Anthropic Lancar Claude Frontier Academy: Melatih Jurutera Membawa AI ke Operasi Sebenar

Pada 2 Oktober 2026, Anthropic mengumumkan Claude Frontier Academy dengan komitmen AS$100 juta dan sasaran melatih 10,000 Frontier Deployed Engineers menjelang akhir 2027. Angka itu merupakan sasaran program, bukannya jumlah graduan yang sudah dihasilkan.

Bagi pembaca IT Jobs Malaysia, pengumuman ini membuka perbincangan tentang kemahiran membawa prototaip AI menjadi sistem yang boleh digunakan. Sudut yang berguna ialah cara membuktikan keupayaan melalui kerja sebenar, termasuk memahami keperluan pengguna, menguji hasil dan menyerahkan sistem kepada pasukan operasi.

Latihan berasaskan pelaksanaan projek

Menurut Anthropic, peserta bermula dengan latihan bersemuka selama beberapa hari, simulasi pelaksanaan perusahaan dan penilaian praktikal. Mereka yang lulus meneruskan residensi 12 minggu untuk memimpin projek Claude di organisasi sendiri dengan sokongan jurutera Anthropic.

Penilaian berikutnya menentukan kelayakan menerima lencana Claude Frontier Deployed Engineer; penerima pertama dijangka pada awal 2027. Kohort awal berjalan di San Francisco, New York dan London. Penyertaan melalui pencalonan organisasi. Pengumuman tersebut tidak menyatakan pembukaan kohort di Malaysia, maka pembaca tidak wajar menganggapnya sebagai kursus terbuka tempatan.

Sumber: Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap.

Asas teknikal: tentukan tahap autonomi

Untuk memahami kerja pelaksanaan AI, panduan Anthropic bertarikh Disember 2024 membezakan aliran kerja dengan ejen. Dalam aliran kerja, kod menentukan urutan tindakan. Dalam ejen, model menentukan proses dan penggunaan alat secara dinamik. Panduan itu ialah latar teknikal terdahulu, bukan pengumuman baharu akademi.

Anthropic menyarankan penyelesaian paling ringkas yang memenuhi keperluan sebelum menambah kerumitan. Syarikat itu turut mengingatkan bahawa sistem ejen boleh menukar tambahan masa menunggu dan kos kepada prestasi tugas yang lebih baik. Nasihat tersebut berasaskan pengalaman syarikat bersama pelanggan, bukan jaminan bahawa satu reka bentuk sesuai untuk semua organisasi.

Sumber: Building effective agents.

Hasil sebenar perlu dinilai

Dalam panduan Januari 2026 tentang penilaian ejen, Anthropic membezakan rekod interaksi daripada keadaan akhir sistem. Ejen yang mengatakan sesuatu tugasan selesai belum semestinya menghasilkan perubahan yang diperlukan. Penilaian perlu memeriksa hasilnya, bukan hanya kelancaran jawapan.

Panduan itu juga menerangkan penggunaan gabungan pemeriksa berasaskan kod, model dan manusia. Setiap kaedah mempunyai batas: pemeriksaan kod boleh terlalu kaku, manakala penilai model memerlukan penentukuran dengan penilaian manusia. Oleh sebab keputusan model boleh berubah antara percubaan, pengujian berulang membantu menilai konsistensi. Ini ialah panduan kejuruteraan, bukan bukti keberkesanan graduan akademi yang baharu dilancarkan.

Sumber: Demystifying evals for AI agents.

Cadangan editorial: projek kecil dalam konteks Malaysia

Sebagai latihan sendiri, pelajar atau pembangun junior boleh membina pembantu pengelasan tiket sokongan menggunakan data rekaan. Sediakan contoh pertanyaan Bahasa Malaysia, bahasa Inggeris dan campuran kedua-duanya. Tetapkan kategori seperti masalah log masuk, pertanyaan penggunaan dan permintaan pembetulan maklumat. Ini cadangan editorial, bukan kandungan kurikulum rasmi akademi.

Mulakan dengan sistem yang mencadangkan kategori untuk disemak manusia. Tentukan terlebih dahulu perkara yang dianggap salah: kategori tersasar, maklumat penting tertinggal atau jawapan yang menambah fakta tanpa asas. Sertakan kes kabur supaya sistem boleh meminta penjelasan, bukannya dipaksa memilih jawapan.

Kemudian bandingkan beberapa reka bentuk pada set soalan yang sama. Contohnya, bandingkan arahan ringkas dengan arahan yang disertakan contoh. Catat masa pemprosesan, kos percubaan dan pembetulan manusia yang diperlukan. Gunakan hasil eksperimen sendiri untuk menjelaskan pilihan reka bentuk; jangan membuat tuntutan tentang seluruh pasaran berdasarkan sampel latihan kecil.

Cadangan editorial: jadikan proses kerja bukti kemahiran

Untuk portfolio, sertakan penerangan masalah, data rekaan, kriteria lulus, keputusan ujian dan beberapa kegagalan yang belum diselesaikan. Tambahkan nota serahan yang menerangkan cara menghentikan pemprosesan, menyemak kes bermasalah dan menjalankan semula ujian selepas perubahan. Bahan seperti ini memberi penemuduga perkara konkrit untuk dibincangkan.

Bagi ketua pasukan yang mahu mencuba pendekatan latihan dalaman, cadangan kami ialah memperuntukkan satu projek kecil dengan penyelia dan pemilik operasi yang jelas. Adakan semakan berkala tentang keputusan teknikal serta maklum balas pengguna. Nilai sama ada peserta boleh menerangkan batas sistem dan membaiki kegagalan secara teratur. Elakkan menjadikan jumlah demonstrasi atau lencana sebagai satu-satunya ukuran pembelajaran.

Rujukan

• Anthropic invests $100 million to train 10,000 engineers and tackle the enterprise AI talent gap — 2026-10-02
• Building effective agents — 2024-12-19
• Demystifying evals for AI agents — 2026-01-09

Disediakan secara automatik dengan bantuan AI berdasarkan sumber yang dipautkan. Semakan sumber: 2026-10-08. Gambar utama ialah ilustrasi janaan AI, bukan foto peristiwa sebenar.