Kurikulum bootcamp AI engineering adalah rangkaian materi terstruktur yang mengajarkan cara membangun sistem AI dari nol hingga siap digunakan di lingkungan kerja nyata. Program ini mencakup fondasi Python, machine learning, large language model (LLM), retrieval-augmented generation (RAG), dan deployment ke cloud dalam satu jalur belajar yang dirancang bisa diikuti pemula sekalipun.
Banyak orang yang tertarik masuk ke dunia AI engineering terjebak pada pertanyaan yang sama: mulai dari mana? Kalau kamu bekerja di bidang non-IT, tidak pernah menyentuh Python, dan baru kenal istilah seperti LLM atau RAG dari artikel berita, pertanyaan itu terasa semakin berat. Bootcamp hadir untuk menjawab kebingungan itu, tapi tidak semua bootcamp menjelaskan apa yang sebenarnya akan kamu pelajari dan mengapa urutan belajarnya penting.
Berikut ini adalah breakdown lengkap kurikulum bootcamp AI engineering yang terbagi dalam lima fase belajar dan satu fase project akhir, dari materi paling dasar hingga enterprise project yang menjadi portofolio profesional kamu.
Apa Itu Kurikulum Bootcamp AI Engineering?
Kurikulum bootcamp AI engineering berbeda dari kursus online biasa. Kursus online bisa kamu ikuti secara acak: hari ini tonton video Python, besok loncat ke tutorial LangChain, minggu depan belajar Docker. Tidak ada yang memastikan kamu benar-benar paham sebelum melanjutkan.
Bootcamp bekerja dengan logika yang berbeda. Kurikulumnya dirancang berlapis: setiap modul membangun pemahaman yang dibutuhkan untuk modul berikutnya. Kamu tidak akan diminta membangun sistem RAG sebelum paham cara kerja embedding. Kamu tidak akan diminta men-deploy aplikasi ke cloud sebelum tahu cara membuat backend API yang stabil.
Struktur seperti ini penting, terutama jika kamu tidak punya latar belakang IT. Tanpa urutan yang benar, belajar AI engineering bisa terasa seperti belajar bahasa asing dengan membuka halaman kamus secara acak.
Berapa Lama Bootcamp AI Engineering dan Bagaimana Strukturnya?
Bootcamp AI Engineering Rework Academy berlangsung selama 12 minggu. Dari 12 minggu itu, 9 minggu pertama adalah intensive learning melalui sesi live Zoom bersama mentor praktisi setiap Selasa dan Jumat malam pukul 19.30 sampai 22.00 WIB. Tiga minggu terakhir digunakan untuk mengerjakan Bootcamp AI-Project berbasis kasus nyata perusahaan.
| Fase | Durasi | Fokus Materi |
| Fase 1: Fondasi | Modul 1-4 | AI architecture, Python, data engineering, machine learning dasar |
| Fase 2: Generative AI dan LLM | Modul 5-9 | Deep learning, Transformer, embedding, vector database, ekosistem LLM |
| Fase 3: Aplikasi AI | Modul 10-12 | Prompt engineering, RAG, multi-agent workflow |
| Fase 4: Engineering dan Deployment | Modul 13-17 | Backend API, cloud deployment, LLMOps, performance optimization |
| Fase 5: Strategi dan Portfolio | Modul 18-20 | AI ethics, system design, portfolio profesional |
| Bootcamp AI-Project | 3 minggu | Enterprise AI project end-to-end |
Format after-work ini dirancang khusus untuk orang yang masih bekerja penuh waktu. Kamu tidak perlu resign terlebih dahulu untuk mengikuti program ini.
Fase 1: Fondasi — AI, Python, dan Data (Modul 1-4)
Fase pertama adalah dasar dari segalanya. Empat modul pembuka ini tidak mengajarkan cara langsung membangun chatbot AI. Sebaliknya, fase ini memastikan kamu memiliki “cara berpikir” yang dibutuhkan sebelum menyentuh kode AI yang lebih kompleks.
Modul 1: Pengenalan Arsitektur AI dan Peran AI Engineer
Modul ini bukan tentang coding. Ini tentang memahami dunia yang akan kamu masuki.
Kamu akan belajar perbedaan antara Artificial Intelligence, Machine Learning, Deep Learning, dan Generative AI, empat istilah yang sering dipakai bergantian padahal maknanya berbeda. Kamu juga akan belajar membedakan peran AI Engineer dari Data Scientist dan Machine Learning Engineer, karena ketiganya punya tanggung jawab yang berbeda di dunia kerja nyata.
Yang paling penting di modul ini: kamu akan belajar membaca arsitektur sistem AI. Sebuah produk AI yang kamu pakai sehari-hari, misalnya chatbot customer service atau sistem rekomendasi, memiliki komponen yang bisa dipetakan: data source, model layer, inference layer, dan application layer. Kemampuan membaca peta ini adalah fondasi berpikir seorang AI Engineer.
Modul 2: Python untuk AI, Bukan Python untuk Segalanya
Modul Python di bootcamp AI engineering tidak mengajarkan Python dari sisi web development atau software engineering umum. Yang diajarkan adalah Python yang spesifik dibutuhkan untuk membangun sistem AI: struktur dasar seperti variables, loops, functions, dan conditional; cara menggunakan library NumPy dan Pandas untuk memproses data; cara menarik data dari API publik menggunakan library Requests; serta cara mengelola kode dengan Git dan GitHub.
Semua yang diajarkan punya konteks langsung karena akan digunakan kembali di modul berikutnya. Bagi pemula yang belum pernah coding, ini adalah pintu masuk yang realistis. Bagi yang sudah sedikit kenal Python, modul ini menjadi review cepat dengan orientasi yang lebih spesifik ke kebutuhan AI.
Modul 3: Data Engineering, Fondasi yang Sering Dilewati
Banyak orang belajar AI langsung loncat ke model. Tapi sebelum model bisa bekerja, ada data yang perlu disiapkan. Modul ini mengajarkan cara mengambil data dari berbagai sumber seperti Kaggle, Hugging Face Datasets, dan API; membersihkannya dari masalah umum seperti missing values dan duplikasi; serta mengubahnya menjadi format yang siap dipakai sistem AI.
Output modul ini adalah kemampuan membangun data pipeline sederhana: fetch, clean, transform, save, dan push ke GitHub. Kedengarannya teknis, tapi setelah modul ini, kamu akan mengerti mengapa data pipeline yang buruk bisa merusak performa model yang bahkan sudah dibangun dengan sangat baik.
Modul 4: Machine Learning dan Cara Mengevaluasi Model
Machine learning adalah cara komputer belajar menemukan pola dari data. Modul ini tidak mengajarkan matematika berat. Yang diajarkan adalah cara berpikir ML: apa itu training dan inference, bagaimana pembagian data menjadi training set, validation set, dan test set, serta cara membaca hasil evaluasi model menggunakan metrik seperti accuracy, precision, recall, dan F1-score.
Yang membedakan modul ini dari tutorial biasa adalah konteks bisnis yang selalu disertakan. Kamu tidak hanya belajar “cara menghitung precision”, tapi juga memahami dalam kondisi bisnis seperti apa precision lebih penting dari recall, dan sebaliknya. Pemahaman itulah yang dibutuhkan seorang AI Engineer di dunia kerja.
Fase 2: Generative AI dan LLM, Inti dari AI Modern (Modul 5-9)
Setelah fondasi selesai, fase kedua membawa kamu ke dunia yang sedang mengubah industri teknologi global: generative AI dan large language model (LLM). Ini adalah bagian kurikulum yang paling sering menjadi alasan utama orang mendaftar bootcamp AI engineering.
Modul 5 dan 6: Deep Learning, Transformer, dan Cara LLM Bekerja
Dua modul ini mengajarkan mekanisme di balik model AI modern. Kamu akan belajar struktur neural network (input layer, hidden layer, output layer), cara model belajar dari data melalui weights dan activation functions, serta konsep text embeddings yaitu cara mengubah teks menjadi representasi numerik yang bisa dihitung oleh komputer.
Yang paling penting adalah Transformer Architecture, fondasi dari semua LLM modern termasuk GPT, Gemini, dan Claude. Konsep self-attention dan multi-head attention dijelaskan secara intuitif, bukan matematis berat. Di akhir dua modul ini, kamu sudah bisa menjalankan model berbasis Hugging Face dan memanggil LLM pertamamu melalui Gemini API menggunakan Python.
Modul 7 dan 8: Text Embeddings dan Vector Database
Jika modul 5-6 menjelaskan cara LLM memproses bahasa, modul 7-8 menjelaskan cara AI menyimpan dan mencari informasi berdasarkan makna, bukan kata kunci.
Text embedding mengubah kalimat menjadi vektor angka yang merepresentasikan maknanya dalam ruang multidimensi. Dua kalimat yang berbeda susunan kata tapi bermakna mirip akan memiliki vektor yang berdekatan. Inilah yang membuat semantic search bekerja jauh lebih baik dari keyword search biasa.
Kamu akan praktik membuat embedding menggunakan Gemini Embeddings API, menghitung cosine similarity antar kalimat, dan menyimpan serta melakukan query ke Pinecone, salah satu vector database yang paling banyak digunakan di industri. Pemahaman tentang dua modul ini adalah prasyarat langsung untuk membangun sistem RAG di fase berikutnya.
Modul 9: Ekosistem LLM dan Hugging Face
LLM bukan hanya satu produk. Ada ratusan model dengan karakteristik berbeda: ada yang proprietary seperti Gemini dan GPT, ada yang open-source seperti Llama dan Mistral. Modul ini mengajarkan cara membaca model card di Hugging Face Hub, memahami trade-off antara API model dan self-hosted model dari sisi cost, performa, dan privasi, serta memilih model yang tepat berdasarkan kebutuhan use case spesifik.
Keputusan memilih model yang tepat adalah salah satu keahlian paling dicari dari seorang AI Engineer. Modul ini mempersiapkan kamu untuk berpikir sebagai arsitek sistem, bukan hanya pengguna tools.
Fase 3: Membangun Aplikasi AI — RAG, Agent, dan Orchestration (Modul 10-12)
Fase ketiga adalah momen di mana semua fondasi dari fase sebelumnya digabungkan menjadi aplikasi nyata. Tiga modul di sini adalah inti dari apa yang dikerjakan AI Engineer di perusahaan sehari-hari.
Modul 10: Advanced Prompt Engineering
Prompt engineering bukan hanya soal “cara chat yang baik dengan ChatGPT”. Dalam konteks engineering, prompt engineering adalah cara merancang instruksi yang terstruktur, konsisten, dan bisa diandalkan dalam sistem produksi.
Kamu akan belajar membangun structured prompt menggunakan komponen persona, context, task, dan format. Teknik few-shot prompting menggunakan contoh agar output lebih konsisten, chain-of-thought untuk mendorong model berpikir langkah demi langkah, dan cara membuat template prompt yang bisa dipakai berulang untuk classification atau summarization. Semua ini dilatih untuk siap dipakai di sistem backend, bukan hanya untuk eksperimen di chatbox.
Modul 11: Membangun RAG (Retrieval-Augmented Generation)
Ini salah satu modul paling krusial di seluruh kurikulum bootcamp AI engineering.
RAG adalah teknik yang menggabungkan LLM dengan sistem pencarian dokumen eksternal, sehingga AI bisa menjawab pertanyaan berdasarkan data spesifik yang kamu miliki, bukan hanya berdasarkan “ingatan” model yang dilatih sebelumnya. Bayangkan kamu membangun chatbot untuk perusahaan yang harus menjawab pertanyaan tentang kebijakan internal. Tanpa RAG, LLM hanya menebak berdasarkan data publik yang pernah dilihat saat training. Dengan RAG, chatbot bisa mengambil dokumen kebijakan yang relevan terlebih dahulu, lalu menjawab berdasarkan isi dokumen tersebut.
Di modul ini, kamu akan membangun sistem RAG dari awal menggunakan LangChain, Gemini API, dan Pinecone. Komponen yang dibangun meliputi: document ingestion pipeline, embedding pipeline, retrieval pipeline, dan akhirnya chatbot RAG yang benar-benar berfungsi. Kamu juga belajar teknik optimasi RAG seperti hybrid search, semantic chunking, dan re-ranker.
Modul 12: Orchestration dan Multi-Agent Workflow
AI modern tidak hanya menjawab pertanyaan. Dengan sistem multi-agent, AI bisa menjalankan serangkaian tugas secara otomatis: membaca konteks, mencari informasi, mengambil keputusan, dan mengeksekusi tindakan, semuanya dalam satu alur yang terkoordinasi.
Modul ini mengajarkan LangChain untuk orchestration dan LangGraph untuk stateful workflow yang lebih kompleks, termasuk konsep nodes, edges, conditional edges, dan human-in-the-loop. Kamu akan membangun workflow multi-step yang mencakup intent detection, retrieval, prompt processing, dan tool calling secara terintegrasi.
Fase 4: Engineering dan Deployment — Dari Script ke Produk AI Nyata (Modul 13-17)
Fase ini adalah pembeda antara AI Engineer yang hanya bisa membuat demo di notebook versus yang bisa membangun produk AI yang benar-benar bisa dipakai orang lain.
Modul 13 dan 14: Backend API dan Cloud Deployment
Skrip Python yang berjalan di laptop kamu tidak bisa diakses oleh aplikasi lain. Modul 13 mengajarkan cara mengubah skrip AI menjadi backend API menggunakan FastAPI, lengkap dengan validasi input menggunakan Pydantic dan penanganan error yang rapi.
Modul 14 melanjutkan dengan containerization menggunakan Docker dan deployment ke Google Cloud Run. Setelah modul ini, aplikasi AI yang kamu bangun bisa diakses siapa saja melalui internet. Inilah yang dimaksud dengan production-ready: bukan hanya berjalan di localhost, tapi bisa diakses dan diandalkan.
Modul 15 dan 16: LLMOps dan Performance Optimization
Banyak yang belajar AI berhenti di titik “aplikasi bisa jalan”. Padahal, mengelola aplikasi AI di production adalah tantangan tersendiri. Modul 15 mengajarkan AI observability menggunakan LangSmith: cara melacak latency, token usage, cost, error, dan kualitas output secara visual.
Modul 16 membahas cara mengoptimasi performa sistem AI: mengurangi response time, mengimplementasikan caching menggunakan Redis untuk pertanyaan berulang, mengelola batch inference, dan menganalisis trade-off antara real-time processing dan batch processing. Kemampuan LLMOps inilah yang membedakan AI Engineer yang bisa membangun sistem versus yang bisa mengelola sistem jangka panjang.
Modul 17: AI-Accelerated Development
Modul terakhir di fase ini mengajarkan cara menggunakan AI sebagai alat bantu proses engineering itu sendiri. Kamu akan berlatih menggunakan agentic IDE dan AI pair programming menggunakan tools seperti Cursor, Claude, dan Google Antigravity untuk mempercepat scaffolding, debugging, refactoring, dan pembuatan UI prototype. Ini bukan tentang “biar AI yang coding”, tapi tentang cara berkolaborasi dengan AI agar menjadi engineer yang lebih produktif.
Fase 5: Strategi dan Portfolio — Siap Kerja sebagai AI Engineer (Modul 18-20)
Tiga modul terakhir mempersiapkan kamu untuk berpikir seperti AI Engineer profesional, tidak hanya sebagai teknikal executor tapi juga sebagai seseorang yang bisa membuat keputusan strategis.
Modul 18: AI Ethics, Safety, dan Strategi Build vs Buy
AI ethics bukan pelajaran filosofi abstrak. Dalam konteks engineering, ini tentang cara membangun sistem AI yang aman dan bisa dipertanggungjawabkan. Kamu akan belajar risiko nyata seperti prompt injection, jailbreaking, dan data leakage; cara membangun safety guardrails dan output filtering; serta strategi memilih antara API model proprietary dan self-hosted model berdasarkan kebutuhan privasi dan budget perusahaan.
Pemahaman ini semakin penting karena banyak perusahaan kini menjadikan AI governance sebagai bagian dari proses adopsi teknologi. AI Engineer yang bisa berdiskusi tentang governance akan jauh lebih bernilai dibanding yang hanya bisa coding.
Modul 19: System Design End-to-End
Merancang arsitektur AI system adalah skill level senior yang diajarkan di bootcamp ini. Kamu akan belajar cara memetakan komponen sistem AI end-to-end, membuat blueprint menggunakan Miro, menganalisis trade-off antara accuracy, speed, cost, security, dan scalability, serta membedah case study produk AI nyata dari sisi teknis dan bisnis. Kamu juga akan belajar memilih model yang tepat berdasarkan parameter privasi, latency, cost, dan performa secara bersamaan.
Modul 20: Portfolio dan Freelance Workflow
Modul terakhir mengajarkan cara mengemas semua yang sudah kamu bangun menjadi portfolio yang terlihat profesional di GitHub dan LinkedIn. Kamu juga belajar cara menavigasi platform freelance global seperti Upwork dan Toptal, cara menulis proposal untuk project AI, serta tips negosiasi dan handover dengan client.
Ingin melihat detail kurikulum, profil mentor, dan jadwal batch terdekat secara lengkap? Kunjungi AI Engineering Bootcamp Rework Academy.
Bootcamp AI-Project for Enterprise: Tiga Minggu Terakhir yang Menentukan
Tiga minggu terakhir dari 12 minggu bootcamp bukanlah materi tambahan. Ini adalah ujian sesungguhnya dari seluruh proses belajar.
Dalam Bootcamp AI-Project, kamu akan berperan sebagai AI Engineer yang menjawab kebutuhan enterprise berdasarkan kasus nyata dari perusahaan mitra. Scope project ini mencakup keseluruhan lifecycle: scoping kebutuhan, desain arsitektur, coding, integrasi sistem, deployment, dokumentasi, hingga presentasi final kepada mentor praktisi.
Yang membedakan project ini dari “project tutorial biasa”:
- Kasusnya diambil dari kebutuhan nyata perusahaan, bukan soal latihan yang sudah ada jawabannya
- Output-nya adalah sistem AI yang benar-benar berfungsi, bukan notebook Jupyter yang hanya berjalan secara lokal
- Ada sesi review dan feedback dari mentor yang menguji kualitas teknis, reliability, dan keputusan arsitektur yang kamu ambil
Contoh output project yang dikerjakan peserta meliputi AI Customer Service Agent dan AI Personal Finance Assistant. Keduanya bisa langsung masuk ke CV dan portofolio LinkedIn sebagai bukti kemampuan nyata kepada recruiter dan klien.
Tools dan Ekosistem yang Kamu Kuasai Setelah Lulus
Berikut adalah tools yang dipelajari secara terintegrasi sepanjang 12 minggu, bukan sekadar disebutkan nama-namanya:
| Fase | Tools Utama | Fungsi dalam Sistem AI |
| Fondasi | Python, NumPy, Pandas, Git, GitHub | Bahasa utama, pemrosesan data, version control |
| Generative AI dan LLM | Gemini API, Hugging Face, Pinecone, Scikit-learn | LLM inference, model hub, vector database, evaluasi ML |
| Aplikasi AI | LangChain, LangGraph, Google AI Studio | RAG, orchestration, multi-agent workflow |
| Engineering dan Deployment | FastAPI, Docker, Google Cloud Run, LangSmith, Redis | Backend API, containerization, deployment, monitoring, caching |
| Strategi dan Portfolio | Miro, Cursor, Claude, GitHub | System design, AI-assisted development, portfolio building |
Ekosistem ini dirancang mengikuti stack yang aktif dipakai di perusahaan teknologi Indonesia saat ini. Kamu bukan hanya belajar tools secara terpisah, tapi memahami bagaimana setiap tools terhubung satu sama lain dalam satu sistem AI yang utuh.
Untuk pemahaman lebih dalam tentang skill apa saja yang paling dicari industri saat ini, baca: 10 Skill dan Tools Wajib AI Engineer 2026: LLM sampai RAG.
Apakah Bootcamp AI Engineering Ini Cocok untuk Kamu?
Bootcamp ini dirancang untuk orang yang bekerja di bidang non-IT dan ingin beralih ke karier AI Engineering, yang belum pernah coding sama sekali tapi serius ingin belajar dari awal, yang masih kerja full-time dan butuh format belajar after-work yang terstruktur, serta yang ingin punya portofolio AI project nyata, bukan sekadar sertifikat keikutsertaan.
Bootcamp ini kurang cocok jika kamu sudah berpengalaman sebagai software engineer dan ingin langsung masuk ke topik advanced seperti fine-tuning dari scratch atau distributed training, karena kurikulum ini dimulai dari fondasi dan dirancang untuk pemula non-IT.
Mentor yang mengajar di bootcamp ini adalah praktisi aktif dari industri. Dhiaul Ma’ruf adalah AI Engineer di Telkom Indonesia dengan keahlian LLM, RAG, computer vision, dan deployment AI system yang scalable. Eka Surya adalah Senior AI Engineer di Telkomsel Ecosystem Digital dengan pengalaman generative AI, RAG, dan recommendation system. Abdurrahman adalah Senior Data Scientist di legal tech company dengan keahlian NLP, LLMOps, dan scalable AI system. Rizqi Okta Ekoputris adalah AI/ML Engineer di Omdena dengan spesialisasi di computer vision dan agentic AI. Kurikulum ini tidak hanya ditulis, tapi diajarkan langsung oleh orang yang mengerjakan sistem AI di dunia kerja nyata.
Untuk memahami selengkapnya jalur karier yang terbuka setelah menguasai skill ini, baca: Karier AI Engineer di Indonesia: Skill, Gaji, dan Roadmap Lengkap.
FAQ: Pertanyaan yang Sering Ditanyakan tentang Kurikulum Bootcamp AI Engineering
Apakah harus punya background IT untuk mengikuti bootcamp AI engineering ini?
Tidak. Kurikulum bootcamp AI engineering Rework Academy dirancang dimulai dari nol. Materi Python diajarkan dari awal dengan orientasi spesifik ke kebutuhan AI, bukan pemrograman umum. Yang paling dibutuhkan adalah komitmen belajar yang konsisten, bukan background teknis sebelumnya.
Berapa lama durasi bootcamp AI engineering dan bagaimana jadwalnya?
Program berlangsung selama 12 minggu, terbagi menjadi 9 minggu intensive learning dan 3 minggu bootcamp project. Kelas dilaksanakan via Zoom setiap Selasa dan Jumat malam pukul 19.30 sampai 22.00 WIB, format yang dirancang khusus untuk kamu yang masih bekerja full-time.
Apa yang membedakan kurikulum bootcamp ini dengan belajar AI sendiri di YouTube atau kursus online?
Perbedaan utamanya ada di urutan dan pendampingan. Kursus online bisa diikuti acak, tapi tidak ada yang memastikan kamu benar-benar paham sebelum lanjut ke topik berikutnya. Bootcamp punya urutan kurikulum yang dirancang berlapis, ada mentor aktif yang membimbing setiap sesi, ada assignment untuk memvalidasi pemahaman, dan ada enterprise project di akhir sebagai bukti kemampuan nyata.
Apakah ada project nyata yang bisa jadi portofolio setelah bootcamp selesai?
Ya. Tiga minggu terakhir program digunakan untuk mengerjakan Bootcamp AI-Project berbasis kasus nyata dari perusahaan mitra. Hasilnya adalah sistem AI yang benar-benar berfungsi dan bisa langsung ditampilkan di CV serta LinkedIn sebagai portofolio profesional untuk melamar kerja maupun mengambil project freelance.
Tools apa saja yang akan saya kuasai setelah mengikuti bootcamp AI engineering ini?
Kamu akan menguasai Python, NumPy, Pandas, Git, Gemini API, Hugging Face, Pinecone, LangChain, LangGraph, FastAPI, Docker, Google Cloud Run, LangSmith, dan Redis. Semua tools ini diajarkan secara terintegrasi dalam satu ekosistem, bukan sebagai modul terpisah yang tidak terhubung satu sama lain.
Apakah bisa mengikuti bootcamp ini sambil tetap bekerja full-time?
Bisa. Format kelas after-work dua kali seminggu via Zoom, masing-masing 2,5 jam per sesi, dirancang dengan mempertimbangkan jadwal orang yang masih bekerja. Selain sesi live, kamu juga mendapatkan akses lifetime ke rekaman kelas untuk bisa diputar ulang kapan saja sesuai kebutuhanmu.
Profesi apa yang bisa dikejar setelah menyelesaikan bootcamp AI engineering ini?
Lulusan program ini bisa mengejar karier sebagai AI Engineer, Machine Learning Engineer, AI/ML Engineer, LLM Engineer, dan AI Automation Specialist. Estimasi gaji awal mulai dari Rp6,5 juta per bulan untuk posisi entry-level. Baca lebih lengkap di: Gaji AI Engineer di Indonesia 2026: Fresh sampai Senior.
Kesimpulan
Kurikulum bootcamp AI engineering yang terstruktur adalah perbedaan antara belajar AI bertahun-tahun tanpa arah versus membangun kompetensi yang relevan dalam 12 minggu yang fokus.
Lima fase belajar, dari fondasi Python dan machine learning, ke dunia generative AI dan LLM, ke pembangunan aplikasi RAG dan multi-agent, ke engineering dan deployment, hingga strategi dan portfolio, membentuk satu jalur belajar yang kohesif. Tiga minggu Bootcamp AI-Project di akhir memastikan kamu keluar bukan hanya dengan pengetahuan, tapi dengan bukti kemampuan nyata yang bisa ditunjukkan kepada recruiter dan klien.
Kalau kamu ingin membangun karier di bidang AI Engineering dan masih bekerja full-time, ini adalah jalur yang dirancang untuk situasimu.
Baca juga: