AI Dari Nol
Kursus lengkap tentang kecerdasan buatan, dari matematika hingga LLM, agen, dan MCP. Tiga puluh bab, masing-masing layak dibaca secara terpisah.
Perceptron dari Nol: Apa yang Dihitung Neuron
Neuron adalah jumlah berbobot dan ambang. Itulah seluruh idenya — dan batasannya memaksa semua hal setelahnya lahir.
Dari Mana Loss Function Berasal: Likelihood, Bukan Konvensi
Squared error bukan konvensi. Ia adalah klaim tentang noise, dan kamu bisa melihat kapan klaim itu salah.
Menurun: Gradient Descent, dan Dua Langkah yang Selalu Dilewati
Semua orang menulis tanda minus. Hampir tak ada yang menjelaskan kenapa ia ada, atau seberapa besar langkah yang bisa bertahan.
Klasifikasi, Cross-Entropy, dan Cara Tidak Menipu Diri Sendiri
Akurasi adalah angka paling mudah dilaporkan — dan paling mudah menipu kamu.
Backpropagation dari Nol: Mesin Dulu, Lalu Jaringan
Backpropagation bukan algoritme jaringan neural. Ia adalah aturan rantai, diterapkan ke graph, dalam arah yang efisien.
Membuatnya Belajar, Lalu Membuatnya Menggeneralisasi
Gradiennya benar dan jaringannya tetap tidak belajar. Bab ini membahas perbedaannya.
Bangun BPE Tokenizer: Kenapa Modelmu Tak Bisa Menghitung Huruf R
Model tidak pernah melihat huruf. Semua keanehan ejaan, hitungan, dan indentasi berawal dari sana.
Prediksi Next-Token: Embeddings, dan Arti Perplexity
Satu objective, tanpa label, dan tabel vektor yang tidak dirancang siapa pun.
Attention dan Blok Transformer, Diturunkan dari Rata-Rata
Attention bukan rumus untuk diterima begitu saja. Ia muncul saat model berhenti merata-ratakan masa lalu dan memilih bobotnya sendiri.
Pretraining LLM: Data, Komputasi, Scaling Laws, dan Biaya
Keputusan yang tersisa bukan keputusan pemrograman. Semuanya adalah pembelian.
Dari Base Model ke Assistant: SFT, RLHF, DPO, dan GRPO
Model pretrained tidak menjawab pertanyaan. Ia melanjutkan teks, dan perbedaannya ada pada tahap training kedua yang jarang terlihat.
Chain of Thought, RLVR, dan Test-Time Compute, diukur
Model tidak berpikir. Ia menghabiskan lebih banyak token sebelum menjawab, dan itu bisa diukur sekaligus ditagih.
Membuat Inference Murah: KV cache, Batching, dan Kuantisasi
Generation bukan satu masalah. Ia adalah token pertama compute-bound diikuti ribuan token memory-bound, dan hampir semua trik serving lahir dari pemisahan itu.
Panggilan LLM Produksi Pertamamu: Streaming, Retry, Timeout
Model kini berada di balik port. Hampir tidak ada masalah setelah ini yang soal matematika.
Prompt Engineering, Diukur: Apa yang Mengubah Output
Prompt itu diukur, bukan diperdebatkan. Empat varian pada dua puluh kasus tidak membedakan apa pun.
Context Window, Token, dan Tagihan, Terukur
Window bukan memori. Ia diisi ulang dari nol di setiap call, dan kamu membayar pengisian ulangnya.
Temperature, Top-p, dan Determinisme yang Sebenarnya Tidak Kamu Punya
Temperature tidak membuat model lebih kreatif. Ia menaikkan peluang token yang model sendiri nilai buruk—dan kamu bisa melihatnya terjadi.
Tool Calling dan Structured Outputs: Kontrak yang Tetap Kokoh
Model tidak pernah menjalankan apa pun. Ia meminta, dalam bentuk yang kamu definisikan, dan hanya bentuk itu yang kamu kendalikan.
RAG di Production: Chunking, Retrieval, dan Sitasi yang Jujur
Chunking buruk menghancurkan jawaban sebelum pencarian dimulai, dan tak ada reranker yang bisa memulihkannya.
Fine-Tune, Retrieve, atau Prompt? Keputusannya Ekonomi
Tak ada yang menanyakan ini sebagai soal model. Mereka menanyakannya sebagai soal anggaran.
Harga Multimodal: Tagihan Nyata untuk Gambar, Audio, dan Video
Satu foto tidak berbiaya satu foto. Biayanya token, dengan rumus yang tidak kamu pilih.
Apa Itu AI Agent: Lima Tipe Klasik, Dua Definisi yang Bersaing
Satu tool dalam katalog mengubah satu call menjadi dua dan 39 input token menjadi 420. Apakah itu agent tergantung definisi yang kamu buka.
Membangun Agent Harness: Loop dan Lima Jalan Keluarnya
Loop-nya lima belas baris. Semua yang membuatnya layak dikirim adalah cara untuk keluar darinya.
Context Engineering: Mengapa Agent Kamu Makin Bodoh di Turn 40
Window tidak penuh. Faktanya hanya berpindah, lalu agent berhenti menemukannya.
Orkestrasi Multi-Agent: Lima Pola, dan Kapan Satu Menang
Empat susunan, satu tugas, satu tagihan. Yang termurah salah; yang termahal tak bisa memeriksa worker-nya sendiri.
MCP Dijelaskan Berdasarkan Spesifikasi: Apa Sebenarnya Server Itu
Ini bukan sulap. Ini transport, format pesan, dan tiga primitive—dan kamu bisa mengetiknya sendiri.
Rilis MCP Server: TypeScript dan Python, Terukur
Dua SDK, satu wire. Perbedaan menarik justru yang tidak bisa dilihat protokol.
Agent Skills dan SKILL.md: Progressive Disclosure yang Terukur
Skill adalah folder berisi file Markdown. Semua hal menarik bergantung pada bagian file mana yang dibaca, dan kapan.
Evaluasi LLM: Dari Benchmark Publik ke Golden Set Kamu
Angka tanpa interval hanyalah anekdot dengan desimal.
Prompt Injection dan Trifecta Mematikan: Mengamankan Agent Nyata
Model tidak bisa membedakan instruksi kamu dari instruksi orang asing. Semua solusi yang berhasil dimulai dari menerima fakta itu.