Langsung ke konten
Sektor Perbankan & Jasa Keuangan

Jasa Pelatihan Asisten AI Dokumen untuk Sektor Perbankan & Jasa Keuangan

Bank butuh jawaban yang dapat dipertanggungjawabkan ke auditor: analis kredit dan compliance officer mencari klausul kebijakan, POJK terkait, atau memo komite belasan tahun. RAG menghemat waktu pencarian secara signifikan, tetapi setiap jawaban wajib menampilkan sumber dan tidak boleh mencampur data nasabah ke prompt model publik. Indeks vector menjadi shadow database baru yang harus tunduk pada kebijakan klasifikasi data bank.

  • 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
8-20 per batch (engineer-grade)
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 Asisten AI yang Menjawab dari Dokumen Perusahaan berbeda di Perbankan & Jasa Keuangan

Bank butuh jawaban yang dapat dipertanggungjawabkan ke auditor: analis kredit dan compliance officer mencari klausul kebijakan, POJK terkait, atau memo komite belasan tahun. RAG menghemat waktu pencarian secara signifikan, tetapi setiap jawaban wajib menampilkan sumber dan tidak boleh mencampur data nasabah ke prompt model publik. Indeks vector menjadi shadow database baru yang harus tunduk pada kebijakan klasifikasi data bank.

KPI sektor
  • Skor faithfulness pada golden eval set kebijakan bank
    Konsisten di atas baseline kualitas yang ditetapkan tim risiko TI
  • Cakupan klasifikasi data per chunk
    Hampir seluruh chunk ber-tag klasifikasi sebelum tayang ke pengguna
  • Insiden citation hilang / jawaban tanpa sumber
    Mendekati nol setelah hardening pipeline
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 sebagai data pribadi
  • OWASP Top 10 for LLM Applications 2025 — LLM06 sensitive information disclosure, LLM08 vector & embedding weaknesses
Peran sasaran di Perbankan & Jasa Keuangan
  • Head of IT Risk & Cybersecurity
  • AVP Data Architecture
  • Lead AI/ML Engineer
  • Head of Compliance & DPO
  • Senior Credit Analyst
  • Head of Digital Banking Engineering
Hasil yang umum diminta di Perbankan & Jasa Keuangan
  • Analis kredit & compliance dapat menanyakan kebijakan dengan jawaban berkutub citation pasal/dokumen
  • Klasifikasi data per chunk diterapkan: publik / internal / terbatas / rahasia masuk indeks berbeda dengan ACL berbeda
  • Tim risiko TI memiliki pemetaan arsitektur RAG ke POJK 11 dan SEOJK 29
  • Vector store dipantau seperti database produksi: akses, refresh, backup, dan retensi
  • Tidak ada data nasabah masuk ke embedding model publik tanpa data masking / tokenisasi
Pertanyaan khas Perbankan & Jasa Keuangan
Apakah RAG ini dapat berjalan di on-premise atau private cloud bank?
Bisa. Modul deployment mencakup opsi sepenuhnya on-prem (vector DB self-hosted seperti Qdrant atau pgvector + embedding model lokal seperti BGE multilingual) dan opsi private VPC dengan endpoint Azure OpenAI / Bedrock. Pemilihan ditentukan oleh hasil data residency assessment bank.
Bagaimana memastikan RAG selaras POJK 11/POJK.03/2022?
Kami petakan komponen RAG (ingestion, indeks, retrieval, generation, observability) ke pasal-pasal manajemen risiko TI POJK 11: tata kelola, manajemen perubahan, keamanan informasi, business continuity. Output pelatihan mencakup arsitektur diagram + RACI yang dapat dilampirkan ke kertas kerja SKAI.
Apakah Neksus bisa lewat proses vendor onboarding bank (RAS, NDA, KYC vendor)?
Bisa. Neksus telah biasa melalui RAS bank, menandatangani NDA, dan menyediakan dokumen KYC vendor (akta, NPWP, sertifikat domisili, profil tim, BCP ringkas). Faktur PPN dan format kontrak bank Indonesia didukung.

Jawaban Singkat

Pelatihan RAG korporat adalah program engineering yang membangun retrieval-augmented generation end-to-end di atas corpus perusahaan: chunking, embedding, vector DB (Pinecone/Weaviate/Qdrant/pgvector), orkestrasi LangChain/LlamaIndex, evaluasi RAGAS & TruLens, plus hardening OWASP LLM Top 10 2025, NIST AI RMF GenAI Profile, dan UU PDP.

Konsultasi Gratis

Tanpa evaluasi terstruktur, RAG hanya 'rasa benar'

Demo RAG tampak meyakinkan; produksi RAG menuntut bukti. Golden eval set, RAGAS faithfulness/context precision, dan regression test sebelum release adalah dasar agar perubahan retriever atau prompt tidak diam-diam menurunkan kualitas. Program ini memasang fondasi evaluasi sejak hari pertama.

Keamanan dipetakan ke OWASP LLM Top 10 2025

Modul keamanan dipetakan eksplisit ke OWASP LLM01 prompt injection, LLM06 sensitive information disclosure, LLM08 vector & embedding weaknesses, dan LLM09 misinformation, plus NIST AI RMF GenAI Profile (NIST AI 600-1) dan UU PDP.

Kesalahan paling umum: melompat ke vector DB tanpa chunking & evaluasi

Banyak tim sibuk memilih vector database lalu kecewa karena kualitas jawaban tetap rendah. Chunking yang tepat, embedding yang cocok corpus, dan golden eval set lebih menentukan dibanding pilihan DB. Program ini menempatkan prioritas pada urutan yang benar.

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)

Asisten AI yang Menjawab dari Dokumen Perusahaan

Pelatihan RAG korporat adalah program teknis yang membekali tim engineering, data, dan produk membangun retrieval-augmented generation untuk aplikasi LLM perusahaan, dari strategi chunking dokumen, pemilihan embedding model, indeks pada vector database (Pinecone, Weaviate, Qdrant, pgvector), orkestrasi LangChain/LlamaIndex, sampai evaluasi kualitas dengan RAGAS dan TruLens, dengan kontrol risiko yang dipetakan ke OWASP LLM Top 10 2025, NIST AI RMF GenAI Profile (NIST AI 600-1), dan kewajiban UU PDP No. 27/2022.

1Berbasis paper asal 'Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks' (Lewis et al. 2020) dan praktik produksi LangChain/LlamaIndex versi terkini
2Mencakup empat pilar evaluasi RAGAS: faithfulness, answer relevancy, context precision, context recall, plus monitoring TruLens triad
3Pemetaan eksplisit ke OWASP LLM Top 10 2025: LLM01 prompt injection, LLM06 sensitive information disclosure, LLM08 vector & embedding weaknesses, LLM09 misinformation/hallucination
4Strategi chunking lanjutan: fixed-size, sentence/paragraph, semantic chunking, parent-document, recursive character splitter
5Studi kasus dipilih dari corpus perusahaan Anda (kebijakan, SOP, ticket, dokumentasi produk), tidak generik
6Output terukur: 1 prototipe RAG ready-to-iterate, golden eval set, dashboard RAGAS, dan blueprint produksi
7Bahan rujukan dan perkakas kelas ini: paper asal retrieval-augmented generation (Lewis et al. 2020), strategi chunking, pemilihan embedding dan vector database, orkestrasi LangChain serta LlamaIndex, dan evaluasi memakai RAGAS dan TruLens.

Hasil Terukur

Hasil yang Diharapkan

Indikator dipetakan ke Kirkpatrick L1-L4; target kualitatif yang ditetapkan bersama saat TNA, tanpa janji angka yang tidak dapat dibuktikan.

Cara kerja asisten dokumen dipahami
Seluruh peserta lulus asesmen konsep retrieve→augment→generate, chunking strategy, dan trade-off embedding model. Dinilai lewat asesmen alur ambil, sisipkan, dan jawab (Kirkpatrick L2).
Purwarupa asisten selesai di akhir kelas
Tiap kelompok kerja menghasilkan 1 prototipe RAG fungsional di akhir intensif, terintegrasi corpus perusahaan. Terlihat pada purwarupa yang dijalankan tiap kelompok di akhir kelas (Kirkpatrick L3).
Jawaban asisten terbukti akurat
Skor RAGAS faithfulness & context precision di atas baseline yang ditetapkan tim, terukur pada golden eval set. Terbaca dari skor ketepatan jawaban pada soal uji yang disepakati (Kirkpatrick L4).
Pengaman keamanan sudah terpasang
Peserta lulus checklist OWASP LLM Top 10 2025 untuk arsitektur RAG yang dibangun. Diperiksa lewat daftar periksa keamanan model bahasa (Kirkpatrick L2).
Rancangan siap dibawa ke produksi
Dokumentasi deployment, observability (TruLens/Langfuse), dan SOP refresh index disetujui IT/keamanan. Wujudnya dokumen rancangan yang disetujui tim keamanan (transfer Kirkpatrick L3).
Nilai rupiah per use case (opsional)
Perhitungan net benefit per use case yang diisolasi dari faktor lain, bila keuangan meminta. Taksiran per use case memakai Phillips L5 ketika diminta keuangan.

Format Program

Pilihan Format Program

Dipilih sesuai kematangan tim, kompleksitas corpus, dan target deployment, final ditetapkan setelah TNA. Tim Anda sudah memegang purwarupa yang berjalan sesudah lima hari itu. Tim yang ingin asistennya benar-benar dipakai sehari-hari meneruskannya lewat program tiga sampai empat bulan untuk merapikan mutu jawaban, memperluas cakupan dokumen, dan menyiapkan operasionalnya.

1

RAG Use Case Sprint (2 hari)

Sprint terfokus membangun satu prototipe RAG di atas corpus internal nyata: scoping pertanyaan target, chunking awal, indeks, dan evaluasi tahap pertama dengan RAGAS.

Cocok untuk: Tim yang ingin validasi cepat sebelum komit ke produksi
2

RAG Engineering Intensive (4-5 hari)

Pendalaman lengkap: chunking lanjutan, hybrid search (BM25 + dense), reranker, multi-vector retrieval, evaluasi RAGAS + TruLens, observability, dan hardening OWASP LLM.

Cocok untuk: Tim engineering/data/produk yang membangun asisten internal produksi
3

RAG Bootcamp Modular (6-8 sesi)

Sesi mingguan dengan jeda eksperimen di antaranya: peserta mempraktikkan, membawa hasil, dan dikoreksi sebelum sesi berikutnya. Cocok untuk tim yang tidak bisa lepas operasional.

Cocok untuk: Tim engineering dengan beban operasional rutin
4

RAG Maturity Program (3-4 bulan)

Program berkelanjutan dengan office hours, code review, dan checkpoint maturity per kuartal, sampai RAG masuk produksi dengan SLA dan dashboard observability terpelihara.

Cocok untuk: Organisasi dengan target deployment lintas use case

Konsultasi Gratis

Bangun RAG produksi dengan tim engineering Anda

Kami petakan corpus, kematangan tim, dan target deployment, lalu susun proposal & estimasi biaya berbasis kebutuhan nyata.

Minta Proposal

Kurikulum

Kerangka Kurikulum

Disusun dengan ADDIE; modul final dikurasi sesuai hasil TNA. Cakupan di bawah adalah penuh, bisa diaktifkan sebagian sesuai kematangan tim.

  • Mengapa RAG: knowledge cutoff, halusinasi, biaya fine-tuning vs retrieval (Lewis et al. 2020)
  • Anatomi RAG: ingestion → retrieval → augmentation → generation
  • RAG vs fine-tuning vs prompt-only vs agentic, kriteria keputusan
  • Use case yang cocok untuk RAG vs use case yang sebaiknya tidak RAG
  • Lanskap framework: LangChain, LlamaIndex, Haystack, perbedaan filosofi

  • Parsing dokumen kompleks: PDF berlapis, tabel, gambar, slide, email, ticket
  • Strategi chunking: fixed-size, sentence-based, semantic, parent-document, recursive character splitter
  • Trade-off ukuran chunk vs overlap vs context window LLM
  • Metadata yang menentukan: source, author, tanggal, klasifikasi data
  • Refresh strategy: full reindex vs incremental upsert vs CDC

  • Pemilihan embedding model: OpenAI text-embedding-3, Cohere embed-v3, BGE, E5, multilingual untuk bahasa Indonesia
  • Vector database opsi: Pinecone, Weaviate, Qdrant, Milvus, pgvector, kriteria pilih (cost, latency, hybrid search, RBAC, residency)
  • Indeks ANN: HNSW, IVF, product quantization, implikasi recall & memory
  • Hybrid search: dense + sparse (BM25), reciprocal rank fusion
  • Reranker (Cohere Rerank, ColBERT, cross-encoder) untuk presisi top-K

  • LangChain LCEL chains & LlamaIndex query engines, kapan pakai apa
  • Multi-vector retrieval (HyDE, parent-document, summary index)
  • Query transformation: query expansion, decomposition, step-back prompting
  • RAG agentic: router, query planner, multi-hop, self-correcting RAG
  • Caching layer (semantic cache) untuk biaya & latency

  • Membangun golden eval set bersama subject matter expert internal
  • RAGAS empat metrik inti: faithfulness, answer relevancy, context precision, context recall
  • TruLens triad: context relevance, groundedness, answer relevance
  • Observability produksi: Langfuse, Arize Phoenix, traces & spans
  • Regression testing: CI/CD untuk prompt & retriever changes

  • OWASP LLM Top 10 2025 untuk RAG: LLM01 prompt injection, LLM06 sensitive information disclosure, LLM08 vector & embedding weaknesses, LLM09 misinformation
  • Klasifikasi data sebelum masuk vector store + access control per chunk
  • Citation & attribution: setiap jawaban menampilkan sumber dapat diverifikasi
  • NIST AI RMF GenAI Profile (NIST AI 600-1), Govern/Map/Measure/Manage untuk RAG
  • UU PDP No. 27/2022: data pribadi di corpus, hak hapus, residency
  • Blueprint deployment: containerisasi, scaling, secret management, audit log

Perbandingan

Memilih Format Program RAG

Matriks keputusan ringkas, final ditetapkan setelah training needs analysis.

AspekRAG Use Case Sprint (2 hari)RAG Engineering Intensive (4-5 hari)RAG Bootcamp Modular (6-8 sesi)RAG Maturity Program (3-4 bln)
Tujuan utamaValidasi 1 use caseKapabilitas teknis penuhBelajar paralel operasionalProduksi dengan SLA
Peserta idealTim ML kecil dgn case konkretEngineering team menengah-besarTim engineering operasionalBeberapa tim lintas use case
Kedalaman evaluasiRAGAS dasarRAGAS + TruLens + observabilityRAGAS + iterasi eksperimenFull eval + regression CI/CD
Level evaluasi trainingKirkpatrick L1-L2Kirkpatrick L1-L3Kirkpatrick L1-L3Kirkpatrick L1-L4 (+Phillips L5)
Paling cocok untukCek viabilitas sebelum investTim yang ingin produksi cepatTim padat operasionalTarget deployment lintas use case

Untuk Siapa

Untuk Siapa Program Ini?

Engineer-grade, peserta diasumsikan dasar Python & API LLM. TNA memetakan baseline agar konten relevan.

ML/AI Engineer & Data Scientist

Membangun pipeline RAG end-to-end dari ingestion sampai evaluasi observable di produksi.

Tantangan umum

  • Prototipe RAG bagus di notebook, drop kualitasnya di corpus nyata
  • Tidak tahu cara mengukur kualitas RAG selain 'feels right'
  • Pilihan vector DB & embedding sekedar mengikuti tutorial, tanpa kriteria sendiri

Software Engineer & Platform Engineer

Mengintegrasikan RAG ke aplikasi internal, mengurus deployment, observability, dan SLA.

Tantangan umum

  • Latency RAG tidak terkendali, biaya API LLM bocor
  • Tidak ada CI/CD untuk perubahan prompt & retriever
  • Audit log & citation belum cukup untuk review keamanan

Product Manager AI / Tech Lead

Memilih use case RAG yang layak, menetapkan kriteria kualitas, dan menyeimbangkan biaya vs nilai.

Tantangan umum

  • Sulit menilai use case mana yang cocok RAG vs prompt-only vs fine-tuning
  • Tidak punya kerangka evaluasi yang dapat dipresentasikan ke pimpinan
  • Vendor lock-in pada satu framework/DB tanpa exit strategy

Tim Keamanan, Data Governance & Legal

Memastikan corpus, indeks, dan jawaban patuh kebijakan keamanan, data privacy, dan regulasi sektor.

Tantangan umum

  • Vector store jadi shadow database tanpa klasifikasi data
  • Tidak ada pemetaan ke OWASP LLM Top 10 2025 dan NIST AI RMF
  • UU PDP, hak hapus & data minimisation belum diterjemahkan ke arsitektur RAG

Konteks Industri

Penerapan per Industri

Setiap industri punya corpus, regulasi, dan kriteria akurasi yang berbeda, RAG didesain mengikutinya.

Perbankan & Jasa Keuangan

Asisten internal untuk analis kredit & compliance yang menjawab dari dokumen kebijakan, POJK terkait, manual produk, dan memo komite, dengan citation wajib dan klasifikasi data per chunk.

Teknologi & Startup

Asisten dokumentasi & dev-portal untuk engineer: jawab dari dokumentasi internal, ADR, runbook, ticket Jira/Linear, dengan reranker, hybrid search, dan observability Langfuse/TruLens di produksi.

Lihat di konteks Teknologi & Startup →
Kesehatan & Farmasi

Asisten klinis pendukung keputusan (non-diagnostik) yang menjawab dari pedoman PPK, formularium rumah sakit, dan SOP, dengan citation, batas kasus, dan jejak audit untuk Komite Medik.

Lihat di konteks Kesehatan & Farmasi →
BUMN

Asisten kebijakan internal lintas anak perusahaan: jawab dari peraturan korporat, SOP, kebijakan AKHLAK turunan, dan rekomendasi audit, dengan jejak yang dapat diaudit BPK dan SPI.

Lihat di konteks BUMN →
Pemerintahan & Sektor Publik

Asisten ASN untuk pencarian peraturan, kebijakan, dan surat dinas, dengan klasifikasi informasi (terbuka/terbatas/rahasia), citation wajib, dan jejak audit inspektorat.

Lihat di konteks Pemerintahan & Sektor Publik →
Pendidikan & Institusi Akademik

Asisten akademik & layanan mahasiswa: jawab dari peraturan akademik, panduan kurikulum, FAQ layanan, dengan citation dan batas peran (tidak menggantikan dosen wali / akademik).

Lihat di konteks Pendidikan & Institusi Akademik →

Metode Pengiriman

Cara Pelaksanaan

Pelatihan engineer-grade: praktik intensif dengan lab nyata, code review, dan rancang arsitektur.

In-house tatap muka

Fasilitator datang ke kantor; lab dijalankan di laptop peserta dengan corpus perusahaan (di lingkungan aman). Cocok untuk intensif 3-5 hari.

Live online

Kelas interaktif via Zoom/Teams dengan screen-share code review, breakout per tim use case, dan rekaman sesi. Cocok untuk bootcamp modular bertahap.

Hybrid

Sesi tatap muka untuk arsitektur & lab intensif, dilanjutkan office hours online untuk pengembangan prototipe dan code review berkelanjutan.

Jadwal disusun mengikuti kalender release & sprint engineering
Lab dapat dijalankan di lingkungan sandbox (cloud sandbox atau private VPC perusahaan)
Materi, notebook, dan template arsitektur disiapkan tim Neksus
Sertifikat keikutsertaan untuk tiap peserta
Laporan evaluasi pasca-pelatihan untuk tim L&D & VP Engineering

Alur Pelaksanaan

Alur Kerja Sama (Engagement Path)

Dari kebutuhan ke RAG produksi terukur, durasi kualitatif, disesuaikan skala.

1

Training Needs Analysis & Corpus Discovery

Pemetaan kematangan tim, kompleksitas corpus, regulasi sektor, dan target use case. Output: profil kebutuhan + baseline pengukuran + scoping use case pertama.

Tahap awal
2

Desain Program (ADDIE)

Penyusunan tujuan pembelajaran, silabus engineering-grade, golden eval set draft, dan blueprint arsitektur referensi sesuai stack tim.

Sebelum delivery
3

Delivery, Lab Intensif

Hands-on lab: ingestion → chunking → embedding → indeks → retrieval → augmentation → generation. Tiap kelompok membawa corpus internal untuk use case nyata.

Inti program
4

Evaluasi & Hardening

Pengukuran RAGAS/TruLens, hardening OWASP LLM Top 10 2025, pemetaan tata kelola (NIST AI RMF GenAI Profile, ISO/IEC 42001, UU PDP).

Setelah lab
5

Office Hours & Pilot Produksi

Coaching pengembangan prototipe ke pilot produksi terbatas: observability Langfuse, SOP refresh index, audit log, CI/CD prompt & retriever.

Pasca-intensif
6

Evaluasi Kirkpatrick & Roadmap Lanjutan

Laporan Level 1-3 (kehadiran, asesmen, perilaku/adopsi), opsi Level 4-5 bila pilot terukur, plus roadmap maturity per use case lanjutan.

Pasca program

Studi Kasus

Pola Hasil Tipikal

Ilustrasi pola dampak dari struktur program serupa; tanpa nama klien atau angka yang dijanjikan.

Tim engineering perusahaan teknologi yang sudah punya prototipe RAG namun stuck di kualitas

Intervensi

Intensif 5 hari fokus chunking lanjutan, hybrid search, reranker, evaluasi RAGAS, observability Langfuse

Hasil

Skor faithfulness & context precision pada golden set meningkat dibanding baseline; tim memiliki regression test sebelum tiap release

Divisi data BUMN yang ingin asisten kebijakan internal lintas anak perusahaan

Intervensi

Program berkelanjutan 4 bulan + champion network engineer per anak perusahaan + tata kelola ISO/IEC 42001

Hasil

Beberapa pilot RAG masuk produksi terbatas dengan klasifikasi data dan audit log; SPI memiliki kertas kerja review yang siap pakai

Tim ML institusi keuangan yang baru memulai RAG

Intervensi

Workshop 2 hari + sprint use case pertama + pemetaan OWASP LLM Top 10 2025

Hasil

Satu prototipe RAG untuk kebijakan internal dengan citation berjalan; tim memiliki blueprint deployment yang disetujui IT risk

Informasi Pengadaan

Informasi untuk Procurement & Vendor Management

Kelengkapan untuk tim pengadaan, keuangan, hukum, dan keamanan informasi.

Penawaran

Proposal teknis: tujuan pembelajaran terukur, silabus, peta keamanan (OWASP LLM/NIST AI RMF GenAI Profile/ISO 42001/UU PDP), profil fasilitator engineer, jadwal, rincian biaya berbasis TNA.

Model harga

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

Pembayaran & pajak

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

Proses BUMN/pemerintah

Terbiasa pengadaan BUMN/instansi: dokumen vendor, e-procurement, HPS/penawaran, klausul kepatuhan SPBE.

Pengukuran

Laporan evaluasi Kirkpatrick Level 1-3 (kehadiran, asesmen, hasil lab); Phillips ROI Level 5 atas permintaan keuangan.

Kerahasiaan & keamanan data

NDA, klausul kerahasiaan, dan praktik lab yang tidak memaksa data rahasia masuk model publik (selaras OWASP LLM & UU PDP).

Kepemilikan materi

Notebook, golden eval set, dan blueprint yang dibangun untuk perusahaan menjadi milik perusahaan; hak pakai materi pelatihan disepakati di kontrak.

FAQ

Pertanyaan Umum

Tutorial online berhenti di prototipe notebook dengan corpus PDF kecil. Pelatihan ini membahas masalah yang muncul ketika RAG bertemu corpus perusahaan nyata: parsing dokumen kompleks, klasifikasi data per chunk, hybrid search & reranker, evaluasi terstruktur dengan RAGAS, observability produksi, dan hardening OWASP LLM Top 10 2025. Studi kasus dipilih dari corpus Anda sendiri.

Untuk mayoritas use case pengetahuan perusahaan, RAG cukup dan lebih hemat. Fine-tune dipertimbangkan ketika butuh perubahan gaya bahasa konsisten, output terstruktur ketat, atau domain knowledge yang tidak bisa di-retrieve. Modul kurikulum membahas decision tree antara prompt-only, RAG, fine-tune, dan kombinasinya dengan kriteria nyata.

Tidak ada pilihan universal, kriteria pemilihan dibahas eksplisit: cost (managed vs self-hosted), latency, hybrid search support, RBAC, data residency. Kami latih trade-off Pinecone, Weaviate, Qdrant, Milvus, dan pgvector. Pilihan final ditetapkan setelah TNA dengan masukan tim keamanan & infrastruktur.

Dengan golden eval set yang dibuat bersama subject matter expert internal + framework evaluasi: RAGAS (faithfulness, answer relevancy, context precision, context recall) dan TruLens triad (context relevance, groundedness, answer relevance). Skor dijadikan baseline; perubahan retriever / prompt diuji regresi terhadap baseline ini sebelum release.

Tiga lapis: (1) klasifikasi data per chunk sebelum masuk indeks; (2) ACL pada vector store sehingga retrieval menghormati peran pengguna; (3) embedding & generation pakai endpoint privat (private VPC, on-prem, atau enterprise tier dengan no-training-on-data). Pemetaan eksplisit ke OWASP LLM06 dan LLM08, serta kewajiban UU PDP, ada di modul keamanan.

Bergantung kompleksitas corpus & integrasi. Pola umum: prototipe siap-iterasi di akhir intensif 3-5 hari; pilot produksi terbatas dalam 1-3 bulan dengan office hours; produksi penuh dengan SLA bisa 3-6 bulan untuk use case kompleks. Roadmap ditetapkan saat TNA.

Ya. Modul 'Orkestrasi & Pola Retrieval Lanjutan' membahas RAG agentic: router, query planner, multi-hop, self-correcting RAG (RAG-Fusion, Self-RAG, CRAG). Termasuk OWASP LLM06 excessive agency, batas aman ketika agen RAG dapat memanggil tool atau menulis ke sistem.

Ada. Kami latih pilihan embedding multilingual yang kuat untuk Indonesia (multilingual-e5, BGE-M3), tantangan tokenisasi Bahasa Indonesia di reranker, dan teknik query expansion sinonim/akronim umum di domain Anda. Studi kasus berlangsung dengan corpus Bahasa Indonesia nyata.

Modul tata kelola memetakan komponen RAG ke ISO/IEC 42001: AI policy, AI impact assessment, peran & tanggung jawab, audit log, manajemen risiko, continual improvement. Output: blueprint tata kelola RAG yang dapat dilampirkan ke dokumen AI Management System organisasi.

Ya. Laporan mencakup kehadiran, skor asesmen teknis, hasil lab, skor golden eval set tiap kelompok, dan rekomendasi langkah lanjutan untuk L&D dan VP Engineering, dipetakan ke level Kirkpatrick. Atas permintaan tim, engineer yang menuntaskan lab RAG diberi sertifikat keikutsertaan yang memuat kompetensi retrieval dan evaluasi yang sudah dilatih.

Keadaan dokumen yang akan dipakai menentukan paling besar, sebab arsip yang sudah rapi berbeda jauh dari tumpukan berkas pindaian yang perlu dibersihkan lebih dulu. Menyusul pertanyaan apakah kelas memakai dokumen internal Anda, karena itu menuntut penyiapan akses dan penyamaran informasi sensitif. Lapisan peserta, jumlah kursi, banyaknya angkatan, kepadatan pertemuan, kebutuhan lingkungan lab berikut sumber daya komputasinya, tempat pelaksanaan, serta kota penyelenggaraan menggenapi hitungan. Angkanya kami serahkan begitu training needs analysis tanpa bayaran menelaah arsip Anda.

Satu purwarupa dikerjakan berkelompok oleh 8 hingga 20 peserta, jadi rombongan dua puluhan orang cukup satu gelombang. Lima hari penuh sudah cukup sampai purwarupanya berjalan dan mutu jawabannya terukur. Yang paling sering menggeser tanggal adalah penyiapan dokumen berikut izin aksesnya, jadi urus bagian itu jauh sebelum hari pertama. Mengangkatnya menjadi layanan yang dipakai sehari-hari menempuh waktu tambahan sesudah kelas.

Bisa. Kelas ini mensyaratkan instruktur yang pernah bergulat dengan arsip perusahaan yang berantakan, sebab di situlah persoalan sebenarnya muncul. Sampaikan ke koordinator program, lalu instruktur asisten dokumen lain yang sudah tervalidasi masuk ke kelas. Modul lab, konfigurasi lingkungan, kumpulan soal uji, dan kemajuan tiap kelompok terparkir di sistem operasi kami, lalu kelas berlanjut tanpa menyiapkan ulang.

Langkah Berikutnya

Bangun RAG produksi dengan tim engineering Anda

Kami petakan corpus, kematangan tim, dan target deployment, lalu susun proposal & estimasi biaya berbasis kebutuhan nyata.

  • Proposal, silabus, dan peta keamanan
  • Dokumen siap procurement (company profile, NPWP, NDA, faktur PPN)
  • Pengukuran dampak Kirkpatrick (Phillips ROI atas permintaan)
Minta ProposalKonsultasi Gratis

Jelajahi Lebih Lanjut

Topik Terkait

Pelatihan Ai Generatif KorporatPelatihan Prompt Engineering Knowledge Workers DeepLiterasi Data Analitik BisnisKeamanan Siber Kesadaran Karyawan

Pelatihan Asisten AI yang Menjawab dari Dokumen Perusahaan untuk tim Perbankan & Jasa Keuangan Anda

Kami petakan corpus, kematangan tim, dan target deployment, lalu susun proposal & estimasi biaya berbasis kebutuhan nyata.

  • Proposal, silabus, dan peta keamanan
  • Dokumen siap procurement (company profile, NPWP, NDA, faktur PPN)
  • Pengukuran dampak Kirkpatrick (Phillips ROI atas permintaan)

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.