6.0 Pengantar Bagian 6: Kecerdasan buatan

Kecerdasan buatan telah berubah dari kebaruan riset menjadi kemampuan inti yang kini diharapkan dari organisasi besar untuk dikerahkan secara bertanggung jawab dan pada skala besar. Bagian ini menelusuri seluruh siklus hidup: memutuskan di mana AI layak diterapkan, merekayasa sistem pembelajaran mesin yang selamat dari sentuhan dengan produksi, membangun aplikasi di atas model generatif, memakai AI untuk membantu pengembangan perangkat lunak itu sendiri, memenuhi kewajiban Anda atas keadilan dan akuntabilitas, dan menjalankan infrastruktur khusus yang dibutuhkan semua ini. Satu gagasan mengikat setiap bab: model jarang menjadi bagian yang sulit. Bagian yang sulit adalah rekayasa, tata kelola, dan disiplin operasional yang mengelilinginya.

Bagi tim besar, skala dan inersia menaikkan taruhan. Inisiatif yang dibingkai buruk dapat membakar anggaran, mengalihkan insinyur terampil, dan mengikis kepercayaan ketika gagal di depan umum. Yang dipilih baik dapat mengotomatisasi pekerjaan membosankan dan memunculkan wawasan dari data yang tak pernah dapat Anda jangkau sebelumnya. Di ratusan pengembang dan puluhan model, kebiasaan kecil dan celah kecil dalam pengawasan berjumlah menjadi hasil organisasi. Itulah mengapa platform, bawaan, dan norma bersama lebih penting daripada solusi cerdas tunggal mana pun.

Konteks enterprise dan pemerintah menambah kendala yang lebih tajam, dan mereka mengalir melalui setiap bab. Badan publik harus membenarkan pengeluaran, menjamin transparansi, menghindari diskriminasi melanggar hukum, dan tetap bertanggung jawab kepada regulator dan publik. Aturan pengadaan dapat melarang lock-in sumber tunggal dan menuntut keterjelasan serta opsi keluar. Hukum yang muncul seperti EU AI Act (regulasi bertingkat-risiko Uni Eropa atas sistem AI) dan standar seperti NIST AI Risk Management Framework dan ISO/IEC 42001, standar sistem manajemen AI yang dapat disertifikasi, memaksakan persyaratan bertingkat menurut risiko. Dalam pengaturan ini, kepatuhan, kemampuan diaudit, reprodusibilitas, dan kedaulatan data adalah persyaratan kelas satu, bukan renungan belakangan.

Bab dalam bagian ini

6.1 Strategi dan kesiapan AI: Disiplin memutuskan di mana menerapkan AI, di mana menghindarinya, dan fondasi data, talenta, dan tata kelola apa yang harus ada sebelum model pertama mencapai produksi.
6.2 Rekayasa pembelajaran mesin (MLOps): Membawa ketelitian perangkat lunak ke kenyataan tiga bagian kode ditambah data ditambah model, agar sistem ML dapat direproduksi, diamati, dan dipelihara alih-alih demo sekali jalan.
6.3 AI generatif dan aplikasi LLM: Merekayasa aplikasi yang dapat diandalkan di sekitar model bahasa probabilistik lewat manajemen konteks, pembumian retrieval-augmented, guardrail (pemeriksaan runtime yang membatasi masukan dan keluaran model), dan evaluasi ketat.
6.4 Pengembangan perangkat lunak berbantuan AI: Memakai asisten pengodean AI untuk menaikkan throughput tanpa menurunkan kualitas, lewat norma jelas, bawaan baik, verifikasi kuat, dan perhatian pada keamanan dan lisensi.
6.5 AI yang bertanggung jawab dan tepercaya: Membangun sistem yang adil, transparan, akuntabel, aman, dan menghormati privasi, dan mampu mendemonstrasikan semua ini kepada yang terdampak dan kepada regulator.
6.6 Infrastruktur dan operasi AI: Menyediakan dan menjalankan akselerator langka, penyimpanan vektor (sistem yang mengindeks data sebagai vektor numerik untuk pencarian kemiripan), dan lapisan penyajian yang dituntut beban kerja AI, dengan hemat biaya, andal, dan dapat diamati.
6.7 Agen AI dan sistem agentik: Membangun perangkat lunak yang memakai model bahasa dalam lingkaran dengan perkakas, memori, dan tujuan untuk mengambil tindakan, dan melakukannya dengan aman lewat otonomi terbatas, akses perkakas hak istimewa paling sedikit, persetujuan human-in-the-loop, guardrail terhadap prompt injection, dan evaluasi ketat atas perilaku non-deterministik.
6.8 Evaluasi dan pengujian AI: Membuat AI tepercaya lewat pengembangan berbasis eval, himpunan eval representatif dan metrik yang sesuai tugas, LLM-as-judge terkalibrasi dan tinjauan manusia, red-teaming, gerbang regresi dalam integrasi berkelanjutan, dan memantau kualitas serta drift di produksi.
6.9 Rekayasa prompt dan desain konteks: Memperlakukan prompting sebagai rekayasa, dengan prompt terstruktur, teknik few-shot dan chain-of-thought, penganggaran dan pengambilan konteks yang disiplin, keluaran terstruktur dan pemanggilan perkakas, serta prompt yang diversikan, ditinjau, dan dievaluasi seperti kode.

Bagaimana bab-bab ini saling berkaitan

Bersama-sama bab-bab ini membentuk siklus hidup yang berjalan dari maksud ke operasi. Bab 6.1 menetapkan strategi dan kesiapan, membingkai masalah mana yang membenarkan AI sama sekali dan fondasi apa yang Anda butuhkan lebih dulu. Bab 6.2 menyediakan tulang punggung rekayasa untuk pembelajaran mesin klasik, sementara bab 6.3 membahas pola khas model generatif, di mana perilaku dibentuk oleh prompt dan konteks yang diambil alih-alih langkah pelatihan. Bab 6.4 mengarahkan AI pada kerajinan pengembangan perangkat lunak itu sendiri, dan bab 6.6 menyediakan substrat komputasi, penyimpanan, dan penyajian yang menjadi sandaran setiap bab lain. Bab 6.5 sengaja bukan kata terakhir melainkan pendamping konstan: kewajiban AI yang bertanggung jawab membentuk strategi, membatasi pilihan model, menggerbangi deployment, dan menginformasikan keputusan infrastruktur sepanjang waktu.

Benang merahnya berjalan dari strategi ke MLOps ke AI generatif ke pengembangan berbantuan AI ke AI yang bertanggung jawab ke infrastruktur, tetapi bayangkan sebagai jaring, bukan garis lurus. MLOps dan infrastruktur berbagi perhatian seputar reprodusibilitas, biaya, dan penyajian, sehingga bab 6.2 dan bab 6.6 paling baik dibaca bersama. AI yang bertanggung jawab terhubung kembali ke strategi di bab 6.1 dan ke depan ke pembahasan lebih luas tentang etika dan kepentingan publik di bab 10.5, dan bersandar pada praktik privasi dan pelindungan data di bab 4.5. Fondasi rekayasa yang lebih luas dari panduan ini menopang seluruh bagian: pengiriman berkelanjutan di bab 8.1, observabilitas dan pemantauan di bab 9.2, strategi pengujian di bab 2.4, dan tinjauan kode di bab 2.5 semuanya prasyarat untuk mengerjakan AI dengan baik. AI tidak menggantikan rekayasa perangkat lunak yang sehat. Ia menaikkan taruhan untuk mendapatkannya dengan benar.