Machine Learning for Web Developers
✏️ Edit catatan ini.Berikut adalah cuplikan video sesi yang saya bawakan di event Product Development Conference TechInAsia 2018 di Juli 2018 yang lalu. Kali ini saya membawakan topik yang sedang happening, tentang Machine Learning.
Sebenarnya kepikiran membawakan topik ini karena pas diundang Facebook ke acara F8 Developer Conference beberapa bulan yang lalu. Disana saya bertemu idola saya Eric Nakagawa dan dia menyarankan saya dan developer di Indonesia untuk segera belajar tentang Machine Learning. Karena menurutnya, Artificial Intelligence dan Machine Learning adalah masa depan.
Untuk cerita lengkapnya bisa baca artikel medium yang saya tulis dalam bentuk serial (bagian 1, bagian 2, bagian 3 dan bagian 4).
Tujuan utama dari sesi ini sebenarnya adalah untuk mengajak teman-teman semua belajar bareng sebenarnya :) Saya juga baru mulai belajar Machine Learning dan akan sangat membantu sekali jika ada teman-teman yang kebetulan membaca artikel ini juga tertarik untuk belajar. Karena belajar bareng lebih keren dan lebih efektif. Jadi kalau teman-teman tertarik belajar Machine Learning dan Artificial Intelligence, kirim email ke saya dan mari kita belajar bersama :)
Slide: Slideshare
Repo: GitHub
Referensi
Artikel ini dirangkum dari episode ke-19 RandomScreencast.
Praktikkan langsung mental model dari catatan ini: jalankan prompt terstruktur, tarik SKILL.md ke asisten AI, atau klon repositori pembuktiannya.
Kerangka menyusun prompt efektif dengan 4 komponen: Persona, Task, Result, dan Question untuk menjaga konteks dan kualitas keluaran LLM.
Meminta AI menggali ide aplikasi secara terstruktur lewat wawancara satu pertanyaan per satu waktu hingga siap menjadi spesifikasi teknis.
Mengatur sesi utama sebagai koordinator yang mendelegasikan perencanaan ke planner thread dan mengeksekusi tugas paralel dengan sub-agent hemat di git worktree.
Papan peringkat pengujian coding agent & LLM dalam membangun aplikasi CLI sederhana
Bukti: Evaluasi 7 tahap rekayasa CLI Elixir/OTP terukur (penyelesaian rencana, rasio tes lulus, efisiensi token, durasi, & biaya riil)
git clone https://github.com/rizafahmi/eval_leaderboard && cd eval_leaderboard && pnpm install && pnpm run dev
Extension Pi: klasifikasi prompt dengan Jev (TypeSafe System One) lalu ganti model per turn.
Bukti: Router deterministik per-turn di atas Pi coding agent dengan skema klasifikasi TypeSafe
git clone https://github.com/rizafahmi/pi-jev-task-router && cd pi-jev-task-router && npm install
Jika kamu suka tulisan ini, mari terhubung untuk obrolan seputar pemrograman, Elixir, dan AI: