Dalam industri telekomunikasi, data merupakan aset yang paling penting dari suatu organisasi. (Keshavarz, 2021) PT Telekomunikasi Selular, sebagai penyedia layanan telekomunikasi terkemuka di Indonesia, beroperasi dalam lingkungan yang sangat kompetitif yang ditandai dengan aliran data yang masif dan berkecepatan tinggi dari lalu lintas jaringan, interaksi pelanggan, dan sistem operasional. (Deloitte, 2025) Memanfaatkan data ini secara efektif melalui Kecerdasan Bisnis atau Business Intelligence (BI) sangat penting untuk pengambilan keputusan yang strategis, mengoptimalkan kinerja jaringan, serta membuat pengalaman pelanggan lebih personal. Namun, sistem BI tradisional seringkali menghadirkan hambatan yang signifikan, sistem ini biasanya bergantung pada dashboard statis dan mengharuskan pengguna memiliki keahlian teknis khusus, seperti pemahaman mengenai SQL atau keahlian data science, untuk melakukan analisis ad-hoc atau analisis data yang dilakukan secara spontan untuk menjawab pertanyaan spesifik dan mendadak. (Oliveira, 2020) Ketergantungan ini menciptakan jeda waktu antara pertanyaan bisnis dan jawabannya, sehingga membatasi kelincahan pengambilan keputusan yang strategis. Munculnya Kecerdasan Buatan Generatif atau Generative Artificial Intelligence (GenAI), khususnya Large Language Models (LLM), menawarkan pergeseran paradigma, yang memungkinkan pengembangan sistem BI yang intuitif dan komunikatif yang dapat mendemokratisasi akses data bagi semua pemangku kepentingan. (Kurat, 2024) Laporan magang ini membahas mengenai perancangan dan implementasi pipeline Pembelajaran Mesin atau Machine Learning (ML) baru yang dirancang khusus untuk mendukung sistem BI berbasis AI Generatif bagi PT Telekomunikasi Selular. Latar belakang proyek ini berawal dari kebutuhan untuk melampaui batasan BI tradisional dengan menciptakan alur kerja analisis data yang lebih terotomatisasi dan cerdas. Aktivitas inti meliputi riset, perancangan, dan pengembangan arsitektur berbasis agen secara iteratif yang mampu menginterpretasi query pengguna dalam bahasa alami. Hal ini memerlukan reverse-engineering pada fase awal dan analisis komparatif terhadap framework open source yang ada, seperti DataGPT (dari digai.co) dan Auto-Analyst, untuk menetapkan baseline dan mengidentifikasi best-practices dari arsitektur, keunggulannya, serta keterbatasannya. (FireBird-Technologies, 2025) Pipeline yang dihasilkan dirancang untuk mengelola proses menyeluruh: mulai dari menerima perintah pengguna hingga mengorkestrasi berbagai agen AI khusus, memproses data secara efisien menggunakan dataframe modern seperti Polars, menghasilkan visualisasi dinamis dengan alat seperti Plotly, dan menyusun respons analitis akhir yang dapat dibaca manusia dengan lebih mudah. Proses pengembangannya sangat iteratif, berfokus pada peningkatan berkelanjutan dan integrasi. Sebagian besar aktivitas melibatkan rekayasa cepat dan modifikasi konten sistem untuk meningkatkan keandalan atau reliability, konsistensi, dan akurasi agen LLM. Hal ini mencakup penerapan pembatas atau guard-rails, penerapan seed untuk keluaran deterministik, dan penyempurnaan peran agen, seperti Manipulator Data, Visualizer Data, dan Analyzer Data. Performa dan fleksibilitas menjadi pertimbangan utama, yang mengarah pada pengujian dan perbandingan berbagai model dasar, termasuk GPT-5, dan Gemini-2.5-pro, serta implementasi pengatur waktu pelacakan performa sebagai alat benchmarking. Selanjutnya, pipeline ini disempurnakan dengan fitur-fitur penting seperti memori sesi, caching konteks, dan Router Agen otomatis untuk memastikan kesadaran kontekstual atau context aware dan pendelegasian tugas yang lebih efisien. Tahap akhir magang difokuskan pada pengintegrasian pipeline ML ini dengan sistem front-end dan back-end berbasis web, memastikan dapat mendukung berbagai sumber data termasuk CSV, Excel, dan basis data PostgreSQL, serta mendokumentasikan seluruh arsitektur secara menyeluruh.