Langsung ke konten
Sektor Perbankan & Jasa Keuangan

Jasa Pelatihan Model AI ke Produksi untuk Sektor Perbankan & Jasa Keuangan

Bank di Indonesia memakai model AI untuk credit scoring, fraud detection, AML, dan personalisasi. OJK semakin memperhatikan penggunaan AI yang berdampak pada keputusan finansial, dengan dorongan transparansi & akuntabilitas model. Tim AI bank perlu pipeline MLOps yang dapat menjawab pertanyaan auditor: model apa, dilatih dari data mana, kapan terakhir di-retrain, bagaimana performansinya, dan apa logikanya dapat dijelaskan.

  • 4,9/5 · 287 ulasan
  • 300+ klien nasional
  • 2.000+ trainer
  • 1 sampai ratusan peserta
  • Standar · Premium · Privat 1-on-1
Minta ProposalChat WhatsApp
format
In-house / online / hybrid
durasi
5 hari intensif per batch
peserta
10–20 per batch
bahasa
Indonesia / English

2.000+ trainer dan expert

Jaringan pengajar grup kami, dipilih per kebutuhan tim Anda.

Lihat dokumentasi kelas

Trainer Anda terlihat dulu

Profil, rekam jejak, dan bidang trainer dikirim bersama proposal, sebelum Anda memutuskan.

4,9 dari 5

287 ulasan peserta.

300+ klien nasional dan 180.000+ sesi pelatihan privat terselesaikan. Sebagian di antaranya: MPR RI, Akademi Militer Magelang, DPRD Provinsi Jawa Timur.

Satu orang sampai ratusan

Coaching privat untuk satu peserta, kelas satu tim, sampai beberapa angkatan sekaligus.

Tiga tingkat anggaran

  • Standar: kelas inti, materi disesuaikan pekerjaan peserta
  • Premium: trainer senior, rancangan materi lebih dalam
  • Privat 1-on-1: satu peserta, satu trainer, jadwal mengikuti peserta
Sebutkan anggaran Anda
Khusus Sektor Perbankan & Jasa Keuangan

Mengapa Membawa Model AI ke Pemakaian Sehari-hari berbeda di Perbankan & Jasa Keuangan

Bank di Indonesia memakai model AI untuk credit scoring, fraud detection, AML, dan personalisasi. OJK semakin memperhatikan penggunaan AI yang berdampak pada keputusan finansial, dengan dorongan transparansi & akuntabilitas model. Tim AI bank perlu pipeline MLOps yang dapat menjawab pertanyaan auditor: model apa, dilatih dari data mana, kapan terakhir di-retrain, bagaimana performansinya, dan apa logikanya dapat dijelaskan.

KPI sektor
  • Cakupan model produksi dengan kartu model lengkap
    Mendekati seluruh model produksi
  • MTTR drift produksi terdeteksi → tindakan
    Membaik signifikan setelah monitoring matang
  • Temuan pemeriksaan OJK terkait tata kelola AI
    Tidak ada temuan material di periode berikutnya
Regulasi & standar relevan
  • POJK 11/POJK.03/2022 Manajemen Risiko Penggunaan TI oleh Bank Umum
  • SEOJK 29/SEOJK.03/2022 Ketahanan & Keamanan Siber Bank Umum
  • UU PDP No. 27/2022 — data nasabah & profiling otomatis
  • NIST AI RMF 1.0 — Govern/Map/Measure/Manage
  • ISO/IEC 42001:2023 AI Management System
  • Google Practitioners Guide to MLOps
Peran sasaran di Perbankan & Jasa Keuangan
  • Head of Data Science / AI Bank
  • Head of MLOps / ML Engineering
  • Head of Credit Risk Modelling
  • Head of Fraud Analytics
  • CISO / Head of IT Risk
  • Data Protection Officer (DPO)
Hasil yang umum diminta di Perbankan & Jasa Keuangan
  • Pipeline credit scoring / fraud reproducible dan dapat diaudit OJK
  • Kartu model untuk setiap model produksi (data, metrik, batasan, fairness)
  • Monitoring data drift, prediction drift, dan business metric berjalan
  • Hak subjek data (akses, koreksi, pengabaian otomatis) terintegrasi ke siklus model
  • Tata kelola model dipresentasikan ke komite risiko / direksi dengan kerangka NIST AI RMF & ISO 42001
Pertanyaan khas Perbankan & Jasa Keuangan
Bagaimana modul ini menyiapkan tata kelola AI yang dipertanggungjawabkan ke OJK?
Modul mengajarkan kartu model, audit trail (kode, data, parameter, keputusan), monitoring drift, dan dokumentasi NIST AI RMF + ISO 42001 sebagai paket tata kelola yang dapat dilampirkan ke kertas kerja SKAI saat pemeriksaan OJK.
Apakah materi mencakup explainability untuk keputusan kredit?
Ya. Modul mengulas SHAP/LIME, counterfactual explanations, dan model-agnostic explanation untuk keputusan kredit, dengan diskusi trade-off model kompleks vs interpretable, dan persiapan menjawab pertanyaan regulator atas keputusan kredit otomatis.
Bagaimana materi menangani UU PDP untuk profiling otomatis?
UU PDP No. 27/2022 mengatur hak subjek data atas profiling otomatis. Modul mengajarkan hak akses, koreksi, pengabaian, serta dokumentasi DPIA (data protection impact assessment) yang dapat dipresentasikan ke DPO bank.

Jawaban Singkat

Pelatihan MLOps & Production AI Engineering adalah program in-house yang membekali tim data, engineering, dan AI mengantarkan model ML ke produksi secara andal & akuntabel, feature store, model registry, drift monitoring, tata kelola, dipetakan ke Google MLOps Practitioners Guide, Microsoft MLOps maturity, NIST AI RMF 1.0, dan ISO/IEC 42001:2023.

Konsultasi Gratis

Dipandu kerangka MLOps yang diakui industri

Materi mengikuti Google Practitioners Guide to MLOps, Microsoft MLOps maturity model (level 0–4), ML Test Score (Eric Breck & Google Research, 28 tes), NIST AI RMF 1.0 (4 fungsi Govern/Map/Measure/Manage), dan ISO/IEC 42001:2023 (standar AI Management System pertama). Tidak ada framework dadakan.

Mayoritas model AI korporat tidak pernah naik produksi

Tanpa disiplin MLOps, model bagus di notebook sering tidak naik produksi atau naik tapi tidak terpantau. Penelitian industri konsisten menunjukkan banyak proyek AI berhenti di proof-of-concept. Pipeline reproducible + model registry + monitoring drift adalah syarat agar investasi AI memberi nilai berkelanjutan.

Pola adopsi sehat: 1 use case end-to-end > 5 use case setengah jalan

Tim yang mendewasakan MLOps biasanya memilih 1 use case prioritas tinggi dan menjalankan end-to-end (data → training → registry → deploy → monitor → governance) sebagai paved-road internal, lalu menyalin pola ke use case berikutnya. Modul memandu pola ini secara eksplisit.

Klien & Dokumentasi

Sebagian institusi yang sudah kami latih

Foto dari sesi yang sudah berjalan, dengan nama institusinya tertulis apa adanya.

Lihat dokumentasi kelas (123 foto)

Membawa Model AI ke Pemakaian Sehari-hari

MLOps & Production AI Engineering adalah disiplin engineering yang mengantarkan model machine learning ke produksi secara andal, dapat diulang, terobservasi, dan akuntabel, meliputi pipeline data, feature store, training, model registry, deployment, monitoring drift/performance, dan tata kelola model, dipetakan ke Google MLOps Practitioners Guide, Microsoft MLOps maturity model (level 0–4), ML Test Score (Eric Breck), NIST AI RMF 1.0 (Govern/Map/Measure/Manage), dan ISO/IEC 42001:2023 (AI management system).

1Disusun lewat training needs analysis (TNA): peran (data scientist, ML engineer, MLOps engineer, platform), use case prioritas, dan posisi maturity
2Dipetakan eksplisit ke Google Practitioners Guide to MLOps & Microsoft MLOps maturity model (level 0 ad hoc → level 4 fully automated)
3Praktik dengan tooling matang: Vertex AI / Azure ML / SageMaker, MLflow, Feast feature store, Kubeflow Pipelines, Airflow
4Kualitas produksi diuji dengan ML Test Score (Eric Breck), 28 tes data/model/infrastruktur/monitoring
5Tata kelola model selaras NIST AI RMF 1.0 dan ISO/IEC 42001:2023 + kewajiban UU PDP No. 27/2022 dan POJK/OJK bila relevan
6Output terukur: paved-road pipeline + model registry + dashboard drift untuk satu use case nyata internal
7Rujukan yang kami pakai: Google MLOps Practitioners Guide, model kematangan MLOps Microsoft, ISO/IEC 42001:2023, dan ML Test Score (Eric Breck) untuk menakar kesiapan sistem.

Hasil Terukur

Hasil yang Diharapkan

Indikator dipetakan ke level Kirkpatrick dan Microsoft MLOps maturity, target kualitatif, ditetapkan saat TNA terhadap baseline tim.

Disiplin MLOps dikuasai tim
Mayoritas peserta lulus asesmen pipeline (data → feature → train → registry → deploy → monitor) dan dapat membaca arsitektur referensi Google/Microsoft/AWS. Dinilai lewat asesmen alur kerja model di akhir kelas (Kirkpatrick L2).
Pipeline bisa dijalankan ulang dengan hasil sama
Tim menjalankan training pipeline yang reproducible (kode versioned, data versioned via DVC/LakeFS, hyperparameter & metric ter-log di MLflow). Terlihat ketika pipeline dijalankan ulang dan hasilnya sama (Kirkpatrick L3).
Model tercatat rapi dan bisa dirilis
Satu use case nyata dipromosikan via model registry (staging → production) dengan rollback yang dapat diaudit. Tampak pada catatan versi model yang dirapikan tim (Kirkpatrick L3).
Penurunan kualitas model ketahuan lebih awal
Dashboard data drift, prediction drift, dan model performance produksi tersedia untuk model utama; alert actionable bila threshold tercapai.
Kesiapan sistem terukur
Tim memetakan posisi terhadap 28 tes ML Test Score (data/model/infra/monitoring) dan menyusun roadmap menutup gap.
Tata kelola model tertata
Kartu model (model card), data sheet, dan log keputusan terdokumentasi sebagai bukti tata kelola yang dapat diaudit. Acuannya NIST AI RMF 1.0 dan ISO/IEC 42001:2023.

Format Program

Pilihan Format Program

Dipilih sesuai posisi maturity MLOps tim, final ditetapkan setelah TNA. Dalam lima hari itu satu model bisa diantar sampai layak dipakai. Perusahaan yang ingin banyak model berjalan berdampingan biasanya meneruskannya lewat program bertahap tiga sampai empat bulan sambil membenahi kematangan praktiknya.

1

MLOps Foundations Bootcamp (4–5 hari)

Bootcamp intensif: pipeline data, feature store, training reproducible, model registry, deployment (batch/online), monitoring dasar, dan tata kelola. Hands-on di environment latihan.

Cocok untuk: Tim data/ML mengejar level 1–2 maturity Microsoft (dari ad hoc ke automated training)
2

Production AI Workshop (satu use case nyata)

Workshop konsultatif: tim membawa satu use case prioritas, fasilitator memandu dari data pipeline → training → registry → deployment → monitoring, dengan ML Test Score sebagai checklist.

Cocok untuk: Tim yang punya model jadi tapi belum tahu cara naik ke produksi yang akuntabel
3

MLOps Maturity Assessment & Roadmap

Asesmen posisi pada Microsoft MLOps maturity 0–4 + ML Test Score; output: roadmap menutup gap, daftar tooling rekomendasi, dan urutan investasi.

Cocok untuk: Pimpinan data/AI yang ingin tahu posisi awal sebelum invest besar
4

AI Governance Enablement Berkala

Program berkala untuk tim governance, compliance, dan AI lead: ritme review model, kartu model, data sheet, monitoring drift, dan pelaporan ke pimpinan/regulator.

Cocok untuk: Organisasi regulasi ketat (bank, kesehatan, BUMN) dengan banyak model produksi

Konsultasi Gratis

Diskusikan rencana MLOps tim AI Anda

Kami petakan platform, peran, posisi maturity, dan use case prioritas Anda, lalu susun proposal & estimasi anggaran berbasis kebutuhan nyata.

Minta Proposal

Kurikulum

Kerangka Kurikulum

Disusun dengan ADDIE; modul final dikurasi sesuai platform (Vertex AI / Azure ML / SageMaker / on-prem), tooling, dan posisi maturity dari TNA.

  • Definisi & lingkup MLOps vs DevOps; mengapa model adalah artefak hidup yang bergantung pada data yang berubah
  • Google MLOps Practitioners Guide: arsitektur referensi pipeline + komponen inti
  • Microsoft MLOps maturity model: level 0 (no MLOps) → 4 (fully automated retraining)
  • ML Test Score (Eric Breck), 28 tes lintas data/model/infra/monitoring sebagai standar kualitas produksi
  • Tooling matang: Vertex AI / Azure ML / SageMaker + open-source (MLflow, Kubeflow, Feast, Airflow)

  • Data versioning (DVC, LakeFS) dan validasi schema (Great Expectations, TFDV)
  • Pipeline orchestration: Airflow, Kubeflow Pipelines, Prefect, Dagster
  • Feature store: Feast (open-source), Tecton, Vertex AI Feature Store, offline vs online
  • Pengelolaan PII dalam feature store: masking, encryption, akses berbasis peran (UU PDP)
  • Anti-pola umum: training–serving skew, leakage label, feature drift tanpa terdeteksi

  • Eksperimen ter-log: MLflow Tracking + parameter, metric, artifact, model versioning
  • Hyperparameter tuning: Optuna, Ray Tune, Vertex AI Vizier
  • Reproducibility: pinning environment (Conda/Poetry), seed, dataset hash
  • Model registry: MLflow Model Registry / Vertex AI / Azure ML, staging vs production
  • Pemilihan kandidat: offline metric vs online A/B test; canary release model

  • Batch inference: BigQuery ML, Spark, scheduled job; biaya & latency
  • Online inference: FastAPI / TorchServe / TensorFlow Serving + Kubernetes
  • Streaming inference: Kafka + ksqlDB / Flink; low-latency pattern
  • Edge inference: model quantization, ONNX, TensorRT (kapan masuk akal)
  • Canary, blue-green, shadow deployment, kapan masing-masing dipakai

  • Data drift: KS test, PSI, evidently AI, Arize, Fiddler, kapan alert actionable
  • Concept drift: degradasi performa karena dunia berubah; retraining trigger
  • Model performance produksi: ground truth lag, proxy metric, business metric tie-in
  • Bias & fairness monitoring: kelompok demografi, disparate impact, fairlearn
  • Observability: Prometheus + Grafana + tracing prediksi; alert yang actionable

  • NIST AI RMF 1.0 (2023): 4 fungsi Govern/Map/Measure/Manage + AI RMF Playbook
  • ISO/IEC 42001:2023, standar AI Management System pertama internasional
  • Kartu model (model card) gaya Google + data sheet for datasets (Gebru et al.)
  • UU PDP No. 27/2022 untuk model yang memproses data pribadi; hak subjek data
  • Regulasi sektor (POJK, OJK) atas penggunaan AI dalam keputusan kredit/customer-facing

  • LLMOps vs MLOps: perbedaan dan padanan (prompt sebagai 'kode', evaluasi terstruktur)
  • Retrieval-augmented generation (RAG): index, retriever, evaluator, telemetry
  • Prompt versioning, evaluation harness (Ragas, OpenAI Evals, LangSmith), guardrail
  • Model & cost monitoring untuk LLM (token cost, latency, hit rate cache)
  • Tata kelola LLM: OWASP LLM Top 10 2025, NIST AI RMF Generative AI Profile

Perbandingan

Memilih Format Program

Matriks keputusan ringkas, rekomendasi final ditetapkan setelah training needs analysis.

AspekMLOps Foundations BootcampProduction AI Workshop (1 Use Case)Maturity Assessment & RoadmapAI Governance Berkala
Tujuan utamaFondasi disiplin MLOpsSatu model nyata naik produksiPosisi maturity & roadmap investDisiplin tata kelola AI berkelanjutan
Peserta idealTim baru memasuki produksi AITim punya model tapi belum produksiPimpinan data/AI eksploratifTim governance & multi-model
Durasi tipikal4–5 hari intensif2–3 hari workshop1–2 minggu konsultatifBulanan / kuartalan
Output utamaPenguasaan dasar + labPipeline + registry + monitoringPosisi maturity + roadmapRitme governance + kartu model
Kerangka intiGoogle MLOps Guide + Microsoft maturityML Test Score + use case end-to-endMicrosoft maturity 0–4 + ML Test ScoreNIST AI RMF + ISO/IEC 42001:2023

Untuk Siapa

Untuk Siapa Program Ini?

Disusun per peran karena tantangan MLOps berbeda untuk data scientist vs ML engineer vs governance.

Data Scientist

Tim yang membangun & melatih model untuk use case bisnis.

Tantangan umum

  • Model bagus di notebook tapi tidak naik produksi; tergantung handover ad-hoc
  • Eksperimen tidak ter-track; reproducibility lemah; hyperparameter hilang
  • Tidak ada visibility ke performance produksi setelah deploy

ML Engineer / MLOps Engineer

Tim yang menjembatani data science dengan produksi.

Tantangan umum

  • Pipeline manual; setiap retraining butuh intervensi engineer
  • Belum ada feature store; training–serving skew sering terjadi
  • Monitoring drift & performance belum standar; alert noise tinggi

Platform / Infrastructure Engineer

Tim yang menyediakan platform untuk model produksi.

Tantangan umum

  • Belum ada paved-road MLOps; setiap tim model bikin pipeline sendiri
  • Resource GPU & inferensi tidak ter-cost-allocate per tim/model
  • Versioning artifact & rollback model belum standar

AI / Data Governance Lead

Tim yang memastikan model AI patuh regulasi & policy.

Tantangan umum

  • Tidak ada kartu model & data sheet; sulit menjawab audit
  • Belum dipetakan ke NIST AI RMF / ISO 42001
  • Hak subjek data (UU PDP) belum diintegrasikan ke siklus model

Tech / Data Lead / Eksekutif AI

Pemilik strategi AI dan akuntabilitas dampak.

Tantangan umum

  • Posisi maturity MLOps tidak diketahui; investasi tidak fokus
  • Banyak model offline yang tidak pernah memberi nilai produksi
  • Tata kelola AI belum dipresentasikan ke direksi dengan kerangka resmi

Konteks Industri

Penerapan per Industri

Satu use case spesifik per industri, menyebut model, regulasi, dan pola MLOps yang relevan.

Perbankan & Jasa Keuangan

Pipeline MLOps untuk model credit scoring, fraud detection, dan customer propensity dengan tata kelola yang memenuhi POJK 11/POJK.03/2022 (TI bank), POJK terkait penggunaan AI dalam keputusan kredit, dan UU PDP untuk data nasabah, termasuk kartu model, audit trail, dan kemampuan menjawab hak subjek data.

Teknologi & Startup

Platform MLOps untuk perusahaan teknologi yang menjalankan banyak model produk (rekomendasi, ranking, search, personalisasi, anti-abuse), agar tim data scientist dapat eksperimen cepat tanpa membahayakan produksi, dengan paved-road yang konsisten.

Lihat di konteks Teknologi & Startup →
BUMN

Tata kelola model AI lintas anak usaha BUMN holding dengan kerangka NIST AI RMF & ISO/IEC 42001:2023, kartu model standar, dan pelaporan dampak yang dapat dipertanggungjawabkan ke direksi & BPK.

Lihat di konteks BUMN →
Manufaktur

Pipeline MLOps untuk model predictive maintenance, quality inspection (computer vision), dan demand forecasting di pabrik, dengan integrasi data plant (PLC/SCADA) dan model yang dapat berjalan di edge bila latency krusial.

Lihat di konteks Manufaktur →
Ritel & FMCG

Platform MLOps untuk model demand forecasting, dynamic pricing, recommendation, dan churn prediction di ritel modern, dengan ritme retraining musiman (Lebaran, Harbolnas) dan monitoring drift yang dapat diaksi tim merchandising.

Lihat di konteks Ritel & FMCG →
Kesehatan & Farmasi

Pipeline MLOps untuk model klinis (deteksi awal, triase, prediksi outcome) di rumah sakit & jaringan kesehatan, dengan validasi klinis bertahap, tata kelola kuat (data pribadi spesifik UU PDP), dan kesiapan akreditasi KARS atas tata kelola informasi.

Lihat di konteks Kesehatan & Farmasi →

Metode Pengiriman

Cara Pelaksanaan

Format menyesuaikan sebaran tim data & engineering; semua format hands-on di environment latihan + use case nyata Anda.

In-house intensif & workshop

Fasilitator datang ke kantor untuk bootcamp 4–5 hari; lab di environment yang sudah dipakai (Vertex AI / Azure ML / SageMaker / on-prem) dengan studi kasus dari satu use case prioritas Anda.

Live online + lab terkelola

Kelas interaktif via Zoom/Teams; lab dijalankan di sandbox cloud yang disediakan Neksus atau akun internal Anda dengan ruang lingkup terbatas.

Hybrid

Tatap muka untuk modul konsultatif (Maturity Assessment, Governance), online untuk modul teknis, cocok untuk tim multi-lokasi.

Jadwal disusun mengikuti kalender release & on-call tim
Materi & lab dilokalkan ke platform yang dipakai (Vertex AI / Azure ML / SageMaker / on-prem MLflow + Kubeflow)
Use case internal Anda dipakai sebagai studi kasus (NDA berlaku)
Sertifikat keikutsertaan + peta posisi terhadap Microsoft MLOps maturity & ML Test Score
Laporan evaluasi & roadmap menutup gap untuk pimpinan data/AI

Alur Pelaksanaan

Alur Kerja Sama (Engagement Path)

Mengikuti ADDIE + Google MLOps Practitioners Guide, durasi kualitatif, disesuaikan posisi maturity.

1

Training Needs Analysis & Posisi Maturity

Pemetaan platform (Vertex AI / Azure ML / SageMaker / on-prem), peran, posisi Microsoft MLOps maturity, ML Test Score baseline, use case prioritas, dan kewajiban regulasi.

Tahap awal
2

Desain Program per Peran (ADDIE)

Penyusunan tujuan pembelajaran terukur, silabus per peran (data scientist/ML engineer/MLOps/governance), skenario lab, dan peta kerangka ke NIST AI RMF, ISO 42001.

Sebelum delivery
3

MLOps Foundations Bootcamp

Sesi inti 4–5 hari: pipeline data, feature store, training reproducible, registry, deployment, monitoring dasar, tata kelola. Hands-on di environment Anda.

Minggu inti
4

Production AI Workshop, Satu Use Case

Workshop konsultatif: tim membawa satu use case prioritas, dipandu end-to-end (data → training → registry → deploy → monitor) dengan ML Test Score sebagai checklist.

Pasca bootcamp
5

Maturity Assessment & Governance Enablement

Asesmen posisi pada Microsoft MLOps maturity & ML Test Score; pelembagaan ritme governance NIST AI RMF + ISO 42001 (kartu model, data sheet, review berkala).

Bergulir per kuartal
6

Evaluasi & Roadmap Kematangan

Evaluasi Kirkpatrick L1–L4 (Phillips L5 bila diminta), pemetaan ulang posisi maturity, dan roadmap menutup gap berikutnya.

Berkala & berkelanjutan

Studi Kasus

Pola Hasil Tipikal

Gambaran pola dampak berdasarkan struktur program serupa, ilustratif, tanpa nama klien atau angka yang dijanjikan. Microsoft MLOps maturity, ML Test Score, NIST AI RMF dan ISO/IEC 42001 diatribusikan sebagai sumber eksternal (Microsoft, Google Research, NIST, ISO).

Institusi keuangan dengan banyak model credit scoring & fraud

Intervensi

Bootcamp + workshop satu use case nyata + governance framework NIST AI RMF

Hasil

Pipeline reproducible dengan kartu model lengkap, drift monitoring aktif, dan tata kelola dapat dilaporkan ke OJK

Perusahaan teknologi dengan banyak model produk customer-facing

Intervensi

Maturity assessment + paved-road platform MLOps + ritme governance berkala

Hasil

Waktu rata-rata model dari notebook → produksi menurun dan posture tata kelola seragam

Manufaktur dengan inisiatif predictive maintenance multi-plant

Intervensi

Bootcamp + workshop edge + retraining trigger + data sheet

Hasil

Model PdM aktif di plant inti, drift terpantau, dan downtime tak terencana menurun konsisten

Informasi Pengadaan

Informasi untuk Procurement & Vendor Management

Kelengkapan yang dibutuhkan tim pengadaan, keuangan, hukum, dan tata kelola AI.

Penawaran

Proposal terstruktur: tujuan pembelajaran terukur, silabus per peran, peta kerangka (Google MLOps Practitioners Guide / Microsoft MLOps maturity 0–4 / ML Test Score / NIST AI RMF 1.0 / ISO/IEC 42001:2023 / UU PDP / POJK), profil fasilitator, jadwal, dan rincian biaya berbasis TNA.

Model harga

Berbasis TNA, flat per program, per sesi, per peserta, tiered, atau custom. Estimasi diberikan setelah TNA disepakati.

Pembayaran & pajak

Termin fleksibel (DP + pelunasan / termin per batch); faktur pajak (PPN) dan dukungan dokumen PO tersedia.

Proses BUMN/pemerintah

Terbiasa dengan tahapan pengadaan BUMN/instansi: dokumen vendor, e-procurement / SPSE, HPS/penawaran, dan klausul kepatuhan.

Pengukuran

Laporan evaluasi Kirkpatrick Level 1–3 (kehadiran, asesmen pengetahuan, perilaku lab + use case nyata); Phillips ROI Level 5 atas permintaan keuangan/risiko.

Kerahasiaan & keamanan data

Penandatanganan NDA, klausul kerahasiaan use case & data internal yang dipakai sebagai studi kasus, dan praktik selaras UU PDP serta kebijakan keamanan internal Anda.

Kepemilikan materi

Kartu model, data sheet, pipeline reference, dan dokumen yang dibangun untuk perusahaan menjadi milik perusahaan; hak pakai materi pelatihan disepakati di kontrak.

FAQ

Pertanyaan Umum

DevOps mengelola siklus hidup software (kode → build → deploy → monitor). MLOps menambah dimensi data & model: data versioning, training reproducible, model registry, monitoring drift dan performa model di produksi, dan tata kelola model. Model adalah artefak hidup yang bergantung pada data yang berubah, sehingga butuh disiplin lebih dari DevOps.

Microsoft MLOps maturity model menggolongkan organisasi dari level 0 (no MLOps, manual end-to-end) hingga level 4 (full MLOps automation, retraining otomatis). Mayoritas korporat Indonesia di level 1–2: ada pipeline training, tapi deployment masih semi-manual, monitoring drift terbatas. Target realistis 1 tahun: level 2 → 3 (deployment otomatis dengan model registry). Modul memberi roadmap menutup gap per level.

ML Test Score adalah rubrik 28 tes yang diusulkan Eric Breck & Google Research untuk menilai kesiapan ML system produksi: tes data (skema, distribusi, nilai), model (sanity, infrastructure), infrastruktur (reproducibility, integration), dan monitoring (drift, freshness, latency). Korporat memakainya sebagai checklist kualitas produksi, tanpa skor jelas, sulit menilai kapan model 'siap produksi'.

Bergantung ekosistem cloud yang sudah dipakai, integrasi tooling, kompleksitas tim, dan kebutuhan compliance. Managed lebih cepat onboard, kurang beban operasional. Self-managed (Kubeflow / MLflow + Kubernetes) masuk akal saat butuh kontrol penuh / on-prem regulator. Modul memberi kriteria pemilihan konkret berdasarkan kasus Anda.

Feature store adalah sistem yang menyimpan, melayani, dan men-versioning feature ML untuk training (offline) dan inference (online). Diperlukan saat banyak model berbagi feature (mengurangi duplikasi & training–serving skew), atau saat regulasi menuntut pelacakan asal feature. Untuk tim kecil dengan satu use case, mulai dengan disiplin pipeline; feature store ditambah saat skala bertambah.

Tiga lapis monitoring: (1) data drift, distribusi input berubah dibanding training (KS test, PSI); (2) prediction drift, distribusi output berubah; (3) model performance, metric vs ground truth bila tersedia. Tambahkan fairness monitoring lintas segmen sensitif. Alert harus actionable (terhubung ke runbook retraining/rollback), dashboard saja belum cukup.

Modul mengajarkan pemetaan 4 fungsi NIST AI RMF (Govern/Map/Measure/Manage) ke proses internal, plus dokumentasi yang dibutuhkan ISO/IEC 42001:2023 (standar AI Management System pertama). Output praktis: kartu model, data sheet, log keputusan, dan kerangka risiko AI yang dapat dipresentasikan ke direksi/komite risiko.

Ya. Modul khusus LLMOps mengulas perbedaan dengan MLOps klasik (prompt sebagai 'kode', evaluasi terstruktur), RAG (retrieval-augmented generation), prompt versioning, evaluation harness (Ragas, LangSmith, OpenAI Evals), token cost monitoring, dan tata kelola LLM (OWASP LLM Top 10 2025, NIST AI RMF Generative AI Profile).

Bootcamp 4–5 hari untuk fondasi + workshop 2–3 hari untuk satu use case nyata. Untuk transformasi yang lebih dalam, program bertahap 3–4 bulan: bootcamp → use case workshop → maturity assessment → governance enablement. Ukuran batch ideal 10–20 peserta agar lab efektif.

Kami memakai Kirkpatrick: Level 1 (reaksi), Level 2 (pengetahuan via asesmen MLOps & governance), Level 3 (perilaku, pipeline & kartu model yang dibuat), Level 4 (hasil, waktu model ke produksi turun, drift terdeteksi cepat, kesiapan audit). Phillips ROI Level 5 atas permintaan keuangan dengan estimasi penghindaran insiden model dan kesiapan regulator. Baseline ditetapkan saat TNA.

Penentu pertamanya adalah apakah kelas memakai model dan data Anda sendiri, sebab itu menuntut penyiapan lingkungan, izin akses data, dan penyamaran informasi sensitif sebelum kelas dimulai. Lapisan pesertanya menyusul, sebab ilmuwan data, engineer, dan tim operasi memegang peran berbeda di alur yang sama. Berikutnya banyaknya ilmuwan data yang ikut, jumlah angkatan, kepadatan pertemuan, kebutuhan sumber daya komputasi untuk lab, kelas yang berjalan di tempat Anda atau daring, serta kota tempat sesi digelar. Angkanya kami susun begitu training needs analysis tanpa pungutan selesai dikerjakan.

Lingkungan lab ini kami bagi untuk 10 hingga 20 ilmuwan data, alhasil dua puluhan peserta tetap dalam satu angkatan, dan lima hari penuh sudah mencakup pipeline, katalog model, sampai pemantauannya. Lama persiapannya ditentukan oleh lingkungan lab dan izin akses data. Bila sasarannya benar-benar menaikkan satu model ke pemakaian harian, sediakan waktu tambahan sesudah kelas, sebab penyesuaian dengan sistem yang sudah berjalan di tempat Anda punya iramanya sendiri.

Bisa. Kelas ini menuntut instruktur yang pernah benar-benar mengantar model ke pemakaian nyata, sebab pertanyaan pelik justru muncul di bagian itu. Sampaikan ke koordinator program, sehingga instruktur rekayasa AI lain yang sudah tervalidasi bisa masuk. Modul lab, konfigurasi lab latihan, dan kemajuan tim data tersimpan pada sistem operasi kami, dan kelas berlanjut tanpa mengulang persiapan.

Langkah Berikutnya

Diskusikan rencana MLOps tim AI Anda

Kami petakan platform, peran, posisi maturity, dan use case prioritas Anda, lalu susun proposal & estimasi anggaran berbasis kebutuhan nyata.

  • Proposal, silabus per peran, dan peta kerangka (Google MLOps / Microsoft MLOps / NIST AI RMF / ISO 42001)
  • Lab di environment Anda dengan use case nyata; sandbox bila perlu
  • Dokumen siap procurement (company profile, NPWP, NDA, faktur PPN)
Minta ProposalKonsultasi Gratis

Jelajahi Lebih Lanjut

Topik Terkait

Pelatihan Ai Generatif KorporatLiterasi Data Analitik BisnisPelatihan Cloud ComputingPelatihan Docker Dan KubernetesPelatihan Devsecops Foundations

Pelatihan Membawa Model AI ke Pemakaian Sehari-hari untuk tim Perbankan & Jasa Keuangan Anda

Kami petakan platform, peran, posisi maturity, dan use case prioritas Anda, lalu susun proposal & estimasi anggaran berbasis kebutuhan nyata.

  • Proposal, silabus per peran, dan peta kerangka (Google MLOps / Microsoft MLOps / NIST AI RMF / ISO 42001)
  • Lab di environment Anda dengan use case nyata; sandbox bila perlu
  • Dokumen siap procurement (company profile, NPWP, NDA, faktur PPN)

Enam isian saja untuk memulai. Tim korporat kami yang membaca dan membalasnya.

Detail tambahan (opsional)

Isi kalau sudah ada gambarannya. Semua isian di bagian ini boleh dilewati, dan tim kami akan menanyakannya saat sesi analisa kebutuhan.