ML Intern: Agen HuggingChat yang Bikin Model AI Custom

Kalian pengen punya model AI yang ngerti penyakit tanaman cabai versi lokal atau klasifikasi produk UMKM, tapi mikir itu cuma kesanggupan perusahaan dengan tim data scientist dan GPU mahal? Satu developer baru aja bikin enam model custom dalam beberapa hari — modal paling murah cuma USD 16, bukan dari tim ML, tapi dari satu prompt yang disusun rapi di HuggingChat.

Apa yang baru

• ML Intern adalah agent di HuggingChat yang bikin rencana kerja, minta persetujuan budget sebelum spending apa pun, jalanin smoke test, baru train-evaluate-publish model ke Hugging Face Hub — semua dari satu prompt.
• Proyek pertama penulisnya adalah model prompt-rewriter 0,8B hasil distilasi dari model Qwen-Image 2.1 versi 9B, bisa jalan di CPU, akurat 99,7% dan cuma pakai seperempat token model gurunya — total compute buat seluruh proyek ini, termasuk label 8.797 contoh data, sekitar USD 16.
• Enam model berhasil dibikin dalam beberapa hari, masing-masing cuma dari satu pesan di HuggingChat, dan berakhir sebagai model publik di Hub lengkap dengan hasil evaluasi di model card.
• Model deteksi penyakit jeruk (citrus-disease-vlm-instruct), dilatih dari 3.017 foto berlabel 21 kategori penyakit, hama, dan kekurangan nutrisi, naikin akurasi dari 14,9% ke 52,8% cuma dengan dua epoch training di satu GPU A10G — biaya sekitar USD 1,90.
• Tujuh prompt yang dipakai penulis, dari yang pertama sekitar 450 kata sampai yang keenam 2.000 kata, dipublikasikan apa adanya di GitHub.

Cara kerjanya

ML Intern mulai kerja begitu dapat satu prompt panjang di HuggingChat. Agent-nya baca brief, susun rencana kerja, lalu minta persetujuan budget sebelum ngejalanin apa pun yang berbayar — defaultnya budget mulai dari nol dolar, jadi gak ada tagihan kejutan.

Sebelum full training, ML Intern jalanin "smoke test" — training cuma puluhan langkah, terus cek apakah bobot modelnya beneran berubah. Analoginya kayak penjahit yang jahit satu baju contoh dulu sebelum produksi massal ratusan potong — kalau polanya salah, ketahuan di contoh pertama, bukan setelah kain habis.

Kalau smoke test lolos, agent lanjut full training, bandingin hasilnya sama baseline sebelum training, lalu publish modelnya ke Hugging Face Hub lengkap dengan model card berisi angka evaluasi.

Kenapa ini penting

Buat developer Indonesia yang kerja di startup kecil atau freelance, ML Intern ngubah kalkulasi biaya bikin model custom. Dulu kalau mau model deteksi penyakit tanaman spesifik lokal, kalian butuh tim ML, GPU sewaan mahal, dan riset berminggu-minggu. Sekarang biayanya bisa ditekan jadi puluhan ribu rupiah per eksperimen, asal prompt-nya disusun jelas.

Ini juga bagian dari tren lebih besar di Hugging Face — agent yang gak cuma bantu nulis kode, tapi pegang seluruh siklus kerja infrastruktur, mirip yang gw bahas soal Funes yang nyimpen memori lokal buat coding agent. Pola yang sama: agent dikasih otonomi lebih besar, tapi tetap ada pagar — budget, verifikasi, approval — yang bikin kerjanya terkontrol.

Tapi ada catatan jujur: hasil USD 16 buat enam model itu datang dari developer yang udah paham nulis prompt teknis detail — prompt pertamanya 450 kata, prompt keenam 2.000 kata. Model custom yang bagus tetap butuh orang yang ngerti domainnya, bukan sekadar modal "bikinin model AI" ke chatbot.

Buat kalian

• Yang harus peduli: kalian yang kerja di domain spesifik — pertanian, UMKM, klinik lokal — dan selama ini mikir model custom cuma buat perusahaan gede dengan tim data scientist. ML Intern nurunin barrier itu ke level prompt yang jelas dan budget yang kalian tentuin sendiri.
• Yang boleh santai: kalau kerjaan kalian cukup dihandle model general kayak GPT atau Gemini lewat API biasa, gak perlu buru-buru latih model sendiri — training custom baru worth it kalau datanya beda jauh dari yang dipelajari model umum.
• Langkah kecil pertama: ambil satu masalah klasifikasi sederhana yang kalian punya datanya (foto produk, keluhan pelanggan, apa pun), tulis prompt yang nyebutin dataset, baseline yang mau dikalahin, dan batas budget eksplisit — baru submit ke ML Intern lewat HuggingChat.

Pelajaran paling kekal dari proyek ini bukan soal harganya yang murah, tapi soal strukturnya: kasih agent otonomi, tapi kunci dengan batas yang jelas — baseline sebelum eksekusi, tes kecil sebelum komit penuh, dan plafon biaya di depan. Prinsip itu yang gw tekenin ke murid-murid di kelas gw, apa pun agent yang mereka pakai — nulis konten, riset, atau latih model sendiri kayak di artikel ini.

Sumber primer: blog resmi Hugging Face, "The model that didn't exist, so you made it yourself" (huggingface.co/blog/building-with-ml-intern).