Apa itu AI Engineer, dan peta provider model
Istilah 'AI engineer' relatif baru: peran yang lahir begitu API model bahasa jadi cukup bagus untuk dipakai langsung di produk, tanpa perlu tim riset ML sendiri.
Intisari
- AI engineer membangun produk di atas model yang sudah ada lewat API — beda dari ML engineer yang melatih/menyetel model dari data, dan beda dari data scientist yang fokus analisis & eksperimen statistik.
- Skill inti AI engineer lebih dekat ke software engineering (API, backend, arsitektur sistem) daripada ke matematika model — inilah kenapa roadmap ini ditulis untuk software engineer, bukan untuk ilmuwan data.
- Provider model besar: Anthropic (Claude), OpenAI (GPT), Google (Gemini), plus model terbuka seperti Llama dan DeepSeek yang bisa dijalankan sendiri.
- Memilih model bukan soal 'siapa paling pintar' — tapi trade-off antara kualitas, biaya per token, kecepatan (latensi), dan kemampuan spesifik (context window, tool use, vision).
- Roadmap ini memakai Anthropic Claude sebagai contoh konkret di sebagian besar materi, tapi konsepnya — prompting, tool use, RAG, agent — berlaku sama untuk provider mana pun.
Tiga peran yang sering tertukar
| Peran | Fokus kerja sehari-hari | Alat utama |
|---|---|---|
| Data Scientist | Eksplorasi data, statistik, eksperimen, membuktikan hipotesis bisnis | Notebook, pandas, SQL, visualisasi |
| ML Engineer | Melatih, menyetel (fine-tune), dan men-deploy model dari data berlabel | PyTorch/TensorFlow, GPU training, pipeline data |
| AI Engineer | Membangun aplikasi di atas model yang sudah jadi lewat API — integrasi, arsitektur, agent, RAG | SDK provider (Anthropic/OpenAI), backend framework, vector database |
Kenapa ini kabar baik kalau kamu sudah software engineer: AI engineer tidak butuh gelar matematika atau paham cara kerja backpropagation. Pekerjaannya jauh lebih dekat ke "integrasi API pihak ketiga yang punya sifat probabilistik" daripada ke riset ML. Yang kamu butuhkan adalah kemampuan yang sudah kamu punya — merancang API, menangani error, arsitektur backend — ditambah pemahaman tentang sifat-sifat unik LLM yang dibahas sepanjang roadmap ini.
Peta provider model
| Provider | Model | Ciri khas |
|---|---|---|
| Anthropic | Claude (Opus, Sonnet, Haiku) | Fokus kuat pada keamanan & tool use/agent; context window besar |
| OpenAI | GPT-4.x, o-series | Ekosistem paling luas, banyak integrasi pihak ketiga |
| Gemini | Terintegrasi dalam dengan Google Cloud & multimodal | |
| Meta / open weight | Llama, Mistral, DeepSeek | Bobot model bisa diunduh & dijalankan sendiri (self-hosted) — kontrol penuh, tapi kamu yang menanggung infrastrukturnya |
Cara memilih, bukan "siapa paling pintar"
Pertanyaan "model mana yang terbaik" jarang punya jawaban tunggal karena keputusannya selalu trade-off. Empat sumbu yang benar-benar dipakai untuk memutuskan di dunia nyata:
| Sumbu | Pertanyaan yang diajukan |
|---|---|
| Kualitas | Apakah tugas ini butuh penalaran kompleks (model besar), atau tugas sederhana yang model kecil sudah cukup? |
| Biaya | Berapa token per request, dan berapa banyak request per hari? Selisih harga antar model bisa puluhan kali lipat (Fase 7). |
| Latensi | Apakah ini chatbot yang butuh respons cepat, atau proses latar belakang yang boleh menunggu? |
| Kemampuan spesifik | Butuh tool use? Vision (baca gambar)? Context window sangat besar? |
Pola yang umum di produksi: memakai model besar & mahal untuk tugas yang butuh penalaran berat, dan model kecil & murah untuk tugas sederhana bervolume tinggi (klasifikasi, ekstraksi data) — disebut model routing, dibahas lagi di Fase 7. Tidak semua panggilan API harus memakai model paling canggih.
Kenapa roadmap ini memilih Claude sebagai contoh
Materi-materi berikutnya memakai Anthropic Claude sebagai contoh konkret — kode, nama parameter, dan dokumentasi resminya. Ini keputusan praktis, bukan klaim bahwa Claude "lebih benar" dari provider lain. Konsepnya universal: prompting, tool use, streaming, RAG, dan agent bekerja dengan cara yang hampir sama persis di OpenAI, Google, maupun provider lain — bedanya cuma nama parameter dan bentuk endpoint. Begitu kamu paham konsepnya di satu provider, memindahkannya ke provider lain adalah soal membaca dokumentasi, bukan belajar ulang dari nol.
Latihan: buka halaman harga (pricing) Anthropic dan OpenAI untuk model kelas "kecil/cepat" versus "besar/paling mampu". Bandingkan selisih harga per juta token — kamu akan memakai angka ini lagi saat membahas cost management di Fase 7.
Rangkuman ini sengaja dipangkas ke bagian yang dipakai di roadmap. Buka sumber aslinya saat kamu butuh detail lengkap atau referensi parameter.