AI Generatif untuk Pemula

Gambaran Umum: Pelajaran ini memberikan pengantar komprehensif tentang AI Generatif, menelusuri evolusi dari pembelajaran mesin statistik hingga Model Bahasa Besar (LLM) berbasis Transformer modern. Peserta akan menjelajahi bagaimana model-model ini berfungsi melalui tokenisasi dan probabilitas, cara memilih dan mengoptimalkan berbagai jenis model (Sumber Terbuka vs. Proprietary), serta kerangka penting penerapan prinsip Kecerdasan Buatan yang Bertanggung Jawab untuk mengurangi risiko seperti halusinasi dan bias.

Hasil Pembelajaran:

• Jelaskan bagian dalam mekanis LLM, termasuk tokenisasi, mekanisme perhatian (attention), dan output yang tidak deterministik.
• Bandingkan berbagai kategori LLM (Model Dasar, Sumber Terbuka vs. Proprietary, dan arsitektur Encoder/Decoder) untuk memilih alat yang tepat sesuai skenario bisnis.
• Evaluasi strategi peningkatan hasil model, khususnya memilih antara Engineering Prompt, Retrieval Augmented Generation (RAG), dan Fine-tuning.

Gambaran Umum: Pelajaran ini menjelajahi Engineering Prompt (PE) sebagai proses merancang dan mengoptimalkan masukan teks (prompt) untuk membimbing Model Bahasa Besar (LLM) menghasilkan respons berkualitas tinggi dan konsisten. Siswa akan beralih dari memahami mekanika dasar tokenisasi dan jenis model menuju penerapan teknik canggih seperti Chain-of-thought dan prompting Maieutic guna mengatasi keterbatasan model seperti stokastik dan pembuatan fiksi.

Hasil Pembelajaran:

• Definisikan Engineering Prompt dan jelaskan perannya sebagai antarmuka pemrograman utama bagi AI Generatif.
• Bedakan antara LLM dasar dan LLM yang telah ditunjukkan instruksi (Instruction-Tuned LLM) serta cara mereka memproses token.
• Buat prompt kompleks menggunakan instruksi, konten utama, petunjuk, dan templat.

Gambaran Umum: Pelajaran ini menjelajahi pengembangan praktis alat berbasis AI, dengan fokus pada generasi teks, antarmuka percakapan yang sadar konteks, dan aplikasi pencarian semantik. Peserta beralih dari integrasi API dasar dan penyesuaian parameter (suhu dan token) menuju implementasi fitur canggih seperti embedding teks, kesamaan cosinus, dan kerangka AI yang bertanggung jawab.

Hasil Pembelajaran:

• Buat dan konfigurasi aplikasi generasi teks menggunakan perpustakaan openai, mengelola variabel lingkungan, dan menyesuaikan variasi output melalui suhu (temperature).
• Bedakan antara chatbot berbasis aturan dan aplikasi AI generatif yang sadar konteks sambil menerapkan Enam Prinsip Kecerdasan Buatan yang Bertanggung Jawab dari Microsoft.
• Jalankan pencarian semantik dengan mengubah teks menjadi embedding (vektor) dan menerapkan kesamaan cosinus untuk menemukan konten relevan di luar pencocokan kata kunci sederhana.

Gambaran Umum: Materi ini mencakup tiga pilar lanjutan implementasi AI: membangun aplikasi generasi gambar menggunakan model seperti DALL-E dan Midjourney, mengembangkan solusi low-code melalui Power Platform Microsoft, serta meningkatkan kemampuan LLM melalui "pemanggilan fungsi" (function calling). Fokusnya adalah pada pelaksanaan praktis, mulai dari integrasi API berbasis Python hingga pengembangan aplikasi berbasis bahasa alami dan menghubungkan AI dengan sumber data eksternal.

Hasil Pembelajaran:

• Bangun dan konfigurasi aplikasi generasi gambar sambil menerapkan "prompt meta" untuk menentukan batas konten dan keamanan.
• Rancang aplikasi AI low-code dan alur kerja otomatis menggunakan Copilot, Dataverse, dan AI Builder di dalam Power Platform.
• Implementasikan pemanggilan fungsi untuk memastikan keluaran data terstruktur yang konsisten (JSON) dan mengintegrasikan LLM dengan API eksternal.

Gambaran Umum: Pelajaran ini membahas persimpangan krusial antara pengalaman pengguna (UX), protokol keamanan, dan siklus operasional khusus untuk aplikasi AI Generatif. Ini mengeksplorasi bagaimana membangun kepercayaan melalui transparansi, mengidentifikasi ancaman keamanan AI khusus seperti pencemaran data dan serangan injeksi prompt, serta menguraikan transisi dari MLOps tradisional menuju LLMOps untuk mengelola siklus hidup aplikasi.

Hasil Pembelajaran:

• Rancang antarmuka AI yang mendorong kepercayaan dan transparansi melalui penjelasan (explainability) dan kendali pengguna.
• Identifikasi dan mitigasi risiko keamanan khusus AI termasuk pencemaran data, injeksi prompt, dan kerentanan rantai pasokan.
• Bedakan antara MLOps dan LLMOps serta jelaskan tahapan siklus hidup aplikasi AI Generatif (Ideasi, Pembangunan, Operasionalisasi).

Gambaran Umum: Pelajaran ini membahas transisi dari interaksi LLM dasar menuju sistem canggih yang menggunakan Retrieval Augmented Generation (RAG) dan agen AI otonom. Peserta akan menjelajahi cara mendukung model dengan data pribadi menggunakan basis data vektor dan cara memperluas kemampuan LLM melalui kerangka agen yang dapat merencanakan, menggunakan alat, serta berinteraksi dengan agen lain.

Hasil Pembelajaran:

• Jelaskan alur teknis RAG, termasuk chunking, embedding, dan pengambilan informasi semantik.
• Bandingkan dan pilih model open-source yang sesuai (Llama 2, Mistral, Falcon) berdasarkan biaya, kemampuan personalisasi, dan performa.
• Bedakan antara kerangka utama agen AI (LangChain, AutoGen, TaskWeaver, JARVIS) dan kasus penggunaan spesifik mereka.

Gambaran Umum: Pelajaran ini membahas transisi dari engineering prompt umum menuju optimasi model melalui fine-tuning terawasi dan penggunaan Small Language Models (SLM) khusus. Ini memberikan analisis komparatif terhadap keluarga model Microsoft Phi, Mistral, dan Meta Llama, menjelaskan pertukaran arsitektural mereka dalam ukuran, kebutuhan komputasi, dan multimodalitas untuk penggunaan di lingkungan cloud dan edge.

Hasil Pembelajaran:

• Definisikan fine-tuning dan tentukan kapan menggunakan fine-tuning dibandingkan engineering prompt atau Retrieval-Augmented Generation (RAG).
• Bandingkan karakteristik Model Bahasa Besar (LLM) dan Model Bahasa Kecil (SLM) terkait ukuran, pemahaman, dan kecepatan inferensi.
• Identifikasi fitur unik dan kasus penggunaan untuk keluarga model Phi-3.5, Mistral (Large/Small/NeMo), dan Llama (3.1/3.2).