Tantangan Pertama Menjadi AI Engineer: Setup Environment

Banyak orang berpikir tantangan terbesar menjadi AI Engineer itu adalah memahami konsep deep learning, bikin model sendiri, atau menulis prompt yang efektif.

Padahal kenyataannya… justru banyak yang tumbang di tahap paling awal, yakni saat setup environment. 😂

---

Saya sering lihat (dan tentunya sudah saya alami sendiri), ketika awal dengan semangat belajar tinggi, udah siap buka VSCode atau Jupyter Notebook, tapi begitu jalanin pip install torch, langsung zonk:

ERROR: Could not find a version that satisfies the requirement torch

Atau versi Python nggak cocok, dependency bentrok, hingga library nggak bisa di-compile.

Masalah seperti ini sering bikin pemula frustrasi dan akhirnya menyerah bukan karena AI-nya susah, tapi karena environment-nya berantakan.

Kenapa setup environment yang proper penting?

Bayangkan kalian mau servis motor sendiri, tapi masih bingung mana obeng, mana baut, mana oli yang cocok dan sebagainya. 😏

Hal itu ibarat ngoding AI tanpa environment yang rapi dan zero preparation.

Untuk bergelut dan bergulit dengan AI, berikut ini adalah syarat yang Wajib sebagai fondasi dari semua eksperimen kalian, syaratnya adalah:

• versi Python yang stabil,
• dependency yang konsisten,
• environment terisolasi,
• dan workflow yang bisa direplikasi di laptop lain atau di server (saat production).

Kalau fondasinya kacau, project AI yang kompleks akan menjadi boomerang saat kalian melanjutkan tahapan-tahapan selanjutnya (misal deploy production).

Kesalahan klasik yang sering dilakukan

Beberapa kesalahan yang sering saya lihat (dan jujur, dulu juga saya alami) diantaranya adalah:

• Install library global tanpa virtual environment.
  Akhirnya satu project bentrok dengan project lain.
• (Terlalu koboi) karna tidak menggunakan .venv atau conda.
  Padahal dua hal ini yang paling fundamental untuk membuat environment aman, jika kalian memiliki project banyak.
• Lupa versi Python.
  Misal di local pakai Python 3.12, tapi di server adalah 3.10. Ini bukan perkara simpel, tapi benar-benar disaster. Karena tipikal Python itu, perbedaan minor version, bisa berbeda behaviour untuk semua library.
• Mengandalkan pip manual tanpa dependency manager modern.
  Sekarang udah ada uv, poetry, dan pip-tools yang jauh lebih rapi. (Kalian wajib kenal tools-tools tersebut).

Best practice minimalis

Saya pribadi, setup paling minimal dan wajib disetiap project itu harus ada tools ini:

🐍 pyenv

Buat ngatur versi Python di sistem kalian.
Misal: satu project pakai 3.10, satu lagi pakai 3.12, menggunakan pyenv adalah kunci dari versioning Python antar project.

Sekali lagi, jangan anggap sepele perbedaan versi Python antara local development dan server.

📦 .venv

Virtual environment bawaan Python.
Ringan dan cukup powerful untuk project kecil hingga menengah. Kalian tidak mungkin tanpa ini ketika beradu dengan AI di lokal environment bahkan production.

⚙️ conda / mamba

Kalau kalian main di dunia AI yang butuh CUDA atau dependensi berat (Torch, TensorFlow), conda lebih stabil.

Conda (atau mamba) itu sangat sering dipakai buat running LLM di lokal.

Bahkan bisa dibilang dua bebenguk ini adalah environment default yang digunakan oleh LLM untuk dapat berjalan di lokal.

⚡️ uv (dari Astral)

Saya sendiri lebih sering menggunakan uv karna tools ini mirip seperti npm dan yarn di Javascript. Dia punya semacam lock file juga agar kita bisa tahu dependency tree antar library. Ini penting, jika kalian bergelut dengan library semacam Langchain hingga Pydantic.

UV ini adalah pendatang baru tapi keren (rilis awalnya di sekitaran tahun 2024). Kalau kalian pengen belajar AI atau Python mulai sekarang, uv bisa jadi pilihan utama. Tools ini sudah cukup stabil dan banyak dipakai oleh dedengkot AI engineer.

---

✍️ Kesimpulan

Jadi kalau kalian baru mulai bergelut dengan AI dan error melulu, jangan langsung minder.
Semua AI engineer pernah melewati fase ini, bahkan yang sudah jago sekalipun.
Bedanya, mereka nggak berhenti di error pertama. Mereka memperbaiki environment-nya dulu.

Karena di dunia AI Engineer, “getting your environment right” adalah langkah pertama yang membedakan learner dan engineer.