Ksatria
Profesi Data Engineer & Data Scientist Makin Dicari
Tokyo – Akhir-akhir ini kita sering mendengar klaim bombastis: “Sekarang siapa saja bisa bikin AI!” Benar sih. Dengan modal laptop dan koneksi internet, Anda bisa memanggil API OpenAI atau menjalankan model foundation直接从 Hugging Face. Dalam hitungan menit, sebuah chatbot atau generator gambar bisa berfungsi. Keren, ya?
Tapi tunggu dulu. Membuat prototipe AI itu mudah. Membangun AI Agent yang benar-benar menghasilkan untung (ROI viable secara finansial)? Nah, itu cerita lain.
Dan di balik cerita sukses itu, ada dua profesi yang justru makin hari makin krusial, makin dicari, dan tidak akan pernah tergantikan: Data Engineer dan Data Scientist. Merekalah jantung dari kecerdasan buatan yang sesungguhnya.
Mitos VS Realitas: Antara Demo Cantik dan Produksi Berdarah-darah
Bayangkan Anda seorang pebisnis. Anda melihat demo AI customer service dari sebuah vendor: respons cepat, ramah, dan selalu tepat. Anda pun tergiur. Tapi setelah diimplementasikan di perusahaan Anda, AI itu malah ngaco. Jawabannya salah terus, sering bingung, dan pelanggan malah tambah kesal.
Apa yang salah?
Masalahnya bukan di AI-nya, tapi di data Anda. Di belakang setiap AI Agent yang cerdas, ada lapisan-lapisan yang harus dibangun dengan kokoh: mulai dari struktur data, preprocessing, modelling, hingga evaluasi. Jika pondasi data Anda berantakan, apapun AI di atasnya akan runtuh.
Dan di sinilah para Data Engineer dan Data Scientist masuk sebagai pahlawan tanpa tanda jasa.
Data Engineer: Arsitek di Balik Gedung Pencakar Langit
Pernahkah Anda melihat gedung pencakar langit yang kokoh? Pondasinya tidak terlihat dari luar, tapi tanpanya gedung akan rubuh. Data Engineer adalah pembuat pondasi itu.
Tugas mereka tidak glamor: mengumpulkan data dari berbagai sumber (database, API, file log), membersihkannya, mentransformasikannya, dan memastikan data itu reliable dan siap pakai kapan pun dibutuhkan.
Tanpa Data Engineer, Anda akan mengalami “hidden cost” yang mengerikan:
- Biaya komputasi membengkak karena data kotor harus diproses ulang berkali-kali.
- Waktu tim terbuang untuk mencari-cari data yang valid.
- Model AI Anda belajar dari data sampah → hasilnya sampah (garbage in garbage out).
- Saat diaudit, Anda tidak bisa melacak asal-usul data → kena sanksi regulator.
Seperti kata pepatah di industri data: “Data Engineer membuat segalanya mungkin. Data Scientist membuat segalanya terlihat mudah.”
Data Scientist: Otak yang Menerjemahkan Data Jadi Uang
Kalau Data Engineer membangun pipa airnya, Data Scientist yang memastikan air itu berubah menjadi energi listrik yang bermanfaat. Mereka tidak sekadar membuat model AI. Mereka melakukan:
- Preprocessing yang cerdas: Bukan hanya menghapus data kosong, tapi juga merekayasa fitur (feature engineering) yang sesuai dengan konteks bisnis. Misalnya, untuk deteksi fraud, mereka tidak hanya melihat nominal transaksi, tapi pola waktu dan lokasi.
- Modelling yang mempertimbangkan biaya: Akurasi 99% belum tentu menguntungkan. Data Scientist yang hebat tahu bahwa false positive (salah menuduh) dan false negative (gagal menangkap) punya biaya bisnis yang berbeda. Mereka mengoptimalkan model untuk memaksimalkan ROI, bukan sekadar metrik teknis.
- Evaluasi berkelanjutan: Setelah model berjalan, mereka memonitor drift (pergeseran data), melakukan A/B testing, dan menghitung apakah AI Agent benar-benar menghemat uang perusahaan atau justru menjadi beban.
Tanpa Data Scientist, AI Agent Anda seperti mobil sport tanpa sopir: canggih di atas kertas, tapi tidak akan sampai ke tujuan.
Mengapa Kedua Profesi Ini Akan Terus Relevan? Bukankah AI Bisa Bikin AI?
Pertanyaan bagus. Memang sekarang ada AutoML, AutoAI, dan berbagai alat yang mengotomatisasi pembuatan model. Tapi justru karena itu, peran Data Engineer dan Data Scientist bergeser ke level yang lebih tinggi, bukan hilang.
- AutoML hanya bisa bekerja optimal jika data sudah rapi. Siapa yang merapikan data? Data Engineer.
- AutoML bisa membandingkan ratusan model, tapi siapa yang memutuskan metrik evaluasi yang sesuai dengan strategi bisnis? Data Scientist.
- Ketika AI Agent gagal di lapangan karena kondisi data yang tidak terduga, siapa yang melakukan root cause analysis dan memperbaiki pipeline? Data Engineer dan Data Scientist secara kolaboratif.
Jadi, otomatisasi justru meningkatkan nilai mereka. Mereka bebas dari pekerjaan manual yang membosankan, dan fokus pada problem-solving tingkat tinggi.
Jangan Tergiur Janji Manis “AI Tanpa Ahli Data”
Banyak startup dan vendor menjual mimpi: “Pakai AI kami, Anda tidak perlu repot dengan data scientist.” Hati-hati. Di balik janji itu, seringkali tersembunyi biaya-biaya yang tidak Anda lihat di awal.
Investasi pada Data Engineer dan Data Scientist adalah investasi pada fondasi. Mereka memastikan bahwa AI Agent Anda tidak hanya bisa bekerja, tapi juga menguntungkan secara berkelanjutan.
Dunia Data berpesan: jika Anda serius ingin membangun AI Agent yang viable, jangan pelit pada dua profesi ini. Rekrut, lestarikan, dan dengarkan mereka. Karena pada akhirnya, pintar-pintarnya AI hanya sebatas pada seberapa bagus data yang mengalir di pembuluh darahnya. Dan yang mengatur aliran darah itu adalah Data Engineer. Yang mengatur detak jantungnya adalah Data Scientist.
Jantung AI ada di tangan mereka. Dan selama data masih kotor, selama bisnis masih butuh keuntungan, selama dunia masih berputar – mereka akan selalu relevan.
