✨ “Kami tidak mencari AI — tapi AI yang menemukan kami. Karena AI bukan tujuan, melainkan perjalanan yang mengikuti mereka yang siap berubah.”

 


REPORT 🌟PART 1

Women in AI: Breaking Barriers & Building Futures
Monash University Panel Event

1. Tidak Ada yang Merencanakan Kariernya ke AI

Semua pembicara sepakat:

“Kami tidak memilih AI. AI yang memilih kami.”
Perjalanan mereka bukan linier — mereka hanya mengikuti pintu peluang yang terbuka.

2. Titik Masuk ke AI Bisa Sangat Berbeda

  • Rina dari biomedical & computer engineering.
  • Dini dari ekonomi → kebijakan publik → engineering & ML.
  • Pembicara ketiga dari pariwisata → desain → HCI → AI.

➡️ AI bukan hanya domain teknik — ia lintas disiplin, lintas dunia.

3. Perjalanan Mereka Dipicu oleh Rasa Ingin Tahu

Bukan ambisi. Bukan rencana besar.
Semua dimulai dari “Aku ingin tahu bagaimana ini bekerja.”

4. AI Bangkit Saat Mereka Sudah di Jalan Yang Benar

Saat teknologi AI meledak, mereka semua sudah punya fondasi:

  • coding,
  • desain,
  • data,
  • riset,
  • kebijakan.

Itulah yang “menarik” mereka masuk.

5. AI Bukan Sekadar Teknologi — Tapi Cara Berpikir

Dini menekankan bahwa kariernya di AI bukan membuat model ML, tetapi:

  • tata kelola data,
  • integrasi platform nasional,
  • arsitektur digital negara,
  • pengambilan keputusan berbasis data.

➡️ AI = sistem + governance + data + keputusan.

6. Rina Memperlihatkan Sisi AI yang Sangat Real

Healthcare AI adalah:

  • sangat teregulasi,
  • penuh risiko,
  • butuh presisi,
  • berdampak langsung ke hidup manusia.

Kariernya mempertemukan sains → produk → implementasi di lapangan.

7. Pembicara Ketiga: Masuk AI dari Sisi Kemanusiaan

Ia bukan teknolog. Ia bukan programmer.
Ia masuk dari:

  • geografi manusia,
  • cultural studies,
  • design ethnography,
  • human–computer interaction (HCI).

➡️ AI harus memahami manusia sebelum membangun teknologi.

8. Peran AI Sering Dimulai dari “Kebetulan”

  • Google AI merekrutnya sebagai peneliti HCI.
  • Lama-lama semua proyeknya “harus ada AI”.
  • Sampai akhirnya: “You do AI now.”

Ini adalah gambaran nyata industri:

AI sering menjadi default skill dalam teknologi modern.

9. Kesamaan Terbesar: Adaptasi Mengalahkan Perencanaan

Tidak ada satu pun dari mereka yang:

  • sejak kecil ingin jadi AI engineer,
  • menulis “AI specialist” sebagai cita-cita.

Mereka “ditarik” oleh kebutuhan zaman.

⭐ Relevan dengan siapa pun:
Yang penting bukan memprediksi masa depan — tapi cepat beradaptasi ketika masa depan berubah.

10. AI Adalah Perjalanan Manusia, Bukan Perjalanan Teknologi

Kisah mereka murni tentang:

  • transformasi diri,
  • keberanian masuk ke tempat yang tidak nyaman,
  • belajar dari nol (coding, engineering, ML),
  • memadukan disiplin untuk memecahkan masalah nyata.

🔱 3 GOLDEN THEMES YANG PALING KUAT

A. AI adalah ruang yang inklusif bagi latar belakang apa pun

Ekonomi, kebijakan, desain, pariwisata, engineering — semuanya bisa menjadi jalan menuju AI.

B. AI masa kini butuh tiga sisi:

1.     Teknis (coding, ML, engineering)

2.     Manusia (desain, etnografi, HCI, perilaku)

3.     Sistem (governance, kebijakan, integrasi data nasional)

AI bukan hanya model — tapi ekosistem.

C. Peluang besar datang ketika kita siap, bukan ketika kita menunggu

Karier mereka di AI terjadi karena mereka:

  • reflektif,
  • mau belajar,
  • tidak takut pindah jalur,
  • tidak anti terhadap perubahan.

 ✨ “Kami tidak mencari AI — tapi AI yang menemukan kami. Karena AI bukan tujuan, melainkan perjalanan yang mengikuti mereka yang siap berubah.”

 🌟 Part 2

1. AI itu Sistem, Bukan Sekadar Teknologi

Semua—pariwisata, smart meter, smart city, rekam medis—adalah sistem.
AI hanya salah satu evolusi sistem. Intinya selalu sama:

Bagaimana teknologi bisa dipakai manusia dan organisasi secara nyata.

2. Perjalanan Karier Tidak Harus Direncanakan

Pembicara tidak pernah bercita-cita jadi engineer atau ahli AI.
Yang membuka jalannya adalah:

  • suka matematika,
  • dorongan orang tua,
  • dan kesempatan yang datang.

🌱 Pelajaran: kita tidak perlu “tahu pasti” masa depan.
Sering kali jalan hidup memilih kita.

3. Passion Datang dari Proses, Bukan dari Awal

Dari tugas akhir tentang machine translation 27 tahun lalu, jalur karier terbentuk:
NLP → riset → pengajaran → startup → AI.

✨ Inti: konsistensi kecil → membentuk arah besar.

🔍  Apa Itu Proyek AI yang Sukses?

(dipecah berdasarkan empat perspektif)

4. Perspektif Akademisi: AI yang Bertahan Lama

Proyek AI sukses jika:

  • Tetap dipakai, bukan hanya demo teknologi.
  • Bisa dipelihara oleh pengguna.
  • Ada transfer knowledge.
  • Data dan etika dijaga sejak awal.

➡️ Maintenance = kunci keberlanjutan AI.

5. Perspektif Industri: Ketika AI Bukan Tujuan, Tapi Alat

Ada dua tipe:

(A) Product-Based AI

Sukses berarti:

  • akurat,
  • andal,
  • bermanfaat,
  • memenuhi janji produk.

(B) Research-Based AI

Sukses berarti:

  • menemukan area produk yang bisa ditingkatkan,
  • mengidentifikasi area di mana AI tidak diperlukan,
  • membuka jalur riset baru.

🧠 Insight penting:

"Mengetahui di mana AI tidak cocok adalah bentuk kesuksesan juga."

6. Perspektif Pemerintah: AI Harus Mempermudah Layanan

AI sukses bila:

  • mempermudah warga,
  • mempersingkat proses,
  • sesuai kebutuhan layanan publik.

❌ Tidak boleh dipaksakan hanya demi terlihat modern.

“Kalau AI tidak membuat layanan lebih baik, jangan dipaksakan.”

7. Perspektif Ekonomi & Kebijakan: Fondasi Lebih Penting dari Hype

Kesuksesan AI bisa berarti:

  • membangun fondasi data yang benar,
  • meski manfaatnya baru terlihat 3–5 tahun lagi.

Dan setiap proposal AI harus menjawab:

1.     Siapa yang diuntungkan?

2.     Berapa besar manfaatnya?

3.     Apa dampak ekonominya?

4.     Apakah ini waktu yang tepat?

⭐ AI bukan hanya software — ia adalah keputusan ekonomi.

💡 8. Most Powerful Meta-Insight

AI bukan tentang algoritma — tapi tentang adopsi.
Teknologi gagal bukan karena kurang pintar, tapi karena tidak bisa dipakai.

🔥 9. Mindset Inspiratif dari Kisah Pembicara

  • Tidak harus dari keluarga engineer untuk sukses di AI.
  • Tidak butuh “visi besar” dari awal — cukup jalani pintu yang terbuka.
  • Fokus di usia 40+ bukan ke masa lalu, tapi ke kontribusi masa depan:
    mengajar lebih banyak orang dan membangun produk yang bermanfaat.

🌺 10. Satu Kalimat Penutup Paling Kuat

AI yang baik adalah AI yang membuat hidup manusia lebih sederhana — bukan lebih rumit.

 

⭐ PART 3

🔥 1. Proyek AI Gagal Bukan Karena Teknologi — Tapi Karena Salah Masalah

  • Tingkat keberhasilan proyek AI global hanya 15%.
  • Banyak organisasi membangun “produk zombie”—model sudah jadi, tapi tidak dipakai.
  • Insight paling penting:

“Jangan mulai dari AI-nya. Mulailah dari problem yang mau diselesaikan.”

🔥 2. Pertanyaan Nomor Satu Sebelum Membangun AI

Bukan “datanya cukup atau tidak,” tetapi:

“Masalah apa yang sebenarnya ingin kita selesaikan?”

Jika masalahnya salah → semua investasi berikutnya ikut salah.
Itulah kenapa banyak data yang dikumpulkan bertahun-tahun ternyata tidak berguna untuk keputusan penting.

🔥 3. Validasi Terpenting: Apakah Orang Benar-Benar Akan Memakainya?

Insight mendalam:

“Membangun model AI yang akhirnya tidak dipakai itu seperti punya bayi yang tidak ada yang mau mengurus.”

Keberhasilan AI bukan pada launch, tapi pada adopsi.

🔥 4. Pemerintah: AI Harus Bisa Dipertanggungjawabkan

  • Setiap rupiah harus tepat sasaran.
  • Risiko salah prediksi bisa berdampak pada jutaan orang.
  • Tantangan utama bukan algoritma—tetapi kualitas data.
  • Karena itu pemerintah perlu:
    • standar data,
    • sandbox,
    • uji berkali-kali,
    • kolaborasi universitas.

Contoh nyata: IoT untuk keamanan pangan & program bantuan kemiskinan.
Kesalahan model → ketidakadilan massal.

🔥 5. Perspektif Riset: AI Tidak Selalu Solusi Terbaik

Kadang AI lebih mahal, lebih rumit, dan tidak berkelanjutan dibanding solusi sederhana.

Checklist riset:

  • Apakah komunitas siap?
  • Apakah infrastrukturnya kuat?
  • Apakah biaya pelatihan berkelanjutan?
  • Apakah AI benar-benar meningkatkan hasil?

Sering kali jawabannya: Tidak perlu AI.

🔥 6. Industri: Era Baru Bukan Model, Tapi AI Agents

  • Perusahaan kini tidak melatih model dari nol.
  • Fokus bergeser ke AI agents + pemahaman bisnis.
  • Model yang benar secara teknis tetap gagal jika:
    • tidak mengurangi biaya,
    • tidak menambah revenue,
    • tidak menyelesaikan masalah bisnis.

Intinya:

“AI hanya berhasil kalau use case-nya tepat.”

🔥 7. Bias di Indonesia: Bukan Gender — Tapi Asing vs Lokal

Insight unik:

  • Sering kali model lokal jauh lebih baik (mengerti logat, noise, kultur).
  • Tapi banyak lembaga tetap memercayai produk asing.
  • Gender gap relatif kecil dalam banyak konteks industri.

Ini adalah bias struktural yang jarang dibahas.

🔥 8. Interseksionalitas: Tantangan Perempuan di AI Bukan Satu Dimensi

Perempuan di AI secara simultan menghadapi:

  • gender,
  • ras,
  • umur,
  • disiplin ilmu.

Contoh nyata:

  • mahasiswa tidak percaya Anda dosen,
  • kolega menuduh Anda “terlalu hati-hati,”
  • tim teknis meremehkan background non-engineering,
  • saat Anda memperlambat demi keamanan, Anda dianggap menghambat inovasi.

Ini bukan soal gender saja—ini tentang multi-layer biases.

🔥 9. Pemerintah: Menjadi Satu-Satunya Perempuan Bisa Jadi Kekuatan

Insight optimistis:

  • Dalam beberapa lingkungan birokrasi, perempuan justru lebih diperhatikan.
  • Jika bicara jelas, terstruktur, dan evidence-based → suara lebih didengar.

🔥 10. Faktor Keluarga & Latar Berperan Besar

Beberapa perempuan tumbuh dengan:

  • kesempatan yang setara,
  • dukungan kuat,
  • lingkungan yang positif.

Di Eropa, identitas “Asia” bahkan dilihat sebagai simbol:

  • kerja keras,
  • ketekunan.

Ini membentuk rasa percaya diri dan pola pikir berdaya.

🌟 TOP 10 GOLD NUGGETS — RINGKASAN TERPENTING

1.      Jangan bangun AI jika masalahnya tidak jelas.

2.      Data banyak bukan berarti data berguna.

3.      Sukses AI = adoption, bukan deployment.

4.      Pemerintah harus memprioritaskan akurasi & keadilan.

5.      AI tidak otomatis lebih baik dari solusi sederhana.

6.      Industri kini bergerak ke agentic systems.

7.      Bias terbesar di Indonesia adalah foreign bias.

8.      Perempuan menghadapi tantangan interseksional, bukan tunggal.

9.      Dalam birokrasi, kejelasan & ketelitian perempuan bisa jadi keunggulan.

10.    Lingkungan keluarga membentuk keberanian untuk memimpin.

🌟 TAGLINE TAKEAWAY

“AI bukan tentang kecanggihannya. AI tentang apakah manusia benar-benar membutuhkannya.”

 

 

Women in AI: Breaking Barriers & Building Futures (Part 4)

 

🔥 1. Kompetensi Selalu Menang

  • Feminin atau tidak—kompetensi selalu terlihat.
  • Tidak ada yang bisa mengalahkan kemampuan nyata yang dihasilkan dari latihan, pengalaman, dan kerja keras.
  • Ketika ada kesempatan karena gender → ambil, manfaatkan. Itu bukan kelemahan, itu strategi.

🔥 2. Jadilah “Icebreaker”

  • Banyak ruang kerja belum punya role model perempuan.
  • Jika kamu masuk pertama, kamu membuka jalan bagi yang lain.
  • Pengalaman positif bisa muncul justru karena keberanian menjadi pionir.

🔥 3. Cara Masuk ke Dunia AI (Saran Praktis dan Realistis)

a. Untuk Pemula

  • Tingkatkan paparan → coba berbagai tool AI.
  • Pahami apa yang AI bisa lakukan, apa yang tidak.
  • Mulai delegasi tugas kecil ke AI untuk membangun instinct digital.

b. Untuk Developer / Teknis

  • Coba break the model.
  • Jailbreak, tes kemampuan, cari batasnya.
  • Dari kelemahan AI → muncul ide riset dan inovasi baru.

c. Untuk Guru / Leader / Policy Maker

  • Fokus pada responsible adoption.
  • Uji alatnya, pikirkan dampaknya, siapkan transformasi digital.
  • Pelatihan guru dan literasi digital = kunci.

🔥 4. Nasihat Terpenting: Lakukan Sendiri

  • Mulai dari proyek kecil. Tidak perlu robot.
  • Yang penting: kamu mengerti cara kerja dan cara memanfaatkan AI.
  • Hands-on experience jauh lebih kuat daripada hanya teori.

🔥 5. Tantangan Indonesia di Era AI

a. Risiko Tenaga Kerja

  • Banyak pekerjaan akan otomatis → butuh upskilling dan reskilling.

b. Risiko Pendidikan

  • Penyalahgunaan AI untuk tugas sekolah.
  • Guru belum siap menghadapi transformasi digital.

🔥 6. Skill Masa Depan (WEF) – Bukan Skill Teknis

Skill inti yang tidak tergantikan oleh AI:

  • Berpikir kritis
  • Tanggung jawab
  • Integritas
  • Kerja keras
  • Pembelajar sepanjang hayat (lifelong learner)

Ini adalah human skills—justru semakin berharga di era AI.

🔥 7. Checklist: Apa yang Bisa Dilakukan Dalam 1 Tahun ke Depan?

Untuk semua orang:

  • Gunakan berbagai AI tools
  • Bangun kebiasaan prompting & critical evaluation
  • Belajar memfilter output AI

Untuk yang ingin serius di AI:

  • Buat portfolio proyek
  • Coba debugging / fine-tuning sederhana
  • Bergabung komunitas AI lokal & global
  • Ikut course singkat + hackathon

🔥 8. Lightning Round Takeaways

Satu kata tentang masa depan AI:

  • Optimis tapi hati-hati
  • Transformasi
  • Siap

Skill yang tidak akan mati:

  • Critical thinking
  • Reflection
  • Attention to detail
  • Curiosity
  • Trustworthiness

Yang membuat CV menarik:

  • Kerendahan hati
  • Sikap saat interview
  • Proyek beragam
  • Kemampuan teamwork & kemauan belajar

Kalimat yang harus berhenti dipakai tentang AI:

  • “AI itu cerdas.”
  • “AI itu robot.”
  • “AI akan menggantikan semuanya.”
  • “AI bisa menyelesaikan semua masalah.”

Minuman favorit saat ngoding / kerja AI:

  • Oat milk
  • Kopi
  • Air putih & teh hijau

⭐ TAGLINE TAKEAWAY

“AI tidak menggantikan manusia. AI menggantikan manusia yang tidak mau belajar.”

 

Comments

Post a Comment

Popular Posts