Dengan maraknya LLM dan Generative AI, muncul istilah “AI Engineer”. Apakah ini sekadar rebranding dari ML Engineer atau Software Engineer yang paham AI? Atau benar-benar disiplin baru dengan skill set yang unik?
Peta Disiplin Ilmu:
- Data Scientist: Fokus pada eksplorasi data, statistik, dan eksperimen model offline. Output: notebook, model prototype, insight.
- ML Engineer (MLE): Fokus pada menghasilkan dan menjalankan model prediktif di produksi. Keahlian: data pipeline, feature engineering, model training/tuning, model serving, MLOps (MLflow, Kubeflow). Modelnya biasanya discriminative (klasifikasi, regresi).
- Software Engineer (SWE): Fokus pada membangun sistem perangkat lunak yang dapat diskalakan, dapat dipelihara, dan andal. Keahlian: arsitektur, API, database, distributed systems.
Lalu, Apa itu AI Engineer?
AI Engineer adalah spesialis yang membangun aplikasi produksi yang bertenaga AI generatif (terutama LLM). Mereka berada di persimpangan MLE dan SWE, namun dengan fokus yang berbeda.
Skill Set Unik AI Engineer:
- Prompt Engineering & Design Sistem Prompt: Bukan sekadar tanya ke ChatGPT. Tapi merancang system prompts, few-shot examples, dan alur chains yang robust untuk aplikasi spesifik. Memahami keanehan model.
- Retrieval-Augmented Generation (RAG) End-to-End: Bukan hanya model. Mereka harus paham embedding, vector databases, chunking strategies, dan evaluasi kualitas retrieval. Ini adalah sistem yang menyeluruh.
- Orchestration Framework: Mahir dengan LangChain atau LlamaIndex untuk merangkai panggilan LLM, tools, dan memory.
- Evaluation & LLM Observability: Bagaimana mengukur kualitas output LLM yang subjektif? Menggunakan evaluasi LLM-assisted, tools seperti LangSmith, dan metric seperti faithfulness, relevancy.
- Model Fine-Tuning (Opsional tapi Penting): Kemampuan untuk menyesuaikan model open-source dengan data domain menggunakan teknik seperti LoRA (Low-Rank Adaptation) dan tool seperti Unsloth atau Axolotl.
- Software Engineering Fundamentals yang Kuat: Karena outputnya adalah aplikasi (bukan hanya model API), mereka harus bisa bikin API (FastAPI), frontend sederhana, containerization, dan basic deployment.
Perbedaan Kunci dengan ML Engineer:
- MLE mungkin menghabiskan waktu untuk feature engineering dan hyperparameter tuning model discriminative.
- AI Engineer menghabiskan waktu untuk prompt engineering, konfigurasi RAG, dan mengintegrasikan LLM ke dalam aplikasi.
Kesimpulan:
AI Engineering adalah disiplin baru yang lahir dari revolusi LLM. Mereka adalah penerjemah yang mengambil kemampuan generatif AI dan mengemasnya menjadi produk perangkat lunak yang berguna dan dapat diandalkan. Mereka membutuhkan keahlian baru (LLM stack) yang ditumpangkan di atas fondasi rekayasa perangkat lunak yang solid. Bukan pengganti MLE atau SWE, tetapi peran khusus yang sangat dibutuhkan di era generatif AI.