4.86 •

Gen AI Engineer

Learning Path

Pengembangan Generative AI berbasis LLM

Topik:

AI Machine Learning +2 lainnya

Level: Mahir

Level: Mahir 90 Jam Belajar

160

Siswa Terdaftar

Pelajari rekayasa LLM tingkat mahir mulai dari arsitektur LLM, implementasi RAG, fine-tuning dan alignment, hingga infrastruktur deployment.

Harga

Rp1,150,000

/ bulan

Harga

Rp1,150,000

/ bulan

Berlangganan Sekarang Lihat langganan lainnya

Learning Path Gen AI Engineer

Kelas ini merupakan langkah ke-tujuh Anda untuk menjadi Gen AI Engineer.

Langkah sebelumnya

Langkah 6

Belajar Fundamental Generative AI

60 Jam 4,89 Level Menengah

Promo yang tersedia

Apa yang akan Anda dapatkan

Sertifikat

Dapatkan sertifikat standar industri setelah menyelesaikan kelas ini.

Code Review

Kode yang Anda kerjakan akan di-review secara komprehensif oleh Reviewer.

Forum Diskusi

Diskusikan materi belajar dengan siswa lainnya.

Modul Tutorial

Materi bacaan elektronik disajikan dengan bahasa yang mudah dipahami.

Submission

Uji kemampuan teknis Anda dengan mengerjakan tugas submission.

Kuis

Kuis pilihan ganda membantu Anda memahami materi yang dipelajari.

Level Mahir
Menguasai materi dan latihan tingkat lanjut. Kelas ini mensyaratkan sejumlah penguasaan landasan pengetahuan yang baik.

Deskripsi

Perkembangan pesat Generative AI menuntut para engineer untuk melewati batasan penggunaan API dasar menuju penguasaan rekayasa LLM secara utuh. Anda diajak mengeksplorasi arsitektur dan komputasi LLM, mengimplementasikan sistem RAG tingkat lanjut, serta mengoptimalkan kapabilitas model melalui fine-tuning dan alignment. Dilengkapi dengan materi infrastruktur deployment, kelas ini memastikan Anda memiliki kapabilitas penuh untuk merealisasikan inovasi Generative AI secara nyata.

Mampu membedah arsitektur internal Large Language Model (seperti Transformer dan Mixture of Experts) serta mengoptimalkan teknik decoding untuk mengontrol perilaku dan output model secara presisi.

Menguasai implementasi RAG, proses fine-tuning, hingga optimasi reasoning untuk menyelesaikan kasus penggunaan industri yang kompleks.
Memahami rekayasa komputasi memori dan kuantisasi statistik tingkat lanjut (seperti tipe data NF4) untuk menjalankan model secara efisien pada perangkat keras terbatas.
Mampu mendesain infrastruktur deployment skala produksi (production-grade) baik pada lingkungan Cloud maupun On-Premise.
Meningkatkan daya saing secara drastis sebagai AI Engineer dengan portofolio keterampilan Generative AI end-to-end.

Target dan Sasaran Siswa

Kelas ditujukan bagi praktisi AI/ML, Data Scientist, maupun Software Engineer yang ingin memperdalam rekayasa Large Language Model (LLM) secara menyeluruh mulai dari modifikasi arsitektur, optimasi komputasi, hingga arsitektur deployment yang mengacu pada standar kompetensi industri.
Kelas dapat diikuti oleh siswa yang melek IT sehingga wajib memiliki dan dapat mengoperasikan komputer dengan baik.
Anda diharapkan sudah menguasai bahasa pemrograman Python tingkat menengah, serta memiliki pemahaman yang kuat mengenai konsep dasar Deep Learning, Natural Language Processing (NLP), dan cara kerja arsitektur Neural Network.
Setelah lulus dari kelas ini, siswa diharapkan mampu membangun dan mendistribusikan (deploy) proyek Generative AI yang berfokus pada penerapan RAG dan kustomisasi model (fine-tuning).

Selengkapnya

Sembunyikan

Learning Path

Kelas ini merupakan langkah ke-tujuh Anda untuk menjadi Gen AI Engineer.

Langkah sebelumnya

Langkah 6

Belajar Fundamental Generative AI

60 Jam 4,89 Level Menengah

Peralatan Belajar

Spesifikasi minimal perangkat:

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools yang dibutuhkan untuk belajar:

Google Colaboratory

Lihat semua peralatan belajar

Peralatan Belajar

Spesifikasi minimal perangkat

Kelas ini membutuhkan spesifikasi perangkat seperti berikut:

RAM

8GB (Rekomendasi 16 GB)

Layar

1366 x 768 (Rekomendasi Full HD 1920 x 1080

Sistem Operasi

Windows, Linux, MacOS

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools

Kelas ini membutuhkan beberapa tools berikut:

Google Colaboratory

Teks Editor (VSCode)

PyCharm IDE

Command Line (Terminal atau cmd)

Web Browser (Google Chrome atau Mozilla Firefox)

Metode Ajar

Online - Self-Paced Learning

Total jam belajar: 90 jam
Rekomendasi waktu belajar: 10 jam per minggu (selesai dalam 63 hari)
Anda tentukan sendiri berapa lama waktu yang akan digunakan untuk belajar materi kelas ini selama masih aktif terdaftar pada kelas

Fasilitas Pengajaran

Materi bacaan elektronik: Materi akan disajikan dalam bentuk teks dan bacaan
Forum diskusi: Setiap kelas memiliki sebuah forum diskusi yang dapat Anda gunakan untuk bertanya dan berdiskusi
Sertifikat kompetensi

Evaluasi Pembelajaran

Ujian akhir kelas
Submission: Proyek sistem RAG menggunakan LLM yang Anda fine-tuning sendiri

Lihat semua metode ajar

Metode Ajar

Online - Self-Paced Learning

Total jam belajar: 90 jam
Rekomendasi waktu belajar: 10 jam per minggu (selesai dalam 63 hari)
Anda tentukan sendiri berapa lama waktu yang akan digunakan untuk belajar materi kelas ini selama masih aktif terdaftar pada kelas

Fasilitas Pengajaran

Materi bacaan elektronik: Materi akan disajikan dalam bentuk teks dan bacaan
Forum diskusi: Setiap kelas memiliki sebuah forum diskusi yang dapat Anda gunakan untuk bertanya dan berdiskusi
Sertifikat kompetensi

Evaluasi Pembelajaran

Ujian akhir kelas
Submission: Proyek sistem RAG menggunakan LLM yang Anda fine-tuning sendiri

Kontributor

Curriculum Developer yang membangun kelas ini:

Muhammad Raiz Shiddiq Pratama

Curriculum Developer at Dicoding Indonesia

Reviewer

Code Reviewer yang akan me-review tugas dan kode Anda:

Ghazi Taqiyya Al Anshari

Software Engineer at Vokraf

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Kendrick Filbert

AI Product Manager, ex-Microsoft

Seseorang yang memiliki rasa ingin tahu tinggi terhadap bagaimana teknologi dapat digunakan untuk menyelesaikan masalah nyata di dunia.

Tentang diriku: kendrickfilbert.id

LinkedIn: Kendrick Filbert

Muhammad Raiz Shiddiq Pratama

Curriculum Developer at Dicoding Indonesia

M Mahfudl Awaludin

Lihat semua kontributor dan reviewer

Kontributor & Reviewer

Kontributor kelas

Curriculum Developer yang membangun kelas ini:

Muhammad Raiz Shiddiq Pratama

Curriculum Developer at Dicoding Indonesia

Tim Reviewer

Code Reviewer yang akan me-review tugas dan kode Anda:

Ghazi Taqiyya Al Anshari

Software Engineer at Vokraf

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Kendrick Filbert

AI Product Manager, ex-Microsoft

Seseorang yang memiliki rasa ingin tahu tinggi terhadap bagaimana teknologi dapat digunakan untuk menyelesaikan masalah nyata di dunia.

Tentang diriku: kendrickfilbert.id

LinkedIn: Kendrick Filbert

Muhammad Raiz Shiddiq Pratama

Curriculum Developer at Dicoding Indonesia

M Mahfudl Awaludin

Ghazi Taqiyya Al Anshari

Software Engineer at Vokraf

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Kendrick Filbert

AI Product Manager, ex-Microsoft

Seseorang yang memiliki rasa ingin tahu tinggi terhadap bagaimana teknologi dapat digunakan untuk menyelesaikan masalah nyata di dunia.

Tentang diriku: kendrickfilbert.id

LinkedIn: Kendrick Filbert

Muhammad Raiz Shiddiq Pratama

Curriculum Developer at Dicoding Indonesia

M Mahfudl Awaludin

Testimoni Siswa

Ribuan siswa sukses belajar di Dicoding Academy. Apa kata mereka? Berikut adalah testimoni asli mereka.

Muhammad Hasby Asshiddiqy

Institut Teknologi Nasional Bandung

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Kepuasan saya terhadap kelas ini luar biasa, banyak hal baru yang saya pelajari, terutama ada hal penting yang tidak saya ketahui sebelumnya di pada dokumen URS (User Requirement Specification), dokumen SKPL (Spesifikasi Kebutuhan Perangkat Lunak), dan dokumentasi tenis aplikasi

Baca selengkapnya

Yuki Niken Agfira Kitatrah

PT SAITEC PRIMA MANDIRI

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Saya sangat puas belajar di Dicoding, bahasanya mudah dipahami bagi pemula, selain itu terdapat studi kasus yang bisa membuat kita langsung praktek sehingga bisa menjadi lebih mahir.

Baca selengkapnya

Lihat semua testimoni

Testimoni Siswa

Muhammad Hasby Asshiddiqy

Institut Teknologi Nasional Bandung

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Yuki Niken Agfira Kitatrah

PT SAITEC PRIMA MANDIRI

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Saya sangat puas belajar di Dicoding, bahasanya mudah dipahami bagi pemula, selain itu terdapat studi kasus yang bisa membuat kita langsung praktek sehingga bisa menjadi lebih mahir.

Bayu Frassetyo Wibowo

Batam Aero Technic

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Kelas ini sangat informatif dan terstruktur dengan baik. Materinya jelas, mudah dipahami, dan relevan bagi pemula. Latihan dan kuis yang disediakan juga membantu memperkuat pemahaman. Terima kasih!

Devi Mikhael Empi

Universitas Gunadarma

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Puas sekali dan sangat mudah dipahami oleh pemula yang ingin mengembangkan perangkat lunak

Punya pertanyaan seputar kelas ini?

Berikut adalah beberapa pertanyaan yang paling sering ditanyakan.

Bagaimana cara memasukkan token Academy? Aturan membuat pertanyaan di forum diskusi kelas Bagaimana cara mencetak sertifikat kelulusan kelas?

Lihat semua FAQ

Silabus

Materi yang akan Anda pelajari pada kelas ini.

Persiapan Belajar

Modul ini mengenalkan sistem belajar di kelas secara umum dari mulai Persetujuan Hak Cipta, Prasyarat Kemampuan, Prasyarat Tools, Mekanisme Belajar, Forum Diskusi, Glosarium, hingga Daftar Referensi.

8 Artikel

55 menit

Persetujuan Hak Cipta
5 Menit
Pengenalan Kelas
5 Menit
Prasyarat Kemampuan
5 Menit
Prasyarat Tools
5 Menit
Mekanisme Belajar
10 Menit
Forum Diskusi

10 Menit
Glosarium

10 Menit
Daftar Referensi

5 Menit

Large Language Model (LLM)

Modul ini merupakan pengantar Generative AI dengan fokus pada Large Language Model (LLM). Siswa akan mempelajari cara kerja LLM, mulai dari pemrosesan input, mekanisme autoregresif, hingga arsitektur Transformer, serta memahami perkembangan dan penerapannya dalam dunia nyata.

10 Artikel
1 Ujian

600 menit

Pengantar Large Language Model (LLM)

10 Menit
Selangkah Lebih Dekat dengan LLM

30 Menit
Kita Mulai dari Pemrosesan Input

20 Menit
LLM Berbicara Melalui Autoregressive

120 Menit
Transformer’s Here

90 Menit
Evolusi Transformer

90 Menit
Sudah Sejauh Mana Implementasi LLM?

60 Menit
Model Open-Source

120 Menit
Generative AI Project Lifecycle

40 Menit
Rangkuman Large Language Model (LLM)

10 Menit
Kuis Large Language Models (LLM)

10 Menit

Retrieval Augmented Generation (RAG)

Modul ini membahas Retrieval-Augmented Generation (RAG) secara menyeluruh, mulai dari konsep dasar, proses data ingestion, retrieval, hingga generation. Siswa juga akan mempelajari teknik lanjutan serta mempraktikkan langsung pembangunan sistem RAG dari sederhana hingga tingkat lanjut.

12 Artikel
1 Ujian

715 menit

Pengantar Retrieval Augmented Generation

10 Menit
Berkenalan dengan RAG

20 Menit
Preprocessing Data dalam Data Ingestion

75 Menit
Retrieval Sebagai Main Course

80 Menit
Hasilkan Jawaban Melalui Generation

60 Menit
Latihan Membuat Sistem RAG Sederhana

90 Menit
Masuk Lebih Dalam Menuju Advance RAG

10 Menit
Pre-Retrieval

90 Menit
Advanced Retrieval

90 Menit
Post-Retrieval dengan Re-ranking

50 Menit
Latihan Advanced RAG

120 Menit
Rangkuman Retrieval-Augmented Generation (RAG)

10 Menit
Kuis Retrieval-Augmented Generation (RAG)

10 Menit

Fine Tuning LLM

Modul ini membahas proses fine-tuning pada Large Language Model (LLM), mulai dari konsep dasar hingga teknik efisien seperti quantization, PEFT, LoRA, Distillation, dan Reinforcement Learning. Siswa juga akan mempraktikkan fine-tuning menggunakan metode seperti QLoRA.

11 Artikel
1 Ujian

795 menit

Pengantar Fine-Tuning LLM

10 Menit
Berkenalan dengan Fine-tuning

90 Menit
Efisiensi dengan PEFT dan Quantization

5 Menit
Quantization “Seni Kompresi”

120 Menit
Parameter-Efficient Fine-Tuning

30 Menit
Deep Dive Low-Rank Adaptation (LoRA)

120 Menit
Native Ways: Latihan Fine-tuning QLoRA

120 Menit
Unsloth Ways: Latihan Fine-tuning QLoRA

90 Menit
Knowledge Distillation

90 Menit
Pasca-SFT: Alignment dan Reasoning

100 Menit
Rangkuman Fine-Tuning LLM

10 Menit
Kuis Fine-Tuning LLM

10 Menit

AI Agent dan Agentic AI

Modul ini membahas konsep AI Agent dan Agentic AI, mulai dari dasar kemunculan agent hingga implementasinya menggunakan LLM. Siswa akan mempelajari berbagai jenis agent, evaluasi kinerja, serta praktik membangun single-agent dan multi-agent menggunakan pendekatan seperti ReAct dan CrewAI.

10 Artikel
1 Ujian

520 menit

Pengantar AI Agent dan Agentic AI

10 Menit
Kemunculan Konsep Agent

30 Menit
AI Agent dengan LLM

70 Menit
Variasi AI Agent

60 Menit
Agent Evaluation

50 Menit
Latihan: Membangun AI Agent Sederhana dengan Framework ReAct

60 Menit
Agentic AI “Si Multi-Agent”

70 Menit
Mari Membuat Agent Lebih “Pintar”

90 Menit
Latihan: Membuat Multi-Agent Menggunakan CrewAI

60 Menit
Rangkuman AI Agent dan Agentic AI

10 Menit
Kuis AI Agent dan Agentic AI

10 Menit

Deployment Aplikasi Generative AI

Modul ini membahas proses deployment aplikasi Generative AI, mulai dari perancangan arsitektur, penyusunan infrastruktur untuk skala produksi, hingga penggunaan containerization, orchestration, dan inference engine untuk menjalankan model secara efisien.

6 Artikel
1 Ujian

285 menit

Pengantar Deployment Aplikasi Generative AI

10 Menit
The Blueprint of Aplikasi Gen AI

60 Menit
Merakit Infrastruktur: Deployment LLM Skala Produksi

60 Menit
Containerization & Orchestration

75 Menit
Load Model dengan Inference Engine

60 Menit
Rangkuman Deployment Aplikasi Generative AI

10 Menit
Kuis Deployment Aplikasi Generative AI

10 Menit

Penutup

Modul ini akan membahas ulang terkait seluruh materi yang sudah dipelajari pada modul sebelumnya dan diperkuat lagi dengan adanya ujian akhir.

1 Artikel
1 Ujian

180 menit

Rangkuman Kelas

60 Menit
Ujian Akhir

120 Menit

Proyek Akhir

Siswa akan ditantang melalui sebuah studi kasus untuk membangun sistem RAG dari dokumen yang telah disediakan, menggunakan Small Language Model (SLM) yang telah di-fine-tuning secara mandiri.