Pelatihan Agentic AI untuk Bank Jateng

Pada September 2025, saya mendapat kesempatan melatih tim Bank Jateng (Bank Pembangunan Daerah Jawa Tengah) membangun sistem Agentic AI — bersama rekan trainer Bayuzen Ahmad. Artikel ini adalah studi kasus dari sisi kurikulum dan pendekatan: apa yang kami ajarkan, kenapa materinya disusun seperti itu, dan pelajaran apa yang bisa diambil perusahaan lain yang ingin melatih timnya di bidang AI. Catatan: sesuai etika pelatihan korporat, tidak ada data internal, use case spesifik, maupun materi rahasia bank yang dibahas di sini.

Konteks: kenapa bank melatih timnya membangun Agentic AI

Perbankan adalah salah satu industri yang paling berhati-hati mengadopsi AI — dan justru karena itu pelatihannya harus lebih dalam dari sekadar "cara pakai ChatGPT". Tim teknologi bank perlu memahami cara kerja sistem AI dari dalam: bagaimana model dilatih, bagaimana data internal bisa dihubungkan ke LLM secara aman, dan bagaimana semuanya dipantau setelah berjalan. Karena itu pelatihan ini dirancang hands-on penuh: peserta membangun sendiri setiap komponennya, bukan menonton demo.

Apa yang saya ajarkan

Pelatihan dibagi dua trek dengan Bayuzen Ahmad; porsi saya mencakup lima blok materi berikut:

• Machine Learning fundamentals — supervised learning, evaluasi model, dan kapan ML klasik lebih tepat daripada LLM. Fondasi ini penting supaya tim tidak memakai LLM untuk masalah yang sebenarnya cukup diselesaikan model sederhana.
• Google Colab sebagai lingkungan praktik — dipilih supaya semua peserta langsung bisa praktik tanpa instalasi apa pun di laptop kantor; penting di lingkungan korporat yang laptopnya dikunci IT.
• Retrieval-Augmented Generation (RAG) — membangun pipeline dari dokumen ke jawaban: chunking, embedding, vector store, dan retrieval, supaya LLM menjawab berdasarkan dokumen institusi, bukan mengarang.
• Fine-tuning LLM — kapan fine-tuning diperlukan (dan kapan tidak), plus praktik langsung melatih model pada data berlabel untuk kebutuhan yang lebih spesifik dari yang bisa dijangkau RAG.
• LLMOps dengan LangSmith — tracing, monitoring, dan evaluasi aplikasi LLM. Di industri seperti perbankan, kemampuan mengaudit "kenapa AI menjawab seperti ini" bukan fitur opsional — ini syarat kelayakan produksi.

Trek agentic AI dalam pelatihan ini dibangun di atas stack LangChain dan LangGraph dengan model Gemini dan OpenAI — mencakup koordinasi multi-agent, tool execution, dan memory — sehingga di akhir program peserta melihat gambaran utuh: dari model, ke pipeline data, ke agent yang bisa mengeksekusi tugas, sampai monitoring produksinya.

Tiga pelajaran untuk perusahaan yang ingin melatih timnya

• Mulai dari fondasi, bukan dari tool yang sedang tren. Peserta yang paham cara kerja embedding dan retrieval bisa beradaptasi ke framework apa pun; peserta yang hanya hafal satu tool akan tersesat begitu tool-nya berganti versi.
• Hands-on mengalahkan slide. Materi yang sama, jika dipraktikkan langsung di Colab, melekat jauh lebih lama — dan menghasilkan pertanyaan yang jauh lebih tajam dari peserta.
• Observability harus diajarkan sejak hari pertama, bukan sebagai materi lanjutan. Tim yang terbiasa membaca trace di LangSmith sejak awal akan membangun aplikasi LLM yang bisa dipertanggungjawabkan — krusial untuk industri teregulasi.

English summary

In September 2025, I delivered corporate Agentic AI training for Bank Jateng (the regional development bank of Central Java, Indonesia), co-teaching with Bayuzen Ahmad. My track covered machine learning fundamentals, hands-on practice in Google Colab, Retrieval-Augmented Generation, LLM fine-tuning, and LLMOps with LangSmith; the agentic track was built on LangChain and LangGraph with Gemini and OpenAI models, covering multi-agent coordination, tool execution, and memory. Key lessons for companies training their teams: start from fundamentals rather than trending tools, make every session hands-on, and teach observability from day one — in regulated industries like banking, being able to audit why an AI answered the way it did is a production requirement, not a nice-to-have. No internal bank data or confidential use cases are discussed in this article.