yang berangkat dari kebutuhan industri
Peta itu tidak lahir dari tren di media sosial. Andrew Ng dan tim menganalisis lebih dari 10.000 lowongan kerja, melakukan puluhan wawancara terstruktur dengan pakar AI, manajer perekrutan, dan perekrut, serta mengumpulkan data melalui survei dan sumber daring lainnya.
Secara informal, prosesnya dapat dibayangkan seperti melakukan clustering terhadap kumpulan data besar yang berisi pekerjaan dan wawancara pakar. Tujuannya adalah menemukan kelompok keterampilan yang paling penting, baik untuk kebutuhan hari ini maupun masa depan dekat.
Hasilnya adalah empat keterampilan utama, dalam urutan berikut:
- Building and deploying AI applications
- Software engineering fundamentals
- Using coding agents
- Shaping the build
Keempatnya disebut keterampilan AI Engineering, bukan definisi sebuah jabatan bernama “AI Engineer”.
Itu beda yang perlu dijaga. Hampir semua developer saat ini perlu memahami keterampilan cloud, tetapi hanya sebagian kecil yang memiliki jabatan “Cloud engineer”. Hal yang sama berlaku untuk AI Engineering. Keterampilan ini akan dibutuhkan oleh full-stack engineers, data engineers, DevOps engineers, machine learning engineers, dan AI engineers.
Membangun dan menjalankan aplikasi AI
Perbedaan mendasar antara aplikasi AI dan perangkat lunak tradisional terletak pada hasilnya.
Ketika kamu memberikan prompt kepada sebuah LLM, kamu tidak bisa mengetahui secara pasti jawaban yang akan dihasilkan. Ketika sebuah algoritma deep learning dilatih, prediksinya terhadap contoh baru juga tidak sepenuhnya dapat ditentukan sebelumnya. Perangkat lunak tradisional biasanya berperilaku lebih mudah diprediksi.
Keterampilan membangun aplikasi AI tidak cukup berhenti pada pemahaman tentang LLM. Developer perlu mengenal berbagai komponen seperti context engineering, RAG, agentic workflows, machine learning, dan deep learning.
Memahami komponen saja belum cukup. Developer juga perlu menguasai teknik statistik untuk mengukur, mengarahkan, dan mengatur perilaku sistem AI. Tujuannya bukan membuat AI sepenuhnya deterministik, melainkan menjadikannya lebih dapat dievaluasi dan dikendalikan.
Kemampuan inti di sini adalah membangun siklus evals dan error analysis yang disiplin. Developer perlu menguji keluaran sistem, mengelompokkan kegagalan, memahami sumber kesalahan, lalu memperbaiki sistem berdasarkan bukti. Tanpa siklus tersebut, pengembangan aplikasi AI mudah berubah menjadi eksperimen berbasis tebakan.
Fondasi software engineering tetap menentukan
Kemampuan AI tidak menggantikan software engineering fundamentals. Justru ketika produksi kode menjadi lebih cepat, pemahaman tentang cara kerja perangkat lunak menjadi semakin penting.
Setiap sistem membawa sejumlah kompromi. Developer harus mempertimbangkan biaya, skalabilitas, keandalan, kecepatan, keamanan, dan privasi. Pemahaman yang kuat terhadap fondasi perangkat lunak membantu kamu melihat kompromi apa saja yang sebenarnya sedang dibuat.
Dari sana, keputusan teknis dapat diambil dengan lebih baik, termasuk ketika memilih software stack, merancang arsitektur sistem, menentukan bentuk data store, dan menyusun strategi pengujian.
Di sinilah penggunaan AI yang efektif beda dari vibe coding. Developer yang belum berpengalaman dapat meminta coding agents menghasilkan solusi tanpa memahami kompromi yang dibuat oleh agen tersebut. Hasilnya sering kali buruk, terutama jika agen tidak menerima konteks yang tepat.
Fondasi software engineering memberi kamu bahasa teknis yang presisi untuk mengarahkan agen. Kamu tidak hanya mengatakan bahwa suatu implementasi “terasa kurang baik”, tetapi dapat menjelaskan masalahnya dalam konteks arsitektur, performa, keamanan, konsistensi data, atau strategi pengujian.
Menggunakan coding agents secara efektif
Menggunakan coding agents kini menjadi keterampilan penting bagi setiap developer. Nilainya bukan cuma menghasilkan kode lebih cepat. Yang lebih penting: memahami cara agen bekerja, dan kapan hasilnya perlu dicurigai.
Developer yang terampil memiliki model mental tentang kemampuan dan keterbatasan agen. Mereka tahu kapan perlu memberikan arahan, kapan harus melakukan intervensi, dan kapan agen sebaiknya dibiarkan menyelesaikan pekerjaannya. Keseimbangan ini membantu menghasilkan perangkat lunak yang lebih kuat tanpa membuang terlalu banyak waktu atau tokens.
Keterampilan tersebut mencakup beberapa praktik penting:
- Mengelola konteks yang diterima coding agent
- Memilih antara perencanaan dan eksekusi langsung
- Menyediakan verifiers atau evals agar agen dapat menutup siklus kerjanya
- Menulis spec yang jelas dan mengetahui kapan spec terperinci tidak diperlukan
- Mengoordinasikan beberapa agen yang bekerja bersama
- Mencegah kesalahan berbahaya, seperti agen merusak basis data produksi
Alat dan praktik agentic coding terus berkembang. Karena itu, keterampilan menggunakan coding agents juga berarti memiliki rutinitas untuk mencoba alat baru, menilai kegunaannya, dan memperbarui alur kerja ketika praktik terbaik berubah.
Membentuk apa yang perlu dibangun
Ketika menerima spec yang jelas, coding agents semakin mampu menghasilkan implementasi yang sesuai. Perubahan ini menggeser pekerjaan engineer ke pertanyaan yang lebih awal dan lebih penting: apa yang seharusnya masuk ke dalam spec?
Engineer tidak bisa terus menunggu desain pixel-perfect untuk kemudian hanya mengimplementasikannya. AI Engineering membutuhkan product sense, pemahaman konteks bisnis, dan kemampuan membaca tujuan pelanggan.
Dengan bekal itu, developer bisa ikut membentuk arah produk, bukan cuma mengerjakan tiket teknis. Mereka dapat mengidentifikasi masalah yang penting, menemukan peluang, dan mengambil tanggung jawab lebih besar untuk menjalankan solusi secara bertanggung jawab.
Kemampuan mendorong proyek juga mencakup penilaian terhadap kecepatan. Ada situasi ketika tim perlu segera membangun MVP dan membawanya kepada pengguna untuk mendapatkan umpan balik. Ada pula situasi ketika tim harus bergerak lebih lambat karena sistem perlu dibangun dan diperiksa secara hati-hati.
AI dapat memperbesar kapasitas eksekusi, tetapi keputusan tentang apa yang layak dibangun, untuk siapa, dan dengan risiko seperti apa tetap membutuhkan pertimbangan manusia.
Belajar sebagai kebiasaan inti
Keempat keterampilan tersebut ditopang oleh satu pola pikir yang sama, yaitu continuous learning. AI berubah dengan cepat. Alat, model, dan praktik yang efektif hari ini dapat segera digantikan oleh pendekatan yang lebih baik.
Tujuan belajar bukan menghafal satu software stack atau menguasai satu alat untuk selamanya. Developer perlu membangun kebiasaan untuk mencoba, mengukur, mengevaluasi, dan memperbarui keterampilannya.
Fokus utama DeepLearning.AI, menurut Andrew Ng, adalah membantu developer mengembangkan keterampilan AI Engineering tersebut. Peta ini gambaran tingkat tinggi tentang kemampuan yang makin relevan bagi siapa pun yang membangun perangkat lunak.
Sumber: The AI Engineering Skills Map