Data Science dan Infrastruktur
Bagi saya, Data Science tidak berhenti hanya pada tahap akurasi model di dalam Jupyter Notebook. Model kecerdasan buatan yang hebat harus bisa dijalankan, diakses, dan diintegrasikan ke dalam sebuah sistem. Itulah mengapa minat terbesar saya berada di titik temu antara pemrosesan data tingkat lanjut, Artificial Intelligence, dan arsitektur server.
Berikut adalah hal-hal teknis yang sering membuat saya lupa waktu saat sedang bereksperimen:
Eksplorasi Machine Learning & Computer Vision
Saya sangat menikmati proses "mengajari" komputer untuk memahami pola dari data yang kompleks. Mulai dari mengolah data tabular jutaan baris menggunakan LightGBM dan XGBoost, hingga masuk ke ranah Computer Vision. Bereksperimen dengan arsitektur seperti U-Net untuk segmentasi gambar, atau membangun sistem Face Anti-Spoofing adalah tantangan bagi saya.
Di luar itu, mengutak-atik model pemrosesan bahasa alami (NLP) dengan IndoBERT atau BERTopic untuk melakukan ekstraksi informasi dari teks berbahasa Indonesia juga menjadi salah satu fokus eksperimen saya.
Local LLM & Infrastruktur AI Mandiri
Belakangan ini, saya sangat terobsesi dengan gagasan AI sovereignty—menjalankan model kecerdasan buatan secara lokal tanpa bergantung pada API pihak ketiga. Dengan memanfaatkan GPU yang saya miliki, saya secara rutin bereksperimen dengan inference server lokal.
Saya menggunakan tools seperti Ollama dan vLLM untuk me-hosting model-model mutakhir seperti Qwen, hingga Gemma. Membangun pipeline Retrieval-Augmented Generation (RAG) menggunakan vector database seperti ChromaDB lalu menghubungkannya dengan LLM lokal adalah salah satu kepuasan tersendiri.
Homelab: Membangun "Pabrik" Data Sendiri
Untuk mendukung semua beban komputasi AI tersebut, saya merancang homelab server saya sendiri menggunakan Proxmox VE. Saya tidak sekadar membuat Virtual Machine, tetapi merancang arsitektur microservices memanfaatkan container (LXC) dan Docker.
Minat saya di sini berfokus pada membangun ekosistem data yang mandiri. Misalnya, menggunakan MinIO untuk object storage (mirip AWS S3) secara lokal, atau mengatur otomatisasi aliran data (data pipeline) menggunakan n8n.
Jaringan Server & Deployment Praktis
Model yang sudah dilatih tentu harus bisa diakses. Saya sangat menikmati proses mengekspos aplikasi AI lokal saya ke internet dengan aman. Mengonfigurasi jaringan menggunakan Tailscale, mengatur reverse proxy dengan Nginx Proxy Manager, dan mengamankan jalur masuk dengan Cloudflare Tunnels adalah rutinitas devops yang bagi saya sama menyenangkannya dengan menulis kode Python.
Prinsip saya: Jika saya bisa melatih sebuah model, maka saya juga harus bisa meracik backend (seperti Flask), membangun database-nya (PostgreSQL), dan melakukan deployment ke server hingga menjadi layanan utuh yang siap digunakan.