Andrew Ng dan DeepLearning.AI meluncurkan AI Engineering Skills Map, sebuah kerangka kerja yang mengelompokkan enam kompetensi inti yang diperlukan untuk mengubah prompt eksperimental menjadi sistem AI tingkat produksi. Peta ini ditujukan bagi para insinyur yang ingin melampaui “vibe coding” dan menghadirkan produk AI yang andal serta terukur.

Mengapa “vibe coding” menjadi hambatan

Di banyak perusahaan, pengembang memperlakukan large language models (LLM) seperti tongkat ajaib: mereka menulis prompt, melihat sekilas beberapa output, dan menganggap tugas selesai. Jalan pintas ini berhasil untuk demo cepat, tetapi akan runtuh saat digunakan di dunia nyata. LLM bersifat non-deterministik—input yang identik dapat menghasilkan hasil yang berbeda setiap saat. Tanpa pemeriksaan sistematis, sistem yang tampak baik di laboratorium dapat rusak saat produksi, menyebabkan downtime yang mahal atau perilaku yang tidak aman.

Enam kompetensi dalam peta tersebut

Skills Map ini membagi proses rekayasa menjadi enam area berbeda, masing-masing dengan praktik terbaik dan perangkatnya sendiri.

  • Prompt Engineering – Beranjak dari teks bebas ke templat terstruktur, yang sering kali ditegakkan dengan skema JSON. Hal ini mengurangi ambiguitas dan membuat parsing downstream menjadi dapat diprediksi.
  • Retrieval-Augmented Generation (RAG) – Memerlukan kompetensi dalam ingesi dokumen, semantic chunking, dan membangun pipeline retrieval yang menyalurkan konteks relevan ke model.
  • Agentic Workflows – Melibatkan perancangan loop di mana model dapat memanggil alat eksternal, mengelola state, dan membuat keputusan secara otonom.
  • Fine-tuning – Membantu insinyur memutuskan kapan harus menyesuaikan bobot (weights) model daripada hanya mengandalkan konteks prompt, sebuah pilihan yang dapat meningkatkan konsistensi dan mengurangi penggunaan token.
  • Evaluation (Evals) – Memerlukan rangkaian pengujian otomatis yang mengukur akurasi, bias, dan keamanan terhadap kriteria yang telah ditentukan sebelumnya. Pengujian yang gagal harus menghentikan proses build, sama seperti regresi kode lainnya.
  • Operations – Berfokus pada penganggaran latensi, pemantauan biaya, dan penanganan model drift (pergeseran bertahap dalam perilaku model seiring berkembangnya data) secara real-time.

Dengan memperlakukan LLM sebagai API yang tidak tepercaya alih-alih sebuah black box, tim dapat menerapkan ketelitian yang sama seperti yang mereka gunakan untuk layanan tradisional.

Siapa yang diuntungkan dan siapa yang tertinggal

Pemimpin rekayasa yang hanya mengisi staf dengan PhD machine learning mungkin akan melihat proyek mereka terhenti. Peta ini menekankan perlunya insinyur sistem—orang-orang yang fasih dalam desain API, strategi caching, dan pengujian otomatis. Peningkatan keterampilan (upskilling) insinyur backend untuk mengelola context window, membangun kerangka evaluasi (evaluation harnesses), dan memantau metrik operasional dapat menjembatani kesenjangan talenta dan mempercepat pengiriman.