BAB 07

07 - Certifications & Portfolio: Cara Menembus Industri AI Tanpa Gelar Formal

Estimasi Waktu: 35 menit
Level: Beginner → Intermediate

Portofolio vs. Sertifikat: Mana yang Harus Didahulukan?

Di industri AI yang berkembang sangat cepat, portofolio kode nyata bernilai 10x lipat lebih tinggi dibanding lembaran sertifikat. Rekruter ingin melihat bukti bahwa Anda bisa memecahkan masalah praktis, bukan hanya menghafal teori ujian.

Namun, sertifikasi cloud (AWS, GCP, Azure) sangat berguna untuk:

Lolos screening HRD di korporasi besar atau consulting firm yang menjadi partner AWS/GCP.
Mempelajari standar arsitektur sistem berskala enterprise secara terstruktur.

                  ┌─────────────────────────────────────────┐
                  │          STRATEGI PENERIMAAN KERJA      │
                  └────────────────────┬────────────────────┘
                                       │
                    ┌──────────────────┴──────────────────┐
                    ▼                                     ▼
       ┌─────────────────────────┐           ┌─────────────────────────┐
       │   PORTOFOLIO (80% FOKUS)│           │  SERTIFIKASI (20% FOKUS)│
       │                         │           │                         │
       │ - Aplikasi Nyata        │           │ - AWS Machine Learning  │
       │ - GitHub Repo Bersih    │           │ - GCP ML Engineer       │
       │ - HuggingFace Profile   │           │ - Pembuktian Cloud Infra│
       └─────────────────────────┘           └─────────────────────────┘

1. Tiga Project Portofolio yang Wajib Anda Buat

Hindari membuat proyek portofolio klise seperti “Pendeksi Kanker” atau “Klasifikasi Gambar Iris” menggunakan dataset kaggle lama. Buatlah proyek yang mencerminkan kebutuhan industri saat ini:

Project 1: Enterprise-Grade Agentic RAG

Deskripsi: Sistem tanya jawab dokumen internal perusahaan yang aman dengan Self-Correction (menggunakan LangGraph).
Fitur Wajib: Hybrid Search, Reranking, Evaluasi otomatis menggunakan framework Ragas, Dashboard frontend sederhana, dan integrasi Docker.
Mengapa Menarik: Menunjukkan Anda paham cara menangani data kustom dan mengevaluasi performa sistem secara ilmiah.

Project 2: Custom LLM Fine-Tuning & Serving

Deskripsi: Fine-tuning model open-source kecil (seperti Llama 3.2 3B) untuk tugas spesifik (misalnya menulis query SQL dari teks bahasa Indonesia) dan menyajikannya menggunakan vLLM.
Fitur Wajib: Dataset pre-processing pipeline, metrik training loss (WandB/TensorBoard logs), kuantisasi model ke format AWQ/GGUF, dan benchmark Tokens Per Second (TPS) throughput.
Mengapa Menarik: Menunjukkan kemampuan MLOps dan pemahaman optimasi biaya GPU.

Project 3: Multimodal Agent (Real-time Audio/Video Processing)

Deskripsi: Agen AI yang memproses input gambar/kamera secara real-time untuk melakukan fungsi tertentu (misalnya asisten pengawas keselamatan kerja konstruksi).
Fitur Wajib: Integrasi API model vision (seperti GPT-4o atau Gemini 2.0 Flash) dan visualisasi overlay deteksi.

2. Sertifikasi yang Diakui Industri

Jika Anda ingin mengambil sertifikat, pilihlah sertifikat yang berfokus pada infrastruktur dan implementasi cloud:

AWS Certified Machine Learning – Specialty (atau AWS Certified AI Practitioner): Sangat diakui karena AWS menguasai pangsa pasar cloud terbesar. Ujian mencakup arsitektur SageMaker, data engineering, dan keamanan AI.
Google Cloud Professional Machine Learning Engineer: Sangat baik karena ekosistem AI Google (Vertex AI, BigQuery ML, TPU) sangat populer di kalangan startup AI.
Databricks Certified Machine Learning Associate/Professional: Sangat dicari oleh industri finansial dan korporasi yang memproses data bervolume raksasa menggunakan Spark.

3. Optimalkan Profil Hugging Face & GitHub Anda

GitHub dan Hugging Face adalah CV baru Anda.

GitHub: Jangan biarkan repository Anda kosong tanpa file README.md. Tulis panduan instalasi yang jelas, cara menjalankan kode dengan Docker, diagram arsitektur sistem, dan screenshot/GIF tampilan aplikasi.
Hugging Face: Buat profil gratis. Unggah dataset buatan Anda sendiri, atau bagikan model hasil fine-tuning yang sudah Anda kuantisasi. Ini membuktikan bahwa Anda aktif berkontribusi di komunitas open-source AI.

Latihan

Pilih salah satu proyek di atas (disarankan mulai dari Project 1: Agentic RAG).
Tulis outline spesifikasi teknis proyek tersebut: Database apa yang akan digunakan, framework agen apa yang dipakai, dan bagaimana cara mengevaluasinya.
Buat repository GitHub kosong dengan nama proyek tersebut dan tulis README.md awal berisi konsep arsitektur proyek Anda.

Target: Memiliki rencana konkret pembuatan portofolio mandiri yang siap dipamerkan di LinkedIn/GitHub.