Penapis Utama: Jangan Masuk Jika Benci Matematik
Saya sering melihat pelajar universiti yang ghairah menukar jurusan ke Sains Data atau AI semata-mata kerana terikut-ikut trend media sosial. Namun, semangat mereka luntur sebaik sahaja masuk ke kelas semester kedua.
Kenapa? Kerana AI sebenarnya adalah Matematik Gunaan (Applied Mathematics).
Ramai yang menyangka kerja ini sekadar menulis kod
import tensorflow. Hakikatnya, untuk menjadi Jurutera
AI yang bernilai tinggi di Malaysia, anda perlu faham apa yang
berlaku di "bawah hud":
- Linear Algebra: Bagaimana matriks data dimanipulasi.
- Calculus: Bagaimana algoritma "belajar" dan mengurangkan ralat (Backpropagation).
- Probability & Statistics: Asas kepada semua ramalan dan ketidaktentuan.
Bukan Sekadar Google: Siapa Upah AI Engineer Di Sini?
Di Lembah Klang dan Cyberjaya, landskap pekerjaan AI terbahagi kepada dua kategori utama. Penting untuk anda faham perbezaan ini supaya tidak tersalah jangkaan.
1. Pengguna & Pengintegrasi (The Implementers)
Ini adalah majoriti syarikat di Malaysia (Bank, Syarikat Telco, E-Dagang). Mereka tidak membina model bahasa besar (LLM) dari kosong seperti OpenAI.
Tugas anda di sini adalah mengambil model yang sedia ada (Open Source atau API), dan menyesuaikannya (*fine-tuning*) dengan data syarikat untuk tujuan spesifik:
- Bank (Maybank/CIMB): Mengesan transaksi kad kredit palsu (Fraud Detection).
- Insurans: Mengautomasikan tuntutan kemalangan melalui analisis gambar.
- Runcit: Mencadangkan produk kepada pelanggan (Recommendation Engine).
2. Pembina Produk Teras (The Builders)
Kumpulan ini lebih kecil tetapi sangat elit. Syarikat seperti Grab, Carsome, Aerodyne (Dron), atau startup teknologi khusus (Deep Tech). Di sini, AI adalah produk itu sendiri. R&D sangat berat dan anda mungkin perlu membaca kertas kajian akademik terkini setiap minggu.
Mitos "Iron Man" vs Realiti "Kuli Data"
Dalam filem, AI Engineer nampak seperti Tony Stark—bercakap dengan komputer dan hologram.
Realiti di pejabat: 80% masa anda akan dihabiskan untuk menjadi "Janitor Data" (Pencuci Data).
Data dunia sebenar sangat kotor. Tarikh lahir salah format, nama pelanggan berulang, data hilang, dan fail Excel yang rosak. Sebelum model AI boleh "belajar", anda perlu membersihkan semua kekalutan ini.
Graduan baru sering kecewa kerana mereka mahu buat "model training" sepanjang hari, tetapi akhirnya disuruh buat SQL query untuk bersihkan data selama 3 bulan.
Dilema Pendidikan: Bootcamp 3 Bulan vs Degree 4 Tahun
Bolehkah anda jadi AI Engineer dengan hanya masuk bootcamp koding selama 3 bulan?
Jawapan jujur saya: Sangat sukar, kecuali anda genius atau ada latar belakang teknikal lain.
Majikan di Malaysia masih konservatif. Untuk jawatan teknikal tinggi seperti ini, Ijazah Sarjana Muda (Sains Komputer, Kejuruteraan Perisian, Matematik, atau Statistik) masih menjadi tiket emas.
Bila Bootcamp Berguna?
Bootcamp sangat bagus untuk tujuan upskilling.
Contohnya, anda sudah ada Degree dalam Kejuruteraan Mekanikal dan
pandai matematik, lalu anda masuk bootcamp untuk belajar Python dan
Machine Learning. Gabungan ini (Domain Knowledge + Skill AI)
menjadikan anda calon yang sangat unik dan dikehendaki.
Potensi Pendapatan: Adakah Berbaloi Sakit Kepala?
Ya. Kerana halangan masuk (barrier to entry) bidang ini tinggi (sebab susah!), maka tawarannya rendah dan permintaannya tinggi. Ini formula ekonomi mudah untuk gaji mahal.
| Tahap Pengalaman | Anggaran Gaji Bulanan | Jangkaan Majikan |
|---|---|---|
|
Junior AI Engineer 0-2 Tahun |
RM4,500 - RM6,500 | Boleh guna Python, Pandas, Scikit-learn. Sanggup buat kerja pembersihan data. |
|
Mid-Level 3-5 Tahun |
RM7,000 - RM12,000 | Boleh deploy model ke produksi (MLOps), faham Cloud (AWS/GCP). |
|
Senior / Lead 5+ Tahun |
RM15,000 - RM25,000+ | Boleh reka bentuk arkitektur sistem AI berskala besar dan memimpin pasukan. |
Nota: Gaji boleh melonjak lebih tinggi jika anda bekerja secara remote untuk syarikat Singapura atau Amerika Syarikat.
Peta Jalan: Di Mana Nak Mula?
Jangan cuba belajar semua benda serentak. Fokus ikut turutan ini untuk membina asas yang kukuh:
Kuasai Python & Matematik
Ini adalah bahasa rasmi AI. Jangan beralih arah selagi tak mahir Python asas. Sambil itu, asah semula Statistik dan Aljabar Linear anda.
Machine Learning Klasik
Sebelum sentuh "Deep Learning", fahamkan algoritma asas seperti Linear Regression, Decision Trees, dan Clustering. Scikit-learn adalah kawan baik anda.
Deep Learning & Frameworks
Barulah belajar rangkaian neural (Neural Networks). Pilih satu framework utama: PyTorch (popular dalam penyelidikan) atau TensorFlow (popular dalam industri).
MLOps (The Missing Link)
Ini yang membezakan hobi dengan profesional. Belajar cara letak model anda di server (Deployment), pantau prestasi model, dan guna Docker/Kubernetes.
Catatan Realiti: Nota Editorial
Artikel ini bertujuan memberi gambaran realistik kerjaya teknologi tahap tinggi. Sila ambil perhatian:
- Pembelajaran Sepanjang Hayat: Bidang AI bergerak terlalu pantas. Apa yang anda belajar tahun ini mungkin usang tahun depan. Anda perlu ada disiplin membaca "paper" terkini setiap minggu.