𝗦𝘁𝗼𝗽 𝗠𝗲𝗺𝗯𝗮𝗰𝗮 𝘂𝗻𝘁𝘂𝗸 𝗠𝗲𝗺𝗯𝗮𝗻𝗴𝘂𝗻 𝗣𝗲𝗿𝗽𝘂𝘀𝗸𝗮𝗮𝗻. 𝗠𝘂𝗹𝗮𝗶𝗹𝗮𝗵 𝗠𝗲𝗺𝗯𝗮𝗰𝗮 𝘂𝗻𝘁𝘂𝗸 𝗠𝗲𝗻𝘆𝗲𝗹𝗲𝘀𝗮𝗶𝗸𝗮𝗻 𝗠𝗮𝘀𝗮𝗹𝗮𝗵.
Sebagian besar daftar bacaan teknik berfokus pada pengumpulan pengetahuan.
Rekayasa modern menghargai satu hal: menghilangkan bottleneck.
Seorang engineer junior baru-baru ini menunjukkan kepada saya daftar 10 buku terbaik untuk engineer. Isinya tampak sama dengan daftar dari sepuluh tahun yang lalu. Daftar tersebut mengandalkan buku-buku klasik dan buku proses yang itu-itu saja.
Asumsi tersebut salah. Membaca buku tidak secara otomatis membuat Anda menjadi engineer yang lebih baik.
Tim dengan performa tinggi tidak menyusun rencana pembelajaran berdasarkan buku. Mereka menyusunnya berdasarkan batasan (constraints).
Daftar bacaan standar mengasumsikan bahwa semua pengetahuan memiliki nilai yang sama. Kenyataannya, nilai rekayasa bergantung pada situasi spesifik Anda.
- Seorang backend engineer yang menghadapi masalah database tidak membutuhkan buku Agile.
- Tim dengan biaya AI yang tinggi tidak membutuhkan buku perangkat lunak yang umum.
- Sebuah startup dengan masalah latensi tidak membutuhkan kerangka kerja kepemimpinan.
Orang-orang ini membutuhkan solusi untuk bottleneck spesifik yang ada di hadapan mereka.
Rekayasa menghargai relevansi, bukan kelengkapan.
Dasar-dasar seperti database dan networking tetap penting. Namun, itu tidak lagi cukup. Sistem modern membawa tantangan baru seperti biaya inferensi AI.
Selama beberapa dekade, para engineer bekerja dengan sistem deterministik. Input yang sama selalu menghasilkan output yang sama.
Saat ini, banyak sistem bersifat probabilistik. Sebuah prompt AI mungkin memberikan respons yang berbeda setiap saat. Pembaruan model dapat mengubah cara kerja aplikasi Anda tanpa Anda menyentuh kodenya.
Pertanyaan-pertanyaan baru mendorong pekerjaan Anda:
- Bagaimana Anda mengevaluasi kualitas?
- Bagaimana Anda mengelola komponen yang tidak terprediksi?
Engineer terkuat membaca untuk memahami mekanisme, bukan sekadar untuk menyelesaikan sebuah buku. Mereka menemukan sebuah bottleneck dan mempelajari logika spesifik yang diperlukan untuk memperbaikinya.
- Jika latensi tinggi, pelajari batching.
- Jika konteks hilang, pelajari retrieval.
- Jika AI agent gagal, pelajari evaluasi.
Ini menghubungkan pembelajaran dengan hasil produksi. Pengetahuan Anda menjadi daya ungkit yang instan.
Gunakan loop pembelajaran ini:
- Identifikasi bottleneck.
- Temukan sumber daya spesifik untuk memperbaikinya.
- Terapkan pada sistem.
Sebelum Anda memulai buku berikutnya, ajukan satu pertanyaan pada diri sendiri: Apa batasan terbesar dalam sistem saya saat ini?
Apakah itu latensi, biaya, reliabilitas, atau observabilitas?
Temukan sumber daya yang mengatasi masalah tersebut. Jangan pilih buku yang paling populer. Pilih buku yang menyelesaikan batasan Anda.
Rekayasa bukanlah sebuah kompetisi membaca. Ini adalah profesi untuk memecahkan berbagai kendala. Biarkan sistem Anda menentukan apa yang akan Anda pelajari selanjutnya.
Komunitas belajar opsional: https://t.me/GyaanSetuAi