Belajar ML Engineer - Peran & Perbedaan dengan Data Scientist
Memetakan posisi Machine Learning Engineer di antara data scientist dan software engineer: dari lingkup kerja, tanggung jawab, dan pembagian tugas dalam tim, hingga bagaimana konteks 2026 mengubah MLE modern dengan pipeline LLM — training, fine-tune, eval, dan deployment
#Pendahuluan
Setelah di episode 0 kita menyiapkan environment — Python 3.12+, library inti, dan strategi GPU — pada episode ini kita menjawab pertanyaan paling mendasar: apa sebenarnya yang dikerjakan seorang Machine Learning Engineer, dan apa bedanya dengan data scientist? Memahami batas peran ini penting karena menentukan skill mana yang harus kalian prioritaskan dan proyek seperti apa yang akan kalian kerjakan.
Di dunia nyata, kebingungan peran ini berujung pada tim yang disfungsional: semua orang mengerjakan semuanya, atau yang lebih buruk — ada pekerjaan penting (deployment, monitoring, reliabilitas model) yang tidak dikerjakan siapa pun. MLE modern, khususnya pada konteks 2026, berada di titik tengah yang semakin strategis: memegang pipeline LLM dari training sampai produksi.
#Membedakan Tiga Peran di Tim ML
Sebelum membandingkan, lihat dulu bagaimana ketiganya berkolaborasi dalam satu alur:
Data Engineer ──► Data Scientist ──► ML Engineer ──► Software/DevOps
(data siap) (eksperimen & (sistem produksi) (integrasi produk)
insight + model)| Peran | Fokus Utama | Output | Horizon Waktu |
|---|---|---|---|
| Data Engineer | Pipeline & warehouse data | Dataset yang bersih & terkelola | Berkelanjutan |
| Data Scientist | Eksperimen, insight, prototipe model | Laporan, notebook, prototipe | Minggu-bulan |
| ML Engineer | Sistem ML produksi end-to-end | Model terserve, terpantau, ter-update | Bulan-tahun |
| Software Engineer | Produk secara umum | Fitur aplikasi | Sprint |
#Data Scientist: Eksperimen dan Insight
Data scientist menjawab pertanyaan bisnis: "kenapa churn naik?", "fitur apa yang paling menentukan harga?". Mereka bekerja dengan Jupyter, membuat visualisasi, membangun prototipe model, dan menyajikan temuan ke stakeholder. Produk kerja mereka adalah keputusan dan insight, bukan sistem yang selalu berjalan 24/7.
#ML Engineer: Sistem, bukan Sekadar Model
MLE mengambil model (baik buatan sendiri maupun buatan data scientist) dan membawanya ke produksi. Artinya: menyediakan data training yang ter-versioning, melatih dengan experiment tracking, mengevaluasi secara ketat, mengemas ke container, menyajikan lewat API, memantau drift, dan memperbarui model secara berkelanjutan. Produk kerja MLE adalah sistem yang bisa diandalkan.
Ini analogi yang sering dipakai: data scientist adalah koki yang menciptakan resep, MLE adalah restoran yang menyajikannya ke ribuan pelanggan setiap hari. Resep yang hebat tidak ada artinya jika restoran tidak bisa menyajikannya konsisten, aman, dan cepat.
#Mengapa Perbedaan Ini Penting
Ada tiga alasan praktis memahami batas peran ini:
- Skill yang berbeda. Data scientist mengasah statistik & storytelling; MLE mengasah software engineering, infrastruktur, dan observability.
- Metrik sukses yang berbeda. Data scientist diukur dari akurasi model atau kualitas insight; MLE diukur dari latensi p95, uptime, drift, dan dampak bisnis nyata.
- Titik gagal yang berbeda. Model data scientist gagal karena underfit atau bias; sistem MLE gagal karena timeout, memory leak, data drift, atau dependency yang meledak.
Kalian akan menemukan bahwa sebagian besar pekerjaan MLE — sekitar 60-80% — bukan tentang mengubah hyperparameter, melainkan tentang data, pipeline, dan sistem di sekeliling model. Ini bukan klise: ini realita industri.
#Konteks 2026: MLE yang LLM-Centric
Pada 2026, lanskap berubah drastis. Kemampuan melatih model dari nol semakin jarang dibutuhkan — sebagian besar organisasi memakai model foundation (OpenAI, Anthropic, Gemini, atau model terbuka seperti Llama dan Qwen). Konsekuensinya, peran MLE bergeser:
- Training → lebih sering menjadi fine-tuning model yang sudah ada (LoRA/QLoRA, episode 14).
- Evaluasi → bukan sekadar accuracy, tetapi eval suite untuk LLM (LLM-as-judge, episode 24).
- Deployment → serving LLM dengan vLLM/TGI yang butuh perhatian pada throughput dan memori (episode 15).
- Riset NLP tradisional → digantikan pipeline RAG dan agen AI yang terhubung ke sistem perusahaan (episode 16 dan 25).
Artinya, MLE 2026 harus nyaman dengan dua dunia sekaligus: software engineering klasik (container, CI/CD, monitoring) dan era LLM (tokenizer, prompt, context window, eval). Series ini dibangun mengikuti dua kaki tersebut.
Note
Jangan terjebak "saya cuma mau bagian model saja". Di produksi, model yang akurat tapi tidak bisa di-deploy, tidak dipantau, dan tidak bisa diperbarui sama saja dengan tidak ada model. Skill sistem adalah pembeda utama MLE dari data scientist.
#Kapan MLE Dibutuhkan (dan Kapan Tidak)
Tidak setiap masalah membutuhkan MLE penuh. Aturan praktis yang bisa kalian pakai:
- Butuh MLE: model dipakai oleh banyak pengguna, keputusan model berdampak bisnis langsung, data berubah seiring waktu, dan sistem harus selalu tersedia.
- Belum butuh MLE: eksplorasi masalah, validasi konsep dengan notebook, atau model yang dipakai sekali untuk analisis internal.
Mengetahui kapan menahan diri juga bagian dari menjadi engineer yang baik — MLE yang matang tahu kapan solusi paling sederhana sudah cukup.
#Peta Skill MLE di 2026
Sebagai penutup perbandingan peran, berikut peta skill yang membentuk MLE modern — semuanya akan kalian bangun satu per satu sepanjang series ini:
| Area Skill | Isi | Episode Terkait |
|---|---|---|
| Software engineering | Python produksi, test, struktur modul | 3 |
| Data & feature | Feature pipeline, data pipeline, versioning | 4, 8, 17 |
| ML core | Training, evaluasi, experiment tracking | 5, 6, 7 |
| Deployment | Container, CI/CD, serving, monitoring | 9, 10, 11 |
| Deep learning | PyTorch, GPU, distributed training | 12, 21 |
| LLM & GenAI | Transformers, fine-tune, serving, RAG | 13, 14, 15, 16 |
| Security & governance | Security, compliance, privacy | 18, 19, 20 |
| Scaling & optimization | Serving skala, optimasi, eval lanjutan | 22, 23, 24 |
| Agent & ekosistem | AI agents, tren 2026 | 25, 26 |
Kombinasi "ML + software engineering + LLM ops" — yang kalian lihat di tabel ini — adalah kombinasi yang paling dicari industri pada 2026, dan justru kombinasi itulah yang membuat peran MLE begitu langka sekaligus bernilai.
#Penutup
Pada episode 1 ini, kalian telah memahami peta peran di tim ML:
- Data scientist fokus eksperimen & insight; MLE fokus sistem ML produksi end-to-end.
- Sekitar 60-80% pekerjaan MLE ada di data, pipeline, dan sistem — bukan hyperparameter.
- Konteks 2026 menggeser MLE menjadi LLM-centric: fine-tune alih-alih training dari nol, eval suite, LLM serving, RAG, dan agent.
- MLE dibutuhkan saat model berdampak langsung pada bisnis dan harus selalu tersedia.
Di episode 2 selanjutnya kita akan membahas siklus hidup & arsitektur ML — dari problem framing, data, model, deployment, monitoring, sampai iterasi, plus komponen sistem ML (training, serving, monitoring) dan bagaimana semuanya tersusun dalam satu arsitektur yang sehat. Sampai jumpa di episode 2!