Publications Bagaimana Praktisi Beradaptasi dengan Perubahan Teknologi?

Bagaimana Praktisi Beradaptasi dengan Perubahan Teknologi?

Juli 5, 2023

Jika waktu Anda untuk membaca artikel ini secara utuh terbatas, berikut poin-poin yang dapat Anda petik dari wawancara Pacmann dengan beberapa praktisi industri teknologi di Indonesia mengenai cara beradaptasi dengan perubahan pesat teknologi:

  • Dalam beberapa tahun terakhir, terdapat banyak perubahan teknologi terutama di bidang AI/ML dan engineering yang mendorong peningkatan permintaan dari sisi industri.
  • Perubahan teknologi pada bidang AI, ML, data, dan engineering memungkinkan barrier to entry lebih rendah bagi para pekerja di bidang itu berkat aksesibilitas perkembangan tech stacks di bidang itu
  • Praktisi di industri harus terbuka dan terus memperbarui pengetahuan mereka akan state-of-the-art teknologi melalui riset-riset dan diskursus aktual dari sumber-sumber kredibel di berbagai media, baik academic research, buku, publikasi organisasi terkemuka, maupun forum diskusi pakar dan praktisi.
  • Tidak semua teknologi termutakhir membawa manfaat kepada praktisi dan perusahaan, sehingga penting untuk menilai apakah solusi teknologi terbaru betul-betul dapat menjadi pain reliever bagi user.

Bagian kedua dari publikasi ini dapat Anda baca melalui tautan berikut: Bagaimana Cara Perusahaan Berkompetisi dalam Inovasi?

Ekonom abad ke-20, Joseph Schumpeter berpendapat bahwa teknologi selalu berubah dan menghasilkan sesuatu lebih efisien. Perubahan ini menciptakan fenomena “creative destruction”; dalam hal ini, cara atau teknologi lama akan tergantikan oleh sesuatu yang lebih efisien. Itu menyebabkan teknologi lama menjadi usang dan tidak lagi tepat guna, bahkan memunculkan pekerjaan-pekerjaan baru yang terkait dengannya. Misalnya, kemunculan ChatGPT berpotensi mengubah bagaimana cara kita menerapkan solusi berbasis teknologi NLP. 

Perkembangan inilah yang memaksa pelaku industri beradaptasi dan mengejar ketertinggalan dalam mempraktikkan teknologi terbaru di perusahaan mereka. Secara tidak langsung, itu menciptakan iklim kompetisi dalam menghasilkan terobosan. Profesor di Harvard University, Clayton Christensen, dalam bukunya yang bertajuk Innovator’s Dilemma menyatakan bahwa perusahaan-perusahaan besar dapat tergantikan oleh perusahaan-perusahaan yang lebih kecil, jika mereka terlalu fokus pada current market dan tertinggal oleh perusahaan yang lebih inovatif.

Lalu, bagaimanakah cara para pelaku industri teknologi mengikuti dan beradaptasi dengan teknologi yang selalu berubah ini? Untuk itu, kami mewawancarai beberapa pelaku industri IT di Indonesia mengenai pandangan dan cara mereka menghadapi perubahan teknologi.

Apa latar belakang Anda?

Riyad

Riyad Rivandi, CTO at Pacmann AI and Valiance (LinkedIn)

Saya adalah software engineer dengan pengalaman sembilan (9) tahun di bidang teknologi. Di awal karier saya, pekerjaan saya mencakup data integration, backend engineering, serta cloud engineering. Tujuh (7) tahun terakhir saya berfokus pada pengembangan sistem machine learning (ML), serta manajemen operasi dari ML atau lebih dikenal sebagai MLOps yang merupakan irisan dari ML, data engineering, dan DevOps. Saat ini saya menjadi CTO di Pacmann dan Valiance, sebuah perusahaan penyedia jasa pendidikan dan konsultasi ML. Saya mengepalai tim software engineering, data science, dan data engineering. Tanggung jawab saya pada umumnya adalah menjadi solution architect untuk masalah engineering di perusahaan.

Aria

Aria Ghora Ph.D., AI Engineer (LinkedIn)

Saat ini saya adalah seorang AI research engineer. Sebelumnya, saya menempuh pendidikan doktoral di Korea Selatan dengan fokus riset di bidang ML selama lima (5) tahun. Selepas itu, saya melanjutkan jalur karier menjadi ML engineer selama beberapa tahun. Keseharian saya dalam bekerja adalah memproduksi hasil riset guna memenuhi kebutuhan klien dan berkontribusi terhadap pengembangan produk di perusahaan. Kurang lebih, pekerjaan saya berada di spektrum antara data scientist dan ML engineer.

Doni 

Doni Rubiagatra, Partner and Head of Engineering at Zero One Group (LinkedIn)

Saya bekerja sebagai Partner and Head of Engineering di Zero One Group, sebuah perusahaan konsultan teknologi yang menangani klien multinasional. Sehari-hari saya menangani divisi engineering secara strategis, manajerial, dan teknis. Dalam lima (5) tahun terakhir, saya dan tim telah mengerjakan berbagai macam proyek seperti pembuatan software optimasi manufaktur menggunakan pemodelan matematis dan dasbor global yang melacak penggunaan pembangkit listrik bertenaga batu bara (bloombergcoalcountdown.com).

Ardya 

Ardya Dipta Nandaviri, Head of Data at Kalbe (LinkedIn)

Saat ini saya memegang posisi Head of Data Science and Business Insights di Kalbe Corporation kurang lebih sejak sebulan lalu. Sebelumnya, saya berkarier di Gojek selama 5 tahun 8 bulan; pengalaman karier saya di sana bermula sebagai Senior Data Scientist hingga pada akhirnya menjadi Lead Data Scientist/DS Manager. Dalam lima (5) tahun terakhir, cakupan pekerjaan saya termasuk membantu meningkatkan performa bisnis perusahaan dengan data science. Saya memimpin sebuah tim dengan komposisi data analyst dan data scientist, serta terlibat langsung di dalam data science workflow mulai dari business understanding, EDA, model development, experiment, deployment, dan presentasi ke stakeholder terkait. Sejauh ini, saya berperan serta dalam proyek recommendation system untuk meningkatkan consumer experience, fraud detection, vehicle routing (GoSend Sameday), dan lain-lain.

Apa saja perubahan teknologi di bidang Anda?

Riyad: Mirip big data, adopsi atau pemahaman dari manajemen perusahaan terhadap AI/ML terjadi mengikuti hype di industri bahkan mungkin mendapat awareness dalam sekejap, misal pada kasus ChatGPT. Di tahun 2016 AI/ML sepertinya masih menjadi jargon yang asing dan kabur (blurry) dengan analitik dan statistik. Namun, dalam tiga (3) tahun tiba-tiba muncul banyak permintaan dari sisi industri untuk implementasi solusi berbasis AI pada perusahaan.

Pada tahun tersebut, pilihan tech stacks ML populer terbatas pada stack akademisi, seperti R,  atau menyatu dengan ekosistem Java dan big data. Namun, saat ini saya merasa Python sudah menjadi standar industri sebagai tech stacks pada ML/AI. Di Python sendiri ada banyak library pendukung ML yang memiliki kemiripan fungsionalitas. Namun, seiring waktu kami menemukan stack yang tepat untuk jenis pekerjaan kami.

MLOps sepertinya belum menjadi fokus kebanyakan perusahaan dan sering kali melebur dengan tim lainnya. Dari sisi teknologi, banyak prinsip yang diadaptasi dari data engineering dan DevOps ke dalam konteks ML, sehingga kita bisa memanfaatkan stack kedua bidang yang lebih matang tadi.

Aria: Dulu, bidang saya (AI/ML) masih sangat eksklusif untuk kalangan akademisi. Namun, saat ini bidang AI/ML sudah sangat aksesibel bagi semua orang. Banyak library siap pakai yang mengikis entry barrier dan menyederhanakan kesulitan dalam pemodelan AI/ML. Dari sisi tools, banyak sekali tools yang bermunculan dengan sejumlah teknik-teknik yang dulunya hanya ada di dunia RnD, tetapi saat ini sudah dapat digunakan di skala produksi, bahkan langsung oleh consumer

Doni: Di perusahaan saya, secara aktif kami mengevaluasi teknologi yang kami pakai. Evaluasi ini menghasilkan perubahan mayor dan minor. Sebagai contoh, perubahan mayor yang kami lakukan adalah keputusan mengubah tech stacks; awalnya kami mengandalkan Clojure dan Clojurescript, kemudian kami beralih ke JavaScript dan Node.JS. Contoh lainnya di mobile development; awalnya tech stacks kami adalah Ionic, kemudian React Native, hingga akhirnya berpindah ke Flutter.

Terkait perubahaan minor, misalnya kami lebih memilih library seperti Next.js ketimbang Gatsby.js dan mempraktikkan monorepo dengan Nx. Untuk JavaScript Runtime, saat ini beragam tech stacks yang kami pakai di antaranya Deno, Cloudflare worker dan Bun. Perkembangan teknologi di JS terangkum secara garis besar di video The Third Age of JavaScript.

Ardya: Perubahan teknologi yang paling saya rasakan adalah cloud computing yang semakin mempermudah kita mengimplementasikan machine learning tanpa perlu bergantung sistem mumpuni. Dari segi kompleksitas pengolahan data, penyimpanan data, dan pembuatan model, agaknya itu semua menjadi lebih mudah. Dengan demikian, kita bisa berfokus pada pemecahan masalah yang sebenarnya tanpa mesti repot-repot berurusan dengan perawatan sistem infrastruktur kompleks. 

Di aspek programming language, saya pikir itu tidak banyak berubah; sebagian besar menggunakan Python. Namun, library pengolahan data berkembang pesat. Misalnya, dahulu pilihan library untuk pengolahan data hanya berkutat di Pandas, Pyspark, atau Dask. Sekarang, banyak library baru yang telah bermunculan seperti Vaex, duckDB, dan Polars dengan performa jauh lebih baik ketimbang pendahulunya. Menyoal algoritma, menurut saya juga tidak banyak perubahan. Misalnya, saya kira XGBoost masih reliabel dalam menyelesaikan 70-80% masalah yang ada untuk supervised problem untuk data tabular. 

Terlepas dari itu semua, perkembangan Large Language Models (LLM) seperti ChatGPT atau GitHub Copilot rasanya cukup signifikan dalam membantu memberikan masukan atau mengoreksi source code kita. LLM juga dapat kita hubungkan ke data yang kita miliki, sehingga memungkinkan kita membuat chatbot sederhana yang memudahkan user kita dalam melakukan ekstraksi data.

Bagaimana cara Anda mendapatkan informasi teknologi terbaru?

Riyad: Terdapat beberapa klaster informasi yang valid dan gamblang mengenai perubahan teknologi. Misal, saya mengunjungi thread di forum seperti Reddit dan blog dari tech company terkemuka. Dalam perjalanan karier saya sebagai MLOps, saya sering melakukan komparasi solusi engineering dari blog engineering milik Netflix. Pada waktu lainnya, acap kali saya membandingkan state-of-the-art machine learning pipeline dari Meta. Di sana biasanya terdapat promosi teknologi, diskusi mengenai proses implementasi, serta limitasi yang mereka hadapi. Itu semua memungkinkan saya memberikan solusi yang mendekati state-of-the-art dari industri ML di Amerika Serikat.

Perihal tanggung jawab saya sebagai CTO, saya membaca publikasi atau laporan dari Gartner dan McKinsey untuk akuisisi informasi high level seperti seperti cara dan strategi penerapan teknologi di perusahaan. Kalau untuk memperoleh asupan lebih terperinci, saya suka membaca buku yang direkomendasikan praktisi industri. Beberapa buku yang belakangan ini saya baca adalah Designing Machine Learning Systems karangan Chip Huyen dan Fundamentals of Data Engineering dari Joe Reis.

Aria: Saya memanfaatkan berbagai media untuk menemukan informasi baru. Twitter, misalnya, menjadi medium bagi saya untuk keep up dengan tren teknologi dan riset-riset terbaru yang sering diwartakan oleh akademisi ML.  Untuk informasi yang lebih luas, saya memanfaatkan forum-forum seperti HackerNews, Lobste.rs, dan Reddit. Kadang kala saya terpapar dengan tren teknologi terbaru di GitHub. Lalu dalam keseharian saya sebagai researcher, saya masih menyempatkan diri membaca proceeding dari konferensi terkait bidang keilmuan saya, walau tidak seintensif kala saya menjalani studi.

Bagaimana cara Anda menilai manfaat teknologi terbaru?

Riyad: Bagi saya, proxy sederhana dari teknologi atau konsep yang bermanfaat adalah ketika saya mengalami AHA! moment saat membaca overview. Pada banyak kasus, solusi teknologi terbaru adalah pain points yang saya rasakan sebagai engineer dan CTO. Teknologi bermanfaat ini umumnya mengubah proses engineering yang sulit menjadi lebih mudah atau sederhana. Contoh kasus, pada 2018-2019 saya mendapat pencerahan tentang teknologi terbaru di bidang MLOps, yakni MLFlow. Saya dapat mengetahui kegunaannya setelah saya menghadapi permasalahan dalam membangun solusi custom untuk manajemen siklus hidup ML di berbagai perusahaan.

Terlepas dari berbagai kegunaan itu, teknologi terbaru belum tentu saya adopsi di proses engineering di Pacmann dan Valiance. Namun, setidaknya itu semua bisa saya jadikan baseline dalam implementasi solusi ke depannya.

Doni: Konteks pemanfaatan dan kondisi perusahaan berperan penting dalam proses adopsi teknologi. Kita tidak bisa sembarangan mengadopsi teknologi hanya karena faktor kebaruan. Untuk menaksir manfaat dari teknologi terbaru, saya menjalankan kerangka kerja berikut:

  1. Definisikan masalah dan tujuan penggunaan teknologi
  2. Analisis familiaritas tim pengembang dengan teknologi
  3. Eksplorasi solusi alternatif dari teknologi
  4. Evaluasi ekosistem beserta dukungan komunitas terhadap teknologi
  5. Kalkulasi biaya yang muncul akibat adopsi teknologi
  6. Kembangkan proof of concept untuk membuktikan efektivitas teknologi
  7. Ambil keputusan apakah teknologi itu bermanfaat dan layak diadopsi.

Penutup

Perubahan signifikan di bidang teknologi membuat praktisi di industri ini perlu melakukan eksplorasi terhadap hal-hal baru dan terbuka atas laju perubahan. Dalam menggapai itu, ada sejumlah cara yang dapat kita tempuh. Sebut saja menggali informasi melalui buku, melakukan komparasi teknologi yang diadaptasi perusahaan ternama, hingga menjelajahi forum-forum yang membahas adopsi teknologi teraktual.

Teknologi seperti big data dan AI/ML yang pada awalnya diaplikasikan di lingkup riset oleh akademisi kini telah dilirik dan diadopsi industri, bahkan dengan hype menggelora antara lain berkat ChatGPT. Akibat pergeseran tren industri, praktisi tidak dapat mengelak dari upaya pemutakhiran pengetahuan dan melihat peluang untuk adopsi teknologi di bidangnya.

Di sisi bisnis, banyak hal yang perlu dipertimbangkan untuk melakukan adopsi teknologi terbaru, tetapi pada dasarnya perusahaan harus tetap berfokus pada problem-solving dari masalah consumer dan memberikan solusi bernilai. Lantas bagi praktisi, teknologi baru dapat kita terapkan sebagai kerangka berpikir dalam menawarkan solusi bisnis.

“Technology is a useful servant but a dangerous master” ~ Christian Lous Lange

Bagian kedua dari publikasi ini dapat Anda baca melalui tautan berikut: Bagaimana Cara Perusahaan Berkompetisi dalam Inovasi?

Melakukan update pemahaman atas teknologi juga dapat dilakukan dengan melakukan training dalam bidang Data Science, AI/ML Engineer, Data Engineering, Data Analyst.

 

Sumber gambar:

Two of the ENIAC Programmers

Colossus Mark 2

A/B-testing

Technology adoption life-cycle

ChatGPT