Belajar Berenang dengan Langsung Nyemplung ke Kolam yang Dalam

Saya menghabiskan banyak waktu untuk mengulik komponen-komponen penting dalam RAG:

• Data Chunking: Eksperimen intensif pada tahap pra-pemrosesan data dokumen. Mengatur ukuran chunk dan overlap yang optimal sangat menentukan relevansi konteks yang diambil saat user melempar pertanyaan ke sistem.
• Embedding Models: Memilih dan menguji model embedding yang tepat agar representasi vektor dari data krusial tersebut memiliki kedekatan semantik yang akurat saat proses retrieval.
• Fine-Tuning & Guardrails: Selain mengandalkan RAG, saya juga mengeksplorasi opsi fine-tuning dan pengetatan instruksi (system prompt engineering) demi memastikan model tetap berada di dalam koridor referensi data yang valid dan dengan tegas menolak menjawab jika informasi tidak ditemukan.

3. Kolaborasi Tunggal dan Fasilitasi Penuh

Dalam proyek berskala krusial ini, relasi kerja sama terjalin secara langsung dan efisien. Struktur tim berjalan dalam bentuk kemitraan tunggal antara saya dan pemilik proyek:

• Pemilik Proyek (Partner): Bertindak sebagai fasilitator penuh yang menyediakan seluruh kebutuhan infrastruktur, API keys, lingkungan komputasi, dan pemenuhan kebutuhan development.
• Saya (Solo Engineer): Memegang kendali penuh atas eksekusi teknis dari hulu ke hilir—mulai dari riset arsitektur RAG, perancangan pipeline data backend, hingga integrasi UI pada aplikasi mobile.

4. Batasan Hanya Ada di Pikiran

Proses intensif selama 3 bulan ini membuktikan bahwa batasan kapabilitas sering kali hanyalah batasan psikologis yang kita buat sendiri di dalam kepala. Melangkah keluar dari zona nyaman sebagai Backend Developer murni menuju integrasi AI dan Mobile memang menguras energi, tetapi kurva pembelajaran (learning curve) dan pertumbuhan kompetensi yang didapatkan sebanding dengan kerja keras yang dikeluarkan.

Terima kasih banyak kepada pemilik proyek atas ruang tumbuh, fasilitas, dan kepercayaan penuh yang telah diberikan sepanjang proses ini. Build, learn, and grow!