Model Bahasa Besar untuk Semua Orang: Dari Dasar hingga Penggunaan Praktis (Edisi 2026)
Kursus ini merupakan pengantar praktis yang ramah pemula untuk Model Bahasa Besar (LLM) seperti ChatGPT dan Gemini. Dirancang untuk pembelajar dari latar belakang apa pun, kursus ini menjelaskan bagaimana LLM bekerja pada tingkat tinggi, apa yang bisa dan tidak bisa dilakukan, serta cara menggunakannya secara efektif dalam studi, pekerjaan, dan kehidupan sehari-hari. Melalui demonstrasi langsung dan latihan terarah, Anda akan mempelajari teknik prompt, cara mengevaluasi hasil secara kritis, menangani halusinasi dan bias, serta menggunakan alat umum (misalnya dokumen, ringkasan, terjemahan, tugas data) dengan aman dan bertanggung jawab. Pada akhir kursus, Anda akan mampu membuat alur kerja 'LLM pribadi' untuk tugas nyata—menulis, penelitian, perencanaan, dan produktivitas—tanpa perlu keterampilan pemrograman lanjutan.
Gambaran Umum Kursus
Ringkasan Konten
Kursus ini merupakan pengantar praktis yang ramah pemula mengenai Model Bahasa Besar (LLM) seperti ChatGPT dan Gemini. Dirancang untuk pembelajar dari berbagai latar belakang, kursus ini menjelaskan bagaimana LLM bekerja secara umum, apa yang dapat dan tidak dapat dilakukan oleh LLM, serta cara menggunakan mereka secara efektif dalam belajar, bekerja, dan kehidupan sehari-hari. Melalui demonstrasi langsung dan latihan terarah, Anda akan mempelajari teknik prompt, cara mengevaluasi output secara kritis, menangani halusinasi dan bias, serta menggunakan alat umum (misalnya dokumen, ringkasan, terjemahan, tugas data) dengan aman dan bertanggung jawab. Di akhir kursus, Anda akan mampu membuat alur kerja "LLM pribadi" untuk tugas nyata—menulis, riset, perencanaan, dan produktivitas—tanpa harus memiliki keterampilan pemrograman tingkat lanjut.
Dari logika matematis dasar hingga orkestrasi agen terdistribusi: membentuk arsitek sistem kelas atas di era model besar.
Tujuan Pembelajaran
- Kognitif: Memahami fondasi matematis ML (aljabar linear, kalkulus, probabilitas) dan asal-usul arsitektur neural dari Perceptron hingga LSTMs.
- Keterampilan: Navigasi server jarak jauh menggunakan perintah shell Unix dan implementasi graf komputasi dasar menggunakan mesin diferensiasi otomatis.
- Afektif: Menghargai pentingnya "dasar teoritis" dibandingkan "abstraksi dini" saat melakukan debugging sistem kompleks seperti ledakan gradien.
- Dibuat
- Kognitif: Menjelaskan mekanisme pipeline pasca-pelatihan, termasuk perbedaan antara Fine-Tuning Terawasi (SFT) dan kerangka pembelajaran reinforcement (RL) seperti GRPO.
- Keterampilan: Merancang pipeline pelatihan multi-tahap—dari Cold Start hingga Final Alignment—dengan memanfaatkan teknik Fine-Tuning Efisien Parameter (PEFT) seperti LoRA.
- Afektif: Menghargai pergeseran dari melihat AI sebagai "kotak ajaib" menjadi sistem terbangun yang terdiri dari lapisan mekanis dan pemikiran internal yang disengaja.
- Kognitif: Membandingkan kerangka integrasi linier dengan orkestrasi berbasis siklus dan grafik, serta membedakan protokol integrasi vertikal (MCP) dan horizontal (A2A).
- Keterampilan: Mendefinisikan node khusus dan tepian bersyarat menggunakan prinsip teori graf dan menerapkan server MCP menggunakan FastMCP untuk menghubungkan agen dengan data eksternal.
- Afektif: Menghargai pentingnya "eksekusi siklik" dan manajemen state dalam meniru alur kognitif manusia yang kompleks.