Model Bahasa Besar untuk Semua Orang: Dari Dasar hingga Penggunaan Praktis (Edisi 2026)
Kursus ini merupakan pengantar praktis yang ramah pemula untuk Model Bahasa Besar (LLM) seperti ChatGPT dan Gemini. Dirancang untuk pembelajar dari latar belakang apa pun, kursus ini menjelaskan bagaimana LLM bekerja pada tingkat tinggi, apa yang bisa dan tidak bisa dilakukan, serta cara menggunakannya secara efektif dalam studi, pekerjaan, dan kehidupan sehari-hari. Melalui demonstrasi langsung dan latihan terarah, Anda akan mempelajari teknik prompt, cara mengevaluasi hasil secara kritis, menangani halusinasi dan bias, serta menggunakan alat umum (misalnya dokumen, ringkasan, terjemahan, tugas data) dengan aman dan bertanggung jawab. Pada akhir kursus, Anda akan mampu membuat alur kerja 'LLM pribadi' untuk tugas nyata—menulis, penelitian, perencanaan, dan produktivitas—tanpa perlu keterampilan pemrograman lanjutan.
Gambaran Umum Kursus
📚 Ringkasan Konten
Kursus ini merupakan pengantar praktis yang ramah pemula mengenai Model Bahasa Besar (LLM) seperti ChatGPT dan Gemini. Dirancang untuk pembelajar dari berbagai latar belakang, kursus ini menjelaskan bagaimana LLM bekerja secara umum, apa yang dapat dan tidak dapat dilakukan oleh LLM, serta cara menggunakan mereka secara efektif dalam belajar, bekerja, dan kehidupan sehari-hari. Melalui demonstrasi langsung dan latihan terarah, Anda akan mempelajari teknik prompt, cara mengevaluasi output secara kritis, menangani halusinasi dan bias, serta menggunakan alat umum (misalnya dokumen, ringkasan, terjemahan, tugas data) dengan aman dan bertanggung jawab. Di akhir kursus, Anda akan mampu membuat alur kerja "LLM pribadi" untuk tugas nyata—menulis, riset, perencanaan, dan produktivitas—tanpa harus memiliki keterampilan pemrograman tingkat lanjut.
Dari logika matematis dasar hingga orkestrasi agen terdistribusi: membentuk arsitek sistem kelas atas di era model besar.
🎯 Tujuan Pembelajaran
- Kognitif: Memahami fondasi matematis ML (aljabar linear, kalkulus, probabilitas) dan asal-usul arsitektur neural dari Perceptron hingga LSTMs.
- Keterampilan: Navigasi server jarak jauh menggunakan perintah shell Unix dan implementasi graf komputasi dasar menggunakan mesin diferensiasi otomatis.
- Afektif: Menghargai pentingnya "dasar teoritis" dibandingkan "abstraksi dini" saat melakukan debugging sistem kompleks seperti ledakan gradien.
- Dibuat
- Kognitif: Menjelaskan mekanisme pipeline pasca-pelatihan, termasuk perbedaan antara Fine-Tuning Terawasi (SFT) dan kerangka pembelajaran reinforcement (RL) seperti GRPO.
- Keterampilan: Merancang pipeline pelatihan multi-tahap—dari Cold Start hingga Final Alignment—dengan memanfaatkan teknik Fine-Tuning Efisien Parameter (PEFT) seperti LoRA.
- Afektif: Menghargai pergeseran dari melihat AI sebagai "kotak ajaib" menjadi sistem terbangun yang terdiri dari lapisan mekanis dan pemikiran internal yang disengaja.
- Kognitif: Membandingkan kerangka integrasi linier dengan orkestrasi berbasis siklus dan grafik, serta membedakan protokol integrasi vertikal (MCP) dan horizontal (A2A).
- Keterampilan: Mendefinisikan node khusus dan tepian bersyarat menggunakan prinsip teori graf dan menerapkan server MCP menggunakan FastMCP untuk menghubungkan agen dengan data eksternal.
- Afektif: Menghargai pentingnya "eksekusi siklik" dan manajemen state dalam meniru alur kognitif manusia yang kompleks.
Pelajaran 共 7 课时 · 预计 21.0h
Pelajaran
Lesson
This lesson challenges the "API fallacy" by emphasizing that true LLM mastery requires moving beyond high-level wrappers to understand the underlying mathematical foundations of linear algebra, calculus, and tensor mechanics. Students learn that grounding their practice in these core principles is essential for effective debugging, hardware optimization, and transitioning from cloud-based models to localized architectures.
This lesson explores the engineering mechanics behind Transformers, focusing on how Scaled Dot-Product Attention and the QKV framework enable models to process and predict text. Students will learn how to implement these concepts using matrix operations and stability techniques like positional encoding and layer normalization to ensure efficient, stable model training.
This lesson explores how raw base models are transformed into reliable assistants through a post-training pipeline involving supervised fine-tuning, reinforcement learning, and efficient adaptation techniques like LoRA. Students will learn how to build reasoning capabilities and optimize model performance on limited hardware by focusing on targeted parameter updates rather than full-model retraining.
This lesson explores the transition of prompt engineering into a formal discipline, emphasizing the use of Retrieval-Augmented Generation (RAG) and multi-provider orchestration to ensure system resilience and accuracy. Students learn to move beyond basic heuristics by implementing semantic chunking and architectural safeguards to mitigate hallucinations and prevent single-point-of-failure vulnerabilities in production environments.
This lesson explores the strategic shift toward local LLM deployment to address enterprise needs for data privacy, cost management, and operational resiliency. It also clarifies the critical distinction between OSI-compliant Open Source models and Open Weights models, emphasizing the importance of verifying licensing and usage restrictions for compliance.
This lesson explores the shift from linear AI chains to autonomous agentic workflows, which utilize graph-based architectures to enable cyclic execution, self-correction, and complex decision-making. Students will learn how to leverage state management, the Model Context Protocol (MCP), and multi-agent communication to build intelligent systems capable of reasoning and tool use.
This lesson guides students in transitioning from passive API users to expert architects by mastering autonomous system design, including the Model Context Protocol (MCP) and Agent-to-Agent (A2A) communication. It emphasizes building empirical engineering intuition through local pipelines, rigorous performance evaluation, and an understanding of advanced post-training alignment techniques like GRPO.