Standar Kerja Profesional dan Portfolio

Standar kerja yang membedakan engineer profesional, membangun portfolio yang berbicara sendiri, template README proyek AI, dan langkah konkret dari bootcamp ke karir.

23.1 Standar Kerja yang Membedakan Engineer Profesional

Perbedaan antara junior dan senior engineer bukan hanya jumlah yang diketahui, tapi cara bekerja: konsistensi, komunikasi, dan kebiasaan yang terbentuk dari disiplin.

23.2 Membangun Portfolio yang Berbicara Sendiri

Portfolio AI Engineer yang efektif bukan kumpulan proyek yang pernah dikerjakan, tapi bukti kemampuan untuk menyelesaikan masalah nyata dari awal hingga deployment. Perbedaannya terletak pada cara menyajikan, bukan jumlah proyeknya.

1. Pilih Proyek yang Menunjukkan Siklus Penuh, Bukan Potongan

2. Tulis README yang Menjelaskan Keputusan Teknis, Bukan Hanya Cara Menjalankan

# Proyek RAG
Sistem RAG menggunakan LangChain.

## Cara Menjalankan
pip install -r requirements.txt
python main.py

# Sistem RAG untuk Dokumen Hukum

## Masalah yang Diselesaikan
Pengacara menghabiskan 3-4 jam mencari
preseden hukum manual. Sistem ini
mereduksi waktu tersebut menjadi <30 detik.

## Keputusan Teknis
- Chunk size 700 token: dikalibrasi dari
  200 sampel dokumen hukum Indonesia
- Gemini Flash: dukungan BI lebih baik
  dari GPT-4o untuk teks legal Indonesia
- FAISS lokal: data klien tidak boleh
  keluar dari infrastruktur internal

## Demo
https://web-legal-rag.railway.app

3. Dokumentasikan Masalah yang Kamu Temui dan Cara Mengatasinya

Siapapun bisa mengikuti tutorial dan menghasilkan sistem yang "berjalan". Yang membedakan engineer yang berpengalaman adalah kemampuan mendiagnosis dan menyelesaikan masalah yang tidak ada di tutorial.

4. Tiga Jenis Proyek yang Paling Bernilai untuk Portfolio

23.3 Template README Proyek AI

Template README lengkap yang bisa langsung disesuaikan. Bagian dalam kurung kurawal diisi dengan informasi spesifik proyekmu.

# [Nama Proyek]

> [Satu kalimat: apa yang dilakukan sistem ini dan untuk siapa]
> Demo: [URL jika sudah di-deploy] | Status: [Active/Archived]

## Masalah yang Diselesaikan
[Deskripsikan masalah nyata yang dihadapi pengguna, bukan masalah
teknis, tapi masalah bisnis atau workflow yang diperbaiki.
Sertakan angka jika ada: "menghemat X jam per minggu".]

## Arsitektur Sistem
[Diagram atau deskripsi singkat alur: bagaimana data mengalir
dari input pengguna hingga output. Sebutkan komponen utama:
embedding model, vector database, LLM yang digunakan.]

## Stack Teknologi
- **Backend**: FastAPI + Python 3.11
- **LLM**: [model dan provider]
- **Embedding**: [model embedding]
- **Vector DB**: [Pinecone / FAISS]
- **Deployment**: [Railway / Cloud Run]
- **Observability**: LangSmith

## Keputusan Teknis Utama
# Bagian ini yang paling membedakan README biasa dari yang luar biasa
- **Chunk size 700 token**: [alasan spesifik berdasarkan evaluasi]
- **Gemini Flash bukan Pro**: [trade-off yang dipertimbangkan]
- **FAISS lokal bukan Pinecone**: [constraint yang mempengaruhi]

## Setup Lokal
git clone [repo-url]
cd [nama-proyek]
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt
cp .env.example .env
# Isi API key di .env
uvicorn main:app --reload

## Environment Variables
Salin .env.example menjadi .env dan isi nilai berikut:
GEMINI_API_KEY=      # dari Google AI Studio
PINECONE_API_KEY=    # dari Pinecone dashboard
LANGCHAIN_API_KEY=   # dari LangSmith (opsional, untuk observability)

## Evaluasi Kualitas
[Sertakan hasil evaluasi yang sudah dijalankan: skor retrieval,
skor generation, jumlah pertanyaan dalam test set.]
- Retrieval accuracy: [X]% dari [N] test case
- Hallucination rate: [X]% (pertanyaan di luar domain)

## Tantangan dan Solusi
[Dokumentasikan 2-3 masalah nyata yang ditemui dan cara
mengatasinya. Bagian paling berharga dari README.]

## Pengembangan Selanjutnya
[Apa yang akan ditambahkan jika ada lebih banyak waktu,
menunjukkan bahwa kamu berpikir tentang sistem secara utuh.]

23.4 Dari Bootcamp ke Karir: Langkah Konkret

0-3 Bulan Pertama: Konsolidasi dan Bangun Portfolio Dasar

Prioritas teknis: selesaikan satu proyek RAG end-to-end yang bisa diakses publik, ini portfolio utama. Pastikan GitHub profile terisi: README yang baik, commit history yang konsisten. Pelajari satu hal yang belum dikuasai secara mendalam. Tulis satu artikel teknis tentang sesuatu yang dipelajari.

Mindset yang perlu dibangun: selesai lebih baik dari sempurna, satu proyek yang bisa diakses lebih bernilai dari sepuluh proyek yang tersimpan di laptop. Tulis semua yang dipelajari. Bergabung dengan komunitas untuk menemukan masalah nyata yang layak diselesaikan.

3-9 Bulan: Spesialisasi dan Kontribusi Nyata

Prioritas teknis: pilih satu area untuk diperdalam (RAG, Agent, atau MLOps/infra), jangan mencoba semua sekaligus. Kontribusi ke proyek open-source, mulai dari dokumentasi. Bangun proyek kedua yang lebih kompleks, tambahkan satu komponen baru.

Mindset yang perlu dibangun: angka konkret ("membangun sistem RAG dengan precision@3 sebesar 87% pada corpus 2.000 dokumen hukum" lebih kuat dari "membangun sistem RAG"). Keputusan yang bisa dijelaskan: mengapa memilih Pinecone bukan FAISS, mengapa chunk_size 700 bukan 500.

9 Bulan Lebih: Dari Engineer ke Problem Solver

Pergeseran yang perlu terjadi: mulai berpikir dari masalah bisnis, bukan dari teknologi. Bangun kemampuan mengestimasi scope. Mulai memimpin, bukan hanya mengeksekusi: mentoring junior, menulis technical spec.

Tanda kamu sudah di jalur yang benar: bisa menjelaskan trade-off teknis kepada orang non-teknis tanpa jargon. Menemukan bug di proyek open-source yang digunakan dan melaporkannya dengan reproducible example. Orang lain bertanya kepadamu tentang masalah AI yang mereka hadapi. Sudah deploy setidaknya satu sistem yang digunakan pengguna nyata secara rutin.

Kesalahan Umum

Ringkasan Bab 23