Model AI

Pembahasan RAG, retrieval, chunking, embedding, grounding, dan cara mengevaluasi jawaban berbasis dokumen.

Pembahasan attention, query-key-value, hubungan antar token, dan perannya dalam model bahasa modern.

Pembahasan fine-tuning, data pelatihan, evaluasi, risiko overfitting, dan kapan fine-tuning lebih tepat daripada prompt biasa.

Pembahasan agent loop, tool use, observasi, evaluasi, dan batas aman saat membangun AI agent.

Materi lengkap tentang tokenizer, token, biaya context, dan cara menulis prompt yang lebih efisien.

Penjelasan embedding, vektor, semantic search, dan perannya dalam RAG serta rekomendasi.

Panduan ringkas tentang loss, backpropagation, training loop, dan pentingnya test dalam pengembangan AI.

Penjelasan token, context window, dan attention sebagai fondasi memahami cara kerja LLM modern.