Modul 1 — Fundamental Digital Transformation

Membahas konsep dasar Digital Transformation serta keterkaitannya dengan bisnis, teknologi, data, dan manusia. Modul ini memberikan pemahaman mengenai manfaat, tantangan, serta pendorong utama transformasi digital, termasuk pendekatan customer-centric, otomatisasi berbasis data, serta pengambilan keputusan berbasis kecerdasan manusia dan mesin dalam lingkungan digital modern.

Pokok Bahasan:

• Memahami Digital Transformation
• Manfaat Digital Transformation
• Tantangan Digital Transformation
• Pendorong Bisnis dan Teknologi Digital Transformation
• Memahami Customer-Centricity
• Hubungan Product-Centric vs Customer-Centric
• Aksi Berbasis Nilai Relasi dan Warmth
• Interaksi Pelanggan Omnichannel
• Customer Journey dan Customer Data Intelligence
• Dasar-Dasar Data Intelligence
• Asal-Usul Data dan Sumber Data
• Metode Pengumpulan Data dan Jenis Pemanfaatan Data
• Pengambilan Keputusan Cerdas
• Pengambilan Keputusan Manual Berbantuan Komputer dan Keputusan Otomatis Berbasis Kondisi
• Pengambilan Keputusan Manual Cerdas vs Pengambilan Keputusan Otomatis Cerdas
• Pengambilan Keputusan Otomatis Berbasis Pemicu Langsung dan Berkala
• Pengambilan Keputusan Otomatis Real-Time

Modul 2 — Digital Transformation in Practice

Membahas implementasi nyata Digital Transformation melalui integrasi berbagai teknologi modern seperti AI, RPA, IoT, Machine Learning, Blockchain, Cloud Computing, dan Big Data. Modul ini menjelaskan bagaimana data masuk ke dalam sistem (data ingress), diproses menjadi data intelligence, serta digunakan untuk mendukung pengambilan keputusan manusia maupun otomatis. Peserta juga akan memahami bagaimana seluruh teknologi tersebut saling terhubung dalam arsitektur solusi Digital Transformation berbasis proses bisnis end-to-end.

Pokok Bahasan:

• Dasar Desain Solusi Terdistribusi
• Dasar Data Ingress, termasuk File Pull, File Push, API Pull, API Push, dan Data Streaming
• Pengenalan Digital Transformation
• Teknologi Otomasi
• Dasar Cloud Computing dan Cloud Computing dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Cloud Computing
• Dasar Blockchain dan Blockchain dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Blockchain
• Dasar Internet of Things (IoT) dan IoT dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum IoT
• Robotic Process Automation (RPA) dan RPA dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum RPA
• Pengenalan Teknologi Data Science dalam Digital Transformation
• Big Data dan Analitik Data serta Big Data dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Big Data
• Dasar Machine Learning dan Machine Learning dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Machine Learning
• Dasar Artificial Intelligence (AI) dan AI dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum AI
• Studi Menyeluruh Sistem Digital Transformation Berbasis Customer-Centric
• Pemetaan Teknologi Digital Transformation terhadap Proses Solusi
• Pelacakan Aliran dan Penggunaan Data Intelligence dalam Solusi Digital Transformation

Modul 4 — Fundamental Blockchain

Membahas konsep dasar blockchain secara menyeluruh mulai dari struktur, prinsip kerja, hingga penerapannya di berbagai industri. Peserta akan mempelajari model desentralisasi, distributed ledger, komponen utama blockchain, mekanisme transaksi, serta konsep konsensus dan kriptografi yang menjadi fondasinya. Modul ini juga mengulas jenis jaringan blockchain, smart contract, serta implikasi bisnis dan teknologi dari penerapan blockchain dalam sistem modern.

Pokok Bahasan:

• Manfaat dan Tantangan Blockchain
• Pendorong Bisnis dan Pendorong Teknologi Blockchain
• Memahami Model Desentralisasi Blockchain
• Proposisi Nilai Blockchain
• Cara Penggunaan Blockchain di Berbagai Industri
• Aplikasi Blockchain, Jaringan, dan Distributed Ledger (Buku Besar Terdistribusi)
• Hubungan Distributed Ledger dengan Database Relasional
• Komponen Fundamental Arsitektur Blockchain
• Transaksi, Catatan, dan Pool
• Blok, Rantai, dan Header Blok
• Pengguna Blockchain, Full Node, dan Partial Node
• Pemahaman Langkah demi Langkah Siklus Hidup Record dan Blok
• Pemahaman Langkah demi Langkah Cara Kerja Merkle Tree
• Pemahaman Langkah demi Langkah Cara Kerja Konsensus
• Algoritma Konsensus (PoW, PoS, PoA, DPoS, LPoS, PoI, PoET, PoC, PoB, Round Robin)
• Blockchain Publik vs Privat / Permissionless vs Permissioned
• Coin, Token, dan Smart Contract
• Dasar Hashing Kriptografi dan Kriptografi
• Aktivitas On-Chain, Off-Chain, dan Cross-Chain
• Memahami Soft Fork dan Hard Fork
• Metrik Umum dalam Blockchain

Modul 7 — Blockchain Architecture

Modul ini membahas arsitektur teknologi blockchain, mekanisme inti blockchain, serta pola desain yang digunakan untuk membangun solusi blockchain yang aman, andal, dan scalable. Peserta akan mempelajari komponen utama blockchain, proses konsensus, mekanisme validasi, serta berbagai pendekatan arsitektur untuk mendukung performa, integritas data, dan kebutuhan implementasi enterprise.

Pokok Bahasan:

• Mekanisme dan Artefak Umum Teknologi Blockchain
• Node Monitor, Automated Node Deployer, dan Node Placement Monitor
• Consensus Processor, Block Maker, dan Identity Federator
• Hashing Engine, Chaining Engine, Identity Verifier, dan Wallet
• Node Repository, Ledger Replicator, dan Live Node Migrator
• Pola Desain Blockchain untuk Integritas dan Validasi
• Block Singleton, Sidechain, dan Consensus Validasi Blok
• Pola Desain Blockchain untuk Skalabilitas dan Keandalan
• Auto-Scaling Node dan Guaranteed Minimum Full Nodes
• Geo Scaling dan Pembaruan Ukuran Blok
• Pola Desain Blockchain untuk Keamanan dan Privasi
• Transaksi On-Chain Paksa dan Federated Chain
• Perlindungan Data Pengguna
• Pola Desain Blockchain untuk Utilitas
• Penandaan Catatan Transaksi
• Lightweight Node dan Abstraksi Tugas Node

Modul 15 — Fundamental Cybersecurity

Membahas konsep dasar cybersecurity sebagai fondasi perlindungan sistem, data, dan infrastruktur digital. Peserta akan mempelajari risiko dan tantangan keamanan, karakteristik proteksi, terminologi ancaman siber, serta kerangka kerja dan standar keamanan yang umum digunakan. Modul ini juga mencakup manajemen risiko digital, metrik keamanan, serta hubungan cybersecurity dengan teknologi seperti machine learning dan artificial intelligence.

Pokok Bahasan:

• Sejarah Perlindungan Aset (Asset Protection)
• Pendorong Bisnis dan Teknologi Cybersecurity
• Tujuan dan Manfaat Cybersecurity
• Risiko dan Tantangan dalam Adopsi Cybersecurity
• Karakteristik dan Fungsi Proteksi Cybersecurity
• Terminologi Umum Ancaman Siber
• Komponen Kerangka Kerja Cybersecurity
• Penilaian dan Manajemen Risiko Digital
• Standar dan Framework Industri Cybersecurity
• Cybersecurity dan Machine Learning
• Cybersecurity dan Artificial Intelligence
• Resiliensi Cybersecurity, Penilaian Risiko, dan Metrik Efektivitas

Modul 16 — Advanced Cybersecurity

Membahas konsep lanjutan dalam arsitektur dan implementasi sistem keamanan siber melalui eksplorasi mekanisme, proses, serta jenis ancaman yang umum terjadi di lingkungan digital modern. Peserta akan mempelajari komponen utama cybersecurity seperti mekanisme proteksi dan monitoring, proses keamanan yang terstruktur, serta teknik mitigasi terhadap berbagai bentuk serangan siber. Modul ini juga mencakup analisis ancaman, deteksi insider threat, serta pendekatan penanganan insiden keamanan secara menyeluruh.

Pokok Bahasan:

• 15 Mekanisme Cybersecurity (termasuk Honeypots, Biometric Scanners, Intrusion Detection, Analisis Kode Berbahaya, dan User Behavior Analytics)
• 9 Mekanisme Monitoring Cybersecurity (termasuk Malware Monitor, Network Intrusion Monitor, dan Data Loss Prevention Monitor)
• 13 Proses Cybersecurity (termasuk Attack Surface Reduction, Continuous Vulnerability Management, serta Network Monitoring and Defense)
• Deteksi Insider Threat dan Manajemen Respons Insiden
• Cyber Threat Intelligence dan Motivasi Serangan Siber
• 13 Jenis Ancaman dan Serangan Siber Umum (termasuk Botnet, Tunneling, Remote Code Execution, dan Berbagai Jenis Malware)
• Insider Threat, Social Engineering, dan Phishing
• Advanced Persistent Threats (APTs)

Modul 1 — Fundamental Digital Transformation

Membahas konsep dasar Digital Transformation serta keterkaitannya dengan bisnis, teknologi, data, dan manusia. Modul ini memberikan pemahaman mengenai manfaat, tantangan, serta pendorong utama transformasi digital, termasuk pendekatan customer-centric, otomatisasi berbasis data, serta pengambilan keputusan berbasis kecerdasan manusia dan mesin dalam lingkungan digital modern.

Pokok Bahasan

• Memahami Digital Transformation
• Manfaat Digital Transformation
• Tantangan Digital Transformation
• Pendorong Bisnis dan Teknologi Digital Transformation
• Memahami Customer-Centricity
• Hubungan Product-Centric vs Customer-Centric
• Aksi Berbasis Nilai Relasi dan Warmth
• Interaksi Pelanggan Omnichannel
• Customer Journey dan Customer Data Intelligence
• Dasar-Dasar Data Intelligence
• Asal-Usul Data dan Sumber Data
• Metode Pengumpulan Data dan Jenis Pemanfaatan Data
• Pengambilan Keputusan Cerdas
• Pengambilan Keputusan Manual Berbantuan Komputer dan Keputusan Otomatis Berbasis Kondisi
• Pengambilan Keputusan Manual Cerdas vs Pengambilan Keputusan Otomatis Cerdas
• Pengambilan Keputusan Otomatis Berbasis Pemicu Langsung dan Berkala
• Pengambilan Keputusan Otomatis Real-Time

Modul 2 — Digital Transformation in Practice

Membahas implementasi nyata Digital Transformation melalui integrasi berbagai teknologi modern seperti AI, RPA, IoT, Machine Learning, Blockchain, Cloud Computing, dan Big Data. Modul ini menjelaskan bagaimana data masuk ke dalam sistem (data ingress), diproses menjadi data intelligence, serta digunakan untuk mendukung pengambilan keputusan manusia maupun otomatis. Peserta juga akan memahami bagaimana seluruh teknologi tersebut saling terhubung dalam arsitektur solusi Digital Transformation berbasis proses bisnis end-to-end.

Pokok Bahasan

• Dasar Desain Solusi Terdistribusi
• Dasar Data Ingress, termasuk File Pull, File Push, API Pull, API Push, dan Data Streaming
• Pengenalan Digital Transformation
• Teknologi Otomasi
• Dasar Cloud Computing dan Cloud Computing dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Cloud Computing
• Dasar Blockchain dan Blockchain dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Blockchain
• Dasar Internet of Things (IoT) dan IoT dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum IoT
• Robotic Process Automation (RPA) dan RPA dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum RPA
• Pengenalan Teknologi Data Science dalam Digital Transformation
• Big Data dan Analitik Data serta Big Data dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Big Data
• Dasar Machine Learning dan Machine Learning dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum Machine Learning
• Dasar Artificial Intelligence (AI) dan AI dalam Solusi Digital Transformation
• Risiko dan Tantangan Umum AI
• Studi Menyeluruh Sistem Digital Transformation Berbasis Customer-Centric
• Pemetaan Teknologi Digital Transformation terhadap Proses Solusi
• Pelacakan Aliran dan Penggunaan Data Intelligence dalam Solusi Digital Transformation

Modul 10-B — Fundamental Predictive AI

Modul ini membahas konsep dasar Predictive AI, termasuk manfaat, pendekatan pembelajaran, proses pelatihan model, serta penerapan AI dalam berbagai kebutuhan bisnis. Peserta juga akan mempelajari jenis-jenis Predictive AI, neural network, dan fungsi AI seperti computer vision, NLP, dan speech recognition.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi Predictive AI
• Manfaat Predictive AI
• Risiko dan Tantangan Penggunaan AI
• Kategori Masalah Bisnis yang Diselesaikan AI
• Jenis-Jenis Predictive AI
• Pendekatan Pembelajaran Predictive AI
• Training Loop dan Pelatihan Model AI
• Supervised, Unsupervised, dan Reinforcement Learning
• Heuristic dan Semi-Supervised Learning
• Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Model AI dan Neural Networks

Modul 17 — Fundamental Agentic AI

Modul ini membahas dasar Agentic AI dan konsep AI agent yang mampu memahami lingkungan, mengambil keputusan, dan bertindak secara otonom. Peserta akan mempelajari karakteristik AI agent, arsitektur dasar agen, serta konsep reasoning dan planning dalam sistem Agentic AI.

Pokok Bahasan

• Konsep dan Sistem AI
• Memahami AI Agents
• Membedakan Agentic AI dari Jenis AI Lainnya
• Karakteristik Inti Agen (Otonomi, Reaktivitas, Proaktif, Kemampuan Sosial)
• Konsep “Agency” dan Implikasinya dalam Sistem AI
• Persepsi: Sensor dan Cara Agen Mengumpulkan Informasi
• Penalaran: Pemrosesan Internal dan Pengambilan Keputusan
• Aksi: Aktuator dan Cara Agen Berinteraksi dengan Lingkungan
• Siklus Interaksi Agen–Lingkungan
• Arsitektur Dasar Agen: Simple Reflex, Model-Based Reflex, Goal-Based, dan Utility-Based Agents
• Pengantar Representasi Pengetahuan (Knowledge Representation/KR)
• Algoritma Perencanaan Dasar: State-Space Search dan Goal Stack Planning
• Pengantar Teori Keputusan dan Rational Agents
• Gambaran Umum Jenis-Jenis Agen

Modul 18 — Fundamental RPA

Modul ini membahas konsep dasar Robotic Process Automation (RPA), termasuk komponen, arsitektur, lifecycle, dan penggunaan bot untuk otomatisasi proses bisnis. Peserta akan mempelajari integrasi front-end dan back-end, serta berbagai skenario implementasi RPA untuk meningkatkan efisiensi operasional.

Pokok Bahasan

• Pengantar Robotic Process Automation (RPA)
• Pendorong Bisnis dan Teknologi RPA
• Tujuan dan Manfaat RPA
• Risiko dan Tantangan Implementasi RPA
• Integrasi Front-End dan Back-End
• Komponen RPA dan Bot Runners
• Arsitektur dan Model RPA
• RPA Lifecycle
• Integrasi Bot dengan Aplikasi dan API
• Automated Data Entry dan Routing
• Automated Web Searching
• Automated Data Search dan Fetch
• Automated Digitization
• Automated User Acceptance Testing (UAT)

Modul 19 — Advanced RPA & Intelligent Automation

Membahas integrasi antara Robotic Process Automation (RPA) dan Artificial Intelligence (AI) dalam membangun sistem Intelligent Automation (IA) yang lebih adaptif dan otonom. Modul ini memberikan pemahaman mengenai bagaimana otomasi berkembang dari berbasis aturan menjadi berbasis kecerdasan, termasuk konsep pengambilan keputusan otomatis serta penerapan AI dalam berbagai proses bisnis.

Pokok Bahasan

• Pengenalan Intelligent Automation dan Hyperautomation
• Pendorong Bisnis dan Teknologi Intelligent Automation
• Tujuan dan Manfaat Intelligent Automation
• Risiko dan Tantangan Intelligent Automation
• Komponen Solusi Intelligent Automation
• Intelligent Automation dan Business Process Management
• Pengenalan Artificial Intelligence (AI)
• Pemahaman Pengambilan Keputusan Otonom
• Pengambilan Keputusan Otomatis Berbasis Pemicu Langsung
• Pengambilan Keputusan Otomatis Berbasis Periode
• Pengambilan Keputusan Otomatis Real-Time
• Entri Data Otomatis Berbasis Kecerdasan
• Routing Otomatis Berbasis Kecerdasan
• Pencarian Web Otomatis Berbasis Kecerdasan
• Pencarian dan Pengambilan Data Otomatis Berbasis Kecerdasan
• Digitisasi Otomatis Berbasis Kecerdasan
• Skenario Penggunaan Automated User Acceptance Testing Berbasis Kecerdasan

Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam berbagai konteks bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh AI, termasuk berbagai pendekatan pembelajaran seperti supervised, unsupervised, dan reinforcement learning. Modul ini juga mencakup proses training model, neural networks, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition dalam sistem modern.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Umum Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif yang Umum
• Pembelajaran AI Prediktif dan Pelatihan Model
• Proses Training Loop Langkah demi Langkah
• Supervised Learning, Unsupervised Learning, dan Continuous Learning
• Heuristic Learning, Semi-Supervised Learning, dan Reinforcement Learning
• Desain Fungsional AI Prediktif: Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Pemahaman Model AI dan Neural Network

Modul 4 — Fundamental Generative AI

Membahas konsep dasar Generative AI serta penerapannya dalam berbagai skenario bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh generative models, termasuk dasar neural networks, model AI, dan algoritma pembelajaran. Modul ini juga mencakup arsitektur utama seperti GANs, VAEs, dan Transformers, proses pelatihan model, serta praktik terbaik dalam membangun sistem Generative AI yang efektif, aman, dan dapat diandalkan.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Umum Penggunaan Generative AI
• Kategori Masalah Bisnis yang Ditangani Generative AI
• Pemahaman Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Pelatihan Model Generative dan Pemahaman Training Loop
• Memahami Generative Adversarial Networks (GANs)
• Memahami Variational Autoencoders (VAE)
• Memahami Transformer
• Langkah-langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 19 — Fundamental AI Governance & Ethics

Modul ini membahas dasar AI Governance dan prinsip etika dalam pengembangan serta penggunaan sistem AI. Peserta akan mempelajari konsep fairness, transparency, accountability, data governance, mitigasi bias, serta pengelolaan risiko dan praktik responsible AI dalam siklus hidup sistem AI.

Pokok Bahasan

• Pengantar Tata Kelola AI (AI Governance) dan Prinsip Dasar AI Etis
• Memahami Fairness, Accountability, Transparency, dan Explainability (FATE)
• Mengatasi Bias dan Diskriminasi dalam Algoritma AI
• Peran Data Governance dalam Kerangka Tata Kelola AI
• Pengelolaan Pengumpulan dan Manajemen Data Pelatihan
• Menjamin Kualitas Data dan Pelacakan Data Lineage
• Teknik untuk Mengatasi dan Mengurangi Bias pada Dataset
• Aspek Etika di Seluruh Siklus Hidup Sistem AI
• Alat dan Teknik untuk Desain AI yang Etis
• Penggunaan Kerangka Penilaian Risiko untuk Mengidentifikasi dan Mengelola Risiko AI

Modul 20 — Advanced AI Governance & Ethics

Modul ini membahas tata kelola AI tingkat lanjut untuk memastikan sistem AI dikembangkan dan digunakan secara etis, transparan, aman, dan sesuai regulasi. Peserta akan mempelajari governance data AI, mitigasi bias, explainability, audit AI, serta penerapan ethical AI dalam lingkungan organisasi dan cloud.

Pokok Bahasan

• Governance Precepts and Processes for Training Data, termasuk Sensitive Data dan Representativeness
• Governance Precepts and Processes for Production Data, termasuk Monitoring for Drift dan Continuous Fairness
• Establishing AI Oversight and Auditing Mechanisms
• Bias Mitigation Strategies dan Achieving Explainability in Complex AI Models
• Operationalizing Ethical Principles dan Aligning AI with Values and Social Responsibility
• Adapting to Evolving Regulations
• Creating an AI Ethics Code of Conduct dan Communicating AI Ethics to the Organization
• Using AI Governance to Foster a Culture of Ethical AI Innovation
• Proactive Risk Management and Incident Response in AI
• Understanding Governance-Related Cloud AI Automation Mechanisms

Modul 21 — AI Governance & Ethics Lab

Modul ini merupakan praktik implementasi AI Governance dan Ethical AI melalui studi kasus dan latihan berbasis skenario. Peserta akan menerapkan konsep governance AI, mitigasi bias, monitoring, audit, dan pengelolaan risiko pada sistem AI. Menyelesaikan lab ini membantu memperkuat pemahaman terhadap topik-topik sebelumnya serta semakin menunjukkan bagaimana berbagai praktik dan teknologi dapat diterapkan secara bersama sebagai bagian dari solusi yang lebih besar.

Pokok Bahasan

• Penerapan AI Governance dalam Studi Kasus Nyata
• Implementasi Prinsip Ethical AI dalam Pengembangan dan Operasional Sistem AI
• Identifikasi dan Mitigasi Bias pada Model dan Dataset
• Monitoring Kinerja, Fairness, dan Kepatuhan Sistem AI
• Audit Sistem AI dan Evaluasi Tata Kelola
• Pengelolaan Risiko dan Respons terhadap Insiden AI
• Penerapan Data Governance dalam Siklus Hidup AI
• Evaluasi Explainability dan Transparency pada Model AI
• Penyusunan Rekomendasi Perbaikan Tata Kelola dan Etika AI
• Integrasi Praktik Governance, Monitoring, Audit, dan Risk Management dalam Solusi AI yang Komprehensif

Modul 16 — Fundamental Agentic AI

Modul ini membahas dasar Agentic AI dan konsep AI agent yang mampu memahami lingkungan, mengambil keputusan, dan bertindak secara otonom. Peserta akan mempelajari karakteristik AI agent, arsitektur dasar agen, serta konsep reasoning dan planning dalam sistem Agentic AI.

Pokok Bahasan

• Konsep dan Sistem AI
• Memahami AI Agents
• Membedakan Agentic AI dari Jenis AI Lainnya
• Karakteristik Inti Agen (Otonomi, Reaktivitas, Proaktif, Kemampuan Sosial)
• Konsep “Agency” dan Implikasinya dalam Sistem AI
• Persepsi: Sensor dan Cara Agen Mengumpulkan Informasi
• Penalaran: Pemrosesan Internal dan Pengambilan Keputusan
• Aksi: Aktuator dan Cara Agen Berinteraksi dengan Lingkungan
• Siklus Interaksi Agen–Lingkungan
• Arsitektur Dasar Agen: Simple Reflex, Model-Based Reflex, Goal-Based, dan Utility-Based Agents
• Pengantar Representasi Pengetahuan (Knowledge Representation/KR)
• Algoritma Perencanaan Dasar: State-Space Search dan Goal Stack Planning
• Pengantar Teori Keputusan dan Rational Agents
• Gambaran Umum Jenis-Jenis Agen

Modul 17 — Advanced Agentic AI

Modul ini membahas konsep dan implementasi Agentic AI tingkat lanjut, termasuk kolaborasi antar agen, advanced planning, reinforcement learning, serta pengambilan keputusan dalam lingkungan kompleks. Peserta juga akan mempelajari penerapan Agentic AI pada sistem otonom, robotics, dan large-scale agentic systems beserta tantangan scalability, reliability, dan ethical AI.

Pokok Bahasan

• Multi-Agent Systems (MAS): Konsep dan Manfaat
• Arsitektur MAS (Kontrol Terpusat vs Terdistribusi)
• Agent Communication Languages (ACLs) dan Protokol
• Koordinasi dan Kerja Sama dalam MAS
• Alokasi dan Distribusi Tugas, Strategi Negosiasi, dan Penyelesaian Konflik
• Arsitektur Agen Hierarkis
• Teknik Perencanaan Lanjutan
• Hierarchical Task Network (HTN)
• Perencanaan dan Pengambilan Keputusan dalam Ketidakpastian
• Continuous Planning
• Pengantar Reinforcement Learning (RL) untuk Optimisasi Kebijakan Agen
• Meta-Learning dan Transfer Learning dalam Sistem Agentic
• Explainable AI (XAI) untuk Memahami Penalaran Agen
• Agentic AI di Dunia Nyata (Robotika, Sistem Otonom, Problem Solving Kompleks, Industri Kreatif, dan Lainnya)
• Skalabilitas dan Kompleksitas dalam Sistem Agentic Berskala Besar
• Robustness dan Reliabilitas Sistem Agentic
• Verifikasi dan Validasi Perilaku Agen
• Implikasi Etika AI Agentic Lanjutan (Bias, Fairness, Transparansi)

Modul 18 — Agentic AI Lab

Modul ini merupakan praktik implementasi Agentic AI melalui studi kasus dan latihan berbasis skenario. Peserta akan menerapkan konsep AI agents, multi-agent systems, planning, reasoning, dan decision-making untuk menyelesaikan berbagai permasalahan dan membangun solusi Agentic AI yang terintegrasi.

Pokok Bahasan

• Konsep dan Sistem AI
• Memahami AI Agents
• Membedakan Agentic AI dengan Jenis AI Lainnya
• Karakteristik Inti Agen (Otonomi, Reaktivitas, Proaktif, Kemampuan Sosial)
• Konsep “Agency” dan Implikasinya dalam Sistem AI
• Persepsi: Sensor dan Cara Agen Mengumpulkan Informasi
• Penalaran: Pemrosesan Internal dan Pengambilan Keputusan
• Aksi: Aktuator dan Cara Agen Berinteraksi dengan Lingkungan
• Siklus Interaksi Agen–Lingkungan
• Arsitektur Dasar Agen: Simple Reflex, Model-Based Reflex, Goal-Based, dan Utility-Based Agents
• Pengantar Representasi Pengetahuan (Knowledge Representation/KR)
• Algoritma Perencanaan Dasar: State-Space Search dan Goal Stack Planning
• Pengantar Teori Keputusan dan Rational Agents
• Gambaran Umum Jenis-Jenis Agen

Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam berbagai konteks bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh AI, termasuk berbagai pendekatan pembelajaran seperti supervised, unsupervised, dan reinforcement learning. Modul ini juga mencakup proses training model, neural networks, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition dalam sistem modern.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Umum Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif yang Umum
• Pembelajaran AI Prediktif dan Pelatihan Model
• Proses Training Loop Langkah demi Langkah
• Supervised Learning, Unsupervised Learning, dan Continuous Learning
• Heuristic Learning, Semi-Supervised Learning, dan Reinforcement Learning
• Desain Fungsional AI Prediktif: Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Pemahaman Model AI dan Neural Network

Modul 4 — Fundamental Generative AI

Membahas konsep dasar Generative AI serta penerapannya dalam berbagai skenario bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh generative models, termasuk dasar neural networks, model AI, dan algoritma pembelajaran. Modul ini juga mencakup arsitektur utama seperti GANs, VAEs, dan Transformers, proses pelatihan model, serta praktik terbaik dalam membangun sistem Generative AI yang efektif, aman, dan dapat diandalkan.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Umum Penggunaan Generative AI
• Kategori Masalah Bisnis yang Ditangani Generative AI
• Pemahaman Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Pelatihan Model Generative dan Pemahaman Training Loop
• Memahami Generative Adversarial Networks (GANs)
• Memahami Variational Autoencoders (VAE)
• Memahami Transformer
• Langkah-langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 13 — Fundamental AI Architecture & Design

Membahas konsep dasar arsitektur sistem kecerdasan buatan (AI) serta pendekatan desain dalam membangun solusi AI modern. Modul ini memberikan pemahaman mengenai jenis arsitektur AI, ruang lingkup sistem, mode operasional, serta komponen inti yang membentuk pipeline AI mulai dari data hingga inferensi dan monitoring sistem.

Pokok Bahasan

• Perbandingan AI Product Architecture dan Custom AI Architecture
• Ruang Lingkup Arsitektur AI (System dan Solution)
• Mode Operasional Solusi AI (Training dan Production)
• Tipe Arsitektur Sistem AI (Monolithic, Modular, Hybrid)
• Penyimpanan Data Solusi AI (Internal, Eksternal, Hybrid)
• Komponen Inti Sistem AI
• Data Ingestion untuk Sumber Data Predictive AI dan Generative AI
• Data Preprocessing dalam Sistem AI
• Feature Engineering dalam Sistem AI
• Inference Engine dalam Sistem AI
• Model Repository dalam Sistem AI
• Monitoring Operasi (Performance, Resource)
• Monitoring Data (Input dan Output)
• Monitoring Model (Weight dan Gradient, Distribusi Aktivasi, Bias dan Fairness)
• Monitoring Tambahan (Explainability, Robustness, Adversarial Attack, Kualitas Data, Labeling Data)

Modul 14 — Advanced AI Architecture & Design

Membahas teknik lanjutan dalam perancangan arsitektur sistem AI dengan fokus pada skalabilitas, optimasi performa, dan ketahanan sistem. Modul ini memberikan pemahaman mengenai bagaimana sistem AI modern dirancang untuk menangani beban besar, pemrosesan terdistribusi, serta adaptasi berkelanjutan melalui pendekatan arsitektur yang efisien dan resilien.

Pokok Bahasan

• Pola Skalabilitas Sistem AI
• Distributed Data Processing dan Data Caching
• Data Partitioning dan Sharding
• Incremental Processing
• Hardware Acceleration
• Autoscaling dan Load Balancing
• Continuous Learning
• Pola Performa Sistem AI
• Parallelisme dan Concurrency
• Edge Caching dan Vectorization
• Data Compression
• Lazy Loading
• Pola Ketahanan (Resiliency) Sistem AI
• Fault Tolerance
• Graceful Degradation
• Chaos Engineering

Modul 15 — AI Architecture & Design Lab

Membahas penerapan konsep arsitektur sistem AI melalui serangkaian studi kasus dan latihan berbasis skenario nyata. Modul ini berfokus pada pengujian kemampuan peserta dalam merancang, mengoptimalkan, dan mengevaluasi sistem AI dalam kondisi operasional yang kompleks, termasuk beban real-time, keterbatasan sumber daya, serta kebutuhan skalabilitas dan akurasi model.

Pokok Bahasan

• Latihan membaca 15.1: Latar belakang studi kasus IVA
• Latihan lab 15.2: Pelatihan model untuk prediksi real-time
• Latihan lab 15.3: Komputasi real-time dan kehabisan sumber daya
• Latihan lab 15.4: Skalabilitas sistem dan akurasi model
• Latihan lab 15.5: Generasi konten yang andal dan error sistem
• Latihan membaca 15.6: Latar belakang studi kasus HealthV
• Latihan lab 15.7: Pelatihan LLM untuk generasi konten personalisasi
• Latihan lab 15.8: Optimasi distribusi konten dan akses jarak jauh
• Latihan lab 15.9: Volume data dan keterbatasan sumber daya
• Latihan lab 15.10: Monitoring real-time dan beban kerja yang fluktuatif

Modul 1 — Fundamental Digital Transformation

Membahas konsep dasar Digital Transformation serta keterkaitannya dengan bisnis, teknologi, data, dan manusia, termasuk customer-centricity, data intelligence, otomatisasi, dan pengambilan keputusan cerdas dalam lingkungan digital modern.

Pokok Bahasan:

• Memahami Digital Transformation
• Manfaat dan tantangan Digital Transformation
• Pendorong bisnis dan teknologi Digital Transformation
• Customer-centricity dan product-centric vs customer-centric
• Interaksi pelanggan omnichannel dan customer journey
• Customer data intelligence dan dasar-dasar data intelligence
• Asal-usul data, sumber data, dan metode pengumpulan data
• Jenis pemanfaatan data
• Pengambilan keputusan cerdas
• Pengambilan keputusan manual berbantuan komputer
• Pengambilan keputusan otomatis berbasis kondisi
• Pengambilan keputusan manual cerdas vs otomatis cerdas
• Pengambilan keputusan otomatis berbasis pemicu langsung dan berkala
• Pengambilan keputusan otomatis real-time

Modul 2 — Digital Transformation in Practice

Membahas implementasi Digital Transformation melalui integrasi teknologi modern seperti AI, RPA, IoT, Machine Learning, Blockchain, Cloud Computing, dan Big Data dalam solusi bisnis end-to-end berbasis data intelligence.

Pokok Bahasan:

• Dasar desain solusi terdistribusi
• Data ingress: file pull, file push, API pull, API push, dan data streaming
• Pengenalan Digital Transformation dan teknologi otomasi
• Cloud computing dalam solusi Digital Transformation
• Risiko dan tantangan cloud computing
• Blockchain dalam solusi Digital Transformation
• Risiko dan tantangan blockchain
• IoT dalam solusi Digital Transformation
• Risiko dan tantangan IoT
• Robotic Process Automation (RPA)
• Risiko dan tantangan RPA
• Teknologi data science dalam Digital Transformation
• Big Data dan analitik data
• Risiko dan tantangan Big Data
• Machine Learning dalam Digital Transformation
• Risiko dan tantangan Machine Learning
• Artificial Intelligence (AI) dalam Digital Transformation
• Risiko dan tantangan AI
• Studi sistem Digital Transformation berbasis customer-centric
• Pemetaan teknologi terhadap proses solusi
• Pelacakan aliran dan penggunaan data intelligence

Modul 3 — Fundamental Cloud Computing

Membahas konsep dasar cloud computing, termasuk virtualisasi, karakteristik cloud, model layanan SaaS, PaaS, dan IaaS, serta mekanisme arsitektur cloud modern untuk mendukung skalabilitas dan reliabilitas sistem.

Pokok Bahasan:

• Terminologi dan konsep dasar cloud computing
• Dasar-dasar virtualisasi
• Karakteristik utama cloud computing
• Elastisitas, resiliensi, on-demand usage, dan measured usage
• Manfaat, tantangan, dan risiko cloud computing
• Model layanan SaaS, PaaS, dan IaaS
• Mekanisme cloud computing sebagai building blocks arsitektur
• Server virtual, container, failover system, dan pay-per-use monitoring
• Auto-scaling listener, multi-device broker, dan resource replication
• Dukungan mekanisme cloud terhadap karakteristik cloud
• Containerization, container hosting, dan logical pod containers
• Perbandingan containerization dan virtualisasi
• Cloud balancing dan cloud bursting

Modul 5 — Fundamental IoT

Membahas konsep dasar Internet of Things (IoT), termasuk konektivitas perangkat, arsitektur IoT, komunikasi data, sensor, gateway, serta mekanisme messaging dan pemrosesan data real-time dalam ekosistem IoT modern.

Pokok Bahasan:

• Things, connectivity, data, processing, commands, dan business analytics
• Pendorong bisnis dan teknologi IoT
• Manfaat dan tantangan IoT
• Miniaturisasi dan nanoteknologi
• Konektivitas IoT dan data real-time kontekstual
• Domain bisnis IoT
• IoT vs internet
• Perangkat low-resource dan LPWAN
• Perangkat aktif dan pasif termasuk RFID
• Data telemetri dan command data
• Sensor, mikrokontroler, firmware, dan sumber daya listrik
• Gateway IoT dan edge/fog computing
• Platform IoT dan fungsi platform
• Lapisan dan desain arsitektur IoT
• Radio transport dan komunikasi IoT
• REST, HTTP, CoAP, dan MQTT dalam IoT
• Serialisasi data JSON dan Protocol Buffers

Modul 20 — Fundamental AI Architecture

Membahas dasar arsitektur sistem AI, termasuk jenis arsitektur, mode operasional, komponen inti AI, data processing, inference, serta monitoring sistem untuk solusi Predictive AI dan Generative AI.

Pokok Bahasan:

• Perbandingan AI Architecture dan AI Engineering
• AI product architectures dan custom AI architectures
• Cakupan arsitektur AI pada level sistem dan solusi
• Mode operasional training dan production
• Arsitektur sistem AI: monolithic, modular, dan hybrid
• Penyimpanan data AI: internal, external, dan hybrid
• Modul inti sistem AI
• Data ingestion untuk Predictive AI dan Generative AI
• Data preprocessing dan feature engineering
• Inference engine dan model repository
• Operations monitoring dan resource monitoring
• Data monitoring input dan output
• Model monitoring: weight, gradient, activation distribution, bias, fairness
• Ancillary monitoring: explainability, robustness, adversarial attack, kualitas data, dan data labeling

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis dan teknologi, termasuk karakteristik data, proses analisis, machine learning, Business Intelligence, visualisasi data, serta pertimbangan adopsi Big Data dalam organisasi.

Pokok Bahasan:

• Memahami Big Data
• Terminologi dan konsep dasar Big Data
• Pendorong bisnis dan teknologi Big Data
• Teknologi enterprise tradisional terkait Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Big Data
• Karakteristik data dalam lingkungan Big Data
• Jenis dataset dalam lingkungan Big Data
• Data terstruktur, tidak terstruktur, dan semi-terstruktur
• Metadata dan keakuratan data (data veracity)
• Analisis dasar dan analitik
• Analisis kuantitatif dan kualitatif
• Jenis-jenis machine learning
• Analitik deskriptif dan diagnostik
• Analitik prediktif dan preskriptif
• Business Intelligence dan Big Data
• Visualisasi data dan Big Data
• Adopsi Big Data dan pertimbangan perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning, analitik lanjutan, serta teknologi backend yang mendukung penyimpanan dan pemrosesan data skala besar.

Pokok Bahasan:

• Siklus hidup analisis Big Data
• A/B testing dan korelasi
• Regresi dan heat map
• Analisis deret waktu (time series analysis)
• Analisis jaringan dan analisis data spasial
• Klasifikasi dan clustering
• Filtering, collaborative filtering, dan content-based filtering
• Analisis sentimen dan text analytics
• Cluster serta pemrosesan beban kerja batch dan transaksional
• Hubungan cloud computing dengan Big Data
• Mekanisme teknologi dasar Big Data
• Penyimpanan data Big Data dan processing engines
• Resource manager, data transfer engine, dan query engine
• Analytics engine, workflow engine, dan coordination engine

Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam berbagai konteks bisnis dan teknologi, termasuk pendekatan pembelajaran AI, training model, neural network, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition.

Pokok Bahasan:

• Pendorong bisnis dan teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan tantangan umum penggunaan AI Prediktif
• Kategori masalah bisnis yang ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan pembelajaran AI Prediktif yang umum
• Pembelajaran AI Prediktif dan pelatihan model
• Proses training loop langkah demi langkah
• Supervised learning, unsupervised learning, dan continuous learning
• Heuristic learning, semi-supervised learning, dan reinforcement learning
• Desain fungsional AI Prediktif: computer vision dan pattern recognition
• Robotics dan Natural Language Processing (NLP)
• Speech recognition dan Natural Language Understanding (NLU)
• Pemahaman model AI dan neural network

Modul 2 — Microservice Technology Concepts

Membahas konsep dan teknologi dasar implementasi microservices, termasuk komunikasi layanan, pertukaran data, REST services, web services, serta konsep cloud computing dalam arsitektur layanan modern.

Pokok Bahasan:

• Perbandingan medium implementasi layanan
• Peran service roles dan service agents
• Message exchange patterns dan service activities
• Konsep dasar XML, XML Schema, JSON, dan JSON Schema
• HTTP methods, response codes, dan headers
• Konsep dasar REST service termasuk properti dan constraint
• REST services, contracts, resources, dan messaging
• Hypermedia dan late binding
• Konsep dasar WSDL dan SOAP
• WS-* technologies
• Web service contracts, messaging, dan registries
• Konsep cloud computing
• Vertical dan horizontal scaling
• Multitenancy, elasticity, dan resiliency
• On-demand usage, ubiquitous access, dan measured usage
• Public, private, dan hybrid clouds
• Model layanan IaaS, PaaS, dan SaaS

Modul 7 — Fundamental Predictive AI Engineering

Membahas teknik dasar rekayasa Predictive AI, termasuk preprocessing data, evaluasi model, optimasi performa, deployment, monitoring, serta arsitektur neural network untuk sistem AI prediktif.

Pokok Bahasan:

• Predictive AI model selection dan hyperparameter tuning
• Predictive AI model deployment, monitoring, dan maintenance
• Predictive AI bias detection dan mitigation
• Predictive AI model explainability dan interpretability
• Predictive AI model evaluation dan validation techniques
• Data preprocessing techniques, overfitting, dan regularization
• Performance optimization techniques for Predictive AI models
• Understanding predictive neural networks and models
• Neural network types, neurons, layers, links, dan weights
• Loss, hyperparameters, learning rate, bias, dan epoch
• Activation functions (Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Neuron cell types (input, hidden, recurrent, convolution, pool, output, dll.)
• Common neural network architectures for Predictive AI systems

Modul 10 — Fundamental Generative AI Engineering

Membahas praktik dasar rekayasa Generative AI, termasuk pengolahan data, prompt engineering, evaluasi model, optimasi performa, serta arsitektur neural network untuk sistem AI generatif.

Pokok Bahasan:

• Representasi data dan encoding
• Latent space dan manipulasi latent space
• Prompt engineering
• Metrik evaluasi model generatif
• Pemilihan model Generative AI dan hyperparameter tuning
• Deployment, monitoring, dan maintenance model Generative AI
• Deteksi dan mitigasi bias pada Generative AI
• Explainability dan interpretability model Generative AI
• Teknik evaluasi dan validasi model Generative AI
• Teknik preprocessing data, overfitting, dan regularization
• Teknik optimasi performa model Generative AI
• Memahami neural network generatif dan model-modelnya
• Tipe neural network, neuron, layer, link, dan weight
• Loss, hyperparameter, learning rate, bias, dan epoch
• Fungsi aktivasi (Leaky ReLU, Tanh, ReLU, Softmax, Sigmoid, Softplus)
• Tipe sel neuron (input, hidden, recurrent, convolution, pool, output, dll.)
• Arsitektur neural network umum untuk sistem Generative AI

Modul 13 — Fundamental AI Architecture & Design

Membahas konsep dasar arsitektur sistem AI dan pendekatan desain solusi AI modern, termasuk mode operasional, komponen inti AI pipeline, data processing, inference, serta monitoring sistem AI.

Pokok Bahasan:

• Perbandingan AI product architecture dan custom AI architecture
• Ruang lingkup arsitektur AI (system dan solution)
• Mode operasional solusi AI (training dan production)
• Tipe arsitektur sistem AI (monolithic, modular, hybrid)
• Penyimpanan data solusi AI (internal, eksternal, hybrid)
• Komponen inti sistem AI
• Data ingestion untuk Predictive AI dan Generative AI
• Data preprocessing dalam sistem AI
• Feature engineering dalam sistem AI
• Inference engine dalam sistem AI
• Model repository dalam sistem AI
• Monitoring operasi (performance dan resource)
• Monitoring data (input dan output)
• Monitoring model (weight, gradient, activation distribution, bias, fairness)
• Monitoring tambahan (explainability, robustness, adversarial attack, kualitas data, dan labeling data)

Modul 1 — Fundamental Digital Transformation

Membahas dasar Digital Transformation, termasuk customer-centricity, data intelligence, otomatisasi, dan pengambilan keputusan cerdas dalam lingkungan bisnis digital modern.

Pokok Bahasan:

• Memahami Digital Transformation
• Manfaat dan Tantangan Digital Transformation
• Pendorong Bisnis dan Teknologi
• Customer-Centricity dan Product-Centricity
• Interaksi Pelanggan Omnichannel
• Customer Journey dan Customer Data Intelligence
• Dasar Data Intelligence
• Pengumpulan dan Pemanfaatan Data
• Pengambilan Keputusan Cerdas
• Pengambilan Keputusan Manual dan Otomatis
• Pengambilan Keputusan Real-Time

Modul 2 — Digital Transformation in Practice

Membahas implementasi Digital Transformation melalui integrasi AI, RPA, IoT, Blockchain, Cloud Computing, Big Data, dan Machine Learning dalam proses bisnis end-to-end.

Pokok Bahasan:

• Dasar Desain Solusi Terdistribusi
• Data Ingress dan Data Streaming
• Teknologi Otomasi
• Cloud Computing dalam Digital Transformation
• Blockchain dalam Digital Transformation
• Internet of Things (IoT)
• Robotic Process Automation (RPA)
• Data Science dan Big Data Analytics
• Machine Learning dalam Digital Transformation
• Artificial Intelligence (AI)
• Risiko dan Tantangan Teknologi Digital
• Studi Solusi Customer-Centric
• Pemetaan Teknologi Digital Transformation
• Pemanfaatan Data Intelligence

Modul 3 — Fundamental Cloud Computing

Membahas dasar cloud computing, termasuk virtualisasi, model layanan cloud, containerization, serta mekanisme cloud yang mendukung skalabilitas dan reliabilitas sistem.

Pokok Bahasan:

• Konsep Dasar Cloud Computing
• Virtualisasi
• Karakteristik Cloud Computing
• Elastisitas, Resiliensi, dan On-Demand Usage
• SaaS, PaaS, dan IaaS
• Mekanisme Cloud Computing
• Virtual Server dan Container
• Auto-Scaling dan Resource Replication
• Containerization dan Container Hosting
• Containerization vs. Virtualisasi
• Cloud Balancing dan Cloud Bursting

Modul 4 — Fundamental Blockchain

Membahas dasar blockchain, termasuk desentralisasi, distributed ledger, konsensus, smart contract, dan penerapan blockchain dalam berbagai industri.

Pokok Bahasan:

• Manfaat dan Tantangan Blockchain
• Pendorong Bisnis dan Teknologi Blockchain
• Model Desentralisasi Blockchain
• Distributed Ledger dan Blockchain Network
• Komponen Fundamental Blockchain
• Transaksi, Blok, dan Rantai
• Full Node dan Partial Node
• Siklus Hidup Record dan Blok
• Merkle Tree dan Konsensus
• Algoritma Konsensus Blockchain
• Public vs. Private Blockchain
• Coin, Token, dan Smart Contract
• Hashing dan Kriptografi
• On-chain, Off-chain, dan Cross-chain
• Soft Fork dan Hard Fork
• Metrik Blockchain

Modul 5 — Fundamental IoT

Membahas dasar Internet of Things (IoT), termasuk perangkat IoT, konektivitas, data real-time, arsitektur IoT, dan komunikasi perangkat dalam sistem IoT modern.

Pokok Bahasan:

• Konsep Dasar IoT
• Pendorong Bisnis dan Teknologi IoT
• Konektivitas IoT dan Data Real-Time
• Domain Bisnis IoT
• LPWAN dan Resource-Constrained Devices
• RFID dan Perangkat IoT
• Sensor dan Telemetry Data
• Mikrokontroler dan Firmware
• IoT Gateway dan IoT Platform
• Edge Computing dan Fog Computing
• Lapisan Arsitektur IoT
• REST, HTTP, dan CoAP
• MQTT dan Publish-Subscribe
• JSON dan Protocol Buffers

Modul 6 — Cloud Architecture

Membahas arsitektur cloud computing, termasuk IaaS, provisioning, resource management, monitoring, scalability, dan optimasi layanan cloud modern.

Pokok Bahasan:

• Studi Kasus XIT
• Penyiapan Lingkungan IaaS
• Kustomisasi Arsitektur IaaS
• Karakteristik Cloud
• Studi Kasus Sport Blips
• Arsitektur Cloud Berkinerja Tinggi
• Optimasi Kinerja
• Arsitektur Cloud dengan Konektivitas Tinggi

Modul 7 — Blockchain Architecture

Membahas arsitektur blockchain, mekanisme inti blockchain, serta pola desain untuk membangun solusi blockchain yang aman, scalable, dan andal.

Pokok Bahasan:

• Mekanisme Teknologi Blockchain
• Node Monitoring dan Node Deployment
• Consensus Processor dan Block Maker
• Hashing Engine dan Wallet
• Ledger Replication dan Node Migration
• Pola Validasi dan Integritas Blockchain
• Sidechain dan Consensus Validation
• Pola Skalabilitas Blockchain
• Auto-Scaling Node dan Geo Scaling
• Pola Keamanan dan Privasi Blockchain
• Federated Chain dan Perlindungan Data
• Lightweight Node dan Node Task Abstraction

Modul 8 — IoT Architecture

Membahas arsitektur IoT, komponen perangkat IoT, komunikasi perangkat, pemrosesan telemetri, serta pola desain untuk sistem IoT yang scalable dan aman.

Pokok Bahasan:

• Sensor, Aktuator, Modem, dan Control Logic
• IoT Platform dan Gateway
• Device Shadow dan Device Registry
• Trusted Platform Module (TPM)
• Pola Distribusi Fungsi IoT
• Telemetry Processing
• Canonical Data Format dan Metadata
• Information Transduction dan Encoding
• Optimasi Performa IoT
• Observe Messaging dan Traffic Profile
• Reconnection dan Workload Regulation
• Keamanan dan Keandalan IoT
• Radio Transport Encryption
• Network-Based Positioning dan Triangulation

Modul 20 — Fundamental AI Architecture

Membahas dasar arsitektur sistem AI, termasuk modul inti AI, data processing, monitoring, dan pengelolaan sistem Predictive AI dan Generative AI.

Pokok Bahasan:

• AI Architecture vs. AI Engineering
• AI Product dan Custom AI Architectures
• Sistem dan Solusi AI
• Training dan Production Mode
• Monolithic, Modular, dan Hybrid Architecture
• Penyimpanan Data AI
• Modul Inti Sistem AI
• Data Ingestion dan Data Preprocessing
• Feature Engineering
• Inference Engine dan Model Repository
• Operations Monitoring
• Data dan Model Monitoring
• Explainability, Robustness, dan Fairness

Modul 21 — Advanced AI Architecture

Membahas arsitektur AI tingkat lanjut untuk skalabilitas, optimasi performa, dan ketahanan sistem AI modern.

Pokok Bahasan:

• Skalabilitas Sistem AI
• Distributed Processing dan Data Caching
• Data Partitioning dan Sharding
• Incremental Processing
• Hardware Acceleration
• Autoscaling dan Load Balancing
• Continuous Learning
• Paralelisme dan Konkurensi
• Edge Caching dan Vectorization
• Kompresi Data dan Lazy Loading
• Fault Tolerance
• Graceful Degradation
• Chaos Engineering

Modul 1 — Fundamental Cloud Computing

Membahas dasar cloud computing, termasuk virtualisasi, model layanan cloud, containerization, serta mekanisme cloud yang mendukung skalabilitas, elastisitas, dan reliabilitas sistem.

Pokok Bahasan:

• Terminologi dan Konsep Dasar Cloud Computing
• Dasar-dasar Virtualisasi
• Karakteristik Cloud Computing
• Elastisitas, Resiliensi, On-Demand, dan Measured Usage
• Manfaat, Tantangan, dan Risiko Cloud Computing
• Software as a Service (SaaS)
• Platform as a Service (PaaS)
• Infrastructure as a Service (IaaS)
• Mekanisme Cloud Computing
• Virtual Server, Container, dan Failover System
• Auto-Scaling, Multi-Device Broker, dan Resource Replication
• Containerization dan Container Hosting
• Containerization vs. Virtualisasi
• Cloud Balancing dan Cloud Bursting

Modul 2 — Cloud Technology Concepts

Membahas konsep dan mekanisme utama cloud computing, termasuk virtualisasi, containerization, keamanan cloud, cloud storage, serta layanan dan standar cloud modern.

Pokok Bahasan:

• Mekanisme Cloud Computing
• Virtual Server, Container, dan Failover System
• Auto-Scaling dan Resource Replication
• Containerization dan Logical Pod Containers
• Containerization vs. Virtualisasi
• Cloud Balancing dan Cloud Bursting
• Risiko, Ancaman, dan Kerentanan Cloud
• Mekanisme Keamanan Cloud
• Security Group dan Hardened Virtual Server
• Web Services dan REST Services
• Cloud Storage dan Teknologi Penyimpanan
• NoSQL dan Penyimpanan Relasional
• Pengujian Layanan Cloud
• Service Grid dan Autonomic Computing
• Organisasi Standar Industri Cloud

Modul 1 — Fundamental Predictive AI

Membahas dasar Predictive AI, termasuk pendekatan pembelajaran AI, training model, neural network, serta penerapan AI seperti computer vision, NLP, speech recognition, dan pattern recognition.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif
• Training Model dan Training Loop
• Supervised, Unsupervised, dan Continuous Learning
• Semi-Supervised, Heuristic Learning, dan Reinforcement Learning
• Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Neural Network dan Model AI

Modul 4 — Fundamental Generative AI

Membahas dasar Generative AI, termasuk model generatif, neural network, arsitektur GAN, VAE, dan Transformer, serta proses pelatihan model dan praktik terbaik implementasi AI.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Generative AI
• Kategori Masalah yang Ditangani Generative AI
• Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Training Model dan Training Loop
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 5 — Cloud AI Technology & Automation

Membahas infrastruktur cloud untuk pengembangan, pelatihan, deployment, monitoring, dan optimasi solusi Predictive AI dan Generative AI.

Pokok Bahasan:

• Cloud Computing untuk AI
• Infrastruktur Cloud AI
• GPU dan TPU untuk AI
• Layanan AI di Cloud
• AWS SageMaker, Azure Machine Learning, dan Google AI Platform
• Pre-built AI APIs
• Pengelolaan Data AI di Cloud
• Object Storage, Data Warehouse, dan Data Lake
• Pelatihan Model AI di Cloud
• Deployment Model AI
• Tata Kelola dan Kepatuhan Data AI
• Monitoring dan Optimasi Workload AI
• Keamanan dan Privasi AI

Modul 23 — Cloud AI Architecture & Design

Membahas arsitektur dan desain solusi AI berbasis cloud, termasuk infrastruktur AI, containerization, keamanan, skalabilitas, dan optimasi performa sistem AI modern.

Pokok Bahasan:

• Pengantar Arsitektur AI Berbasis Cloud
• Infrastruktur Cloud AI
• Komputasi dan Penyimpanan untuk AI
• Desain Jaringan untuk AI
• Integrasi AI dalam Arsitektur Cloud
• Tata Kelola Data dan Orkestrasi AI
• Serverless AI dan Microservices
• Containerization Lingkungan AI
• Hybrid Cloud dan Multi-Cloud AI
• Keamanan Arsitektur AI
• Kepatuhan dan Privasi AI
• Skalabilitas dan Optimasi Kinerja

Modul 24 — Cloud AI Architecture & Design Lab

Membahas penerapan arsitektur AI berbasis cloud melalui desain, deployment, monitoring, keamanan, dan optimasi sistem AI modern.

Pokok Bahasan:

• Prinsip Desain Arsitektur AI
• Hyper-Scaling Infrastruktur AI
• Arsitektur Data Real-Time
• Microservices dan Service Mesh
• Arsitektur Keamanan AI dan Zero-Trust
• Manajemen Siklus Hidup AI
• Otomasi dan Manajemen Resource AI
• Dataflow dan State Management
• Sistem AI Terdistribusi
• Monitoring dan Observability AI
• Disaster Recovery dan Business Continuity
• Interoperabilitas dan Standardisasi AI